论文部分内容阅读
在森林资源调查中,胸高断面积是蓄积量测算的重要指标,但在实际测算中遇到诸多问题。近年来,随着高空间分辨率遥感影像在森林资源调查和管理中应用的普及,为借助RS技术对森林结构参数进行定量估测提供了必要条件。国内外研究表明,利用中高分辨率遥感影像各波段的灰度值线性或非线性的拟合,与蓄积量、结构参数都有很好的相关关系,可作为定量因子参与建立杉木胸高断面积估测模型。本文以湖南省株洲市黄丰桥国有林场杉木人工纯林的中龄林和近熟林为主要研究对象。按1km×1km系统布设样地,根据林相图、影像预判读和样地实际情况,在外业调查中共采集107个杉木样地。采用SPOT5影像和1：1万DEM作为基础数据源,结合GPS准确定位。首先在GIS软件中对样地进行缓冲处理,缓冲后每个样地面积为1hm2,并提取样地的光谱信息、纹理信息等21个遥感因子和4个地理因子作为自变量。其次对样地进行筛选,选择了102个样地的林分断面积作为研究的总体样本,选取其中70个样本作为建模数据,剩余32组作为检验数据,考虑自变量存在多重共线性下,对自变量进行筛选并运用多元统计分析中逐步回归分析法、岭估计分析法和偏最小二乘法等3种方法,建立杉木胸高断面积估测模型。主要研究结论如下：(1)采用不同自变量筛选方法,得出最优自变量组合。对SPOT5影像进行预处理,主要包括辐射定标、几何精校正、大气校正处理。并结合SPOT5高空间分辨率的特点,在遥感变量因子选择21个变量,分别是光谱信息15个变量包括基本波段B1、B2、B3、B4、PAN、GRENRED、SVR、MSI、NDVI、RVI;和6个纹理信息包括ASM、CON、COR、ENT、IDM、VAR;同时选择4个地理因子包括ELEVATION、SHADE、SLOPE、ASPECT。共选择25个自变量因子,经过逐步回归筛选出8个自变量和岭迹分析法筛选出13个自变量,与相对应杉木胸高每公顷断面积为因变量。通过建立多元线性回归模型,比较认为逐步回归所筛选出自变量组合优于用岭迹分析法所筛选出自变量组合,最优自变量组合为MSI、 RVI、PS、B4S、SVR、B3MEAN、ASM、ENT。(2)用逐步回归分析法、岭估计分析法和偏最小二乘法等3种方法,建立3种杉木胸高断面积估测模型,并得出最优回归模型。考虑不同变量筛选方法,认为建立方程与精度评价同等重要,综合两者均方差,采用模型评价指标(MEI)值来测度模型优度。用逐步回归分析法建立估测模型其模型评价指标(MEI)19.7m2/hm2；岭估计分析法所建立估测模型其模型评价指标(MEI)27.6m2/hm2;偏最小乘法所建立估测模型其模型评价指标(MEI)19.3m2/hm2。比较可知,用偏最小二乘法建立的估测模型其评价指标值最小,说明用偏最小二乘法建立的多元线性回归方程是较为理想的,可选为最优估测模型。最优模型如下：γ=-25.437+18.183MSI+1.595RVI+0.295PS-3.649B4S+99.578SVR-0.215B3MEAN+32.606ASM+7.070ENT(3)利用高分辨率遥感影像,采用统计分析和数学建模的方法,对杉木胸高断面积进行了定量估测,并取得了较高的精度。采用3种方法建立杉木胸高断面积估测模型。其中用逐步回归分析法建立估测模型其估测精度为83.7%,均方根误差(RMSE)3.88m2/hm2:岭估计分析法估测精度为78.2%,均方根误差(RMSE)4.99m2/hm2:偏最小乘法估测精度为83.9%,均方根误差(RMSE)3.76m2/hm2.分析可知,在众多的自变量中,经过自变量筛选,认为用逐步回归分析法和偏最小二乘法所建立的杉木胸高断面积估测模型是比较合理的,达到了较为理想的精度要求。