基于ICESat-GLAS数据和模糊模式识别算法识别森林类型

【目的】利用冰、云和陆地高程卫星-地球科学激光测高系统(ICESat-GLAS)回波波形数据,通过模糊模式识别算法,提出波形特征参数组合,对森林类型进行识别研究,以期提高森林类型分类精度。【方法】利用不同森林类型冠层在GLAS回波波形上表现出的差异性,提取波形特征参数 R_{\mathrm{fi}{\mathrm{t}}_1} 、K₁'和 \overline{K_1} ;将本研究提取的波形特征参数与其他波形特征参数相结合,建立波形特征参数组合;对样本数据波形特征参数进行指标归一化和奇异点检测处理,剔除样本数据中的奇异点样本;结合模糊模式识别算法,计算不同森林类型分类精度。【结果】针叶林和阔叶林森林类型分类总精度为96.30%,其中,针叶林和阔叶林森林类型分类精度分别为92.86%和97.50%;针叶林、阔叶林和混交林森林类型分类总精度为84.51%,其中,针叶林、阔叶林和混交林森林类型分类精度分别为85.71%、97.50%和52.94%。【结论】模糊模式识别算法在森林类型分类方面具有一定优势,尤其在针叶林和阔叶林森林类型识别方面,识别精度较高。     

基于ICESat-GLAS波形数据估测森林郁闭度

为探究GLAS波形数据在估测森林郁闭度方面的潜力,以吉林省汪清林业局经营区为研究区,利用高斯低通滤波器对GLAS波形数据进行平滑滤波,从平滑后的GLAS波形数据中提取比值能量参数(I)和差值能量参数(e_c),针对不同森林类型分别建立森林郁闭度单变量模型和多变量模型。研究结果表明:利用参数I建立的单变量模型优于利用参数e_c建立的单变量模型; 而利用参数I和e_c建立的多变量模型明显优于单变量模型。对阔叶林来说,森林郁闭度模型的决定系数(R²_adj)和均方根误差(RMSE)分别为0.72和0.07,模型验证的R²_adj为0.74,RMSE为0.06; 而对于针叶林,模型的R²_adj为0.80,RMSE为0.10,模型验证的R²_adj为0.76,RMSE为0.11; 混交林模型的精度在阔叶林和针叶林之间,模型的R²_adj为0.75,RMSE为0.09,模型验证的R²_adj和RMSE分别为0.71和0.07。因此,GLAS波形数据在估测森林郁闭度方面具有一定的潜力,将参数I和e_c联合能够提高GLAS波形数据估测森林郁闭度的精度。     

激光雷达GLAS与ETM联合反演森林地上生物量研究

在实现大脚印激光雷达GLAS森林冠顶高度反演算法基础上, 建立了复杂地形条件下森林地上生物量神经网络反演模型, 制作了研究区森林地上生物量分布图。总体上, 激光雷达GLAS森林冠顶高度和地上生物量估算精度较高。森林冠顶高度针叶林精度最好(R²=0.692); 阔叶林次之(R²=0.5062); 地上生物量反演结 果与实测结果十分接近, 在空间分布上与土地覆盖分布特征非常一致。