论文部分内容阅读
郁闭度是描述森林生态系统和森林生长状况的重要参数之一。高精度估算森林郁闭度是准确计算土壤侵蚀、快速评价森林的生产效益、提高森林资源调查精度和保证调查质量的关键问题,也对当前生态文明建设具有实践意义。本研究基于资源三号高空间分辨率遥感影像反演敦化市西南部的富尔河流域的森林郁闭度。其中,基于影像提取地物的光谱特征和纹理特征,基于数字高程模型数据提取地形特征,结合相关性分析和主成分分析筛选变量。以鱼眼镜头获取的郁闭度数据为实测数据,分别采用逐步线性回归(stepwise linear regression,SLR)、BP神经网络(back-propagation neural network,BPNN)和线性混合像元分解法(linear spectral mixture model,LSMM)建立郁闭度估算模型,选择决定系数R~2、均方根误差(root-mean-square error,RMSE)、相对均方根误差(relative root-mean-square error,rRMSE)和总体精度(estimation accuracy,EA)作为评价指标对模型的精度进行验证和对比,选择最优模型反演森林郁闭度。基于郁闭度反演结果分析郁闭度空间分布与高程、坡度、优势树种及同质性等特征的相关性。本文的主要研究结论如下:一、森林郁闭度反演模型构建与验证逐步线性回归法构建郁闭度反演模型:结合相关性分析和主成分分析从原始的光谱、纹理和地形特征50个变量中筛选出17个因子作为自变量,建立郁闭度与自变量的逐步回归模型,模型入选变量包括B2_DIS、B4_HOM、B3_HOM、B2_HOM和红波段*近红波段/绿波段(RNG)。模型验证R~2、RMSE和精度分别为0.845、0.035、94.95%。BP神经网络郁闭度反演模型:以B2、B3和经纬度坐标共19个因子为输入变量,郁闭度为目标变量,调整网络的学习速率、训练函数和输出函数,并确定隐藏层神经元个数,构建了输入层-隐藏层-输出层为19-9-1的网络模型。模型验证的R~2、RMSE和精度分别为0.883、0.038、97.2%。线性混合像元分解法建立郁闭度反演模型:确定了植被、低反射率地物、裸土\沙地三类地物端元,并采用全约束算法分解得到各类地物端元丰度图。误差图RMSE的均值为0.01,整体分解精度高。建立所有样点郁闭度估测值和实测值的拟合关系,验证R~2、RMSE和精度分别为0.571、0.12、82.07%。二、郁闭度反演模型对比与选择基于评价指标,得到模型的精度为BP神经网络>逐步线性回归>线性混合像元分解;基于模型反演效果,线性混合像元分解结果效果差,高值区存在较大程度的低估,BP神经网络和逐步线性回归模拟结果在空间上一致性较高,郁闭度大于0.7时,逐步回归模型高估,BP神经网络对郁闭度高值和低值的估算更为合理。森林地区地形结构复杂,地物间的多重散射作用不能忽略,基于非线性的反演模型优于线性模型;其次,BP神经网络综合考虑所有输入变量对郁闭度的影响,通过对样本数据的深层次学习,充分挖掘变量与郁闭度的内在关系,为模型的高精度反演提供了丰富的信息。因此,研究选择BP神经网络作为郁闭度反演模型。三、郁闭度反演与空间分布格局分析研究区郁闭度取值范围为0.2～0.92,集中分布于0.46～0.73之间,极茂密和极稀疏林地较少。适时对高郁闭度森林进行采伐不仅有助于幼树快速生长,且有助于减少地表可燃物载量,降低火灾发生的潜在风险。空间上,郁闭度<0.46的森林主要分布在研究区的西南部和非林地附近,郁闭度>0.73的森林主要分布在北部和东南部方向。分析郁闭度空间分布与高程、坡度、优势树种、RNG和B4-HOM纹理特征的关系。森林主要分布在高程<834.7m、坡度<17.1°的区域,郁闭度取值与高程和坡度呈一定的正相关关系。优势树种类型对郁闭度影响较大,紫椴和白桦对应郁闭度均值较高,胡桃楸、色木槭、水曲柳和黄菠萝对应郁闭度均值较小。研究区超过60%的RNG的取值范围在0.2～0.3之间,且随着郁闭度取值增大,RNG在0.2～0.26所占比例减少,在0.3～0.98所占比例增大。研究区B4-HOM均值为0.28,森林内部纹理的灰度差异较大;郁闭度值与B4-HOM在空间分布上格局相似,随着郁闭度取值的增大,B4-HOM>0.32的比例增加,<0.2的比例减少。