森林生物多样性的丰富程度是森林生态系统重要指标,对森林生物多样性的保护不仅有利于保护人类赖以生存的生态系统,同时也有利于人与自然和谐发展。近年来国内外利用遥感技术进行森林生物多样性的估算已经成为了重要的方法,该技术不仅可以全天候、实时、动态与无损坏地实现信息的定时和定量收集,而且有效的避免了人为因素干扰,这为林业部门进行森林生物多样性量化评价、制图及保护决策规划提供了更为准确的信息支撑。随着遥感新型传感器的发展,飞机搭载传感器获得的机载高光谱影像数据在森林生物多样性遥感估测方面发挥着巨大的潜力。本文以浙江省衢州市的古田山自然保护区为研究基地,以森林乔木树种为研究对象,基于地面实测样地计算得到森林乔木树种多样性指数,包括物种的丰富度指数,Shannon-Wiener指数、Plieou均匀度指数以及Simpson指数。结合机载高光谱影像数据,从高光谱遥感影像中提取相关的遥感特征因子,包括主成分分析后的第一、第二和第三主成分以及主成分分析后的纹理特征、窄波段植被指数。由于提取的遥感因子较多,特征之间存在的相关性,本文以随机森林迭代特征选择的方法高效的选择出了对回归建模贡献大的特征因子。文中比较分析了多元线性回归(MLR)、随机森林(RF)、支持向量回归(SVR)三种模型对森林乔木树种多样性的遥感估测能力,并结合十折交叉验证的方法对模型的估测精度做了验证,得到以下几个结论:(1)从对高光谱影像的主成分分析结果来看,此方法有效的避免了波段信息之间的冗余,使图像的信息得到了增强。同时从参与多样性指数的遥感特征变量重要度排名来看,主成分分析后的第一主成分与四种多样性指数之间存在较强的相关性,说明第一主成分包含的树种信息较为丰富。(2)基于随机森林迭代特征选择的方法可以有效的从冗余的变量中筛选出对回归建模影响大的特征因子。在回归模型建模过程中,若直接将所有的特征因子加入回归模型中,则不仅减慢了模型的运算速度,还会导致模型对训练样本数据拟合效果好,但对验证样本数据应用效果差的现象,从而会对模型的预测结果和估测精度带来影响。由于本文提取的特征因子较多,因此对特征变量进行有效的筛选是十份有必要的,基于随机森林迭代特征法所选择出的特征变量组合,既有效避免了因子选择的随意性,又保证了参与建模的特征因子与构建的模型有很大相关性。(3)基于三种数学模型分别构建森林乔木树种多样性与遥感特征因子之间的回归模型,就估测精度而言,物种丰富度指数(RF模型:R~2=0.65,RMSE=2.58;SVR模型:R~2=0.56,RMSE=2.70;MLR模型:R~2=0.44,RMSE=3.42);Shannon-Wiener指数(RF模型:R~2=0.40,RMSE=0.53;SVR模型:R~2=0.54,RMSE=0.59;MLR模型:R~2=0.43,RMSE=0.65);Simpson指数(RF模型:R~2=0.61,RMSE=0.052;SVR模型:R~2=0.55,RMSE=0.059;MLR模型:R~2=0.41,RMSE=0.072);Pielou指数(RF模型:R~2=0.63,RMSE=0.054;SVR模型:R~2=0.57,RMSE=0.063;MLR模型:R~2=0.33,RMSE=0.081)。相较于MLR和SVR模型,RF模型的精度有所提升,RF模型估测精度显著优于MLRM和SVR方法的估测精度,RF模型对四种多样性指数的估测精度比MLR和SVR模型分别提高了21%和9%、17%和6%、20%和6%、30%和6%。尤其对物种丰富度指数的估测精度明显高于另外两种模型的模型,预测效果最好。因此RF模型估测能力最强且最为稳定;其次预估精度效果较好是SVR模型。(4)从反演的效果来看,三种模型都会存在高多样性指数低估和低多样性指数高估的现象,其中RF模型反演效果最好,泛化能力较强,高值低估,低值高估的问题程度最轻;SVR模型次之;MLR模型出现该现象的程度较重,模型的泛化能力不强。因此基于RF模型可以很好的用来反演研究区森林乔木树种的物种多样性。