不同空间尺度森林参数多源遥感反演方法
基于随机森林和多源数据降雨量空间反演
检查数据的完整性和连续性，确保数据无缺失和中断 。
数据准确性评估
通过对比不同来源的数据，评估数据的准确性和可信 度。
数据稳定性评估
分析数据的波动性和变化趋势，确保数据质量稳定可 靠。
03
基于随机森林的降雨量预 测模型构建
随机森林算法原理
随机森林算法是一种集成学习方法，通过构建多个决策树并取其输出的平均值来预 测目标变量。
随机森林算法具有对噪声数据和异常值的鲁棒性，能够提高预测精度和稳定性。
随机森林算法原理基于Bagging（自举聚集）方法，通过从原始数据集中随机抽取 样本构建决策树，降低模型过拟合的风险。
降雨量预测模型构建
基于随机森林的降雨量预测模型构建 包括以下步骤
2. 特征工程：提取与降雨量相关的特 征，如气象要素、地形地貌、土壤类 型等，构建特征向量。
05
模型验证与结果分析
模型验证方法
内部验证
通过随机森林模型的内部交叉验证，评估模型的稳定性和预测能 力。
外部验证
利用独立数据集对模型进行测试，以检验模型泛化能力。
参数调整
根据验证结果，调整模型参数，优化模型性能。
模型结果分析
误差分析
计算模型的预测误差，评估模型的准确性。
降雨量分布
模型输出的降雨量分布情况，以及与实际观 测数据的对比。
空间相关性
分析模型输出的降雨量空间相关性，以及与 实际降雨情况的一致性。
模型改进与优化建议
增加特征维度
引入更多与降雨相关的特征，提高模型的预测 能力。
数据预处理
改进数据预处理方法，消除数据中的噪声和异 常值，提高模型性能。
模型融合
将随机森林与其他机器学习模型进行融合，提高模型的泛化能力和鲁棒性。
基于多源遥感数据反演黑石顶森林地上生物量
基于多源遥感数据反演黑石顶森林地上生物量森林地上生物量的高精度反演对野生动物管理、生物多样性研究、火灾模型构建和碳储量估测都有着至关重要的作用,但由于森林植被调查数据的缺失,森林植被地上生物量取样的破坏性和生物量估算技术的不成熟,森林地上生物量的精确反演的研究仍然存在着巨大的挑战。
本文以高分辨率多光谱数据和合成孔径雷达数据为主要数据源,在黑石顶50ha亚热带森林固定样地中随机选取了50个30×30 m2的样方,根据物种异速生长方程计算样方内所有个体地上生物量,同时提取对应样方Worldview2多光谱数据的归一化植被指数(Normalized Difference Vegetation Index,NDVI)统计指标(最大值、最小值、平均值和标准差)、光谱第一主成分(First Principal Component,PC1)统计指标(最大值、最小值、平均值和标准差)和ALOS PALSAR雷达数据后向散射系数(Backscattering Coefficient,σ)统计指标(最大值、最小值、平均值和标准差),利用赤池信息量准则(Akaike Information Criterion,AIC)进行Worldview2数据、ALOS PALSAR 数据反演地上生物量模型的变量选择。
我们将得到的最优地上生物量反演模型应用到黑石顶自然保护区,制成黑石顶自然保护区森林地上生物量分布图,并分析地形因子对黑石顶自然保护区森林地上生物量空间分布格局的影响。
主要结果如下:1.基于ALOS PALSAR数据构建地上生物量反演模型,通过AIC准则筛选出σ的统计指标反演地上生物量的最优参数σ平均值和σ标准差,构建σ平均值、σ标准差与地上生物量的回归模型,模型的精度验证相关系数达到了0.7361,均方根误差为52.1385 t/ha,估算的总体准确度为73.40%。
2.基于Worldview2数据构建地上生物量反演模型,通过AIC准则筛选出NDVI和PC1的统计指标反演地上生物量的最优参数NDVI平均值、PC1平均值,构建NDVI平均值、PC1平均值与地上生物量的回归模型,模型的精度验证相关系数达到了0.8086,均方根误差为38.4151 t/ha,估算的总体准确度为86.02%。
遥感生物量反演反演原理-概述说明以及解释
遥感生物量反演反演原理-概述说明以及解释1.引言1.1 概述遥感生物量反演是利用遥感技术对地表物质进行监测与测量，通过反演算法来估算生物量密度的一种方法。
在生态环境监测、资源管理和气候变化研究等领域具有重要的应用价值。
本文旨在探讨遥感生物量反演的原理及其在环境研究中的应用，以期为相关研究提供参考和借鉴。
遥感技术为生物量反演提供了全新的视角和手段，可以实现对辽阔地域范围内生物量的遥感监测和评估。
通过对地表反射、辐射和散射数据的提取和分析，结合地面实测数据和数学模型，可以精确地反演出不同植被类型的生物量分布情况。
这种非接触式的监测方法极大地提高了生物量反演的效率和精度，同时也为科学研究和资源管理提供了更加便捷的工具和手段。
在未来的发展中，随着遥感技术的不断创新和完善，遥感生物量反演将更加深入到生态环境监测、碳汇评估和气候变化研究等领域。
同时，对于生物量反演算法和模型的进一步优化和改进也将成为未来研究的重点之一。
希望通过本文的探讨和总结，可以为遥感生物量反演的研究和应用提供一定的参考和指导。
1.2 文章结构:本文将分为三个主要部分，即引言、正文和结论。
在引言部分，将对遥感生物量反演的概念进行概述，介绍文章的结构和目的。
在正文部分，将从遥感技术的概述开始，然后详细解释生物量反演的原理，最后探讨其应用与发展。
在结论部分，将总结生物量反演的原理，讨论其实际应用意义，并展望未来的发展方向。
通过这三个主要部分的论述，读者可以全面了解遥感生物量反演的反演原理及其在现实中的应用和未来的发展前景。
1.3 目的目的部分的内容：本文旨在深入探讨遥感生物量反演的反演原理，通过对遥感技术和生物量反演的基本概念进行介绍，进一步阐述生物量反演原理的相关理论与方法。
同时，通过对该技术在实际应用和发展趋势进行分析，探讨生物量反演在资源监测、环境保护和生态研究等领域的潜在意义。
最终，通过总结反演原理及其实际应用意义，展望未来遥感生物量反演技术的发展方向，为相关领域的研究提供参考和借鉴。
自然资源质量参数遥感反演-土壤、植被和水体
ln(SDD) = 1.133 – 10.533 * blue – 13.805 * red
R2 s.e. F
p
n
0.88 0.37 249.0 <0.001 71
0.83 0.20 60.51 <0.001 25
1.2
1.0
0.8
0.6
0.4
0.2 0
100
200
300
400
500
Number of vessels
（Water Research， 2007，从遥感角度阐明采砂引起鄱阳湖水质下降）
研究结果-鄱阳湖 -悬浮泥沙浓度-MODIS
No.
Regression model
R2 s.e.
F
(1)
SSC=1.063*e(27.859*R)
思考：
模型有普适性吗？实验室内方法能拓展到实地或星上吗？ 地表植被覆盖问题？裸地（翻耕、不毛之地） 从植被光谱间接获得土壤信息靠谱吗？ 真能解决实际问题吗？比如智慧农业
Tiezhu Shi, Long Guo, Yiyun Chen, Weixi Wang, Zhou Shi, Qingquan Li, Guofeng Wu*. Proximal and remote sensing techniques for mapping soil contamination with heavy metals. Applied Spectroscopy Reviews, 2018, 248：306-315 Tiezhu Shi, Yiyun Chen, Yaolin Liu, Guofeng Wu*. Visible and near-infrared reflectance spectroscopy—An alternative for monitoring soil contamination by heavy metals. Journal of Hazardous Materials, 2014, 265：166-176
转载：森林生物量、碳储量的遥感反演与计算
转载：森林⽣物量、碳储量的遥感反演与计算 摘要：利⽤地⾯调查获取的森林⽣物量为因变量，以GIS因⼦和遥感因⼦为⾃变量，建⽴多元线性回归模型，再进⾏⽣物量与碳储量的换算。
实现由点到⾯的森林⽣物量及碳储量的获取。
1数据获取因变量的获取：地⾯样地⽣物量数据的获取⽅法是设置森林调查样地,调查样地乔⽊的每⽊胸⾼直径,计算平均胸径,利⽤各树种已建⽴的森林⽣物量相对⽣长式，计算树⼲、树枝、树叶、树根⽣物量,最后得出地⾯样地单位⾯积⽣物量. 利⽤常⽤的碳转换系数乘以森林⽣物量进⾏森林碳储量计算.在南北向⼭体的两侧,从低到⾼,海拔相差约 50 m左右设置调查样地,样地⾯积0.04～0.06 hm2 (20 m ×20 m, 20 m ×30 m) ,调查样地中乔⽊的胸⾼直径,计算平均胸径,利⽤西部常绿阔叶林、温性针叶林、华⼭松林等⽣物量相对⽣长式计算树⼲、树枝、树叶、树根⽣物量,最后得出地⾯样地单位⾯积⽣物量. 样地数量为31个.⾃变量的获取：利⽤GPS获取地⾯样地坐标,并提取与地⾯样地坐标对应的遥感光谱值、波段⽐值、地学因⼦值作为估测模型的⾃变量.遥感数据采⽤2006年1⽉的印度卫星IRS -P6 LISS 3影像. 数据包括B2, B3, B4, B5 4个波段,⼏何分辩率为25 m ×25 m, 1个全⾊波段,⼏何分辩率为5.8m.利⽤1∶5万地形图,选取30个明显地物点,对影像进⾏⼏何校正,校正误差控制在⼀个像元内. 校正后的像元⼤⼩为25 m ×25 m,和地⾯样地⾯积基本吻合,以样地GPS实测坐标为准,在ArcMap下提取4个波段值(B2, B3, B4, B5波段)及3个波段⽐值( (B4 - B3) / (B4 +B3) 、B4 /B3、B4 /B2) ,共7个输⼊变量.利⽤GIS技术提取与⽣物量相关的部分地学因⼦参与⽣物量估测是提⾼估测精度的有效⽅法. 利⽤1∶5万地形图通过建⽴像元为25 m ×25 m的格⽹DEM提取海拔、坡度、坡向值作为3个地学因⼦变量.上述波段值、波段⽐值及地学因⼦共10个因⼦作为模型的候选变量.2建⽴模型以上述波段值、波段⽐值及地学因⼦共10个因⼦作为模型的⾃变量,样地⽣物量为因变量,利⽤Matlab 7.0 的stepwise函数进⾏逐步回归分析,在0.05显著性⽔平下, 通过F 检验筛选变量, 则有B2、B3、B4、B5 4个波段值及海拔、坡度、坡向值7个变量⼊选, 3个波段⽐值被剔除. 对⼊选的7个变量利⽤回归分析regress函数计算,建⽴森林⽣物量最优估测⽅程.Y = - 0.149 4 ×海拔+ 2.620 1 ×坡度- 1.264 5×坡向- 48.227 ×B2 + 34.856 ×B3 +1.569 7 ×B4 – 12.08 ×B5 +2 754.7式中: Y为森林⽣物量( t/ hm2 );B2,B3,B4,B5分别为4个波段值.3⽅差分析及线性回归关系显著性检验根据⽅差分析,模型的F = 3.76, F > F0.05 = 2.44,F > F0.01 =3.54. 模型的7个遥感及地学因⼦和森林⽣物量在0.01⽔平下具有极显著相关关系,相关系数R = 0.730 5. 说明模型可⽤于森林⽣物量估测.⽣物量模型似合效果见图1.（问：应该预留部分数据⽤于检验，如果拿建模的数据来检验说服⼒不强）4 常绿阔叶林⽣物量的估测对IRS - P6数据经⼏何校正、图像增强、假彩⾊合成处理后得到的合成图像,在ArcMap 下采⽤⽬视解释的⽅法区划常绿阔叶林⼩班,并单独提取常绿阔叶林图层. 以该图层为边界,提取和该图层对应的上述7个因⼦.利⽤已建⽴的回归模型计算像元⽣物量,并⽣成⽣物量图层,最后以常绿阔叶林⼩班为边界,取⼩班边界内平均值作为⼩班单位⾯积⽣物量. M. 则有:⼩班⽣物量= . M ×⼩班⾯积.（问：计算结果直接汇总就能算出总⽣物量，为何要⽤均值计算？）5 常绿阔叶林碳储量的估测通常,对植物⽣物量转化为碳储量是按照植物⼲重有机物中碳所占的⽐重进⾏计算. 树种组成、年龄和种群结构不同,转化率也不同,但差异不⼤,⼀般在0.45～0.5之间变化. 由于获取各种植被类型的转化率⽐较困难,所以国际上常⽤的转化率为0.50[ 3, 4 ] . 在此采⽤0.5的碳转化系数计算碳储量.则有:⼩班碳储量=⼩班⽣物量×0.5下⽂将介绍在外业调查数据的基础上，如何计算⽣物量。
基于多源遥感数据的作物生长指标反演方法
基于多源遥感数据的作物生长指标反演方法一、引言随着全球人口的增长和粮食需求的不断上升，农业的可持续发展变得愈发重要。
作物生长指标作为评估作物生长状况和产量潜力的重要参数，对于指导农业生产和实现精准农业具有重要意义。
传统的作物生长指标获取方法，如地面调查和田间实验，往往耗时耗力，难以实现大范围、高频率的监测。
因此，基于遥感技术，尤其是多源遥感数据的作物生长指标反演方法，成为了近年来的研究热点。
遥感技术具有覆盖范围广、获取信息快、更新周期短等优点，可以有效地监测作物生长状况。
多源遥感数据融合，即结合不同传感器、不同时间、不同空间分辨率的数据，能够提高作物生长指标反演的精度和可靠性。
本文将探讨基于多源遥感数据的作物生长指标反演方法，分析其原理、关键技术和应用前景。
二、多源遥感数据概述多源遥感数据是指来自不同传感器、不同平台的遥感数据集合。
这些数据可以是光学遥感数据、雷达遥感数据、高光谱遥感数据等，它们各自具有独特的优势和特点。
例如，光学遥感数据能够提供丰富的地表信息，雷达遥感数据对云层和植被结构敏感，高光谱遥感数据则能够提供更精细的光谱信息。
1. 光学遥感数据光学遥感数据是通过传感器接收地表反射或发射的可见光和近红外光波段的电磁波来获取的。
这类数据的空间分辨率较高，能够清晰地反映地表的植被覆盖情况。
常用的光学遥感传感器包括Landsat、MODIS、Sentinel等。
2. 雷达遥感数据雷达遥感数据是通过发射电磁波并接收地表反射回来的信号来获取的。
这类数据对云层和大气条件不敏感，能够实现全天时、全天候的监测。
常用的雷达遥感传感器包括ERS、ENVISAT、ALOS等。
3. 高光谱遥感数据高光谱遥感数据是通过传感器在连续的光谱范围内获取地表反射或发射的电磁波来获取的。
这类数据能够提供丰富的光谱信息，有助于识别和区分不同的物质和作物类型。
常用的高光谱遥感传感器包括AVIRIS、HYPERION等。
三、作物生长指标反演原理作物生长指标反演是指利用遥感数据来估算作物的生长状况和产量潜力。
CLDAS_土壤相对湿度数据不同时空尺度适用性评估
DOI: 10.12357/cjea.20230021张蕾, 郭安红, 何亮, 吴门新, 赵晓凤, 谭方颖. CLDAS 土壤相对湿度数据不同时空尺度适用性评估[J]. 中国生态农业学报 (中英文), 2023, 31(10): 1635−1644ZHANG L, GUO A H, HE L, WU M X, ZHAO X F, TAN F Y. Evaluation of relative soil moisture from CMA Land Data Assimila-tion System at different spatiotemporal scales in China[J]. Chinese Journal of Eco-Agriculture, 2023, 31(10): 1635−1644CLDAS 土壤相对湿度数据不同时空尺度适用性评估*张 蕾, 郭安红**, 何 亮, 吴门新, 赵晓凤, 谭方颖(国家气象中心 北京 100081)摘 要: 基于2020—2021年中国气象局陆面数据同化系统(CLDAS)模拟的逐日土壤相对湿度和土壤水分自动站观测的逐小时土壤相对湿度资料, 采用多个统计对比指标, 在日和月时间尺度、点和区域空间尺度系统性地评估了CLDAS 模拟的土壤相对湿度适用性。
结果表明: CLDAS 模拟的土壤相对湿度与观测值具有一致的逐日变化规律;0~10 cm 、0~20 cm 层次CLDAS 模拟值与观测值较为接近, 0~50 cm 层次模拟值普遍低于观测值; 各层次上, CL-DAS 模拟值与观测值的相关系数普遍大于0.6, 均方根误差普遍小于30%。
区域尺度上, 0~10 cm 层次CLDAS 模拟值和观测值相关系数为0.78~0.95, 以华南最高; 均方根误差为5.70%~17.26%, 以华东最小; 偏差为−6.63%~15.80%,以华中偏差绝对值最小。
叶面积指数遥感反演研究进展与展望
未来，我们期望能够进一步优化这些方法，以更好地服务于冬小麦的精确农 业管理。这包括但不限于改进数据收集和处理技术，提升模型的泛化能力，以及 开发更高效的数据分析和处理算法。我们也应探索如何将这些高光谱遥感技术应 用到更多的农业领域，以推动农业生产的精准化和智能化。
本次演示旨在研究基于无人机遥感影像的大豆叶面积指数反演方法。首先， 我们将对无人机遥感影像技术进行简要介绍，然后阐述大豆叶面积指数的概念和 计算方法，接着提出一种基于无人机遥感影像的大豆叶面积指数反演算法，并对 其进行实验验证和分析，最后总结研究成果并展望未来研究方向。
三、利用神经网络和机器学习的 方法
近年来，神经网络和机器学习的方法在遥感领域得到了广泛的应用。这种方 法通过训练大量的数据模型，能够自动建立叶面积指数与光谱响应之间的关系。 这种方法能够大大减少数据处理的时间和人力，且具有较高的预测精度。然而， 这种方法需要大量的训练数据，且模型的通用性有待进一步提高。
四、对比与结论
虽然以上三种方法都有其优点和缺点，但它们为冬小麦叶面积指数的高光谱 遥感反演提供了有效的途径。基于地面光谱数据的方法准确性较高，但数据处理 量大；利用遥感影像的方法可以快速获取大面积数据，但时间分辨率有限；利用 神经网络和机器学习的方法可以自动建立模型，提高预测效率，但需要大量的训 练数据。
2、发展高精度的遥感数据获取 技术
遥感数据的精度和分辨率对叶面积指数反演结果有着重要影响。
ቤተ መጻሕፍቲ ባይዱ
参考内容
随着科技的快速发展，高光谱遥感技术在农业领域的应用越来越广泛。特别 是在冬小麦的生产管理中，该技术为叶面积指数（L）的反演提供了新的途径。 本次演示将对比几种不同的冬小麦叶面积指数高光谱遥感反演方法，以便更好地 理解各种方法的优势和局限性。
- 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)。
不同空间尺度森林参数多源遥感反演方法森林作为地球陆地生态系统中面积最大、最重要的自然生态系统,在维持全球生态平衡,促进全球生物进化和群落演替等方面起到了至关重要的作用。
森林参数作为森林生态系统最基本的数量表征,能够反映森林与环境间物质循环与能量流动关系,是评估森林碳源和碳汇的重要标志。
森林冠层高度和地上生物量作为两种重要的森林参数,对其区域分布进行定量化研究可以为评估森林生态系统的健康状况发挥重要的理论和现实意义。
传统的森林冠层高度和地上生物量测量方法主要以人工野外实地调查的方式获取,该方法费时费力并很难应用于大区域森林调查。
遥感作为20世纪末发展起来的新兴学科,正在以独特的观测视角为森林参数的定量估测提供新的研究方法。
光学遥感影像具有空间分布连续性,能够提供多样化的光谱信息,可为区域尺度森林参数反演提供相应的遥感特征扩展因子。
但是其信号穿透能力差,只能获取被测物体的二维平面光谱信息;激光雷达作为近些年迅速发展的主动式遥感技术,对森林冠层有着较强的穿透能力,能够获取森林垂直结构分布。
机载激光雷达以一种自上而下的扫描方式的对地物进行观测,其获取的三维点云能够精确描述森林的三维结构特征,被广泛应用于林分森林参数估测。
然而,其数据获取成本较高,容易受天气条件的限制,很难覆盖大区域。
星载激光雷达ICESat/GLAS的激光传感器被安置在卫星上,对陆地表面进行光斑采样,这些属性使得其有更大的数据覆盖范围,并且可以定期重复观测。
由于GLAS的大光斑属性,在地形变化较大区域,其光斑范围内波形形状易受地形影响而产生畸变,从而使得GLAS光斑森林参数估测产生偏差。
因此,如何充分发挥不同遥感数据源的优势,在不同空间尺度(林分,光斑和区域)进行森林参数反演成为本文研究的重点内容。
本文在其他学者研究的基础上,以中国东北部主要森林覆盖区大兴安岭地区为例,开展了基于多源遥感数据的不同空间尺度森林参数反演的方法研究,主要从以下三个方面开展:1)林分森林参数反演:利用机载LiDAR点云数据反演林分森林冠层高度,利用融合机载LiDAR特征和Landsat TM影像纹理特征的方法反演林分地上生物量;2)GLAS光斑森林参数反演:利用星载GLAS波形参数和SRTM地
形数据建立地形校正模型反演GLAS光斑森林冠层高度,利用GLAS光斑森林冠层高度以及GLAS波形参数反演GLAS光斑地上生物量;3)区域尺度森林参数反演:利用GLAS光斑森林参数反演结果作为训练样本,MODIS标准产品作为扩展因
子,FAO生态分区为建模分区标准,SVR模型作为空间建模方法,对区域尺度森林冠层高度和地上生物量进行反演。
本研究取得的主要研究成果如下:(1)通过对针叶林、阔叶林和混交林的机载LiDAR点云冠层分布特征进行分析,得到以下结论:针叶树种的冠型呈圆锥形分布且顶端尖细,点云冠层剖面变化较为明显,冠顶和冠层下方的激光点分布较少;阔叶林由于冠顶面积较大,能够截获较多激光点,从而使得点云的冠层分层现象减弱;混交林林下灌木较为复杂,且没有明显地扰动迹象,相比于其他纯林,在0~5m的高度上也出现了较多的激光点,且冠层点云剖面变化较为平缓。
基于这种明显的冠层点云分布特征,使得机载LiDAR的点云特征能够准确反映森林冠层高度。
(2)根据点云的高度分布特征,得出利用机载LiDAR点云生成的CHM对森林冠层高度响应较好。
由于CHM的空洞效应,利用改进后的高斯卷积滤波方法对CHM进行平滑处理,取得了较好的平滑效果。
利用实测样地Lorey’s高和算术平均高对平滑后的CHM 进行精度验证,样地Lorey’s高和CHM提取的森林冠层高度更加接近,并且阔叶林的验证精度最高,R~2=0.74,RMSE=1.14m,G=93%。
(3)通过比较单一光学影像纹理特征,单一机载LiDAR点云特征和融合影像纹理特征和机载激光LiDAR点云特征的林分地上生物量建模结果,得到绿光波段对森林地上生物量的差异性反映较弱,建模精度较低,红光波段7×7窗口的建模精度最
高,R~2=0.72,RMSE=20.53t/ha,主要由于较大的运算窗口致使像素间的差异性被放大,从而导致建模精度较高;机载LiDAR点云特征建模精度随着高度分位数的逐渐升高呈正态分布趋势,其中H50的建模精度最高,R~2=0.74,RMSE=20.01t/ha;融合影像纹理特征和点云特征的建模精度相较于单一变量有了一定程度的提高,并且不同森林类型模型所保留的遥感因子存在较大差异,混交林建模精度最高
R~2=0.76,RMSE=20.13t/ha。
(4)GLAS波形会随着地形的影响出现展宽效应,通过引入地形坡度和光斑直径等因子,提出了一种改进后的GLAS光斑森林冠层高度地形校正方法。
改进后的地形校正模型可以有效减小坡度对GLAS光斑森林冠层高度的影响,
不同坡度等级的RMSE稳定在3.26~3.88m之间。
阔叶林光斑的验证精度最高,其验证RMSE和验证精度G分别为1.80m和89%。
(5)综合利用GLAS光斑森林冠层高度、GLAS波形后沿长度Trailing、波形前沿长度Leading和波形长度We等因子,结合多元线性回归模型对GLAS光斑森林地上生物量进行估测。
建模R~2和RMSE均没有随着坡度等级的升高而降低,并且验证精度与建模精度保持了较好的一致性。
与林分地上生物量的验证精度相比,不同森林类型的验证精度变化趋势较为一致,但GLAS光斑森林地上生物量模型验证精度有所降低。
(6)利用机器学习的支持向量回归算法,结合GLAS光斑森林冠层高度结果和MODIS遥感特征,对区域尺度森林冠层高度进行SVR建模。
不同核函数最优模型参数取值差异较大,RBF 核函数的建模精度以及时间复杂度都要优于其他核函数。
由于生态分区分布范围的差异性,使得一些生态分区的MODIS遥感特征不能准确反映此分区的森林生长状况,导致不同生态分区SVR模型建模R~2和MSE相差较大。
与多元线性回归的模型相比,除了Ba生态区,其他生态分区SVR模型的估测RMSE相对较小。
利用不同类型的验证数据对区域尺度森林冠层高度估测结果进行验证,各个验证结果之间存在较好的一致性。
(7)结合MODIS遥感特征和区域尺度森林冠层高度结果,以GLAS光斑森林地上生物量作为训练样本,对区域尺度森林地上生物量进行SVR建模。
与只用MODIS遥感特征建模结果相比,引入区域尺度森林冠层高度变量后,模型的拟合程度有了较为明显的提高,并且针叶林和混交林模型的建模精度的增加幅度较为明显。
与区域尺度森林冠层高度模型精度相比,针叶林、阔叶林和混交林森林地上生物量模型在不同生态分区的建模精度较为一致。