论文部分内容阅读
森林地上生物量(Aboveground Biomass,AGB)是评估森林生态系统生产力和健康状况的重要参数。要进行大面积森林地上生物量的高精度估算,需要有效利用多源遥感数据的优势,选择合适的模型,并实现估算范围外推。本研究主要分为两个部分:(1)基于不同遥感数据(机载LiDAR数据、机载LiDAR与机载高光谱数据结合),利用Boruta算法进行特征选择,比较六种回归模型的生物量估算精度,选出最优模型并估算航摄区域森林地上生物量。(2)以航摄区的生物量估算结果作为训练样本,基于Landsat8数据进行估算范围外推,利用最优模型,根据不同的特征组合分别构建森林地上生物量估算模型,选取最佳特征组合,计算外推区域的森林地上生物量。研究的主要结论如下:(1)基于机载LiDAR数据可以获得较好的估算结果(RMSE范围为16.78~25.98??(6(6,rRMSE范围为20.03~29.82%,R~2范围为0.42~0.66),融合高光谱数据后,可进一步提高森林地上生物量估算精度(RMSE范围为15.94~28.87??(6(6,rRMSE范围为19.12~32.72%,R~2范围为0.38~0.70)。(2)经留一交叉验证后发现:基于机载LiDAR数据进行生物量估算,多元线性回归结果误差最大(RMSE=25.98??(6(6,rRMSE=29.82%,R~2=0.42),支持向量回归结果最好(RMSE=16.78??(6(6,rRMSE=20.03%,R~2=0.66);融合高光谱数据后,多元线性回归结果变差(RMSE=28.87??(6(6,rRMSE=32.72%,R~2=0.38),其余模型估算精度都有提高,支持向量回归仍然表现最佳(RMSE=15.94??(6(6,rRMSE=19.12%,R~2=0.70),因此,支持向量回归为研究区的最优估算模型。(3)基于航摄区森林地上生物量估算结果及Landsat8数据,利用支持向量回归模型,对比不同特征组合(纹理+植被指数、纹理+植被指数+地形因子、纹理+植被指数+地形因子+地表参数、Boruta特征集)下模型估算精度,并采用10折交叉验证方式进行精度评价。结果表明:与纹理+植被指数特征集合相比(R~2=0.508,RMSE=16.87t/ha),加入地形和地表参数后,估算精度略有提高(R~2=0.515,RMSE=16.76t/ha);基于Boruta算法获取的特征子集估算结果最好(R~2=0.553,RMSE=16.09t/ha)。(4)将最优特征子集作为输入变量,代入支持向量回归模型估算外推区域生物量,利用18个地面调查数据进行模型的独立精度验证,R~2=0.55,RMSE=11.36t/ha。