基于径向基函数神经网络模型的桃江县森林碳储量估测

量化森林碳储量对森林经营者的正确决策至关重要。本文以湖南省桃江县为研究区,根据2013年森林资源一类调查数据和Landsat 8遥感影像,建立多元逐步回归、偏最小二乘回归和径向基函数神经网络模型,开展碳储量的估测方法比较。结果表明:三种方法中,径向基函数神经网络模型估测森林碳储量效果最好,决定系数达到0.645,相对均方根误差为15.582 t·hm~(-2);其次为偏最小二乘回归模型,决定系数和相对均方根误差分别为0.511和17.135 t·hm~(-2);多元逐步回归模型精度最低,决定系数和相对均方根误差分别为0.431和18.105 t·hm~(-2)。径向基函数神经网络模型反演的研究区森林碳储量分布图表明,海拔高的地方碳储量较大,城区碳储量较小,与实际植被分布情况一致。     

基于BP神经网络的凌云县森林碳储量遥感反演研究

森林碳储量的正确估算是研究全球碳通量和气候变化的关键。本研究采用2014年森林资源连续清查数据和同时期Landsat 8遥感影像,对凌云县森林碳储量进行遥感反演研究,并分析其空间分布。从遥感影像中提取154个光谱因子和纹理因子,结合逐步回归和方差扩大因子法进行因子筛选,分别构建线性逐步回归、Logistic回归和BP神经网络模型,估算研究区的森林碳储量。结果表明:BP神经网络模型反演森林碳储量精度最高,设置隐含层神经元个数为10时,决定系数最大,均方根误差最小,分别为0.636和16.671 t·hm~(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.528和17.082 t·hm~(-2);线性逐步回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.452和17.722 t·hm~(-2)。研究区森林碳储量空间特点表现为山区碳储量大,低海拔人口分布密集地区碳储量小,与实际森林分布一致。     

长白山林区森林生物量遥感估测模型

采用黑龙江长白山地区TM图像和143块森林资源连续清查固定样地数据及野外调查补充样地数据,选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括11种植被指数)、纹理信息以及环境因子在内的75个自变量,分别采用逐步回归分析法和偏最小二乘回归法建立黑龙江长白山林区森林生物量遥感估测模型:逐步回归法采用5个自变量所建模型平均拟合精度为76.5%,均方根误差为19.12t·hm-2,样地生物量真实值与预测值相关系数为0.5434;偏最小二乘回归法采用10个自变量所建模型平均拟合精度85.8%,均方根误差9.92t·hm-2,样地生物量真实值与预测值相关系数0.8603,偏最小二乘回归法要优于逐步回归法。利用建立的偏最小二乘回归模型计算得到黑龙江长白山2007生物量等级分布图,采用29个检验样本对反演结果进行检验,计算得到29个样本的平均预测精度为83.73%。     

广东省木荷碳密度及其不确定性估计

【目的】基于实测的广东省木荷地上和地下生物量数据及加权平均含碳率,建立单木地上、地下生物量模型,获得区域尺度木荷碳密度及其估计误差,为其他树种的区域尺度碳汇估计提供参考。【方法】参考广东省木荷分布数据,选择并伐倒90株木荷测定地上部分的含碳率和生物量,并从中抽取40株木荷测定地下部分的含碳率和生物量。分地上、地下部分构建生物量随胸径变化的异速模型,利用非线性回归拟合模型参数。基于广东省第八次森林资源连续清查数据,使用Monte Carlo模拟法分地上、地下部分估计区域尺度上木荷的碳密度。采用决定系数、均方根误差和平均预估误差评价单木生物量模型拟合效果,通过均方根误差和相对均方根误差度量区域碳密度估测的不确定性。【结果】广东省木荷地上部分含碳率为0554 9,地下部分含碳率为0548 7;建立的单木地上和地下生物量模型的决定系数分别为0909 8和0793 1,表明木荷单木生物量模型具有良好的拟合优度和预估精度;广东省第八次森林资源清查时的木荷地上碳密度为580±044 t·hm~(-2),不确定性占比762%,地下碳密度为173±017 t·hm~(-2),不确定性占比976%,总碳密度为753±054 t·hm~(-2),不确定性占比723%。【结论】广东省木荷地上和地下部分含碳率均大于南方地区的平均水平,有明显的地域特征。使用Monte Carlo方法可得到稳定可靠的区域尺度的碳密度,并可量化广东省木荷碳密度估计的不确定性。     

基于Landsat8 OLI遥感影像的森林蓄积量估测模型研究

本次试验以湖南省湘潭县为研究区,提取Landsat8 OLI影像数据的56个遥感因子作为候选因子,结合皮尔逊相关系数和主成分分析两种方法对变量进行降维,构建多元线性回归模型(MLR)、误差反向传播神经网络(BP-ANN)、K最近邻模型(KNN)和随机森林模型(RF)进行蓄积量反演,并采用决定系数(R2)、均方根误差(R...     

三种回归分析方法在Landsat-5影像森林碳密度反演中的比较

随着遥感技术的快速发展,基于遥感影像和地面样地的方法成为目前森林碳密度精确估算的主要手段,然而没有找到具有普适性的建模因子和最佳的森林碳密度估算模型。鉴于此,本文通过分析研究区地面固定样地碳密度与Landsat-5影像及其衍生波段的相关性,筛选出估算森林碳密度的敏感因子。采用三种回归分析方法(逐步回归、偏最小二乘回归及非线性回归)分别建立森林碳密度的最优遥感估算模型。结果表明:1参与建模的遥感因子中,1/TM3与森林碳密度的相关性最大,敏感性最高;2三种回归分析方法建立的预测模型中,以4个遥感因子建立的非线性回归模型预测精度最高,预测值与实测值得决定系数R2为0.74;3通过测算,研究区平均森林碳密度为14.36 t/hm2,变化范围介于0.00~38.28 t/hm2之间。研究表明非线性回归在区域森林碳密度反演方面具有一定的潜力。     

基于回归与随机模拟的区域森林碳分布估计方法比较

以临安市为例,利用2004年森林资源清查样地数据和同年度Landsat TM影像数据,采用一元二次非线性回归和序列高斯协同模拟方法分别模拟森林地上部分碳密度及其分布,并对模拟结果进行比较分析。结果表明:一元二次非线性回归估计得研究区森林碳储量为2365404.37t,碳密度平均值为9.0000t·hm-2,最大值为73.7144t·hm-2,最小值为0.7156t·hm-2;序列高斯协同模拟得研究区森林碳储量为3291659.83t,碳密度平均值为12.5233t·hm-2,最大值为78.9133t·hm-2,最小值为0.0833t·hm-2;根据2004年森林资源清查样地数据,按随机抽样方法估计研究区森林碳储量为2708897.90t,样地碳密度平均值为10.3065t·hm-2,其最大值为96.9625t·hm-2,最小值为0;序列高斯协同模拟结果更接近地面样地估计结果,而且碳密度分布范围更合理;一元二次非线性回归估计结果与地面样地估计结果之差的累积平方和为9857.4619,而序列高斯协同模拟结果与实测结果之差的累积平方和为8018.4625;序列高斯协同模拟较一元二次非线性回归在估计区域森林碳空间分布...     

基于Sentinel-2B的油松冠层可燃物含水率反演研究

森林火灾的发生与植被冠层可燃物含水率的大小有着密切联系。利用高精度、大尺度、高效率的遥感影像反演获取植被冠层可燃物含水率对于有效防治森林火灾具有重要意义。油松由于其自身理化性质成为引发森林火灾的主要树种之一，以张家口崇礼区的油松为研究对象，基于Sentinel-2B遥感影像和油松含水率实测数据，建立了多个油松冠层可燃物含水率反演模型：一元线性回归模型、一元非线性回归模型和多元非线性回归模型，并利用决定系数(R²)和均方根误差(RMSE)进行模型精度评价。结果表明，非线性模型总体上要优于线性模型；通过多个自变量因子建立的多元非线性模型能够更好地反映油松冠层可燃物含水率情况，模型反演精度更高，可以为植被冠层可燃物含水率反演模型方法选择提供一定的理论依据。     

基于多距离度量kNN模型的森林蓄积量反演

【目的】森林蓄积量是衡量森林质量和生长状况的重要指标。利用遥感技术进行森林蓄积量反演相比传统的森林调查能显著提高森林资源调查效率,对快速获取区域范围森林生长状况,进行高效的资源利用和森林经营管理具有重要意义。【方法】以陕西韩城市为研究区,利用森林资源二类调查数据库提取森林蓄积量实测数据,结合Sentinel-2遥感影像进行森林蓄积量反演。通过线性逐步回归法和重要性评价法分别进行变量筛选,构建多元线性回归模型、支持向量机模型、随机森林模型和基于欧式距离、曼哈顿距离和马氏距离构建的kNN模型进行森林蓄积量估测,通过精度评价比较最终选择估测精度最高的模型进行研究区森林蓄积量反演。【结果】1）马氏距离是最适合构建kNN模型的距离度量。基于马氏距离构建的kNN模型在所有模型中实现了最高的估测精度,决定系数R2为0.66,均方根误差RMSE为10.02 m3/hm2,均方根误差相比随机森林模型、支持向量机模型和多元线性回归分别下降了3.9%、7.8%和29.9%;2）非参数模型在森林蓄积量估测中的精度显著优于参数模型。基于马氏距离构建的kNN模型、随机森林模型、支持向量机模型均方根误差相比多元线性...     

基于Landsat5 TM遥感影像估算江山市公益林生物量

本研究基于Landsat5 TM遥感影像数据和样地调查数据,利用多元逐步回归、偏最小二乘回归和随机森林回归3种方法,建立江山市公益林生物量估算模型,分析和比较3种模型的精度结果,探究随机森林回归模型在估算生物量方面的应用,为提高估算森林生物量的精度提供参考。结果表明,多元逐步回归模型的预测精度为58.31%、均方根误差为31.02 t/hm2,偏最小二乘回归模型分别为60.84%、30.72 t/hm2,随机森林回归模型为70.02%,22.18 t/hm2。由此可得,随机森林回归模型的预测精度优于其他2种模型,随机森林算法能提高估算森林生物量的精度。     

基于高分二号的旺业甸林场蓄积量估测模型研究

【目的】为了探究国产高分二号(GF-2)影像在林分蓄积量估测中的潜力,并找到最佳的蓄积量估测模型。【方法】本次实验以内蒙古旺业甸林场为研究区,以高分二号卫星影像为信息源,结合2017年10月份调查的75块样地以及同时期的GF-2影像数据,提取波段特征、植被指数和纹理特征等43个遥感因子作为候选变量,利用Pearson相关系数选择出与蓄积量显著相关的6个变量,采用多元线性回归模型(MLR)、BP-神经网络模型(BP-ANN)、随机森林模型(RF)、支持向量机模型(SVM)和K邻近模型(KNN)进行蓄积量的估测。以决定系数(R^2)、均方根误差(RMSE)、相对均方根误差(RRMSE%)作为5种模型的评价指标,选择出旺业甸林场的最佳蓄积量估测模型,并绘制了研究区的森林蓄积量分布图。【结果】4种机器学习模型的结果明显优于传统的线性模型,其中随机森林(RF)模型和K邻近模型(KNN)均得到了较高的精度,其中RF模型的R^2为0.66,均方根误差为55.2 m^3/hm^2,相对均方根误差为28.1%,KNN模型的R^2为0.64,均方根误差为57.6 m^3/hm^2相对均方根误差为29.3%。【结论】在利用高分二号数据进行旺业甸林场蓄积量估测时,RF和KNN模型在估测针叶林蓄积量时相比于其他模型可以取得更好的结果。     

基于方差优化k最近邻法的森林蓄积量估测

森林资源调查是数字森林资源监测的基础,遥感技术可以克服传统方法如抽样调查的局限性,有效地缩短作业时间,提高效率。虽然目前森林蓄积量遥感估测方法很多,但随着样本数量的增加,这些方法无法保证估算的准确性。本研究拟提出一种基于方差速率优化的k最近邻法(k NN),以2017年10月Planet Labs影像为数据源,结合赤峰市旺业甸林场蓄积量实测数据建立反演模型,并与地理加权回归(GWR)模型、随机森林(RF)模型、普通k NN模型和距离加权k NN模型进行对比分析。在建立的森林蓄积量反演模型中,方差优化k NN模型得到最优精度[决定系数(R^2)为0.69,均方根误差(RMSE)为67.6 m^3·hm^-2,相对均方根误差(RRMSE)为32.04%],显著优于其他模型。结果表明,方差优化k NN模型相比其他模型更适用于森林蓄积量遥感估测,森林蓄积量遥感反演空间分布符合实际分布情况,可以满足建立反演模型的需求。同时,由于Planet Labs影像的鲜明特征(即具有高时间分辨率),该数据的时间序列数据对于森林季节变化有丰富的记录,在反演森林蓄积量方面有着很大潜力。     

周至县森林植被碳储量及碳密度研究

利用模型模拟法、完全收获法和生物量碳含量转换系数以及森林资源二类调查资料,研究了周至县森林植被碳储量及碳密度,结果为周至县森林植被碳储量762.78万t,平均碳密度50.26t·hm-2,其中有林地总碳储量为641.61万t,不同林分之间碳密度为2.651～72.441t·hm-2、平均53.443t·hm-2,疏林地碳储量144.51万t,不同疏林地碳密度为1.837～50.270t·hm-2、平均46.817t·hm-2,灌木林碳储量6.66万t,不同灌木林的碳密度2.37～29.34t·hm-2、平均9.20t·hm-2;平均碳密度高于全国和全省平均值,低于近邻、全域为山区的宁陕县。     

基于机载LiDAR数据估测林分平均高

[目的 ]以2016年9月广西壮族自治区高峰林场实验区获取的机载LiDAR点云数据为基础,通过提取30 m×30 m空间林分尺度下的LiDAR点云特征变量实现对林分平均高的估测。[方法 ]首先将105块实测林分平均高度的样地数据按照3:1的比例随机划分为训练样本(79)和检验样本(26),采用随机森林回归(RFR)和支持向量回归(SVR)两种机器学习算法对79个训练样本与对应的林分LiDAR点云特征变量回归建模。建模方案包括随机森林模型、支持向量机模型及随机森林+支持向量机组合模型。其次利用26个检验样本数据评价模型预测精度。最后统计3个模型中训练样本和检验样本对应的精度评价指标,以一个预测精度高、泛化能力强的模型作为最终模型进行林分平均高制图。[结果 ]表明:随机森林模型的训练样本和检验样本的决定系数(R2)分别为0.886 1和0.837 5,均方根误差(RMSE)分别为1.22和1.56;支持向量机模型的训练样本和检验样本的决定系数(R2)分别为0.886 4和0.840 9,均方根误差(RMSE)分别为1.21和1.54;组合模型的训练样本和检验样本的决定系数(R2)分别为0.859 8和0.853 2,均方根误差(RMSE)分别为1.35和1.48;[结论 ]组合模型的泛化能力及预测精度最好,支持向量机次之,最后为随机森林。利用组合模型可有效完成研究区林分平均高制图。     

基于随机森林回归模型的思茅松人工林生物量遥感估测

以云南省景谷县思茅松人工林为研究对象,以研究区2005年TM影像及2006年森林资源二类调查小班空间属性数据库为信息源,在前期建立思茅松单木生物量模型基础上,在ENVI下提取9个植被指数作为备选自变量,建立研究区思茅松人工林随机森林回归遥感估测模型。结果表明:随机森林回归遥感估测模型的决定系数(R2)=0.97,均方根误差(RMSE)=4.97;模型的预估精度(P)=87.67%。利用已经训练好的随机森林估测模型,估测研究区思茅松人工林生物量为3 644 612.00t;单位面积生物量为59.90 t/hm2。研究结果可为其它典型森林类型生物量或碳储量估测提供案例分析。     

基于气象因子的森林病虫鼠害发生率预测模型研究

基于气象因子,使用一元线性回归、多元线性回归、一元非线性回归以及BP神经网络4种不同的回归模型对森林病虫鼠害发生率进行预测,结果表明:对于线性模型,多元线性回归模型的判定系数和均方根误差均优于一元线性回归模型;对于非线性模型,BP神经网络模型的判定系数和均方根误差均优于一元非线性回归模型;按优劣排序为BP神经网络模型、一元非线性回归模型、多元线性回归模型和一元线性回归模型。气象因子与森林病虫鼠害发生率的关系并非单纯的线性关系,非线性的预测模型可以更好地解释森林病虫鼠害的发生程度。     

鄂西北主要森林类型碳密度特征

将鄂西北山区典型森林生态系统划分为13种森林类型,在系统调查样地乔木层、灌木层、枯落物层及土壤层碳含量的基础上,对不同森林类型碳密度进行了估算。结果表明:鄂西北森林生态系统平均碳密度为175.812t·C·hm-2,各层碳密度的大小顺序为土壤层(110.130t·C·hm-2)乔木层(48.278t·C·hm-2)灌木层(15.187t·C·hm-2)枯落物层(2.217t·C·hm-2),各层分别占整个生态系统碳储量的62.64%,27.46%,8.64%和1.26%。天然林不同林龄碳密度排序为近成过熟林中龄林幼龄林,人工林不同森林类型碳密度排序为针阔混交林针叶林阔叶林。     

应用遥感、人工神经网络叶面积模型和模拟过程模型估计湿地松人工林碳储量

全球气候变化引起人们对森林碳固定作用的关注。碳存储速率依赖于生态系统流通量(光合作用和生态系统呼吸),量化为净生态系统二氧化碳交换。在没有密集采样点的情况下,我们需要采用估测森林净生态系统交换的方法准确地估计林分水平和更大尺度的碳固定量。本文通过祸合遥感估算的叶面积指数和生长过程拟合模型,估计了佛罗里达州内9 770公顷湿地松人工林一年里净生态系统交换总量。地面图神经网络模型和陆地卫星数据估计的森林叶面积指数平均值是1.06(数值范围0-3.93,包括森林边界)。输入神经网络叶面积指数值,湿地松拟合模型(SPM2)估计的森林净生态交换值在-5.52 Mg·hm-2·a-1到11.06Mg·hm-2·a-1之间,平均值是3.47 Mg·hm-2·a-1。年总的碳储量是33920t,约合3.5 t/hm2。估计的叶面积指数和森林净生态交换均对对施肥高度敏感。图3表1参30。     

湖北省森林生态系统碳储量及碳密度特征

基于2009年湖北省林业资源连续调查第六次复查数据和标准地实测数据,采用政府间气候变化委员会(IPCC)推荐的森林碳储量估算方法,研究湖北省森林生态系统的碳储量、碳密度和组分特征。结果表明:湖北省森林生态系统总碳储量710.01 Tg·C,其中乔木层、灌木层、枯落物层、土壤层分别占其总碳储量的15.74%、2.89%、2.11%和80.56%,天然林和人工林碳储量分别为420.43 Tg·C和151.59 Tg·C。湖北省森林生态系统平均碳密度为111.51 t·hm-2,表现为土壤层乔木层灌木层枯落物层,不同森林生态系统碳密度差异较大,介于88.32~177.79 t·hm-2之间。森林不同林层中,乔木层碳密度介于7.63~55.7 t·hm-2,灌木层碳密度介于0.25~12.49 t·hm-2,枯落物层碳密度1.14~3.53 t·hm-2之间,土壤层碳密度介于73.25~136.87 t·hm-2之间,主要集中在30 cm的土层厚度,呈现明显的表聚特征,土壤碳储量平均为植被层的3.88倍。森林生态系统碳密度表现为针阔混交林阔叶林针叶林,近成过熟林中龄林幼龄林。湖北省森林主要以中幼林为主,林业碳汇潜力巨大,合理的经营方式,可以提高森林结构质量水平,有效增加森林的碳汇功能。     

黄龙山林区白皮松古树年龄估算

指出了林分调查时,树木年龄确定一直是一个难点,为更精确确定树木年龄,可采用神经网络模型构建法,建立年龄与胸径、树高的回归模型。以陕西省黄龙山林区白皮松天然次生林为研究对象,基于解析木数据,构建了双输入单输出、单输入单输出的神经网络模型,并用未参与建模的标准木数据作为检测样本检测了模型的适应能力。结果表明:①两种模型的拟合精度分别为99.03%、98%,均方根误差分别为0.29011、0.43722,神经网络具有很好的拟合非线性生长模型的能力;②两种模型的检测精度分别为80.19%、79.70%,所建神经网络模型具有较好的适应性。所建神经网络模型能为黄龙山林区白皮松古树年龄确定提供科学依据。