联合LiDAR和多光谱数据森林地上生物量反演研究

【目的】森林地上生物量的准确估测对于实时掌握全球碳储量变化及应对气候变化有着重要的意义。组合多种遥感数据特征优选,分类建模反演森林地上生物量,是提高森林地上生物量精度的有效方法。【方法】以根河市大兴安岭生态观测站寒温带天然林为研究对象,以机载激光雷达(LiDAR)、Landsat8 OLI两种遥感数据源结合55块地面调查数据,采用偏最小二乘算法优化筛选变量,再以线性多元逐步回归和快速迭代特征选择的最近邻算法(KNN-FIFS)构建模型,在两种数据源的不同组合方式下进行森林地上生物量反演。【结果】①基于线性多元逐步回归模型下的单一LiDAR数据反演精度决定系数(R²)为 0.76,均方根误差(RMSE)为 21.78 t/hm²;单一Landsat8 OLI数据的反演精度R²为 0.24,RMSE为39.27 t/hm²;LiDAR和Landsat8 OLI联合反演精度R² 为 0.84,RMSE为18.16 t/hm²;②基于KNN-FIFS模型下的单一LiDAR数据反演精度R²为 0.74,RMSE为23.83 t/hm²;单一Landsat8 OLI数据的反演精度R²为0.60,RMSE为 29.63 t/hm²;LiDAR和Landsat8 OLI联合反演精度R²为0.80,RMSE为21.15 t/hm²。【结论】①特征优选支持下的3种组合方式中,LiDAR和Landsat8 OLI两种数据的组合在两种模型中反演精度均最高,其中线性多元逐步回归模型的反演精度最高,说明LiDAR和Landsat8 OLI数据组合,激光雷达与光学数据优势特征互补,协同反演可有效提高森林地上生物量的反演精度;②单一数据源反演森林地上生物量精度中,LiDAR数据比Landsat8 OLI数据在两种模型反演精度中均较高,这与LiDAR数据空间分辨高、可获得垂直结构特征参数有关。     

基于无人机LiDAR的单木生物量估测

单木生物量是遥感反演大尺度森林生物量的基础,为提高森林单木生物量估测精度和效率,利用无人机LiDAR点云精确估算桉树、马尾松的单木生物量。首先通过优化算法,提取树高和冠幅,然后采用改进的凸包算法计算树冠面积与体积,把单木结构参数引入CAR模型,构建单木生物量估测模型,并与线性模型进行比较。结果表明：桉树样地树高、冠幅相关性系数R²分别为0.92、0.72;马尾松样地相关性系数R²分别为0.94、0.78,算法提取的树木参数与实测数据相关性较好。改进的CAR模型的精度优于线性模型,桉树和马尾松样地R²分别为0.821、0.830,RMSE分别为17.731、19.149 kg/株。CAR模型引入冠幅面积、体积等树冠因子的生物量模型拟合度更好、精度更高,其中桉树、马尾松样地R²提高了0.102、0.115,RMSE下降了4.484、5.683 kg/株。利用无人机LiDAR数据提取单木结构参数进行生物量估测可取得很好拟合优度和精度。     

亚热带常绿阔叶林幼树与灌木的地上生物量模型

【目的】准确估测亚热带常绿阔叶林木本植物幼苗、幼树及灌木的地上生物量,为森林生态系统的经营管理提供理论参考。【方法】通过采样准确获得九连山39种木本植物746个单株样本的地径(d)、树高(h)和木材基本密度(ρ),以及各器官(叶、枝、干)的地上生物量观测值,并按生活型将样本分为乔木组、小乔木组和灌木组3类,分别以d²、ρd²、d²h和ρd²h为自变量拟合模型,根据拟合模型的R²值和估计值的标准误(SEE)选择最优生物量模型。【结果】九连山常见木本植物的木材基本密度在0.459～0.784 g/cm³之间; 推导的64个生物量模型都具有较高的R²值和较低的SEE值,据此选择出16个最优生物量模型。其中,小乔木组和灌木组的叶片和枝条生物量在只含自变量d时具有较高的R²值,而乔木组和小乔木组树干以及总的地上生物量在含自变量d、h和ρ时具有较高的R²值和SEE值。【结论】研究拟合的模型可准确估算该地区及相似地区常见木本植物幼苗、幼树及灌木的地上生物量。     

基于极化定向角补偿的思茅松林地上生物量反演

目的 极化合成孔径雷达在森林遥感监测中得到了广泛的应用。由于法拉第旋转和地物结构特性,电磁波极化定向角发生偏移,导致散射特征在机理上存在模糊性。本研究主要分析极化定向角偏移对体散射分量和地上生物量反演的影响。方法 以ALOS PALSAR全极化星载合成孔径雷达(SAR)数据为数据源,基于L波段散射特征,考虑地面与树干之间的二面角散射贡献,研究提出了一种扩展极化水云模型;基于Yamaguchi四分量分解参数和扩展极化水云模型估测思茅松林地上生物量。结果 通过酉变换来补偿极化定向角偏移后,体散射分量高估得到修正,极化定向角补偿后的体散射与实测地上生物量的回归模型较未补偿前效果更好(决定系数R²从0.214提升到0.332)。采用Yamaguchi四分量和扩展极化水云模型的地上生物量估测值和实测值有较强的相关性(R²= 0.644)和较低的均方根误差(23.11 t/hm²)。结论 SAR数据在极化分解前应进行极化定向角补偿,以减少体散射高估和二面角散射低估的问题,提高地上生物量反演精度。半经验极化扩展水云模型具有很好的估测森林地上生物量的潜力。     

基于无人机LiDAR数据的马尾松碳储量估测

选择上杭白砂林场、建瓯水西林场为研究区,利用机载激光雷达数据对研究区进行地上碳储量估算,结果表明,利用逐步回归方法来估测本研究区内马尾松碳储量是可行的,且验证R²总体较高。其中,线性回归模型的R²达到了0.56,RMSE和rRMSE为12.71t/ha和27.24%,精度更高;选取冠层高度模型均值和峰度为碳储量估测模型的特征参数,拟合的线性回归模型的R²达到0.78,β分别为0.71和0.38;研究区内马尾松平均碳储量集中在<30t/ha和30～50t/ha。     

青钱柳幼林地上部分生物量生长模型研究

【目的】青钱柳是我国特有的珍稀多用途树种,研究青钱柳幼树地上部分生物量生长规律,为发展叶用林提供依据。【方法】以6年生的青钱柳人工幼林为研究对象,对其生长特性及生物量的分配进行了研究,同时选取了37株样木进行地上部分生物量及相关测树因子的分析评价,从19个生物量模型中进行筛选,构建了青钱柳人工林各生物量组分及地上部分生物量与相关测树因子的预估方程。【结果】青钱柳幼林地上部分生物量(W)与胸径(D)具有高度相关性,筛选的4个模型均以胸径作为自变量,则:①干生物量模型 W=0.15 D^2.1, R²=0.982;②枝生物量模型 W=0.05 D^1.88, R²=0.864;③叶生物量模型 W=0.07 D^1.55, R²=0.802;④地上部分生物量模型 W=0.28 D^1.95, R²=0.976。【结论】不同密度下6年生青钱柳幼林生长尚未郁闭,受密度效应的影响较低,胸径、树高和单株材积的总生长量之间差异不显著,单株和林分生物量分配模式基本相似,地上部分各器官生物量分配由大到小表现为干(73%)> 枝(16%)> 叶(11%)。     

新疆草地植被的地上生物量

2004年对新疆地区的草地地上生物量进行了大范围的调查,据此估算了新疆6种主要草地类型的地上生物量密度和总量,并探讨了草地地上生物量与环境因子的关系。结果表明,草原类型中,荒漠草原的地上生物量密度最小 (34.9 g C·m^-2),草甸草原最大 (87.3 g C·m^-2),而典型草原 (53.2 g C·m^-2)和高寒草原 (47.7 g C·m^-2)介于两者之间;草甸类型中,山地草甸 (117.4 g C·m^-2)的地上生物量密度显著高于高寒草甸 (58.1 g C·m^-2)。6种草地的地上生物量总量为14.65 Tg C,约占全国的10%。地上生物量主要集中于高寒草原和高寒草甸,两者占总量的41.7%;其次是典型草原、山地草甸和荒漠草原,分别占19.0%、18.3%和14.6%;草甸草原因分布面积小而使得其地上生物量最小,仅占总量的6.4%。草原和草甸地上生物量的控制因子存在差异：草原地上生物量主要受降水控制,而草甸地上生物量则与温度相关。除受气候影响外,草原地上生物量还与土壤含水率、土壤总氮含量正相关,而草甸地上生物量与土壤含水率、土壤总氮含量均不相关。     

江西杉木人工林生物量分配格局及其模型构建

在省级尺度上分析不同林龄杉木生物量数据,以探索江西省杉木人工林生物量的动态分配格局及其准确估算方法。结果表明:江西省杉木人工林生物量变化范围为55.64～165.22 t/hm²,其乔木层生物量占94.2%以上。杉木林及其乔木层生物量随林龄先增加后略微下降,而各林龄的灌木层、草本层和凋落物层生物量均没有显著差异。幼龄林、近熟林、成熟林各组分生物量大小排序均为乔木层>凋落物层>灌木层>草本层,而在中龄林和过熟林中则为乔木层>凋落物层>草本层>灌木层。幼龄林各器官生物量大小排序为树干>叶>根>枝,而其他林龄中的排序均为树干>根>枝>叶。以胸径(D)为单变量的杉木单株生物量(W)模型(W=0.266D^2.069)及以胸径(D)和树高(H)为变量的模型(W=0.046 9(D²H)^{0.906 4})预测值小于测量值,且预测精度R²均为0.84,其精度和预测能力均低于以胸径、林龄(A)、密度(N)为自变量的生物量模型(W=11.497D^1.847A^0.082N^-0.478)。     

基于AOD数据和随机森林模型估算河南省ρ(PM2.5)

基于融合的深蓝/暗目标气溶胶光学厚度数据集构建了随机森林(RF)、地理加权回归(GWR)和线性混合效应(LME)模型估算河南省的ρ(PM_2.5),通过十折交叉验证评价模型性能.结果表明, RF模型估算的河南省ρ(PM_2.5)精度优于其他模型,其中RF模型月数据的R²比GWR和LME模型分别高0.26、0.27, R_MSE分别低6.56、5.32μg/m³; RF模型季节数据的R²比GWR和LME模型均高0.24, R²MSE分别低3.13、4.31μg/m³.利用RF模型估算河南省2017年的ρ(PM_2.5),冬季最高, R最高,R_MSE最大;春、秋季次之;夏季最低, R²和R_MSE最小,空间分布特征为北高南低.     

基于双源遥感数据的杉木林分蓄积量估测模型研究

为了提高森林蓄积量估测精度,以福建省三明市将乐县国有林场中杉木林作为试验区,选择资源3号卫星多光谱高分辨率影像及Alos Palsar影像为数据源,将相关性较高的极化雷达参数与最优窗口下的纹理参数相结合,协同两种遥感数据反演蓄积量。利用灰度共生矩阵分别提取高分辨率影像在3×3、5×5、7×7、9×9和11×11的5组窗口大小下8种纹理特征信息,提取Alos Palsar影像双极化方式下后向散射系数并进行比值运算。采用多元逐步回归分析方法,分别利用5组纹理特征信息反演杉木林蓄积量,找出最优窗口; 检测不同极化方式下后向散射系数与蓄积量之间相关性。结果表明,单数据源反演蓄积量模型中,5×5窗口反演效果最好,模型复相关系数R=0.869,均方根误差σ_RMSE=23.38 m³/hm²,蓄积量总体的估测精度为80.32%; 多数据源反演蓄积量模型中,两种极化方式下的后向散射系数比值与高分影像纹理特征参数结合后,反演模型的效果更好,模型中R=0.901,σ_RMSE=22.32 m³/hm²,蓄积量总体估测精度达到85.42%。研究表明,基于多数据源数据的森林蓄积量反演精度更高,结果更准确。     

基于哑变量的湖南栎类天然林林分断面积生长模型

【目的】建立含林分类型或立地类型哑变量的栎类林分断面积生长模型,为湖南栎类天然林林分断面积生长收获和预估提供理论支持。【方法】以湖南省5个区域51块栎类天然混交林样地为研究对象,选取6个具有生物学意义的理论生长方程,构建含年龄、平均优势高及林分密度指标的林分断面积生长模型,比较不同理论生长方程与密度指标对栎类天然林断面积模型拟合效果的影响,从中筛选出拟合优度较高的模型作为构建哑变量模型的基础模型; 考虑混交林立地类型的差异与优势树种的聚集分布,划分林分类型与立地类型,并分别作为哑变量加入基础模型参数及其组合中,比较林分类型哑变量模型、立地类型哑变量模型与基础模型模拟效果的差异。【结果】以株树密度作为密度指标的断面积生长模型决定系数(R²)在0.47～0.51之间,P值均小于93%,以林分密度指数作为密度指标的断面积生长模型决定系数(R²)在0.85～0.92之间,P值均大于95%,说明密度指数模拟效果优于株树密度模拟效果,其中含年龄、平均优势高与林分密度指数的Schumacher模型决定系数最大(R²=0.924 2),模拟效果最优。以Schumacher模型作为基础模型,构建含林分类型或立地类型的哑变量的模型,基础模型、林分类型模型、立地类型模型的决定系数分别为0.924 2、0.979 8、0.997 6,以立地类型作哑变量的模型要优于基础模型与林分类型模型。【结论】含哑变量模型可以有效解决天然混交林优势树种分布与立地类型差异对断面积预估的影响,提高建模的精度与模型的适用性。     

基于BP神经网络的长白落叶松人工林林分平均高预测

【目的】研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法。【方法】以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型。输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响。基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异。【结果】与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力。模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势。采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R²为0.521 0,均方根误差(RMSE)为2.091 7,平均绝对误差(MAE)为1.627 6。加入立地因子后,决定系数R²提高至0.573 6,提高了10.10%,均方根误差(RMSE)为1.973 6,降低了5.65%,平均绝对误差(MAE)为1.579 7,降低了2.94%; 在此基础上,加入林木竞争因子后,决定系数R²为0.845 5,增长了47.40%, 均方根误差(RMSE)为1.187 9,下降了39.81%,平均绝对误差(MAE)为0.968 5,下降了38.69%。【结论】利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高。立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子。     

考虑植被盖度的城市蒸散发模拟研究

基于城市涡动相关系统每30分钟蒸散发数据, 结合足迹源区分析及研究区域遥感数据, 获取源区植被盖度, 构建基于随机森林的蒸散发模拟方法。将此模拟方法应用于涡动系统空缺值插值, 并探究深圳干湿季蒸散发的主要控制因子, 得到如下结论。1) 与不考虑植被盖度的随机森林模型及边际分布抽样算法(MDS)相比, 考虑植被盖度的随机森林模型可以更高精度地模拟城市蒸散发。与实测数据相比, 模型的R²=0.73, RMSE= 20.5 W/m², MAE=13.3 W/m², pbias=0.8%。2) 对湿季日间较高蒸散发时期的空缺值进行插值, 考虑植被盖度的随机森林模型显著优于MDS模型。与实测数据相比, MDS插值模型低估 12.4%, 而随机森林模型低估 4.7%。3) 深圳湿季期间, 植被盖度是蒸散发的主要控制因素。在干季, 温度、净辐射以及饱和蒸气压差是蒸散发的主要控制因子。     

结合冠层密度的森林净初级生产力遥感估测

【目的】 森林冠层密度与林分年龄、植被生长状况有关,在区域森林净初级生产力遥感估测中,结合森林冠层密度以期提高估测精度。【方法】 以广东省韶关市为研究对象,选用2017年Landsat-8 OLI影像、2017年357块森林资源连续清查固定样地数据为主要信息源,分别采用随机森林、多元线性回归、人工神经网络和K最近邻分类法等4种模型,结合森林冠层密度制图器(FCD)进行区域森林净初级生产力特征变量的选取、参数建模、模型精度评价和森林净初级生产力空间制图。【结果】 特征变量中,红光波段(B4)、归一化植被指数(NDVI)、比值植被指数(RVI)、叶面积指数(LAI)、缨帽变换土壤植被因子、纹理特征和地形特征在森林净初级生产力反演中有重要作用。将森林冠层密度因子加入反演模型后,4种遥感估测模型精度均有大幅度提高。对4种遥感估测模型进行性能比较,随机森林模型精度最高,其次是多元线性回归模型、人工神经网络模型,K-最近邻分类模型精度最低。研究区内森林净初级生产力平均值为10.689 t/(hm²·a),高森林净初级生产力 [≥18 t/(hm²·a)]林分面积仅占研究区的19.61%,主要分布在海拔较高的西北部。【结论】 结合冠层密度进行森林净初级生产力的建模,可有效提高模型估测精度。     

海南岛东北部木麻黄立木生物量建模

【目的】木麻黄是海南岛沿海主要的造林防护树种,量化估测木麻黄林生物量有利于明确木麻黄的碳汇贡献能力。【方法】以海南岛东林场木麻黄林为研究对象,选取了44株标准木,并获得其生物量实测数据。基于筛选的41株木麻黄样木生物量数据,分别选出地上和地下生物量最优独立模型,依据非线性度量误差模型的理论和求解方法,以及地上、地下生物量与材积变量之间的转换关系,建立了木麻黄地上生物量和地下生物量相容性模型,并采用加权回归消除各模型的异方差。【结果】地上、地下生物量最优独立模型为以胸径D为自变量的一元方程,立木材积的最优独立模型为以胸径D和树高H为自变量的二元独立模型; 非线性度量误差联立方程组能够很好地解决生物量相容性的问题,地上、地下生物量和立木材积的决定系数R²均大于0.95,并很好地改进了单株预测精度(平均百分标准误差E_MPSE均小于10%)和控制了平均预估误差; 同时,得出生物量转换因子(E_BCEF)和根茎比(R)的二元方程。【结论】此次建立的木麻黄生物量非线性联立方程组可用于大范围尺度估算木麻黄防护林的生物量及其碳储能力。     

利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例

开展基于空气质量数值模式CMAQ (社区多尺度空气质量模型)预报结果的后校正算法研究。利用集合深度学习方法, 对CMAQ的PM_2.5 (细颗粒物)原始预报结果进行误差订正, 以期提高预报准确率。该方法集合了深度神经网络模型、随机森林模型、梯度提升模型和广义线性模型4种机器学习模型, 在每一个模型中结合原始的气象预报、空气质量预报和土地利用类型等多源数据作为辅助变量, 对PM_2.5预报浓度进行校正, 最后求取4个模型的集合结果。将该方法应用于订正新疆乌(鲁木齐)昌(吉)石(河子)城市群的CMAQ预报结果, 利用2018年的独立样本进行评估, 订正预报结果的准确性显著提升, 站点5天预报的决定系数R²为0.41~0.60, 比原始预报提高60%~160%, 均方根误差RMSE降低 40%左右; 交叉验证的站点预报R²同样提升50%~80%, RMSE下降30%左右。该订正方法的计算效率高, 可以部署于业务化预报平台, 进行可靠的运行。