论文部分内容阅读
森林生态系统作为全球陆地上最重要的生态系统之一,快速且准确地获取植被类型及其林龄构成信息,不仅关系到区域森林林地经营措施的制定,还影响着不同林地优势树种的林分生物量、多样性以及生态功能的发挥。林龄结构信息是表征森林健康状态的最重要的因子之一,但由于森林不同优势树种光谱信息相似度较高以及不同优势树种生长信息差异化等问题,如何准确地从遥感影像中提取出不同森林树木的林龄信息,成为目前研究亟待解决的问题。近30年来,随着遥感科学技术的不断发展,大量遥感资料的积累和遥感定量化技术的不断进步使得从更高,更佳分辨率的遥感波段中提取出不同优势树种的林龄信息成为了可能。本文将内蒙古赤峰市旺业甸林场作为主要研究区,研究的主要针叶林树种为油松和落叶松,通过实地调查以及各类资料信息的整理与分析,采用Sentinel-2卫星结合不同物候期的光谱信息特点使用5类机器学习算法(多元线性回归模型(MLR),前馈反向传播神经网络模型(BP),支持向量机回归模型(SVR),随机森林模型(RF)以及多元自适应回归样条模型(MARS))实现落叶松林龄信息反演研究。通过研究油松的生长特点,使用Landsat系列长时间冬季NDVI时序数据完成油松的种植林龄信息反演研究,在此基础上分析不同类型的林龄样本分布对于树种分类的影响。本研究主要内容和成果如下:1.落叶松林最佳的遥感反演物候期为展叶期。落叶松林龄与各指标之间基本均呈负相关关系,其中与冠层含水量(CWC)的相关性最高,pearson相关系数达到-0.74(p<0.01)。不同模型反演结果表明,随机森林模型(RF)为最佳落叶松林龄估算模型,其平均决定系数(R~2)和平均均方根误差(RMSE)分别为0.89和2.91 yr;多元线性回归模型(MLR)林龄模型估算结果最差,其平均决定系数(R~2)和平均均方根误差(RMSE)仅为0.57和5.69 yr,非线性模型能更好的解释林龄与建模变量之间的关系。2.数据标准化能有效降低不同传感器计算的NDVI差异,通过Savitzky-Golay(S-G)滤波能较好的平滑长时间NDVI时序数据。油松砍伐节点判定标准为NDVI开始由高值变为低值且呈现不断下降趋势。种植节点的判定条件为时间序列中最小NDVI值且在之后NDVI呈逐渐上升的趋势直至NDVI稳定在0.4以上,该种植节点又可定义为油松种植林龄起始节点,其中种植节点的最小值介于0.22-0.33之间。通过该方法确定整个研究区的油松种植林龄分布。最终验证结果总分类精度为72.22%(kappa系数为0.62),该模式能较好的提取油松种植林龄。3.不同时间节点和不同算法的选择能影响树种的分类结果精度,其中随机森林(RF)算法和4月在本研究中树种分类表现最好。包含全部类型的林龄样本能提高树种分类精度(总分类精度为69.51%,kappa系数为0.62),高于仅包含近熟林和成熟林类型林龄样本的树种分类结果,总分类精度分别提高2.44%和3.76%,kappa系数分别提高0.03以及0.05,因此在树种分类前考虑不同类型的林龄样本是提高分类精度的途径之一。