基于RS的森林蓄积量主成分回归估测
211198599_基于Landsat_影像数据的香格里拉市优势树种蓄积量估测模型构建
第48卷第2期2023年3月㊀林㊀业㊀调㊀查㊀规㊀划Forest Inventory and PlanningVol.48㊀No.2Mar.2023doi:10.3969/j.issn.1671-3168.2023.02.004基于Landsat影像数据的香格里拉市优势树种蓄积量估测模型构建王飞平1,2,张加龙1,申茂华2,薛雯芸2,李坤美2(1.西南林业大学西南地区生物多样性保育国家林业局重点实验室,云南昆明650224;2.西南林业大学林学院,云南昆明650224)摘要:以香格里拉市优势树种高山栎㊁高山松㊁云冷杉及云南松为研究对象,构建基于遥感的森林蓄积量估测模型㊂采用2006年和2016年的Landsat TM/OLI影像及二类调查数据,随机从每期数据中各选取100个小班,提取其影响因子,利用相关性强的因子构建RF模型和MLR模型㊂结果表明,2006年各树种蓄积量RF模型的拟合R2在0.779~0.862范围,预测精度P值为80.17%~ 92.16%;2016年RF模型的拟合R2为0.761~0.865,预测精度P值为81.61%~95.53%㊂建立MLR模型后,2006年树种蓄积量估测模型的拟合R2为0.214~0.336,预测精度P值为34.12%~ 47.16%;2016年模型的拟合R2为0.238~0.391,预测精度P值为34.82%~52.57%㊂估测结果与二类调查数据的误差为:高山栎㊁高山松㊁云冷杉㊁云南松分别增加了8.54ˑ105m3㊁3.65ˑ106m3㊁4.12ˑ106m3㊁3.96ˑ104m3,误差分别为0.36%㊁0.78%㊁0.44%㊁0.62%㊂对比二种模型估测结果表明,随机森林模型能更精确地估测优势树种蓄积量㊂关键词:优势树种;蓄积量估测;模型构建;landsat影像数据;香格里拉市中图分类号:S758.51;S711;TP753㊀㊀文献标识码:A㊀㊀文章编号:1671-3168(2023)02-0026-06引文格式:王飞平,张加龙,申茂华,等.基于Landsat影像数据的香格里拉市优势树种蓄积量估测模型构建[J].林业调查规划,2023,48(2):26-31.doi:10.3969/j.issn.1671-3168.2023.02.004WANG Feiping,ZHANG Jialong,SHEN Maohua,et al.Estimation Model Construction of Dominant Tree Species Volume in Shangri-La City Based on Landsat Image Data[J].Forest Inventory and Planning,2023,48(2):26-31.doi:10.3969/ j.issn.1671-3168.2023.02.004Estimation Model Construction of Dominant Tree Species Volume inShangri-La City Based on Landsat Image DataWANG Feiping1,2,ZHANG Jialong1,SHEN Maohua2,XUE Wenyun2,LI Kunmei2(1.Key Laboratory of Biodiversity Conservation in Southwest China of State Forest Administration,Southwest ForestryUniversity,Kunming650224,China;2.College of Forestry,Southwest Forestry University,Kunming650224,China) Abstract:The remote sensing based forest volume estimation model was constructed in Shangri-La City with the research objects of dominant tree species of Quercus aquifolioides,Pinus densata,spruce fir and收稿日期:2021-12-20.基金项目:国家自然科学基金(31860207);2020年云南省高层次人才培养支持计划 青年拔尖人才 专项(81210468);西南林业大学科研启动基金(111932).第一作者:王飞平(1996-),男,云南曲靖人,硕士研究生.主要研究方向为林业3S技术.Email:2714250799@责任作者:张加龙(1981-),男,湖北人,教授,博士.主要研究方向为3S技术.Email:jialongzhang@王飞平,等:基于Landsat影像数据的香格里拉市优势树种蓄积量估测模型构建Pinus yunnanensis.Based on Landsat TM/OLI images in2006and2016and forest management inventory data,this paper randomly selected100sub-compartments from each period of data,extracted the impact factor,and constructed an RF model and MLR model by highly correlated factors.The results showed that the fitting R2of the RF model for the stock volume of various tree species in2006ranged from0.779 to0.862,with a prediction accuracy P-value of80.17%to92.16%;the fitting R2of the RF model in 2016was from0.761to0.865,and the prediction accuracy P-value was from81.61%to95.53%.Af-ter establishing the MLR model,the fitting R2of the model was from0.214to0.336,and the prediction accuracy P-value was from34.12%to47.16%;the fitting R2in2016was from0.238to0.391,and the prediction accuracy P-value was from34.82%to52.57%.The volume of Quercus aquifolioides,Pi-nus densata,spruce fir and Pinus yunnanensis increased by8.54ˑ105m3,3.65ˑ106m3,4.12ˑ106m3 and3.96ˑ104m3respectively,and the errors were0.36%,0.78%,0.44%and0.62%respectively. The comparison between the two models showed that the random forest model could more accurately esti-mate the volume of dominant tree species.Key words:dominant tree species;estimation of volume;model construction;Landsat image data; Shangri-La City㊀㊀蓄积量是森林资源的重要指标,是林业特有的问题,也是航天遥感数据应用研究的重要领域[1]㊂森林蓄积量测定方法经过一系列的发展,目前最常用的方法包括目测法㊁实测法㊁采样控制和回归建模估测法㊂回归模型估测法由于其具有工作量较小㊁估计频率高㊁估计范围较大等优点,已逐渐成为蓄积量测量研究的主要技术手段㊂利用遥感影像对云南省香格里拉市的优势树种蓄积量进行遥感估测,探究2006年和2016年香格里拉市的优势树种蓄积量变化㊂研究优势树种蓄积量动态变化情况,可为森林经营提供可靠的数据支持,优势树种蓄积量指的是在优势树种林分中的所有优势树种活立木材积之和,一般按单位面积来进行活立木材积总和的计算㊂林木蓄积量一般用来表示森林资源的总规模,是森林资源调查和监测最重要指标之一㊂探究高效和高精度的森林蓄积量估测新方法可尽量减少地面调查工作量,从而快速㊁准确地进行森林总蓄积量预报[2]㊂森林调查因子遥感定量估测研究主要集中在蓄积量估测方法的研究上[3]㊂大致有两种方法:(1)使用两阶段或多阶段分层采样来获得总蓄积量和总林分类型的单位平均蓄积量,并根据类型将平均蓄积量分配到图斑;(2)使用多元回归方法(Multiple Linear Regression,MLR),通过林分特征因素(森林类型,优势树种,树冠封闭,年龄等级,胸高直径,树高等),环境特征因子(坡度,坡向,位置,高度,土壤类型和厚度等)和遥感影像数据(灰度值,饱和度,色度,比率),建立数学回归模型以间接估测每个斑块的蓄积量[4-6]㊂使用第二种方法时,通常需要读取遥感影像上每个位置的密度值或几个波段的比率㊂在遥感估测研究过程中,森林蓄积量与影像的单波段数据以及其波段比值项关系的密切程度会因不同林分而异,不能将其他林分混在一起建立林分蓄积量的估测模型,在研究中增加各类遥感因子能有效提高估测精度[7]㊂研究领域内各学者从不同方面对森林蓄积量进行研究㊂赵宪文利用陆地卫星TM图象和多元分析方法直接估测森林蓄积量,此方法辅以少量地面样地时,有林地蓄积估测精度可达80%以上[8];基于LIDAR数据,Donoghue采用了两种方法来估算苏格兰3个测试点的森林蓄积量,测得的相关系数分别为0.914和0.930㊂这种方法可以与地面调查数据相结合估测混交林的蓄积量[9-10]㊂国外学者Skurikhin A N等使用高分辨率遥感影像多尺度分析方法,进行树冠识别及其大小估计[11];Jamstedt等利用高分辨率机载激光扫描数据研究结果,得以进行森林资源清查中变量估算研究[12]㊂Popescu以94棵松树和23棵落叶松树的基本测量为参考,并根据来自美国东南部的LIDAR数据和TreeVaw软件建立线性模型来估计单棵树的树冠基部高度,精度达到80%㊂傅里叶变换可使估算精度更高,这为准确估算森林蓄积量提供了很好的方法[13-14]㊂综上所述,森林蓄积量遥感估测在具体树种上的研究比较单一,对多种优势树种并存的地区缺乏可靠的数据支撑,故本次研究将根据森林蓄积量测定的已有经验,对香格里拉市多个优势树种构建更㊃72㊃第2期林业调查规划加精准的蓄积量估测模型并进行深入分析,对比选择出适合于森林蓄积量遥感估测的最佳模型,获取更加准确有效的数据支撑,从而得到便捷有效的技术手段,以促进森林经营㊁管理和保护㊂1研究区概况香格里拉市在空间上位于云南省西北部,迪庆州东北部,东经99ʎ20ᶄ~100ʎ19ᶄ,北纬26ʎ52ᶄ~28ʎ52ᶄ,总面积约114万hm 2,属山区性冷温带季风气候,年均温5.5ħ,年均降雨量618.4mm[15]㊂优势树种主要分布于金江镇㊁虎跳峡镇㊁东旺乡㊁格咱乡等,主要有:(1)云南松(Pinus yunnanensis ),属松科松属常绿乔木,在香格里拉市的气候条件下具有生长更快㊁材质更好㊁耐旱性好和自然再生能力强的特点,是我国西南地区最大的森林树种,也是先锋树种和最重要的用材树种㊂(2)高山松(Pinus densata ),属松科松属植物,为我国西部地区特有种,横断山脉高寒地区抗旱先锋树种,主要分布于云南省西北部海拔2800~3500m 处,具有较高的经济价值和较强的适应性,是重要的森林资源之一㊂(3)云冷杉(sprucefir ),在香格里拉市有着生长质量好的优点,在森林蓄积量中占比为19%㊂(4)高山栎(Quercus aquifo-lioides ),为栎属[16]常绿乔木,主要分布于云南邻近西藏处,有很好的生长和数量分布㊂2材料与方法2.1数据来源研究实验数据有2006年和2016年两期遥感影像㊁对应分辨率的香格里拉市DEM 数据㊁2006年和2016年香格里拉市二类调查小班数据(表1)㊂表1㊀研究数据基本信息Tab.1㊀Basic information of research data遥感影像及DEM 数据来自Landsat (2016年)的香格里拉市多光谱影像及分辨率为30m ˑ30m 的DEM 数据二类调查数据包含优势树种实测的每10年一次的树高㊁胸径㊁小班面积及森林蓄积量等数据2.2数据处理2.2.1遥感影像数据的预处理1)辐射定标分别对2006年和2016年Landsat 影像数据进行辐射定标㊂辐射定标的目的是为了消除传感器本身产生的误差,是将初始DN 值转换为大气外层的表面反射率㊂2)大气校正及地形校正分别对两期的Landsat 影像数据进行大气校正㊂将辐射亮度转换为地表实际反射率,消除大气散射㊁吸收㊁反射引起的误差㊂香格里拉地形起伏明显,坡度匹配法在该区域应用较好[16],参考这一方法,利用该区域的DEM 数据完成影像的地形校正㊂3)几何校正在卫星拍摄遥感影像的过程中,受传感器因素影响,像素显示的物体与实际物体相比会产生挤压㊁偏移㊁变形和拉伸等现象[17],故需要对地形做几何校正来提高信息的准确性㊂选择2006Landsat 影像为基准影像,2016年Landsat 影像作为待校正影像来选取地面控制点,选择控制点时需要选择明显的地物㊁道路交叉口且需要在影像中分布均匀,以完成几何校正㊂2.2.2因子提取1)简单植被指数因子选取卫星影像的波段组合因子㊁原始图像单波段因子㊁信息增强因子以及植被指数和纹理信息因子等[18]㊂分别对2006年和2016年的Landsat 遥感影像数据进行波段计算,计算公式为:RVI =B 5/B 4(1)DVI =B 5-B 4(2)ARVI =(B 5-(2ˑB 4-B 1)/(B 5+(2ˑB 4-B 2))(3)Albedo =B 1+B 2+B 3+B 4+B 5+B 6(4)式中:RVI 为比值植被指数;DVI 为差值植被指数;ARVI 为大气阻抗植被指数;ALBEDO 为地表反照率植被指数;B 1㊁B 2㊁B 3㊁B 4㊁B 5㊁B 6分别指波段Band1㊁Band2㊁Band3㊁Band4㊁Band5㊁Band6㊂同时提取了归一化植被指数(NDVI)㊂2)信息增强因子通过缨帽变换(KT)获取信息增强因子㊂分别对2006年和2016年遥感影像进行纹理特征提取,其窗口大小为5ˑ5和9ˑ9,包括熵(EN)㊁相异性(DI)㊁均一性(HO)等㊂3)地形因子使用香格里拉市数字高程模型(Digital ElevationModel)数据获取地形因子,包括坡度㊁坡向等㊂2.2.3因子相关性分析选取具有代表性㊁能反映该区域总体特征的随㊃82㊃第48卷王飞平,等:基于Landsat 影像数据的香格里拉市优势树种蓄积量估测模型构建机小班100个,并对所提取的因子进行因子相关性分析,筛选因子并保留与蓄积量计算相关性强的因子作为自变量,并根据自变量的调整提高估测模型的估测精度㊂因子相关性分析采用皮尔逊相关指数进行评估,得到相关性较强的因子用来建立模型估测蓄积量(表2)㊂表2㊀因子与蓄积量相关系数Tab.2㊀Correlation coefficient between factor and volume注:R5㊁R9分别代表5ˑ5和9ˑ9的窗口;B +序号代表波段号;HO 代表均一性,SM 代表角二阶矩,VA 代表方差,ME 代表均值;∗∗表示在0.01级别(双尾)相关性显著,∗表示在0.05级别(双尾)相关性显著㊂2.3蓄积量估测模型的构建1)多元线性回归比一般线性回归更为复杂,自变量数量更多,计算方法也更复杂,分析问题更细致㊂多元线性回归包括两个基本问题,一是模型的拟合及显著性检验,二是多元线性模型的参数求解及检验㊂本次采用的线性回归公式[19]为:y =a +bx 1+cx 2+dx 3(5)式中:a ㊁b ㊁c ㊁d 为回归系数;y 为因变量(蓄积量);x ㊁x 1㊁x 2㊁x 3为自变量㊂2)构建python 回归的随机森林(Random Forest,RF)模型,RF 通过多个决策树对样本进行训练㊁分类㊁预测,采用回归算法计算得到各变量的贡献度,其最后输出的是均值,在该模型算法中生成的每棵树都是随机的㊂研究选取数据质量较优的100个数据进行建模,其中70%用于模型建立,30%用于模型检验㊂2.4模型评价由于交叉验证法在计算过程中能有效减少信息误差,故用该方法进行本次预测模型的评估,用来评价模型优劣的指标有决定系数R 2㊁均方根误差(RMSE)和相对均方根误差(rRMSE)㊂模型决定系数的数值越大,且模型的均方根误差越小,则说明模型拟合度越好,模型均方根误差(RMSE)计算方式见公式(6),模型相对均方根误差(rRMSE)计算方式见公式(7),利用预测精度P 值[16]来反应各树种预测值与实测值的对比情况,分别对RF 模型和MLR 模型的拟合结果进行评价,同时对RF 模型与MLR 模型的拟合优度和精度进行比较㊂RMSE =ðni =1(y i -y ^i )2/n(6)rRMSE =RMSEy mean100%(7)式中:y i 为二类调查数据计算得到的蓄积量实测值;y ^i 为蓄积量估测值;y mean 为蓄积量实测值的平均值;n 为建模所使用的数据个数㊂3结果分析3.1模型构建结果精度分析估测模型构建结果见表3㊂表3㊀估测模型的构建Tab.3㊀Estimating model construction高山栎林DVI2016NDVI㊁DVI㊁R9-B2ME 0.23837.2239.9639.50RF2006R9-B4DI㊁DVI0.86219.2221.5682.632016NDVI㊁DVI㊁R9-B2ME 0.76116.6919.1081.61高山松林MLR 2006Slope㊁R5-B7VA0.33646.1546.6447.162016Albedo㊁DVI㊁R5-B3SM 0.39156.3751.1152.57RF2006Slope㊁R5-B7VA0.85212.6210.9487.662016Albedo㊁DVI㊁R5-B3SM 0.85715.5112.0188.52云冷杉林MLR 2006Slope㊁KT㊁R9-B5HO0.28132.1534.9934.122016R9-B4DI㊁R5-B3SM 0.23934.5338.3734.82RF2006Slope㊁KT㊁R9-B5HO0.77915.3218.5580.172016R9-B4DI㊁R5-B3SM0.86214.2618.0683.39㊃92㊃第2期林业调查规划续表3云南松林R5-B7VA 2016Slope㊁NDVI 0.37338.3440.1235.19RF2006Slope㊁NDVI㊁R5-B7VA 0.83927.9119.8092.162016Slope㊁NDVI0.86520.3920.0495.53注:RMSE 为均方根误差;rRMSE 相对均方根误差㊂㊀㊀随机森林模型在模型拟合优度R 2㊁RMSE㊁rRMSE㊁预测精度P 值上均明显优于线性回归模型,模型构建过程中,随机森林模型呈现出过拟合的情况,导致R 2高而预测精度P 值低的情况,造成不合理的模型构建,其原因在于自变量NDVI 在提取因子过程中出现了异常值,经检查得知是由于原始图像做预处理时操作不当发生了偏差导致,对此问题进行处理并得到了解决㊂3.2蓄积量估测结果对比分析通过模型估算,并对结果进行统计,得出香格里拉市各乡镇的优势树种蓄积量变化情况,各优势树种总蓄积量统计见表4㊂表4㊀云南省香格里拉市优势树种种群总蓄积量预测Tab.4㊀Prediction of the total volume of dominant treespecies in Shangri -La City of Yunnan Province高山栎林11742711.64851021.76854133.310.362016年高山栎林12593733.402006年高山松林17827022.943625542.103654410.750.782016年高山松林21452565.042006年云冷杉林70810869.924100251.374118459.380.442016年云冷杉林74911121.292006年云南松林339102.6139320.6339565.140.622016年云南松林378426.24㊀㊀1)2006 2016年的10年间,香格里拉市高山栎林蓄积量在东旺乡㊁格咱乡㊁尼西乡㊁上江乡㊁建塘镇㊁小中甸镇㊁虎跳峡镇和金江镇有所增加,五镜乡㊁洛吉乡㊁三坝乡有所减少㊂其中,2006年高山栎林预测总蓄积量为1.17ˑ107m 3,2016年高山栎林总蓄积量为1.26ˑ107m 3,2016年高山栎林总蓄积量比2006年高出8.51ˑ105m 3,与实测值的误差为0.36%㊂2)香格里拉市高山松林蓄积量预测结果为:2006年和2016年尼西乡高山松蓄积量分别为1.78ˑ107m 3和2.15ˑ107m 3,2016年高山松林总蓄积量比2006年高出3.63ˑ106m 3,与实测值的误差为0.78%㊂3)2006年云冷杉多分布在上江乡,2016年与2006年相比,香格里拉市北部的云冷杉分布逐渐减少,在乡镇边界处多有云冷杉的分布,2006年香格里拉市云冷杉林总蓄积量为7.08ˑ107m 3,2016年为7.49ˑ107m 3,2016年云冷杉林总蓄积量比2006年高出4.10ˑ106m 3,与实测值的误差为0.44%㊂4)2016年香格里拉市云南松林蓄积量与2006年相比,尼西乡㊁五境乡㊁上江乡㊁金江镇㊁虎跳峡镇㊁三坝乡㊁格咱乡㊁建塘镇均有所增加;洛吉乡㊁小中甸镇有所减少,2016年的云南松林总蓄积量比2006年高出3.93ˑ104m 3,与实测值的误差为0.62%㊂4讨论与结论4.1讨论研究中随机森林模型预测效果明显优于多元线性回归模型,非参数的随机森林回归模型呈现比较好的分类效果,且训练速度相对更快,能够快速准确地得到分析结果㊂线性回归模型由于其大部分情况下是基于推测的一种分析方式,容易受某一因子影响,从而限制其分析进程,虽然能生成模型运行报告,解决了统计上的不便,但仍无法消除该模型受到的影响,与随机森林模型相比呈现出的模型效果并不理想㊂随机森林模型易产生过度拟合的因素多在于影响因子选取不够准确,而影响因子不准确的原因多为因子相关性弱以及因子提取时图像预处理具有异常值,利用真正相关性强的因子可以很好地解决这一问题㊂有些对蓄积量产生影响却难于获取或无法获取的影响因子(如当地的降水㊁温度以及植物种群间的相互作用等气候和环境因素未能提供准确数据)未能参与该研究区域优势树种蓄积量估测,会导致估测精度存在比较小的偏差㊂其次,由于卫星影像因其传感器导致的固有属性缺陷(如分辨率㊁积云㊁阴坡等)在预处理后仍无法达到绝对准确,部分像元内的树种统计会有不可避免的误差,导㊃03㊃第48卷王飞平,等:基于Landsat影像数据的香格里拉市优势树种蓄积量估测模型构建致基于随机森林模型估测的蓄积量与实测值仍存在细小误差,但相比以往的森林蓄积量遥感估测探索[7]具有较大提升(蓄积量预测值与实测值的误差已极大减小),与只基于地形因子进行森林蓄积量分析的方法[6]相比得到更有效㊁更多元的评测效果,选取的各优势树种最佳模型估测精度也相较于‘基于遥感的高山松连清固定样地地上生物量估测模型构建“研究[16]以及‘森林二类调查中蓄积量遥感估测方法应用实例“中的估测模型[19]均有显著提高㊂综合本研究得到的结果及与各项研究情况的对比,随机森林模型在森林蓄积量估测方面有着诸多优势,适用于多个优势树种并存地区森林蓄积量估测及管理㊂4.2结论基于对香格里拉市优势树种的比较分析筛选出高山栎㊁高山松㊁云冷杉及云南松4个优势树种建立森林蓄积量遥感估测模型㊂模型以2006年和2016年Landsat8OLI影像㊁Landsat5TM影像及其二类调查数据为基础,从两期数据随机选择各100个样点,提取其植被指数㊁纹理因子㊁信息增强因子等,最终筛选出相关性强的因子建立随机森林模型和线性回归模型进行蓄积量估测㊂从随机森林模型和线性回归模型的模型评价指标R2㊁RMSE㊁rRMSE及预测精度P值的结果来看,随机森林模型估测效果明显优于线性回归模型,从预测结果与实测蓄积量对比情况可知,采用随机森林模型估测的香格里拉市各优势树种蓄积量更精确,可为更加便捷㊁准确地估测森林蓄积量提供技术参考㊂参考文献:[1]张彦林.基于3S技术的山东省森林蓄积量定量估测研究[D].北京:北京林业大学,2008.[2]程武学,杨存建,周介铭,等.森林蓄积量遥感定量估测研究综述[J].安徽农业科学,2009(16):7746-7750. [3]郎晓雪,许彦红,舒清态,等.香格里拉市云冷杉林蓄积量遥感估测非参数模型研究[J].西南林业大学学报(自然科学),2019,39(1):146-151.[4]王维枫,雷渊才,王雪峰,等.森林生物量模型综述[J].西北林学院学报,2008,23(2):58-63.[5]汪康宁,吕杰,李崇贵.基于多尺度遥感影像纹理特征的森林蓄积量反演[J].中南林业科技大学学报,2017,37(11):84-89.[6]杨宇军,李超,张锐,等.基于地形因子的森林物种多样性与蓄积量分析[J].东北林业大学学报,2012,40 (12):27-31.[7]杨燕琼,吴奕敏,黄平,等.基于RS㊁GIS的林分蓄积量估测[J].广州:华南农业大学,2003.[8]赵宪文,包盈智.应用航天遥感资料估测森林蓄积量的一个新方法[J].林业科学研究,1988(2):148-152. [9]黄平,候长谋,杨燕琼.基于RS㊁GIS的杉木林分蓄积量判读模型研究[J].中南林业调查规划,2003,22 (1):2527.[10]高志海,魏怀东,丁峰,等.TM影像VI提取植被信息技术研究[J].干旱区资源与环境,1998,12(3):98-104.[11]SKURIK H A N,GARRITY S R,MCDOWELL N G,etal.Automated tree crown detection and size estimation u-sing multi㊃scale analysis of hish-resolution satellite im-agery[J].Remote Sensing Letters,2013,4(5):465-474.[12]JAMSTEDT J,PEK K A,TUOMINEN S,et al.Forest var-iable estimation using a high resolution digital surfacemodel[J].ISPRS Journal of Photo Grammetry and RemoteSensing,2012(74):78-84.[13]NELSON R,KRABILL W,MACLEAN G.Determining forestcanopy characteristic susingair bornelaser data[J].Re-mote Sensing of Environment,1984,15(3):201-212.[14]NELSON R,KRABILL W,TONELLI J.Estimating forestbiomass and volume usingair bornelaser data[J].RemoteSensing of Environment,1988,24(2):247-267. [15]鲍瑞,张加龙,陈培高.应用滤波方法提高高山松地上生物量遥感估测精度的研究[J].西南林业大学学报(自然科学),2020,40(5):126-134.[16]张加龙,胥辉.基于遥感的高山松连清固定样地地上生物量估测模型构建[J].北京林业大学学报,2020,42(7):1-11.[17]张翔雨.基于Landsat的北京市森林蓄积量估测动态变化研究[D].北京:北京林业大学,2020. [18]陆驰,张加龙,王爱芸,等.基于Landsat TM的香格里拉市高山松生物量估测重建[J].林业调查规划,2016,41(6):1-7.[19]包盈智,袁凯先,赵宪文,等.森林二类调查中蓄积量遥感估测方法应用实例[J].林业科学研究,1996(3):234-238.责任编辑:许易琦㊃13㊃第2期。
基于森林资源连清数据的泗阳县杨树生物量遥感估算模型
基于森林资源连清数据的泗阳县杨树生物量遥感估算模型温小荣;蒋丽秀;林国忠;李凤凤;郑勇;谢小杰;佘光辉【摘要】基于2005年江苏省森林资源连续清查数据,采用蓄积量——生物量换算因子连续函数法计算杨树林生物量,对生物量与LandsatTM数据各波段的比值B1/B3、B2/B4 、B2×B3/B4、B7/B5 、B7/B5、(B4+ B5-B2)/(B4+B5+ B2)、B3/(B1+B2 +B3 +B4 +B5 +B7)、B3/B4及植被指数NDVI、RVI、TNDVI进行相关性分析,筛选杨树生物量遥感估算模型的相应因子;并应用逐步回归技术建立估算杨树生物量遥感模型,估算出2005年泗阳县杨树林总面积为29 768.6 hm2,总生物量约为1 786 771.2 t,平均生物量约为60.0 t/hm2.结果表明,在森林资源连续清查的数据基础上,利用遥感影像在县级区域尺度上对杨树森林生物量进行有效估算是完全可行的,其方法具有时间分辨率高的特点,使生物量估算在较大的时间和空间尺度上具备操作的可能性.【期刊名称】《安徽农业科学》【年(卷),期】2013(000)036【总页数】3页(P13935-13937)【关键词】杨树;泗阳县;生物量;遥感估算模型【作者】温小荣;蒋丽秀;林国忠;李凤凤;郑勇;谢小杰;佘光辉【作者单位】南京林业大学森林资源与环境学院,江苏南京210037;南京林业大学森林资源与环境学院,江苏南京210037;南京林业大学森林资源与环境学院,江苏南京210037;连云港新浦区农林水局,江苏连云港222000;南京林业大学森林资源与环境学院,江苏南京210037;南京林业大学森林资源与环境学院,江苏南京210037;南京林业大学森林资源与环境学院,江苏南京210037【正文语种】中文【中图分类】S757.2森林生物量是指特定时间内森林群落现有活有机体的干物质总量，与森林覆盖率一样，是森林资源重要的测度指标之一［1－2］。
基于ANN的森林蓄积遥感估测研究
１研 究 区概 况
选取海南省三 亚市抱 龙林场 为研究对象 ， 抱龙林 场位于三亚市北部 ，距市 区 ４ ｍ，８２ ０一 ８３ ０ ｋ １。６３＂ １。７
Ａ ｓａｔ Ｂ ｓｄｏ Ｍ ｒ ｏ ｅｓ ｇ（Ｓ ｈｃ ａ ｎｅｒ ｅ ｎ ｅｌｔ ｈ ｒ ｔ ｓｃ， ｅｇ ｐ— ｂｔ ｃ： ａｅ ｎ Ｔ ｅ ｔ ｓｎｉ Ｒ ）ｗ ｉ ｈｄ ｉ ｇａ ｄ ａｄ ｒａｓｃ ｃａａ ｅ ｔ ｓ ｇｏｒ ｈ ｒ ｍ ｅ ｎ ｈ ｔ ｔ ｉｉ ｃｒｉ ｉ ａ ｉ ｉｆ ｍ ｔｎ ｓｓ ｍ （ Ｉ ｈｃ ａ ｏ ｅｆ ｐｔｌａａ ｓ ｂｌｙ ｎ ｒｆ ｉ ｅ ｔ ｌｎｔｏ ｃ ｎｏ ａ ｏ ｙｔ ｒ ｉ ｅ Ｇｓ ）ｗ ｉ ｈ ｄ ｐｗ ｒ ｌｓａｉ ｎｌ ｉ ａｉｔ ｈ ｕ ａ ｙｓ ｉ，ａｄ ａｔ ｃ ｌｎｕ ａ ｅ ｒ ｉ ａ ｉ ｒ ｗ ｋ （Ｎ ）ｗ ｉ ａ ｐ ｍ ｚ ｎｎｉ ａ ｏ ｐ ｘｓｓ ｍ ， ｈ ｏｅ ｏ ｍ ｎ Ｈ ｉ ｎ Ｂ ｏ ｎ ｏ ｓ ｆｒ Ａ Ｎ ｈｃ ｃｎ ｏｔ ｉ ｏｌ ｅｒｃｍ ｌ ｙｔ ｓ ｔｅｆ ｓ ｖｌ ｅ ｉ ａ ａ ａｌ ｇ ｆ ｅｔ ａ ｈ ｉ ｅ ｎ ｅ ｅ ｒｔ ｕ ｎ ｏ ｒ ｍ
第２ ９卷第 ３期
２１ ０ ０年 ８月
中 南 林 业 调 查 规 划
Ｃ ＥＮＴＲＡＬ Ｓ ＯＵＴ Ｆ Ｈ ＯＲＥ Ｔ ｌ Ｓ ＮＶＥ ＮＴ０ＲＹ ＡＮＤ ＰＬ ＡＮＮＩ ＮＧ
Ｖｏ ．９ Ｎｏ３ １ ． ２ Ａｕ ．０１ ｇ２ ０
基于 Ａ Ｎ的森林蓄积遥感估测研究 Ｎ
Ｚ ＮＧ Ｍｉｇ ｕ Ｃ Ｎ Ｚ ｅ ｘｏ ｇ Ｌ Ｕ Ｔ ｎ ｗ ｉ Ｅ ｎ ｙ ， ＨＥ ｈ ｎ ｉｎ ， Ｉ ｉｇ ｅ
基于GF-1的森林蓄积量遥感估测
基于GF-1的森林蓄积量遥感估测李世波;林辉;王光明;程韬略【摘要】森林蓄积量是评价森林资源数量的一个重要指标.结合遥感影像和地面调查数据估测森林蓄积量受遥感影像、遥感因子、预处理方法、估测方法等多方面的影响.为研究国产GF-1遥感影像估测森林蓄积量的最佳遥感因子组合方式和较优估测方法,并绘制森林蓄积量空间分布图,为我国森林蓄积量的研究提供理论基础和科学依据.为研究GF-1遥感影像估测森林蓄积量的遥感因子和估测方法,以湖南省醴陵市为研究对象,以国产GF-1遥感影像为数据源,通过对遥感图像预处理,获取光谱信息、纹理因子、植被指数作为特征变量,结合同时期的二类调查样地数据,从GF-1遥感影像像元与样地不匹配角度出发,应用移动窗口的方法解决像元与样地的对应关系,采用多元逐步回归、偏最小二乘回归和随机森林模型对研究区森林蓄积量进行估测,采用建模精度和估测精度进行分析评价.实验结果表明:1)3个模型选择的因子都包含了NDVI、Band2、DI3、CO1和DVI等5个遥感因子,说明其对森林蓄积量的估测比较敏感;2)随机森林模型优于偏最小二乘回归和多元逐步回归,其决定系数R2为0.73、估测精度为83.69％.利用GF-1遥感影像结合随机森林模型应用于森林蓄积量的估测结果趋于真实分布,效果较理想;采用移动窗口法,利用国产GF-1遥感影像并结合随机森林进行森林蓄积量估测具有较好的应用前景.【期刊名称】《中南林业科技大学学报》【年(卷),期】2019(039)008【总页数】7页(P70-75,86)【关键词】森林蓄积量;遥感因子;多元逐步回归;偏最小二乘回归;随机森林模型【作者】李世波;林辉;王光明;程韬略【作者单位】中南林业科技大学林业遥感信息工程研究中心,湖南长沙 410004;贵州林业勘察设计有限公司,贵州贵阳 550003;中南林业科技大学林业遥感信息工程研究中心,湖南长沙 410004;醴陵市林业局,湖南醴陵 412200;醴陵市林业局,湖南醴陵 412200【正文语种】中文【中图分类】S771.8森林蓄积量是指森林中全部立木材积之和，伴随“3S技术”（遥感技术、地理信息系统和全球定位系统）的发展与计算机水平的提高，数学模型在该领域的应用研究越来越深，为森林蓄积量的实时估测、快速监测带来了新的方法，根据现有文献和书籍表明，遥感技术应用在森林蓄积量的估测日趋广泛[1-6]。
基于RS的森林资源变化信息提取研究
基于RS的森林资源变化信息提取研究秦琳【摘要】通过分析植被的遥感影像特征,确定检测森林资源变化的相关因子.并以森林小(细)班为单位提取影像的遥感特征值,结合前期小(细)班矢量数据制定合适的判别规则和阈值,然后判断森林变化的类型,从而实现周期内森林资源变化信息的提取.【期刊名称】《林业勘察设计》【年(卷),期】2010(000)001【总页数】4页(P20-23)【关键词】RS;森林资源;变化信息【作者】秦琳【作者单位】广东省林业调查规划院,广州广东,510520【正文语种】中文【中图分类】S757.3森林资源动态监测工作中有一项重要的任务，即发现周期内森林资源的变化信息，并判断变化类型。
遥感(RS)的发展及其在林业中的深化应用为发现和判断森林资源的变化提供了重要技术手段。
高分辨率的遥感影像、全天候的信息获取、海量信息的快速处理、智能化的解译和分析使人们能够快速准确的确定变化信息，为森林资源动态监测工作开辟了一条新路［1，2］。
1 遥感影像特征1.1 遥感影像特征信息遥感影像上所能得到的特征信息主要包括光谱特征信息和地类纹理特征信息。
其中光谱特征信息，主要包括以下几个方面:①地类的光谱特征:如影像中各个波段的各地类光谱值、光谱曲线等;②地类的统计特征:如各波段各种地类的极值特征、均值、方差、协方差、自相关、互相关、不变距等;③地类的直方图特征:如各波段各种地类的直方图分布、平均值、方差、歪斜度、峭度、能量、熵等;④波段运算特征:如各波段各种地类的比值、植被指数等［3］。
1.2 植被指数植被指数(Vegetation Index)，又称光谱植被指数，是由遥感传感器获取的多光谱数据，经线性和非线性组合而构成的对植被具有一定指示意义的各种数值。
它是反映地表植被生长状况、覆盖情况、生物量和植被种植特征的间接指标，广泛应用于监测、分析和植被结构的时空动态监测以及一些生物参数的估算。
这类指数可以对生物覆盖特性进行估算和变化监测，如植被覆盖度、叶面积指数、生产量等。
利用森林蓄积量生物量模型估算岫岩县森林碳储量
缘乞科枚Journal of Green Science and Technology2021年4月第23卷第8期利用森林蓄积量生物量模型估算岫岩县森林碳储量杨青川（辽宁省林业调查规划监测院，辽宁沈阳110122）摘要：为研究岫岩县森林的碳■储量，采用生物量一蓄积量回归模型，对森林资源变更数据按优势树种和不同林龄组的碳储量和碳储密度进行了分析。
结果表明：柞树和落叶松的碳储量远大于其它树种，不同林龄碳储量大小顺序为幼龄林〉中龄林＞成熟林〉近熟林＞过熟林；碳储密度顺序是中龄林〉成熟林〉近熟林〉过熟林＞幼龄林。
关键词：优势树种；林龄组；碳储量中图分类号：S718文献标识码：A文章编号：1674-9944（2021）08-0020-031引言二氧化碳是使全球气候变暖的罪魁祸首之一。
随着气候的加剧变化,如何固定和减少排放二氧化碳逐渐成为研究热点。
森林通过光合作用，在陆地生态系统中吸收二氧化碳的能力最强，在固定二氧化碳和减缓全球气候变化中承担着重要作用因此，对森林碳储量和碳储密度的研究就显得尤为重要。
国内学者对此做了大量研究。
有学者基于森林资源连续清查数据，采用生物量和蓄积量的统计学关系的转换函数，结合含碳系数，对省级尺度区域的生物量和碳储量进行估算曲〕。
有的对灌木林的碳储量及驱动因素进行了分析⑷。
岫岩地区自然资源丰富，在辽宁省内位居前列。
本文研究岫岩县各优势树种不同林龄的碳含量和碳储密度，对掌握辽宁省东部山区的碳汇功能有重要的意义。
为该地区的估算提供理论依据。
2试验地概况岫岩县处于北纬40°〜40°39',东经122°52'〜123°41'之间。
气候类型属于北温带湿润季风气候，降雨多在夏季。
水系属浑河、太子河、大洋河水系。
生态分区属于辽东山区，辖区内山地、丘陵较多，平原和盆地夹杂其中，面积较小，地势南低北高，大部分属于长白山山脉。
总面积4502km2，林地面积3297km2,占比72.8%。
案例 用回归模型预测木材剩余物
案例用回归模型预测木材剩余物伊春林区位于黑龙江省东北部。
全区有森林面积2 189 732公顷，木材蓄积量为23 246.02万m3。
森林覆盖率为62.5%，是我国主要的木材工业基地之一。
1999年伊春林区木材采伐量为532万m3。
按此速度44年之后，1999年的蓄积量将被采伐一空。
所以目前亟待调整木材采伐规划与方式，保护森林生态环境。
为缓解森林资源危机，并解决部分职工就业问题，除了做好木材的深加工外，还要充分利用木材剩余物生产林业产品，如纸浆、纸袋、纸板等。
因此预测林区的年木材剩余物是安排木材剩余物加工生产的一个关键环节。
下面，利用简单线性回归模型预测林区每年的木材剩余物。
显然引起木材剩余物变化的关键因素是年木材采伐量。
给出伊春林区16个林业局1999年木材剩余物和年木材采伐量数据如表2.1。
散点图见图2.14。
观测点近似服从线性关系。
建立一元线性回归模型如下：y t = β0 + β1 x t + u t表2.1 年剩余物y t和年木材采伐量x t数据林业局名年木材剩余物y t(万m3)年木材采伐量x t(万m3)乌伊岭26.1361.4东风23.4948.3新青21.9751.8红星11.5335.9五营7.1817.8上甘岭 6.8017.0友好18.4355.0翠峦11.6932.7乌马河 6.8017.0美溪9.6927.3大丰7.9921.5南岔12.1535.5带岭 6.8017.0朗乡17.2050.0桃山9.5030.0双丰 5.5213.8合计202.87532.00图2.14 年剩余物y t和年木材采伐量x t散点图图2.15 Eviews输出结果Eviews估计结果见图2.15。
建立Eviews数据文件的方法见附录1。
在已建立Eviews数据文件的基础上，进行OLS估计的操作步骤如下：打开工作文件，从主菜单上点击Quick键，选Estimate Equation 功能。
在出现的对话框中输入y c x。
基于RS和GIS的楚雄州森林植被净第一性生产力估算
财经 与管理
基于Ｒ 和ＧＳ 楚雄州森林植被净第一性生产力估算 Ｓ Ｉ的
叶珊 珊 席武 俊
（ 楚雄 师 范 学 院地 理科 学 与旅 游 管理 系 ， 南 楚雄 ６ ５ ０ ） 云 ７ ０ ０ 摘 要 ： 于 Ｒ 、 Ｉ 技 术 和 Ｔ 影像 ， 用 中 国天 然森 林 植被 净 第 一性 生产 力 模 型 ， 算 楚雄 州森林 植被 Ｎ Ｐ数 值及 其 时 空分 布 基 ｓＧ ｓ Ｍ 采 估 Ｐ 变化 ，结 果表 明 ９０年 楚雄 州森 林 植被 Ｎ Ｐ的值 为 ． ｘ Ｏ Ｄ ａ １９ Ｐ ９１ ｌＴ Ｗ／，分布 比较 均 匀 ；００年 楚雄 州森 林植 被 Ｎ Ｐ的 值 为 ２６ × ２ ｔ ２０ Ｐ ８ １７ Ｗ／， ０Ｄ ａ分布 呈现 从 西北 向 东南递 减 的趋 势 ；０ ０ 整 个楚雄 州森林植 被 Ｎ Ｐ值都 小于 １９ ｔ ２０ 年 Ｐ ９０年 ， 位 面积 的平 均 Ｎ Ｐ最 高值 相 单 Ｐ 差 约 ２ｔＷ／ｈ ）总量相 差 为 ６ ４ １７ Ｗ／， 明楚雄 州森 林植被 净 第一 性生 产力在 这 ｌ ５ Ｄ （ｍ ・ ， ａ ． ｘ ０ｔ ａ表 ４ Ｄ ０年里 下 降 了。 关键 词 ： 感 ； 理信 息 系统 ； 遥 地 楚雄 州 ； 森林均 在 ０ １． ｔｗ胁 ｍ ・ Ｐ —０ ４Ｄ ６ ２ ａ ００年楚雄 州森林 植被 Ｎ Ｐ ） ０ 。２ Ｐ 的分 布受水 热条 件 、 形条 件 的限制 较 明显 ， 呈现 从 地 总体 西北 向东南递减 的趋势 。 主要 因为西北地 区百 草岭虎 踞于此 ， 植被茂 密 ， 较多 ， 森林 种类 且楚 不仅反映了植物群落在 自然环境条件下的生 雄州 的年均 日 照是 由西北 向东南星 递减分 布 ， ＮＰＰ ＝ ３ １ ５１ ０７ ７ ＬＡ ．９ ＋ ．７ ３ ， 产 能力 ； 同时也为地 球支持 能力和评 价陆地 生 地势也是 由西北 向东南倾斜 ， 因此西北 地 区森 态 系统 可持续 发 展 的估 算 提供 了一 个 重要 的 由公 式（ 、 ） １ （可得 Ｎ Ｐ Ｎ Ｖ 的关系： 林 植 被 单 位 面 积 Ｎ Ｐ 的 平 均 值 大 多 在 ）２ Ｐ与 Ｄ Ｉ Ｐ 生 态指标 。 ｍ ａ 脚 ＝ ０ ３ － ７６Ｉ Ｎ Ｖ） １ ５ 牢Ｄ ０ ） 林 植 被 区 Ｎ Ｐ总 量 较 大之 － ．９ ６．４ （ Ｄ Ｉ『 哀３ｔＷ／近 的 森 ， 南部 大部分 地 区除 了 ６４ ０ ｎ 一 ３ ． 山附ａ ・ 以上 而 ２ 常见 的 Ｎ Ｐ估算 方法 主要有 基 于气候 因 Ｐ Ｐ 子 的 Ｌｅ ￣ ｉｈ建立 的 Ｍｉ ｉ 型 ， ｃｉｍ 日 立 ｔ ａ 模 ｍ Ｕ ｈ ｉ ａ建 ｊ ２ ． ２数据源及分 析工具 外， 其余地 区森林覆 盖率低 ，Ｐ 值都较 小 。 ＮＰ 的 Ｃ ｉ ｇ 模 型 ，基 于植 物 生 理 过程 建 立 的 ｈ ｕｏ ｋ 研究 数 据主要 是 已进 行过 几何 精 校正 的 ３ ． ２楚雄州 森林植被 Ｎ Ｐ的时相变化 Ｐ Ｔ Ｍ 模 型 Ｅ 以及 Ｄ Ｍ Ｔ Ｒ模 型月 基 于 遥 感 １９ 年和 ２ ０ 年 的楚雄 州 Ｔ Ｅ ＥＥ ， ９０ ００ Ｍ影像 ，轨道 号 由表 １ 可以看 出 ， 楚雄州 森林植被 的净第 技术 的 Ｃ Ｓ Ａ Ａ生物 圈模 型 以及 Ｇ Ｏ Ｐ Ｍ模 分别为 １０２ １０ ３ 使 用工具 为遥感软 件 性 生 产 力 总 量 由 １ ９ Ｌ －Ｅ ３ ４ 和 ３４ 。 ９ ０年 的 ９ ２ ｌ ｔＷ／ ． ｘ０ １ Ｄ ａ 型１ 以及 一些 经验模 型 ， ７ １ ， 如郑 元润 根据 叶 面 Ｅ Ａ Ｓ Ｉａｉ ９ 和 地 理 信 息 系 统 软件 Ａ － 经 过 ｌ 的变 化 在 ２０ Ｒ Ｄ ｍ ｇ ｅ． ｎ １ ｒ ０年 ０ｏ年 已递 减 为 ２ ８ ．ｘ ６ 积指数 、 归一化 植被指数 建立 的中 国森 林植 被 ｃ Ｓ ． ＧＩ ９２。 １７Ｄ ａ ０ ｔＷ／。单 位 面 积 的平 均 Ｎ Ｐ最 高 值 在 Ｐ 净第 一性生产 力 Ｎ Ｐ模型等 。 Ｐ ２ ＿ ３技术路 线 １９ 年 一０ ０ 这 ｌ 年 之 间减 少 约 ２ｔＷ／ ９ ０ ２０ 年 ０ ５Ｄ １研究 区概况 简 明技术路线 为 ： 影像 预处理 （ 像增强 、 ｈ ａ 单位 面积 的平均 Ｎ Ｐ 少 了 ７ １ Ｗ／ 影 ｍ・１ ， Ｐ减 ．ｔ ７Ｄ 楚雄州 地处云南 省 中部 ， 东经 １０４ 影像 拼接 、切 割研究 区 ）确定 分类 体 系一 跨 ０ 。３ 一 监督 ｈ ａ 可见 ， 州森林植 被 Ｎ Ｐ在这 １ 年 ｍ・） 。 楚雄 Ｐ ０ １２３ 纬 ２ 。３～６３ 间 ， ０ 。０， 北 ４１ ２。０之 州境 地势 大 分 类 一 分 森林 植 被 区 一 Ｄ Ｉ 算 一 Ｐ 划 Ｎ Ｖ计 Ｎ Ｐ计 里减 少 了。 致 由西北 向东南 倾斜 。境 内多 山 ， 山地 面积 占 算 。 以 ４ 年 云南 自然 植 被单 位 面 积 的平 均 １ 总 面积 的 ９ ％以上 ， 沙江 、 江两 大水 系 以 ０ 金 元 ２ 楚雄州 森林 植被 Ｎ Ｐ Ａ Ｐ 估算 Ｎ Ｐ即 １ 。 ｔ Ｗ／ ｍ ・１ Ｐ ０ ４Ｄ ０ 。ａ为界 【， ｌ９ ６ ａ １ 将 ９ ０年 、 ａ 州境 中部为分 水岭各奔 南北 ， 二水 分流 之 形成 楚雄 州 １９ 年 、００ ９０ ２ ０ 年森林 植被 Ｎ Ｐ Ｐ 估 ２０ ００年楚雄州 森林植被 Ｎ Ｐ 布划分 四个级 Ｐ分 态。 楚雄州境 气候宜 人 ， 属亚热 带季风气 候 。 算 结果 如 表 １ 示 ，其分 布状 况 如 图 １２ 全 所 、 所 别 （ 由于 ２０ ００年楚 雄 州森 林 植被 Ｎ Ｐ值 较 Ｐ 州 总 的气 候特 征是 冬夏 季短 、 秋 季长 ； 示 。 春 日温 低 ，故 以 １． ｔＷ／ｍ ・ ０ ４Ｄ （ ａ 半为 第 一分 界 ６ ｈ ）一 差 大 、 温差小 ； 年 冬无 严 寒 、 无 酷暑 ； 夏 干湿分 点） 。由图 １ 图 ２比较 可得 出哀 牢 山 、五 台 和 明、 热 同季 。境 内 自 雨 然植 被类 型主要 有 中亚 山、 百草 岭等森 林植 被种 类 多样 、 植被 覆 盖率 热 带半湿 性 常绿 阔叶林 、中山湿 性 常绿 阔 叶 较高 人类 活动干 扰较少 的森林 地 区 Ｎ Ｐ的值 Ｐ 林 、 高 山暗针 叶林 。河谷 上部属 干热松 栎灌 亚 最高 ，该地 区两年 的 Ｎ Ｐ值 比较各 占楚 雄州 Ｐ 丛草 坡植被 ， 河谷下 部是燥 热河 谷稀 树灌 丛草 森林植 被 Ｎ Ｐ 的 比重 变化不 大 ，但是量 变化 Ｐ 坡植 被。 总的属于 中亚热带半 湿性常绿 阔叶林 大 。１９ 年森林 植被单位 面积 的平均 Ｎ Ｐ ９０ Ｐ 最 云南 松林 区 。 高值 为 ４ ． ｔＷ／ ｍ ・ ，主要集 中分布 在北 ０ ２Ｄ ０ ｚ １ ２ ａ ａ ２基 于 Ｒ Ｓ与 Ｇ Ｓ的 楚 雄 州 森 林 植 被 Ｉ 部 ，而 ２ ０ ００年森林 植被单 位面积 的平均 Ｎ Ｐ Ｐ Ｎ Ｐ估算 Ｐ 最高 值降低 为 １． ｔ Ｗ／ｍ ＂１ ４ ２Ｄ （ ２ ，呈现零 星分 ８ ｈ ａ ２１估 算模型 ． 布状 态 ， 可见 ， 森林 植被 单位 面 积 的平均 Ｎ Ｐ Ｐ 本文采用 的是郑 元润根据 叶面积 指数 、 归 最高值 比重在 ｌ 年里减少 了 。 ０ 除此 之外 ， 西北 化 植被 指数建 立 了 中国森 林植 被净 第 一性 地 区 、 中 部 地 区 的 Ｎ Ｐ 值 由 １９ Ｐ ９０年 的 生产力 Ｎ Ｐ 型ｌ Ｐ模 回 。归一化植被 指数是 普遍利 １． ｔＷ／ ｍ ・ ０ ４Ｄ ０ ａ ６ ａ ）或 以 上 降 低 到 ５ ２ Ｗ／ ．ｔ ３Ｄ 用 的遥感 植被指 数 ， 是经可 见光波 段与 近红外 （ ｎ・） 以下 ， ｈ ２ａ Ｔ 或 主要 与这些 地 区的城市化 水平 波段 组合 而成 的数值 ，它 的表达 式 为 Ｎ Ｖ＝ Ｄ Ｉ 有关 ， 由于这些 地区在 １９ 年后 开发 ， 为活 ９０ 人 （Ｉ— Ｅ ）ＮＲ Ｒ 。 中 Ｎ Ｒ为遥 感影像 图 １ ９ ０年楚雄 州 图 ２ ２ ０ Ｎ Ｒ Ｒ Ｄ／ Ｉ＋ Ｅ １其 （ Ｄ Ｉ 该地 区的森林植 被受 到破 坏并逐 渐退 １９ ０ ０年 楚雄 州 动频 繁 ， 中近红 外 波段 的反 射 值 ，Ｅ Ｒ Ｄ为 可 见 光 波段 森林 植被 Ｎ Ｐ分布 图 森林 植被 Ｎ Ｐ分布 图 影 Ｐ Ｐ Ｐ 化 ， 响这些地 区的森林 植被 Ｎ Ｐ大小 。 的反射值 。由于 它对植物 的长势 、 健康状 况及 ４ 结语 光合作用 的强弱反应 灵 敏 ，与 Ｎ Ｐ 在 一定 Ｐ存 ３楚雄 州 １９—００年森 林植 被 Ｎ Ｐ时 ９０ ２０ Ｐ 本文采 用 的 Ｎ Ｐ 算模 型在数 据上 获取 Ｐ估 的线性关 系 。 空变 化分析 比较容 易 ， 仅利用 遥感 和地 理信息 系统 的相关 ３ ． １楚雄 州森 林 植被 工具 就可 以对森林 植被 Ｎ Ｐ进行估 算 。它一 Ｐ 表 １楚雄 州 １ ９ 年 、０ ０年森 林植 被 Ｎ Ｐ的估算 结果 ９０ ２０ Ｐ Ｎ Ｐ的空间分 布 Ｐ 方 面保持 了归 一化 植被 数模 型原 有 的植 物生 年 份 平 均 值 标 准 偏 差 ＮＰ Ｐ总量 最 高值 由图 １与 图 ２对 比 理生态 学基础 ， 一方 面则 在一定 程度上 对有 另 ｔ Ｄｗ／（ ｍ ａ ｈ ・ ） ｔ ＤＷ／ ｈ ） （ｍ ・ａ ｔ ＤＷ， ｔ ａ ＤＷ ／ ｈｎ ・ ） （ｒ ａ 可见 ，９ ０ 楚雄 州 森林 关参��
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１ 研 究 区概 况
密云 县 位 于北 京市 东 北 部 ， 东南 至西 北依 次 与 本 市 的平谷 、 顺义 、 柔 ３区接壤 ， 部 和东 部 分 别 怀 北
前， 森林蓄积量遥感估 测研究 主要集 中在 以下几 方 面： 、 一 在遥 感 数据 方 面 ， 主要 有 光 学 遥 感 与微 波 遥
用主成分分析得到的主成分与原始变量之间有如下 关系： ①每一个主成分都是各原始变量的线性组合 ，
即 ＝ １ １ ｒ ２ …＋ Ｐ② 主成分的数 目大大少 ｒ ＋２ ＋ ； ｆ ｉ 于原始变量的数 目； ③主成分保 留了原始 变量 的绝 大多数信息 ， 一般累计 贡献率达 到 ８％ 以上 ； ５ ④ 各主成 分 之 间 互 不 相 关 ， 即主 成 分 的协 方 差 为 零 。 因此 ， 利用主成分分析可 以很好地解决 回归分析 中
ｓｉｎ ｍｏ ｅ ｓｓ ｐ ｒ ｒｔ ｏ ｅ ｏ ｅ ｇ ｎ ｒ ｌ ｎ ａ ｄ ｅ ．Ｔ ｅ ｍｕｔ ｌ ｏｒ ｌ ｔ ｎ ｏ ｅ ｐ ｉ ｃｐ ｏ ｏ ｅ ｔｒ ｇｅ ｓ ｎ ｓｏ ｄ ｌ ｕ ｅ ｏ ｔ ｓ ｆ ｈ ｅ ｅ ａ ￣ ｅ ｒ ｉ ｉ ｏｈ ｔ ｍｏ １ ｈ ｌ ｉ ｅ ｃ ｒｅａｉ ｆｔ ｒ ｉ ａ ｃ ｍｐ ｎ ｎ ｅ ｓ ｉ ｐ ｏ ｈ ｎ ｌ ｒ ｏ
ｐ ｎ ｉ ａ ｏ ｏ ｅ ｔ ｒ ｌｓｓ ｎ ｅ ｒ ｃｐ ｌ ｏ ｏ ｅ ｔ ｅ ｒ ｓ ｉ ｎ ｍｏ ｅ ｓｏ ｔｉ ｅ ｓｎ ｅｐ ｎ ｉ ａ ｏ ｏ ｅ ｔ ｉ ｒ ｃｐ ｌｃ ｍｐ ｎ ｎ ｔ ｙ ｉ ，ａ ｄ ｔ ｎ ａ ｐ ｎ ｉａ ｍｐ ｎ ｎ ｇ ｅ ｓｏ ｄ ｌ ａａ ｈ ｉ ｃ ｒ ｗａ ｂ ａｎ ｄ ｕ ｉ ｇ ｔ ｒ ｃｐ ｃ ｍｐ ｎ ｎ ｈ ｉ ｌ ｓ ｉ ｄ ｐ ｎ ｅ ｔａ ｏ ｅ ｔ ｅ ｅ ｖ ｓ ａ ｅ ｅ ｄ ｎ ． ｈ ｒ ｓｉ ｎ ｍｏ ｌｗ ｓ ｃ ｍｐ ｒ ｄ ｗ ｔ ｔ ｅ ｇ ｎ ｒ ｌｌ ａ ｒｓ ｉｎ ａ ｎ ｅ ｅ ｄ ｎ ｄ ｆ ｒ ｓ ｒ ｓ ｒｅ ｓ ｄ ｐ ｎ ｅ ｔ Ｔ ｅ ｒ ｇｅ ｓｏ ｄ ｅ ａ ｏ ａｅ ｉ ｈ ｅ ｅａ ｉ ｅ ｒ ｒ ｇ ｅ ｓｏ ｎ ｅ ｈ ｎ ｅ ｍｏ ｅ ． Ｒ ｓ ｌｓ ｓ ｏ ｈ ｔｔ ｅ ｆ ｔ ｇ ｄ ｇ ｅ ｄ １ ｅ ｕｔ ｈ ｗ ｔ ａ ｔ ｎ ｅ ｒｅ，ｍｏ ｅ ｐ ｌ ａ ｉ ｔ ｄ ｐ ｅ ｉｔ ｎ ａ ｃ ａ ｙ ｏ ｅ ｐ ｎ ｉ ａ ｏ ｏ ｅ ｔ ｇ ｅ ｈ ｉ ｉ ｄ ｌａ ｐ ｉ ｂ ｌ ｙ ａ ｒｄ ｃ ｉ ｃ ｕ ｃ ｆ ｈ ｒ ｃｐ ｃ ｍｐ ｎ ｎ ｒ － ｃ ｉ ｎ ｏ ｒ ｔ ｉ ｌ ｅ ｒ
多重共线性问题 。采用主成分 回归分析方法建立模 型， 主成分回归的原理是用 主成分分析提取 的主成 分与因变量 回归建模。由于主成分 间具有 不相关 性， 并且能较好地反映原来众多相关性指标 的综合
信息 ， 因此 ， 主成分作 为新 的 自变量进 行 回归分 析 用
布。用 ５ 个样地作 为建 模数据 ，２个样地作为检 ７ ２ 验样本 ， 并用 ７ 个样地实测值与模型预测值进行精 ９
其消长动态不仅是林业经济效益的主要标志 ， 也 是制定计划采伐 、 森林经营管理 的依据。传统 的一、
一
，
二类 调查 存在 劳 动强 度大 、 调查 周期 长 、 投人 大等 问
题 。随着先进航天遥感 与 ＧＳ在林业 中的应用 ， Ｉ 利 用３ Ｓ技术 进行 森林 蓄 积量 的定 量估 测 ， 内外 已有 国
１ ）国家“ 十一五” 林业科技支撑计划课 题（ ｏ １ ） ２ Ｉ４ 。 ５ 第 一作 者简介 ： 涂云燕 ， ，９ ６年 １ 月 生 ， 女 １８ １ 北京林业 大学林学 院， 士研 究生。 硕 收稿 日期 ：０ １ ｌ 月 １ ２ １ 年 １ ４日。 责 任编辑 ： 戴芳天。
前提下 把 多个 指标 转化 为几个 综合 指标 的方 法 。利
在 ＧＳ Ｉ 中提取各波段灰度值 ， 结合一类调查资料 并
及 相关档 案材料 ， 利用 Ａ Ｃ Ｉ、 Ｒ Ａ ．ＩＡ Ｅ８６ Ｒ ＧＳ Ｅ Ｄ Ｓ Ｍ Ｇ ．、 ＳＳ Ｐ Ｓ等软 件 ， 数据 进行 处理 。 对 此次 试验 中一 类调 查 的样地 点有 ７ ９个 ， 均匀 分
松林 （ ｉ ｓａｕ ｅ ｒ ｉ 、 Ｐｎ ｂｌｆ ｍｓ 栎林（ ｒ 叩． 、 ｕ ｔ ａｏ ） Ｑ ｃ ） 刺槐 （ ｏｉｉ ｐｅｄ ａａｉ ） 杨 树 （ ｏｕｕ ｐ ． 、 木 Ｒ ｂｎａ ｓｕ ｏｃｃ 、 ａ Ｐ ｐ ｌｓｓｐ ） 桦 （ ｅ ｌ ｐ ） 核桃 楸 （ ｕ ｌ￣ ｍａ ｄｈ ｒ ａ 、 角枫 Ｂ ｔ ａｓ ． 、 ｕ Ｊｇａ ｎ ｓｕｉ ） 五 ｃ Ａ ｅ ｏｏ 等 。林 地 面 积 １ ６５ ４ ３ ｍ ， 积 ｃｒｍ ｎ ） ６ １ ． ６ｈ 蓄
第４ ｏ卷 第 １ ０期
２１ ０ ２年 １ ０月
东
北
林
业
大
学
学
报
Ｖ １４ ． ０ ｏ ． ０ Ｎｏ １
Ｊ ＵＲＮＡＬ ＯＦ ＮＯ Ｏ 啪
ＥＡＳ ０ＲＥ ＮＩ ＲＳ ＴＦ ＳＩ ＲＹ Ｕ ＶＥ ｎＹ
Ｏｃ．２ １ ｔ ０２
基于 Ｒ Ｓ的 森 林 蓄 积 量 主 成 分 回归 估 测 ）
Ｅ ｔ ｔ ｎｏ ｏ ｅｔ ｌｍｅｂ ｒｎｉａ Ｃ ｍｐ ｎ ｎ ｇｅｓ ｎＢ ｓｄ ｏ Ｓ Ｔ ｕｙｎ Ｐ ｎ ａｌ Ｃ ｌ ｇ ｆ ｓ ｍａｉ ｆ ｒｓ ｕ ｙＰ ｉｃ ｌ ｏ ｏ ｅ ｔ ｉ ｏ Ｆ Ｖｏ ｐ Ｒｅｒｓｉ ａｅ ｎＲ ／ ｕＹ ｎａ ， ｅｇＤ ｏｉ ｏ ｅｅｏ ｏ （ ｌ Ｆ ｒｓｙ ｅ ｉ ｏｅｔ ｎｖｒｔ， ｅ ｉｇ１０ ８ ， ．Ｒ ｈｎ ）／ｏ ｍａ ｏ ｏｔ ａｔ ｏｅｔ ｎｖｒｔ． ２ １ ４ ｏｅｔ ，Ｂ ｒｎ Ｆ ｒｓｙＵ ｉ ｓｙ Ｂ ｒｎ ０ ３ Ｐ ．Ｃ ｉａ ／ Ｊｕ ｌ ｆ ｒ ｅｓ Ｆｒｓ Ｕ ｉｅ ｉ 一 ０２，０ ｒ ｇ ｒ ｅｉ ０ Ｎ ｈ ｙ ｒ ｓｙ （０ ． ７ ７ １ ） 一 ５～ ７
ｍｏ ｅ ｓ０． ０ ｄ ｌｉ ８ ９，ａ ｄ ｔ ｅ ｐ ｅ ｉｔ ｎ ａ ｃ ｒ ｃ ｓ８ ． ６ ． ｎ ｈ ｒｄ ｃｉ ｃ ｕ ａ ｙ ｉ ８ ２ ％ ｏ Ｋｅ ｗｏ ｄ Ｍｕ ｉｏ ｉ ｅ ｒｔ ；Ｍｏ ｅ ｔｂ ｌ ｙ；Ｐ ｅ ｉｔ ｎ ａ ｃ ｒｃ ｙ ｒｓ ｈｃ ｌｎ ａ ｙ ｉ ｄ ｌｓ ｉｔ ａ ｉ ｒｄ ｃ ｉ ｃ ｕ ａ ｙ；Ｐ ｉ ｃｐ ｌ ｃ ｍｐ ｎ ｎ ｇ ｅ ｓ ｎ；Ｌ ｎ ａ ｅ ｒ — ｏ ｒｎ ｉ ａ ｏ ｏ ｅ ｔｒｒ ｓ ｉ ｅ ｏ ｉ ｅ ｒ ｒ ｇ ｅ
Ｉ ｄ ｘ ｓｈ ｖｎ ｏ ｄ ｃ ｒｅａ ｏ ｔ ｔ ｋ ｖ ｌ ｍｅ ｗｅ ｅｓ ｌｃｅ ｓ ｔｅ ｉ ｄ ｐ ｎ ｅ ｔ ａ ｉｂ ｅ ｒ ｕ ｈ ｔ ｅ ａ ａｙ ｉ ｆ ｎ ｅ ｅ ａ ｉ ｇ ａ ｇ ｏ ｏ ｒ ｌ ｔ ｎ ｗｉ ｓｏ ｏｕ ｒ ｅｅ ｔｄ ａ ｈ ｅ ｅ ｄ ｎ ｒａ ｌｓｔ ｏ ｇ ｎ ｓｓｏ ｉ ｈ ｃ ｎ ｖ ｈ ｈ ｌ ｆｃ ｏ ｓａ ｅ ｔ ｇ ｓｏ ｋ ｖ ｌ ｍｅ ａ ｔ ｒ ｆ ｃｉ ｔ ｃ ｏｕ ．Ｂ ｔｔ ｅｅ ｉ ｍｕ ｔ ｏ ｉ ｅ ｒ ｙ ｂ ｔ ｅ ｈ ａ ｉｂ ｅ ｈ ｃ ａｌａｆｃ ｈ ｔｂ ｌ ｙ ｏ ｈ ． ｎ ｕ ｒ ｓ ｌ ｉ ｌ ｎ ａ ｉ ｅｗｅ ｎ ｔ ｅ ｖ ｒａ ｌ ｓｗ ｉｈ ｃ ｌ ｆ ｔｔｅ ｓ ｉ ｔ ｆ ｅ ｍｏ ｈ ｃ ｔ ｅ ａ ｉ ｔ ｄ ｌａ ｄ ｔｅ ａ ｃ ｒ ｃ ｆｐ ｅ ｉｔ ｎ Ｔ ｅ ｐ ｎ ｉ ａ ｏ ｏ ｅ ｔ ａ ｅ ｔ ｇ ｆｒ ｓ ｓ ｒｅ ｎ Ｍｉｕ ｏ ｎ ｙ ｗ ｒ ｘ ｒ ｃｅ ｙ ｅ ｎ ｈ ｃ ｕ ａ ｙ ｏ ｒ ｄ ｃ ｏ ． ｈ ｒ ｃｐ ｌｃ ｍｐ ｎ ｎ ｃ ｉ ｏ ｅ ｔ ｒ ｅ ｖ ｓ ｉ ｙ ｎ Ｃ ｕ ｔ ｅ ｅ ｅ ｔａ ｔ ｄ ｂ ｉ ｉ ｆ ｎ ｅ
中在 ６ 月 份 。其 植 被 属 于 针 阔 混交 林 森林 植 被 带， 现存植 被 主要 为人工林 以及一 些次 生植被类 型 。 主要 森林 类 型 有 ： 侧柏 林 （ ｌｔ ｌｄｓｏｉ ｔｌ） 油 Ｐａ ｃ ｕ ｒ ｎａｉ 、 ｙａ ｅ ｓ
法与人工神经网络模型。多元 回归解算模型的方法 有最小二乘、 岭估计 、 偏最ｄ －乘 、 步回归等。在 ｘ 逐
ｓｉｎ ｓｏ
森林 蓄 积 量 作 为 表 征 森 林 数 量 的重 要 指 标 之
归 。主成 分 回归在 医药 、 会经 济学 中应 用 较多 ， 社 但 对森林蓄 积量的主成分 回归还未见 报道 。因此 ， 本研 究 采用 主成 分 回归对密云县 ７ ９个调查 样地进 行建模
回归分析 。
回归方法 中 ， 从最 初 的讨 论 模 型 中参 数估 计 和方 差
检验 演 变到 讨论 变量 筛 选 、 估计 改 进 等 问题 。线 性
模型中变量的筛选不仅对模型稳定性 、 拟合效果有 影 响 ， 预测 精度 也 会 产 生影 响¨ 。 目前 ， 服 自 对 克 变量间的多重共线性 问题有偏最小二乘与主成分 回
涂 云 燕 彭道 黎
（ 北京林业大学 ， 北京 ，０ ０３） １０ ８
摘 要 通过对影响蓄积量 的因子进行相 关性分析 ， 筛选 出与蓄积量存在 较好 相关性的指标作为 自变量。但 其 自变量间存在 多重共线性 ， 对模 型稳 定性 、 测精度 产生影响 。通过 多元统计分析 中的主成分分析 法。 会 预 构造 出 影响 密云县 森林 蓄积量的主成分 ， 然后 与蓄积量进行回 归， 得到主成分 回归 ， 并与一般 线性回归模 型进行 比较 。结 果表明 ： 主成分线性模型在拟合度 、 模型适用性与预测精 度上都优 于一般 线性模型。主成 分回归模型 的复相 关 系 数 为 ０ ８９ 预 测 精 度 达 到 ８ ．６ 。 ．ｏ ， ８２％ 关键词 多重共 线性 ； 型稳定性 ； 模 预测精度 ； 主成 分 回归； 线性回归 分 类 号 ｓ５ ． ＋ ９ ７ ７ ２ １