首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   5篇
  免费   0篇
综合类   5篇
  2022年   1篇
  2021年   2篇
  2019年   1篇
  2018年   1篇
排序方式: 共有5条查询结果,搜索用时 8 毫秒
1
1.
【目的】应用不同数据源分析不同林冠层中探测提取树高的异同,探索适用于中国北方天然次生林树高估测的方法。【方法】以东北林业大学帽儿山实验林场中林施业区0.25 hm2样地为研究区域,基于无人机激光雷达(unmanned aerial vehicle laser scanning, ULS)、地基激光雷达(terrestrial laser scanning,TLS)和Vertex IV超声测高仪实测单木树高,根据冠层高度分布(canopy height distribution, CHD)对林冠层进行分层,对不同林冠层(上层和下层)、不同树木类型(针叶树和阔叶树)探测提取的树高进行对比与分析。【结果】由CHD计算得到的冠层分层阈值为8.5 m。树高的离群值大多产生在林冠上层,阔叶树比针叶树更容易产生离群值,ULS比TLS更容易产生离群值。在林冠上层,ULS比TLS估测树高的相对均方根误差(rRMSE)低2.56%,ULS提取针叶树树高的rRMSE比阔叶树低2.68%;在林冠下层,ULS仅能探测到少量树木,ULS比TLS探测提取树高的 rRMSE高6.31%,TLS提取针叶树树高的rRMSE比阔叶树低1.16%。【结论】针叶树的树高估测精度普遍高于阔叶树;当TLS和ULS均能对单木进行完全扫描时,具有准确提取树高的潜力;树高离群值多由冠型不规则或相互交叉的阔叶树产生,而大部分针叶树,由于具有规则的冠型,所以产生的离群值较少;基于CHD对林冠层进行划分能够较好地反映不同数据源估测树高的适用范围,具有一定的推广意义。  相似文献   
2.
【目的】通过组合机载激光雷达(airborne laser scanning, ALS)数据和Sentinel-2A数据提取特征变量,探讨估算天然次生林地上生物量(aboveground biomass, AGB)最佳的变量组合方式和估算方法。【方法】以2015年ALS数据、2016年Sentinel-2A数据和黑龙江帽儿山林场森林资源连续清查固定样地数据为数据源,通过ALS数据提取高度特征变量(all the LiDAR variables, 记为AL),Sentinel-2A数据提取若干植被指数变量(all the optical variables, 记为AO),然后将光学-ALS结合变量(combined optical and LiDAR index, COLI,记为ICOL)结合成为新的变量 I CO L 1 I CO L 2 ,以6组特征变量组合方式(AO+AL I CO L 1 I CO L 2 I CO L 1 +AO+AL I CO L 2 +AO+AL I CO L 1 + I CO L 2 +AO+AL)作为输入变量,分别使用多元线性逐步回归(stepwise multiple linear regression,SMLR)、K-最近邻法(K-nearest neighbor,K-NN)、支持向量回归(support vector regression,SVR)、随机森林(random forest, RF)和堆叠稀疏自编码器(stack sparse auto-encoder,SSAE)共5种方法构建了天然次生林AGB估算模型,探讨ICOLs变量以及不同模型对生物量估测精度的影响。【结果】结合变量ICOLs对于森林AGB的估算十分有效,加入ICOLs变量能够很大提高森林AGB模型的估算精度;与其他4种模型相比,无论使用哪些变量作为输入数据,SSAE模型的精度最高;当使用SSAE模型,以光学和ALS变量组合 ( I CO L 1 + I CO L 2 +AO+AL)作为输入特征变量时,模型的准确性最高:R2=0.83,均方根误差为11.06 t/hm2,相对均方根误差为8.23%。【结论】结合变量COLIs能够有效地提高天然次生林AGB的估算精度,而且深度学习模型(SSAE)在估算天然次生林AGB方面优于其他预测模型。总体而言,利用ALS和Sentinel-2A数据组合变量的SSAE模型可以较准确地估算森林AGB,为天然次生林地上生物量的估算和碳储量评估提供技术支持。  相似文献   
3.
【目的】通过研究随机森林(random forest, RF)特征筛选对单木树种分类精度的影响,以及多源遥感数据协同下单木树种分类的有效性,分析不同特征对单木树种分类的影响程度。【方法】以东北林业大学帽儿山实验林场中林施业区的两块100 m×100 m样地为研究对象,首先,以机载激光雷达(LiDAR,light detection and ranging)和多光谱遥感CCD(charge coupled device)影像为数据源,分别基于机载LiDAR数据提取高度、强度和树冠大小等共37个特征,基于CCD影像提取光谱和纹理共21个特征;其次,以随机森林方法进行特征筛选,之后以随机森林和支持向量机(support vector machine, SVM)两种非参数分类器,结合不同数据源和特征,采用12种分类方案,利用总体精度(overall accuracy, OA)、用户精度(user's accuracy, UA)和生产者精度(producer’s accuracy, PA)对分类结果进行对比与精度评价。【结果】经随机森林特征筛选后,分类结果优于未进行特征筛选的结果,总体精度可以平均提高3.47%,使用机载LiDAR和CCD影像协同分类相较于仅使用CCD影像总体精度平均提高6.07%。【结论】随机森林特征筛选可以优化特征,减少特征冗余,提高分类精度;多源数据结合也可以提高分类精度;在多源数据结合时,光谱特征最重要,LiDAR提取的强度特征相较于高度特征更稳定。  相似文献   
4.
【目的】通过比较不同插值方法模拟黑龙江省气象因子,利用最佳插值结果,探寻落叶松样地气象因子与森林植被净初级生产力(NPP)的关系,为黑龙江省落叶松林的生产经营和管理提供科学参考。【方法】以黑龙江省2010年生长季(5—9月)气象因子(日平均气温、日降水量)及1 521块落叶松林固定样地数据为数据源,分别使用反距离加权(IDW)、普通克里金(OK)、多元线性回归(MLR)和混合插值法(包括回归反距离加权(RIDW)和回归克里金(RK))5种插值方法对生长季月均气温和月均降水量进行插值及比较,以最佳插值方法得到黑龙江省2010年生长季月均气温和月均降水量空间分布。根据东北地区树种生物量异速模型估算落叶松样地单位面积森林地上生物量(AGB)和净初级生产力,并与样地气象因子进行相关性分析。【结果】5种插值方法中RK的生长季月均气温和月均降水量均方根误差(RMSE)分别为0.420和10.110,均优于其他插值方法。生长季月均气温由南至北降低的同时落叶松NPP随之降低,月均降水量自西向东增大,落叶松NPP随之升高。生长季月均气温、月均降水与NPP的Pearson相关系数分别为0.221和0.241,二者P值都小于0.01,呈极显著相关。【结论】考虑地形因子和多元回归模型结果残差的RK方法可以更好地模拟黑龙江省生长季月均气温和月均降水量。生长季落叶松NPP在经、纬度方向上分布趋势与气温、降水量相同,且落叶松NPP与生长季月均气温和月均降水量均有一定相关性,其中与降水量相关性更为明显。  相似文献   
5.
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号