基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子,分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度）,开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483,RMSE为29.522 t/hm²;阔叶林：R²为0.470,RMSE为21.632 t/hm²;混交林：R²为0.351,RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319,RMSE为28.352 t/hm²;阔叶林：R²为0.353,RMSE为18.991t/hm²;混交林：R²为0.281,RMSE为26.637 t/hm²）略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像，利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元，并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型，依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子，分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度），开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量，然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时，采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后，对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483，RMSE为29.522 t/hm²；阔叶林：R²为0.470，RMSE为21.632 t/hm²；混交林：R²为0.351，RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319，RMSE为28.352 t/hm²；阔叶林：R²为0.353，RMSE为18.991t/hm²；混交林：R²为0.281，RMSE为26.637 t/hm²）略高，说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

主被动遥感特征优化的天然林森林蓄积量估测

结合国产主被动遥感数据高分六号（GF-6） PMS和高分三号（GF-3）双极化PolSAR估测森林蓄积量,并针对多源遥感数据的冗余问题进行特征组合优化。以新疆巩留县天然林地为研究区,提取GF-6 PMS数据的光谱信息、植被指数、纹理以及植被覆盖度信息和GF-3 PolSAR数据的后向散射系数、极化分解参数,结合地形因子,在森林样地调查数据的基础上,利用快速迭代特征选择的 K 最近邻法（K-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS）估测研究区的森林蓄积量。对比国产主被动遥感数据和单一遥感数据源时的估测结果,基于最优特征组合反演研究区的森林蓄积量,结果表明：联合GF-3 PolSAR和GF-6 PMS数据估测研究区森林蓄积量的精度为 R2=0.72,RMSE=92.48 m3/hm2,相比于仅使用GF-6 PMS数据估测的精度（R2=0.56,RMSE=118.8 m3/hm2）,R2提高了0.16,提高了28.6%,RMSE降低了26.32 m3/hm2,降低22.2%。说明主被动遥感数据协同反演可以提高森林蓄积量估测精度,KNN-FIFS方法可以有效地估测天然林森林蓄积量。     

基于光学与SAR因子的森林生物量多元回归估算——以福建省为例

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出"纯净"的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型"纯净"植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达(SAR)HH、HV极化后向散射因子,分别构成不同植被类型的"含光学特征多元因子"(NDVI、RVI、树高、林龄、坡度)和"含SAR特征多元因子"(HH、HV、树高、林龄、坡度),开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明:不同植被类型的含光学特征多元回归模型的验证精度(针叶林:R~2为0.483,RMSE为29.522 t/hm~2;阔叶林:R~2为0.470,RMSE为21.632 t/hm~2;混交林:R~2为0.351,RSME为25.253 t/hm~2)比含SAR特征多元回归模型的验证精度(针叶林:R~2为0.319,RMSE为28.352 t/hm~2;阔叶林:R~2为0.353,RMSE为18.991t/hm~2;混交林:R~2为0.281,RMSE为26.637 t/hm~2)略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型(先估测叶生物量进而间接估测地上生物量)比利用含SAR特征的多元回归模型(直接估测地上生物量)更具优势。     

基于背包激光雷达的单木材积估测方法研究

背包式激光雷达（Backpack Laser Scanning, BLS）在森林资源调查中具有很大的应用潜力,但在复杂地表情景下,单木材积和林分蓄积量提取精度存在较大不确定性。以广西高峰林场为研究区,利用随机森林方法,基于BLS点云数据对单木材积和样地蓄积量进行估测。首先,对BLS点云进行单木分割,提取单木胸径（DBH）、树高（H_tree）、冠幅直径（CD）、冠幅面积（CA）、冠幅体积（CV）、郁闭度（CC）、间隙率（GF）和叶面积指数（LAI）共8个特征参数,并计算56个分层高度指标（高度百分比、累积高度百分比、变异系数、冠层起伏率等）。然后,通过随机森林算法构建单木材积估测模型,并对比各种参数组合的预测精度。得到结果： ①仅用8个单木结构特征参数进行建模,估测精度为： R2=0.83、RMSE=0.097 m³; ②加入分层高度指标的模型估测精度有所提升： R2=0.87、RMSE=0.087 m³;③通过Boruta算法进行变量筛选,输入参数从64个减少至52个,估测精度差异不大： R²= 0.87、RMSE=0.087 m³;④样方蓄积量估测精度为： R²=0.97,RMSE=0.703 m³·ha^-1。结果表明,基于BLS点云建立随机森林单木材积估测模型可以较好地估测单木材积,样方蓄积量估测精度高。     

基于无人机遥感的亚热带森林林分株数提取

株数是描述林分密度的指标,株数提取对于森林资源信息调查具有重要的意义。以福建省将乐县林场为研究区,探讨了局域最大值法和多尺度分割算法在森林株数提取中的适用性。首先,利用无人机遥感获取优于10cm分辨率影像,经过处理获得正射影像。在此基础上,分别选取针叶林、阔叶林20个样地区域;其次,使用局域最大值法和多尺度分割算法分别统计两种方法提取的样地株数;最后,根据两种算法提取的株数与目视解译统计的株数进行对比分析。结果表明:两种算法提取样地株数的总体精度在90%左右。其中局域最大值法在针叶林样地株数的提取精度明显优于阔叶林样地的株数提取精度,多尺度分割算法在阔叶林样地的株数提取精度明显优于局域最大值法的株数提取精度。研究认为,局域最大值法较适用于无人机遥感影像上针叶林样地株数的快速提取,而多尺度分割算法较适用于阔叶林样地株数的准确提取。     

基于Landsat 8 OLI的特征变量优化提取及森林生物量反演

基于江苏省常熟市虞山地区Landsat 8OLI影像和55块调查样地数据,利用多元逐步回归法建立森林生物量模型,并讨论了预测结果及其精确性。选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括18种植被指数)、纹理信息以及主成分分析、最小噪声分离变换等在内的53个特征变量。通过分析53个特征变量与森林地上、地下生物量的Pearson相关性,进行特征变量的优化提取。结果表明:所有样地无区分分析时,地上和地下生物量的模型精度均达到0.4以上,基于3种森林类型(针叶林、阔叶林和混交林)进行地上和地下生物量建模时精度有明显提高,达到0.67以上,地上生物量和地下生物量的估测结果均为混交林优于阔叶林,阔叶林优于针叶林。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段,以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象,利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段,并以此计算6种植被指数（Vegetation Index,VI）,利用6种回归模型分别对单一特征波段和VI进行反演建模,以实测LAI评定模型精度。研究表明,光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感,以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58;RMSE为0.16~0.18,其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58,RMSE=0.16）;6种植被指数与LAI高度相关,相关性系数R ²为0.85~0.86,以此建立的反演模型相比单一特征波段反演模型精度有所提高,R2为0.66~0.72,RMSE为0.12~0.14;其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72,RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段,为指导精细化尺度作物管理提供依据。     

基于无人机高光谱数据的玉米叶面积指数估算

无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R₆₃₆))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R ²为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View，GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band，RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure，FCC）定量反演中的潜力，本研究以GF-1 WFV多光谱数据为基础，添加哨兵2号（Sentinel-2A）红边波段，模拟GF-6红边波段特性，并提取相关纹理信息（Texture Information，TI）、植被指数（Vegetation Index，VI）和红边指数（Red- edge Index，RI），同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors，TF）对FCC估测的影响，利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS）模型，实现了内蒙古大兴安岭根河研究区FCC的定量反演，并对比逐步多元线性回归（Stepwise Multiple Linear Regressions，SMLR）和支持向量机（Support Vector Machine，SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性，R²=0.52，RMSE=0.08；GF-1 WFV+VI+TI估测结果为R²=0.56，RMSE=0.08；GF-1 WFV+RE+RI+TI的精度明显提高，R²=0.63，RMSE=0.07；GF-1 WFV+RE+RI+TI+TF的精度最高，R²=0.68，RMSE=0.07，并高于SMLR（R²=0.39，RMSE=0.10）和SVM（R²=0.49，RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测，且添加红边信息经地形校正后，能有效提高FCC的估测精度。     

Counting Tree Number in Subtropical Forest Districts based on UAV Remote Sensing Images

Tree number is the index that describes the stand density,and extracting tree number in districts is important for researching forest reserve information.This essay investigates Jiangle forest farm in Fujian to study the applicability of maximum algorithm and multiscale segmentation algorithm in extracting tree number.The first step in this dissertation is to use ebee unmanned aerial vehicle remote sensing with fixed wings to get image whose resolution is more than 10cm,and gets orthoimage after processing.Based on it,this essay uses 20 area samples including coniferous forest and broad-leaved forest.The second,the tree number of samples were extracted from maximum algorithm and multiscale segmentation algorithm;Lastly,this essay uses the tree number abstracted fromthe two algorithm and the tree number from visual interpretation statistics to precision analysis.The results show that the tree number of samples was extracted by the two algorithm in the overall accuracy of about 90%.In the coniferous forest plots the tree number of extraction accuracy by local maximum algorithms is better than the broad-leaved forest plots the tree number of extraction accuracy.In the broad-leaved forest plots the tree number of extraction accuracy by multiscale segmentation algorithm is better than the tree number of extraction accuracy by local maximum algorithms.Therefore,this research argues that local maximum value algorithm is more suitable for unmanned aerial vehicle (uav) remote sensing image on coniferous sample tree number of rapid extraction,the multiscale segmentation algorithm is more suitable for unmanned aerial vehicle (uav) remote sensing image on broad-leaved sample tree number of accurate extraction.     

基于机载LiDAR点云数据森林郁闭度估测

郁闭度是反映森林数量和质量的重要参数,是森林调查的重要因子之一。以广西壮族自治区高峰林场试验区获取的机载LiDAR点云数据为基础,基于二维冠层高度模型（Canopy Height Model,CHM）和三维点云开展了森林郁闭度估测研究。使用实地调查的105块样地作为验证参考数据对郁闭度估测结果进行了精度评价,结果表明：基于二维CHM估测郁闭度与实测值之间的R²=0.388,RMSE=0.17;而基于三维点云估测郁闭度采用了2种方法：第一种方法采用归一化后2 m以上高度植被点云密度与归一化后所有点云密度比值估测郁闭度,估测结果与实测值之间的R²=0.467,RMSE=0.13。第二种方法采用归一化后2 m以上高度第一次回波植被点云密度与归一化后第一次回波所有点云密度比值估测郁闭度,估测结果与实测值之间的R²=0.478,RMSE=0.12;基于三维点云的2种方法估测林分郁闭度的精度皆优于基于二维CHM的方法,基于三维点云估测林分郁闭度方法中,第二种方法的精度优于第一种方法。     

基于KNN-FIFS的内蒙古根河森林郁闭度遥感估测研究

为探索国产高分一号宽幅（GF-1 Wide Field of View,GF-1 WFV）数据以及具有宽覆盖、红边波段（Red-Edge band,RE）的高分六号（GF-6）卫星数据在森林郁闭度（Forest Canopy Closure,FCC）定量反演中的潜力,本研究以GF-1 WFV多光谱数据为基础,添加哨兵2号（Sentinel-2A）红边波段,模拟GF-6红边波段特性,并提取相关纹理信息（Texture Information,TI）、植被指数（Vegetation Index,VI）和红边指数（Red- edge Index,RI）,同时添加太阳入射角的余弦值cosi和1/cosi进一步探究了地形因素（Topographic Factors,TF）对FCC估测的影响,利用快速迭代特征选择的k-NN（k-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS）模型,实现了内蒙古大兴安岭根河研究区FCC的定量反演,并对比逐步多元线性回归（Stepwise Multiple Linear Regressions,SMLR）和支持向量机（Support Vector Machine,SVM）估测结果。通过44块调查样地实测数据验证发现：基于GF-1 WFV估测的FCC与实测数据具有很好的一致性,R²=0.52,RMSE=0.08;GF-1 WFV+VI+TI估测结果为R²=0.56,RMSE=0.08;GF-1 WFV+RE+RI+TI的精度明显提高,R²=0.63,RMSE=0.07;GF-1 WFV+RE+RI+TI+TF的精度最高,R²=0.68,RMSE=0.07,并高于SMLR（R²=0.39,RMSE=0.10）和SVM（R²=0.49,RMSE=0.10）方法。KNN-FIFS方法比SMLR和SVM方法更适用于FCC遥感估测,且添加红边信息经地形校正后,能有效提高FCC的估测精度。     

联合无人机激光雷达和高光谱数据反演玉米叶面积指数

叶面积指数（Leaf Area Index, LAI）是作物长势监测及产量估算的重要指标,准确高效的LAI反演对农田经济的宏观管理具有重要作用。研究探索了联合无人机激光雷达（Light Detec-tion and Ranging, LiDAR） 和高光谱数据反演玉米叶面积指数的潜力,并分析了LiDAR数据不同采样尺寸、高度阈值、点密度对LAI反演精度的影响同时确定三者的最优值。该研究分别从重采样的LiDAR数据和高光谱影像中提取了LiDAR变量和植被指数,然后基于偏最小二乘回归（Partial Least Square Regression,PLSR）和随机森林（Random Forest, RF） 回归两种算法分别利用LiDAR变量、植被指数、联合LiDAR变量和植被指数构建预测模型,并确定反演玉米LAI的最优预测模型。结果表明：反演玉米LAI的最优采样尺寸、高度阈值、点密度分别为5.5 m、0.55 m、18 points/m²,研究发现最高的点密度（420 points/m²）并没有产生最优的玉米LAI反演精度,因此单独依靠增加点密度的方法提高LAI的反演精度并不可靠。基于LiDAR变量获得的LAI反演精度（PLSR：R²=0.874,RMSE=0.317;RF：R²=0.942,RMSE=0.222）高于基于植被指数获得的LAI反演精度（PLSR： R²=0.741,RMSE=0.454;RF：R²=0.861,RMSE=0.338）,而使用组合变量构建预测模型的反演精度（PLSR：R²=0.885, RMSE=0.304;RF：R²=0.950,RMSE=0.203）优于使用单一变量建立的LAI预测模型,其中利用联合LiDAR变量和植被指数建立的随机森林回归模型为最优预测模型。因此,将两种数据源融合在提高植被LAI反演精度方面具有一定的潜力。     

基于GF-1和Sentinel-1A的漓江流域典型地物信息提取

漓江流域是桂林山水的核心,保护漓江流域生态环境已成为国家战略。以漓江流域为研究区域,以GF-1多光谱影像和SAR影像为数据源,采用小波融合算法将GF-1多光谱影像和SAR VV极化的后向散射影像进行影像融合,再利用随机森林算法分别对GF-1多光谱影像、GF-1和Sentinel融合影像构建典型地物高精度识别模型,提取与漓江流域生态环境紧密相关的河流、针叶林、阔叶林、水田、旱地以及居民地等地物类型。研究结果表明:①在95%置信区间内,基于GF-1影像分类的总体分类精度达到96.15%,基于GF-1和Sentinel-1A后向散射系数的影像总体分类精度达到了94.40%;②河流、阔叶林和旱地在基于GF-1多光谱影像的分类精度中分别达到了97.74%、93.20%、90.90%,比基于融合GF-1多光谱和SAR的数据分别高出7.57%、8.96%和1.22%,其余地物类型两者分类精度相近;③GF-1多光谱和SAR数据的融合中,利用了小波变换进行图像融合,发现融合图像的喀斯特地貌突出,增加了地物特征的差异性。     

Identification of Typical Land Features in the Lijiang River Basin with Fusion Optics and Radar

Lijiang River is the core of Guilin's landscape. Protecting the ecological environment of Lijiang River Basin has become a national strategy. In this paper, Lijiang River Basin was used as the research area. The GF-1 multispectral image and SAR image were used as the data source. The wavelet fusion algorithm was used to fuse the GF-1 multispectral image and the SAR VV polarized backscatter image. Using random forest algorithm to construct a high-precision recognition model for GF-1 multispectral imagery, GF-1 and sentinel fusion images. The model can extract rivers, coniferous forests, broad-leaved forests, paddy fields, drylands, residential land and other land types that are closely related to the ecological environment of the Lijiang River. The results show that ①the overall accuracy based on GF-1 image classification reaches 96.15% in the 95% confidence interval, and the overall accuracy based on GF-1 and sentinel-1A backscatter coefficient reaches 94.40%. ②The classification accuracy of rivers, broad-leaved forests and drylands based on GF-1 multispectral images reached 97.74%, 93.20%, and 90.90%. They are 7.57%, 8.96%, and 1.22% higher than those based on the fused GF-1 multispectral and SAR data, respectively. The classification accuracy of the other features is similar. ③In the fusion of GF-1 multispectral and SAR data, wavelet transform was used for image fusion. It was found that the karst topography of the fusion image was prominent, which increased the difference of the features of the ground features.