论文部分内容阅读
森林生物量作为森林生态系统积累的有机物,为维持整个系统的正常运行提供源源不断的营养物质和能量基础,因此森林生物量的研究具有极其重要的意义。随着遥感技术的飞速发展,利用遥感数据对森林生物量进行估测已经成为高效、快捷的有效方法。高分二号(GF-2)卫星作为我国自主研制的首颗空间分辨率优于1米的遥感卫星,充分挖掘GF-2影像信息,建立基于GF-2影像的森林生物量估测模型具有极其重要的意义。 研究以黄丰桥林场为研究区,以2015年11月5日接收的12景GF-2影像为遥感数据源,结合国家森林资源连续清查数据和外业样地补充数据,进行森林生物量估测研究。其中,样地数据共83个,实测了样地内每株单木的树高、胸径以及位置坐标,根据生物量经验(回归)模型得到实测森林生物量数据。对GF-2影像进行预处理,对影像提取了83个自变量因子。通过对83个自变量因子和实测森林生物量数据进行相关性分析,筛选合适的建模自变量。分别使用线性的多元逐步回归和偏最小二乘回归分析方法、非线性的BP神经网络构建森林生物量估测模型,通过对3种模型的比较分析得出最优森林生物量估测模型,并制作了研究区森林生物量空间分布图。研究主要结论如下: (1)基于GF-2影像提取不同像元窗口大小下的8个纹理特征值,当像元窗口大小为5×5时,纹理特征值最为稳定,确定5×5像元窗口为森林生物量估测研究中的最佳纹理窗口。 (2)结合相关性分析,确定了基于GF-2影像的森林生物量估测建模因子,其中纹理特征、多波段组合信息均与森林生物量有较强的相关性,最终从83个自变量备选因子中,筛选出在0.05水平上显著相关的20个自变量因子参与建模,其中B132(B132=(B3+B1)/B2)与森林生物量相关性最高,其皮尔森相关系数为0.609。 (3)基于GF-2影像筛选的20个在0.05水平上显著相关的建模因子分别构建森林生物量两种线性模型和一种非线性模型。研究结果显示,非线性模型BP神经网络模型的R2最高,为0.839;而在两种线性模型中,偏最小二乘回归模型效果较好,R2为0.707;多元逐步回归模型次之,R2为0.66。 (4)基于检验样本对三种模型估测精度以及有效性的比较分析,得出的三种模型的拟合效果与预测精度变化规律一致,即BP神经网络模型拟合效果最好,预测精度最高。BP神经网络的实测值和预测值拟合的相关系数R2为0.842,均方根误差为11.21(t/hm2),估测精度为80.64%;偏最小二乘回归模型次之,实测值和预测值拟合的相关系数R2为0.736,均方根误差为13.54(t/hm2),估测精度为76.60%;多元逐步回归模型拟合效果最差,其相关系数R2为0.670,均方根误差为16.83(t/hm2),估测精度为70.93%。 (5)根据BP神经网络模型制作出研究区森林生物量空间分布图,黄丰桥林场的森林生物量分布特点主要表现为南部和西部的森林生物量水平较高,东北部森林生物量水平最低,中部地区和东部地区主要森林生物量水平居中,与研究区森林分布特点相符合。