北京林业大学学报

2020, v.42(07) 1-11

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于遥感的高山松连清固定样地地上生物量估测模型构建
Establishment of remote sensing based model to estimate the aboveground biomass of Pinus densata for permanent sample plots from national forestry inventory

张加龙;胥辉;

摘要(Abstract):

【目的】研究利用遥感方法构建高山松固定样地地上生物量估测的参数模型,可以在今后前期样地的基础上直接快速、准确地估测生物量,或者开展少量的外业调查即可获取地上生物量。【方法】基于遥感因子与样地地上生物量变化量和线性混合模型提高生物量估测精度,以香格里拉市1987、1992、1997、2002、2007、2012、2017年7期国家森林资源清查固定样地和对应年份Landsat TM、OLI的Level-1数据为基础,首先对遥感数据进行预处理:包括辐射定标、大气校正、几何校正和地形校正,提取原始波段、比值因子、植被指数、图像增强信息、纹理指数、混合像元分解后的丰度、叶面积指数,计算5~30年间隔样地对应的遥感因子变化值。根据森林资源二类调查的高山松分布特征,选择地形因子作为线性混合模型的固定和随机效应,采用多元线性回归、非线性回归、地理加权回归、线性混合模型构建高山松地上生物量估测的静态模型,基于遥感光谱信息变化量构建了有树高和无树高参与的动态模型。最后对不同的建模方法和验证结果进行对比分析,选择最优结果作为估测模型并验证。【结果】(1)分析静态数据建模和验证的结果,采用样地号为固定因子、坡度等级为随机因子的线性混合模型的拟合R2最高,为0.75;但利用训练数据集和2017年数据验证,其精度都较低。(2)分析变化量数据建模和验证的结果,采用样地号为固定因子、坡度等级为随机因子、遥感因子变化量为自变量的线性混合模型拟合R2最高,为0.70,预测精度P值为(68.86±11.93)%;增加平均树高变化量,拟合R2最高为0.79,预测P值为(73.39±6.18)%。(3)无论是有、还是无树高参与的变化量模型其拟合和预测精度都达到80%,其预测精度达到了非参数模型预测精度。【结论】基于变化量的估测模型的拟合和预测精度较静态模型有所提高;综合遥感因子、地形因子构建的高山松地上生物量估测线性混合模型,其精度有较大提高;采用遥感因子变化量构建的高山松地上生物量估测模型,有效弥补了静态光学遥感数据估测生物量的不足,经检验可用于其他年期的估测。

关键词(KeyWords): 地上生物量;线性混合;Landsat;固定样地;高山松

Abstract:

Keywords:

基金项目(Foundation): 林业公益性行业科研专项(201404309);; 云南省唐守正院士专家工作站(2018IC066);; 云南省王广兴专家工作站(2018IC100);; 国家自然科学基金项目(31770677、31860207)

作者(Author): 张加龙;胥辉;

Email:

DOI:

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享