杉木人工林平均树高遥感反演模型研究
不同地貌杉木人工林胸径树高生长曲线研究
2019年2月华东森林经理Feb. 2019 第33卷第1期East China Forest Management V o1.33 No.1不同地貌杉木人工林胸径树高生长曲线研究马学欣1，2 侯建花3 易晓梅1，2（1浙江农林大学信息工程学院浙江临安 311300；2浙江省林业智能监测与信息技术研究重点实验室浙江临安 311300；3浙江省景宁畲族自治县林业局 323500）摘要：为准确掌握景宁县杉木人工林的生长情况，采用4种生长方程分别拟合杉木胸径树高生长情况，并选择最优生长模型。
研究结果表明：多项式方程能够较好的拟合景宁地区杉木林的生长情况，平均决定系数高达0.889；地形因子对杉木生长具有重大影响。
关键词：景宁县；胸径树高曲线；杉木;人工林中图分类号：S791.27 文献标识码：A 文章编号：1004-7743（2019）01-0071-04 Study on growth curve of DBH of Chinese fir plantation indifferent landformsMa Xuexin1,2, Hou Jianhua3,Yi Xiaomei1,2(1.College of Information Engineering, Zhejiang Agriculture and Forestry University, Lin'an 311300,China；2.Key Laboratory of Forestry Intelligent Monitoring and Information Technology Research of Zhejiang Province, Zhejiang Province, Lin'an 311300, China；3.Forestry Bureau of Jingning SheAutonomous County, Zhejiang Province, Jingning, 323500）Abstract: In order to accurately grasp the growth of Chinese fir plantation in Jingning County, four growth equations were used to fit the height growth of Chinese fir with DBH, and the optimal growth model was selected. The results show that the polynomial equation can better fit the growth of Chinese fir forests in Jingning area, with an average determinant coefficient of 0.889; topographic factors have a significant impact on the growth of Chinese fir.Key words：Jingning County；height-diameter relationship；fir；plantation杉木（Cunninghamia lanceolata（Lamb）Hook）为我国南方主要的造林树种，约占全国人工造林面积的十分之一,其木材生产量占全国商品材总产量的20％～25％,具有生长快、产量高、材性好、经济效益显著等特点，在整个国民经济建设中占有重要地位[1-3]。
基于Worldview-2影像的林木冠幅提取与树高反演
基于Worldview-2影像的林木冠幅提取与树高反演孙华;鞠洪波;张怀清;凌成星【摘要】以湖南省攸县黄丰桥国有林场杉木人工林为例，探讨林木冠幅提取与树高反演方法研究。
基于Worldview-2影像，采用均值漂移分割算法开展样地内杉木冠幅信息提取。
通过设置不同分割尺度确定最佳的冠幅分割参数为hs=10，hr=6，M=20。
对提取的冠幅边界进行平滑处理，利用平滑后的影像冠幅与实测树高，分别建立了冠幅树高曲线估计模型和非线性联立方程组反演模型。
其中以树高作为哑变量，建立的影像冠幅树高非线性联立方程组模型的拟合效果最佳，模型决定系数R2为0.899，模型的变动系数（CV），平均百分标准误差（EMPSE）均在10%以内，是树高反演的一种有效手段。
%By taking the Chinese fir plantation in Huangfengqiao Forest Farm in Youxian county, Hunan province as the tested objective, the methods of tree crown width extraction and tree height inversion were studied. Based on worldview-2 data, the tree crown width information of the plantation was extracted by adopting mean shift segmentation algorithm. After setting a series of Image segmentation scale, the optimal crown width segmentation parameters’ values were determined, they are hs=10, h r=6, M=20.The extracted crown width border was smoothened, and the estimation model of tree crown=height curve and the inversion model of nonlinear simultaneous equations were respectively established based on the smoothed image’s crown width and measured tree height. Of them, the model of image tree crown-high nonlinear simultaneous equations set by taking tree high as the dummy argument had the optimal fitting results,the model coefficient of determination R2=0.899, the variation coefficientof model CCV and the average percentage standard errors EMPSE both were less than 10%, so the last selected model is an effective means for tree height inversion of Chinese fir plantation.【期刊名称】《中南林业科技大学学报》【年(卷),期】2014(000)010【总页数】6页(P45-50)【关键词】林业遥感;林木冠幅;杉木人工林;图像分割;均值漂移算法;非线性联立方程组【作者】孙华;鞠洪波;张怀清;凌成星【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;中国林业科学研究院资源信息所，北京100091;中国林业科学研究院资源信息所，北京100091;中国林业科学研究院资源信息所，北京100091;中国林业科学研究院资源信息所，北京100091【正文语种】中文【中图分类】S771.8进入21世纪，随着高空间分辨率遥感影像不断涌现，遥感技术在林业中的应用由最初的森林类型识别和信息提取，向更加精细的方向发展，已经开始用于森林参数提取研究。
湘西杉木人工林树高-胸径混合效应模型构建
湘西杉木人工林树高-胸径混合效应模型构建隆吉辉;田银芳;汪超群【期刊名称】《湖南林业科技》【年(卷),期】2024(51)2【摘要】建立湘西杉木树高-胸径模型,分析定量、定性因子对林分树高生长的影响,为区域尺度树高估算提供参考。
以湘西土家族苗族自治州7个县的杉木人工林为研究对象,基于55块杉木人工林样地数据,采用随机森林法,筛选出显著性影响因子分别作为再参数化变量与随机效应;在6个树高-胸径基础模型中选择拟合程度最好的模型作为最优基础模型;采用再参数化的方法引入密度(ρ)/1000变量,构建含林分密度的最优再参数化模型;在最优再参数化模型的基础上,结合混合效应模型分析显著性定性因子对杉木人工林树高的影响,建立湘西杉木人工林最优混合效应模型。
结果表明:湘西土家族苗族自治州杉木人工林树高的显著性影响因子为胸径(P<0.01)、龄组(P<0.01)、林分密度(ρ<0.05)。
6组候选基础模型中,Nslund(Model 1)模型最优,其AIC、BIC值均最小,分别为154.7417、159.6544,R 2=0.5727;其参数a、b均极显著,具有统计学意义。
3种再参数化模型的拟合效果均优于最优基础模型(Model 1)的。
Model 1.1各参数均显著,确定系数R2=0.6202,均方根误差RMSE=1.6159。
3个混合效应模型的拟合效果均优于最优基础模型、最优再参数化模型的;与最优基础模型、最优再参数化模型相比,nlme 1.1、nlme 1.3的确定系数(R 2)分别提高了19.6%、10.4%;均方根误差(RMSE)分别降低了14.1%、8.9%。
考虑到模型的简易程度,将nlme 1.1作为湘西土家族苗族自治州杉木人工林的最优混合效应模型。
与传统回归模型相比,采用再参数化方法、非线性混合效应法拟合的树高-胸径模型,其预测效果更具有优越性,模型精度更高、误差更小。
研究结果可为湘西土家族苗族自治州林业生产提供参考。
杉木人工林空间分布格局时空变化分析
杉木人工林空间分布格局时空变化分析杉木人工林空间分布格局时空变化分析一、引言本文旨在通过对杉木人工林空间分布格局的研究，探索其在时空上的变化规律，为杉木林的管理和保护提供科学依据。
本文将从以下几个方面展开分析：1. 杉木人工林的空间分布格局；2. 杉木人工林的时空变化规律；3. 杉木人工林的保护和管理建议。
二、研究对象与方法本文研究对象为某省县的杉木人工林，采用遥感技术和GIS空间分析方法对其进行研究。
具体方法如下：1. 利用遥感影像获取杉木人工林的空间分布数据；2. 利用GIS软件对杉木人工林的空间分布格局进行分析；3. 基于历史遥感数据，对杉木人工林在时空上的变化规律进行研究。
三、结果表述1. 杉木人工林的空间分布格局根据遥感影像和GIS空间分析结果，本文发现该杉木人工林空间分布呈现集中分布格局，即林木主要分布在山脉脚下的沟谷地带和南北向山谷中，周围无人区密集，其分布与气候、土壤、地形高程等因素有一定关系。
2. 杉木人工林的时空变化规律基于历史遥感影像数据，本文研究了杉木人工林在过去20年中的时空变化规律。
结果表明，该杉木人工林总体上呈现出轻微退化趋势，主要表现在林木生长状况和生物多样性下降等方面。
四、保护和管理建议根据对杉木人工林的分析结果，本文提出如下保护和管理建议：1. 杉木人工林应加强保护和管理，定期对林木生长状况进行监测；2. 在林木生长状况较差的地区继续加大人工抚育和管理力度，同时加强对周边环境的保护和管理；3. 加大科学研究力度，推动技术的创新，从而提高杉木人工林的管理水平和保护效果。
五、结论本文通过遥感技术和GIS空间分析方法研究了某省县的杉木人工林空间分布格局和时空变化规律，并根据研究结果提出了相应的保护和管理建议。
这些研究对于杉木人工林的管理和保护具有重要的参考意义。
附件：（无）法律名词及注释：（无）实际执行过程中可能遇到的艰难及解决办法：在实际执行过程中，可能遇到的艰难主要是遥感数据来源的不确定和GIS分析方法的复杂性。
福州市杉木人工林相对树高曲线模型研究
设检验，结果无显著差异，精度达 97.4%，表明该模型可在研究区域内应用。
关键词：杉木；相对树高曲线；建模；检验
中图分类号 S79
文献标识码 A 文章编号 1007-7731（2017）04-0058-03
杉木是我国特有树种，在福建省林业中占有重要地 位。在同一区域内，杉木胸径相同但形高差异仍然较大， 调查设计的林分蓄积、出材量与真实数值偏差较大。研 究建立杉木相对树高曲线模型，通过有关数学方程可以 计算获得较高精度的林分蓄积量和出材量 。 ［1-2］ 研究表 明，相对树高与相对直径之间关系的具体表达式可能会 因树种的不同而不同，但二者之间的关系极为稳定和紧 密，且用总体相对树高曲线模型代替不同林龄纯林内部 林木的相对树高与相对直径之间的关系，其差异很小［1-3］。 建立相对树高曲线模型的目的在于给定林分平均胸径和 平均树高时，可以确定林分不同径阶的平均树高。因此， 研究杉木林分相对树高曲线模型具有重要的理论意义， 为生产应用提供科学依据。
数、模型的生物学意义等指标，认为杉木相对树高曲线的最佳模型为理查德函数变形固定参数模型，数学方
程为 Rhi=2.151937（1-e-0.3357·Rd）i 0.6108。根据该数学方程，可估计各检验样本（伐区）各径阶树木的平均高，从而估
计各检验样本的林分蓄积。采用 t 检验法对 20 片检验样本的蓄积调查值与估计值成对数据均值差异进行假
30
19.44 1.39 1.13
32
19.66 1.48 1.14
34
19.81 1.57 1.15
36
19.89 1.67 1.16
对树高曲线。常用的相对树高曲线数学模型有20多个 ， ［1，4，5］
本研究选择其中精度较高的 4 个模型进行拟合与评价，以
六株木测树法估测人工杉木林蓄积量的研究
六株木测树法估测人工杉木林蓄积量的研究以湖南省攸县黄丰桥林场杉木树种为研究对象，采用随机抽样方法布设样地110块，其中杉木有效观测样地97块.以距样地中心位置最近的6株木为对象，观测每株杉木的胸径、树高及最远杉木到样地中心的距离，以计算这6株杉木样圆的覆盖面积来估测样地蓄积量，并将估测结果与角规测树法进行对比分析.结果表明，在95%的可靠性下，平均胸径估测精度为90%，平均树高估测精度为88%，蓄积量估测精度达89%,估测结果与角规测树法所得结果十分接近，表明利用六株木法估测杉木蓄积量具有较好的效果.Key words: six trees method；angle-count method；stock volume estimation；Cunninghamia森林蓄积量估测研究是一个比较活跃的领域，是森林资源的重要指标，它的消长变化是指导林业生产的重要标志［1］，也是林业经营的重要决策依据.采用科学的方法进行蓄积量预测将为森林经营与规划提供可靠的依据［2］.目前，蓄积量的估测研究一般都与遥感技术相结合.国外研究的热点是将多光谱遥感和雷达遥感技术相结合来估测森林结构参数，并得到了较高的估测精度［3-5］.国内侧重于通过多光谱遥感数据建模估测森林蓄积量［6-9］.国内外传统的森林蓄积量估测方法中比较常用的有目测法［10］、点抽样法［11］、林分材积表法［12］、角规测树法、平均木塔立夫法［13］和单株木抽样法［14］.角规测树法［15］相对于其它几种方法来说具有操作简单，精度较高的优点，它是奥地利林学家Bitterlich W 于1947年首先创立的.角规测树法打破了100多年来在一定面积（标准地或样地）上进行每木检尺的传统方法，大大提高了测树效率［16］.但在复杂森林结构和完全森林结构的林地中，其应用会受灌木或杂草的遮挡而受到影响，在无法确定某株林木是否进入角规检尺时，需拉皮尺测量距离并计算，费时费力.1973年，我国林业工作者袁国仁、李晓峰对吉林小姑家林场的5个林班中的天然中幼龄林和人工落叶松林进行了六株木调查实验，得到了80%的抽样精度［17］.同年，陈霖生用六株木法做了测定落叶松人工林蓄积量的实验，估计精度也在80%以上［18］.近年来，关于六株木测树法的研究较少，在实际中的应用更为少见.六株木测树法具有工作效率高，测量数据准确可靠，受空间因子影响较小等优点，因此有必要对其深入研究.杉木在我国南方各林区分布广泛，每年生长量和采伐量很大［19］.能否在保证一定精度和可靠性的前提下，用较简单的方法测算出其蓄积量就显得尤为重要. 1研究区概况实验区位于湖南省株洲市攸县黄丰桥国有林场.黄丰桥国有林场呈带状跨株洲市攸县东西部，位于113°04＇～113°43＇E，27°06＇～27°04＇N，东西长63 km，南北宽42 km.东北部与江西省莲花、萍乡交界，东南与茶陵县接壤，西北部与株洲、醴陵毗邻.全场林地分布于13个乡镇72个村，国有林地与集体、联营造林等其它形式的林地交错相接，其中与集体13个乡镇相邻面积为8 122.6 hm2，联营造林2 000 hm2.全场地貌以中低山为主.东部由海拔800 m以上的中山构成重叠山群，山峦起伏，地形复杂，地势由东向西，由中山向低山到丘陵递降，西部孤峰突起，地势由西向东，由中山到丘陵陡降.境内最高海拔1 270 m，最低海拔115 m，坡度一般在20°～35°. 2原理与方法2.1六株木法六株木法的样圆调查采取随机抽样的方法，每个样圆不预先设定边界，样圆内的林木以距测量点的远近分别编号，由近到远分别编号，分别测量六株木的树高，胸径及第六株树木中心到测量点的距离.以第六株树木的中心点作为样圆的半径，推算样圆面积，以分别计算样圆内的六株木材积的方法求得样圆蓄积量.经换算后便可得每公顷蓄积量.六株木测树示意图如图1所示. 2.2技术路线以Quickbird遥感图像为底图，在黄丰桥林场广黄分场随机布设样地110块，主要为杉木林.每块样地在采集六株木数据的同时，在同一地点进行角规控制检尺.最后，分别以六株木法和角规控制检尺法［13］计算出所得杉木的蓄积量.技术路线如图2所示. 2.3外业调查外业于2010年10月进行.观测时一人站在样点中心指定最近六株木，并进行角规检尺；一人对指图1 六株木法测树示意图Fig.1 Tree measurement diagram of six tree method图2 研究技术路线Fig.2 Route of research techniques定的六株木和进入角规检尺的所有树木进行编号，并用粉笔在树木上进行编号，另外一人对六株木和进入角规检尺的所有树木进行测量，测量数据包括：最近六株木的胸径、树高、6号木中心距绕测点的距离及进入角规检尺的所有树木的胸径、树高.此次外业共观测了110块样地，其中杉木林有效观测样地97块. 3数据处理外业调查结束后，以采集的97个样点的六株木数据和角规测树数据分别计算每个样点的公顷蓄积量.六株木测树法通过分别计算样圆的面积和样圆内的单株木的材积然后进行加总的方法求得样圆内的蓄积量，其中，最远的树木的材积取其值的1/2.将所得蓄积量和样圆面积相除可得单位面积蓄积量，再将所得结果与公顷面积相乘即得单位公顷蓄积量.计算公式为：单株木材积［20］:Vg【sub】1.3【/sub】hf【sub】1.3【/sub】式中:V—单木材积，g【sub】1.3【/sub】—胸高断面积，h—树高，f【sub】1.3【/sub】—胸高形数.样圆材积：VV【sub】1【/sub】+V【sub】2【/sub】+V【sub】3【/sub】+V 【sub】4【/sub】+V【sub】5【/sub】+1/2V【sub】6【/sub】样圆面积：SπR2每公顷蓄积量：M（V/S）×104角规测树法公顷蓄积量计算公式为：MG（+3）f【sub】1.3【/sub】式中:M—每公顷蓄积量，G—公顷断面积数，—加权平均树高，f【sub】1.3【/sub】—胸高形数.数据处理结果见表1.表1 2种测树法公顷蓄积量计算Tab.1 Hectare volume calculation using tow measuring tree methods从表1随机列出的样点数据可以看出，除个别样点外，同一样地分别采用2种不同的测树方法计算所得的蓄积量相差不是很大，一般不超过10%.个别样点误差较大的主要原因是由于人为操作不当引起的，或者是由于随机点样木分布不均导致误差较大，这2种误差都可以通过多次测量剔除异常值的方法校正测量结果，不影响六株木法用于生产实际中.以表1中计算所得到的平均胸径、平均树高和蓄积量进行估测精度分析.以蓄积量估测精度为例.样地总蓄积量:M【sub】j【/sub】∑97 i1m【sub】n【/sub】式中:m【sub】n【/sub】为各样地的公顷蓄积量；样地平均蓄积量:【sub】j【/sub】∑97 i1m【sub】n【/sub】/97标准差:S标准误差:S【sub】【/sub】S/97在95%的可靠性下，绝对误差△1.96S【sub】【/sub】，相对误差E△/，估计精度P1-E，胸径估测精度与蓄积量估测精度计算公式同上.计算结果见表2.表2 2种抽样测树方法精度对照Tab.2 Precision comparison of two sampling tree measurement method从表2可以看出：2种不同的测树方法所得到的总蓄积量、平均胸径、平均树高值都十分接近，偏差不超过10%.在95%的可靠性下，胸径估测精度都达到90%以上，树高估测精度都达到88%以上，蓄积量估计精度都达89%以上.上述计算精度都是在剔除异常值后所得到的结果，由此可以看出，六株木样圆法和角规测树法对同一范围内的杉木进行蓄积量测量所得结果相差不大,说明六株木样圆法用于估测杉木蓄积量具有较好的效果. 4结果与讨论1）研究结果表明，在95%的可靠性下，采用角规测树法和六株木样圆法分别调查同一区域的杉木蓄积量所得出的结果十分接近，2种方法所得结果差异并不显著，因此,六株木测树法可估测某一特定范围内的杉木林的蓄积量.六株木样圆法相对于角规测树法具有原理简单、易于操作、节省时间、受森林结构复杂性程度影响较小和受空间与林分大小的限制较小等优点，在杉木林的调查过程中可采用此法.2）实验中存在个别点误差较大的情况，主要是由于人为操作不当或随机测树点不具有代表性产生的，在数据处理过程中进行了剔除，保证了研究结果的准确性.3）六株木测树法可在杉木人工林中成功应用，能否在其它人工林或天然林中应用还有待于进一步研究. 参考文献:［1］孙海鹏,包占青,姜志强.林木蓄积量预测［J］.内蒙古林业调查设计,1999（3）:106-109.［2］丛沛桐,祖元刚,王瑞兰,等.GIS与ANN整合技术在森林资源蓄积量预测中的应用［J］.地理科学,2004,24（5）:591-596.［3］Hyypp,J.,& Inkinen,M.Detecting and estimating attributes for single trees using laser scanner［J］.The Photogrammetric Journal of Finland,1999，16:27-42.［4］Anderson,J.E.,Plourde,L.C.,Martin,M.E.et,al.Integrating waveform lidar with hyperspectral imageryforinventoryofanortherntemperateforest［J］. RemoteSensingof Environment,2008,112:1856-1870.［5］Hudak,A.T.,Crookston,N.L.,Evans,J.S.,Hall,D.E.,et,al.Nearest neighbor imputation of species-level,plot-scale forest structure attributes from LiDAR data ［J］.Remote Sensing of Environment,2008,112:2232-2245.［6］李崇贵,赵宪文,李春干.森林蓄积量遥感估测理论与实现［M］.北京:中国科学出版社，2006.［7］赵宪文,李崇贵.基于“3S”的森林资源定量估测—原理、方法、应用及软件实现［M］.北京:中国科学技术出版社,2001.［8］李崇贵.用非线性理论研究以“3S”为基础的森林蓄积定量估测［D］.中国林业科学研究院,2001.［9］李崇贵,赵宪文,蔡体久.遥感区域大小对森林蓄积估测影响规律的研究［J］.北京林业大学学报,2001（4）:29-34.［10］张少昂.林分经营模型的分类及应用［M］.北京:中国林业出版社,1989.［11］Avery.T.E.al.Forest Measurements［M］.McGraw-Hill Publishing Company New York，1976.［12］李西菲.大岗山实验区杉木人工林可变密度收获表的编制［J］.林业科学研究，1988，1（4）：382-389.［13］Newham R.M.The development of a stand model for Douglas-fir ［M］.Ph.D.dissertation,Univ,of Birthish Colubia,1964.［14］张守攻.单木生长模型的分类及应用［M］.北京:中国林业出版社,1989.［15］Bitterlich,W.Die Winkelzahlprobe.Allgeni［J］.Forest und Holtz Zeit.,1948,59:4-5.［16］Duff,bined Taper and V olume Tables for Pinus radiata,Rotorua ［J］.Forest Research Notes,1954,1:12.［17］袁国仁，李晓峰.六株木抽样调查法实验一例［J］.林业勘察设计，1981（1）:33.［18］陈霖生.“六株木样地法”测定落叶松人工林蓄积量的实验［J］.东林科技,1975（2）:48-55.［19］倪金凤.杉木实生林断面积与蓄积量相关方程的建立及应用［J］.科技科普，1998（5）：22.［20］孟宪宇.测树学［M］.北京:中国林业出版社,1996.。
杉木人工林平均树高遥感反演模型研究
０ ７ ３ 、 ．７ 、 ．４ ， 高估 测模 型达 到较好 的拟 合效 果 ， 到杉木 人 工林 的平均树 高模 型 。 ．９ ０ ７ ４０ ０ ８ ２ 树 ０ ２ 得 关键 词 ： 杉木人 工林 ； 森林 结构 ； 小二 乘 法 ；Ｐ Ｔ５ 最 ＳＯ 中图分类 号 ：７ ７ ２ ￥ ５ ． 文 献标 志码 ： Ａ 文章 编号 ：０ ５—１ １ （ ０ ２ ０ ０ ５ ０ ２９ ９ ４ ２ １ ）２— ０ ３— ４
Ａｂｓｒ ｃ ： ｋ ｎ ｈ ｇ ｅ ｏ ｕ ｉｎ Ｓ ｔ ａ ｔ Ｔａ ｉ ｇ ｔ ｅ ｈｉｈ ｒ ｓ ｌ ｔｏ ＰＯＴ５ ｉ ｇ ｎ １ ０ ｏ ｇ ａ ｈ ｃ ｍａ ｓ ｄ ｔ ｏ ｒ ｅ ，１ ａ ｔｒ ｍａ ｅ ａ ｄ １： ０ ０ ０ ｔｐｏ ｒ ｐ ｉ ｐ ａ ａａ ｓ ｕ ｃ ｓ ４ ｆ ｃｏ ｓ
率 ） Ｂ ／ ４Ｂ ／ ４Ｂ ／ 】Ｅ ＩＮ Ｖ 、 Ｖ 等 １ 因子 ， 用主 成分 分析 法 以及 岭迹估 计 法剔 除 与 ， ｌＢ 、 ２Ｂ 、 Ｂ ， Ｖ 、 Ｄ ＩＲ Ｉ ４个 运 平 均树 高相 关性 小的 变量 因子 ， 定影响 平均树 高估 测 的主 要 因子 为 ： ： 反 射 率 ） 日 （ 射 率 ） 确 Ｂ（ 、 反 、 坡 向、 闭度 、 Ｄ Ｉ 郁 Ｎ Ｖ 。基 于最 小二 乘 法建 立遥 感反 演 关 系模 型 ， 实地调 查数 据进 行 模 型检 验 ， 用 平
ｉｃ ｄｎ ｅｅ ｖｔ ｎ ｓ ｐ ｒｄｅｔ ｌｐ ｓｅｔ ａ ｏｙｄ ｎｉ ， ｈ ｅ ｅｔ ｉ ｆ １ １ｔｂｎ ） Ｂ （ ｎ ｎｌ ｉ ｔ ｌ ａｉ ， ｌ ｅｇａ ｉ ，ｓ ｅａｐ ｃ，ｃｎｐ ｅ ｓｙ ｔｅｒｆ ｃｉ ｔ ｏ （ ａｄ ， ２ ２ ｄ ｕ ｇｈ ｅ ｏ ｏ ｎ ｏ ｔ ｌ ｖｙ Ｂ ｓ
基于树高-年龄分级的杉木人工林多形立地指数曲线模型研究
Ｖｂ １ ． ３ ７ Ｎ Ｏ． ７ Ｊ ｕ１ ．２ Ｏｌ ７
ｈ ｔ ｔ ｐ ： ／ ／ ｑ ｋ ｓ ． ｃ ｓ ｕ ｆ ｔ ． ｅ ｄ ｕ ． ｃ ｎ
基于树高 一年龄分级 的杉木人工林 多形 立地指数 曲线模型研 究
朱光玉 功 ， 康 立１ ７ 何 海梅 ， 吕 勇 ， 银 勇平 。 ， 吴 毅
基 于树 高 ． 年龄分级构造哑变量 ，采用基于 哑变 量的非线性回归分析 ，建立 区域性杉木 多形立地指数 曲线模 型， 为区域性立地质量评价和生产力预估提供研究思路和方法 ；同时提 出一种合理的构建树高 ． 年龄分级哑变量 的思 路和方法， 并进一步研究分级哑变量如何加在模 型参数上较为合理 。 以湖南不同地 区 ６ ０ ６ 组杉木纯林优势木平均 高 ． 年龄数据为研究对象 ，采用理查德等 ４种常用非线性方程进行模拟与分析，找出最优基础模型 。采用循 环迭代法 结合最优基础模 型，对树高和年龄进 行分级，找出最佳的分级结果并构建哑变量：（ １ ） 先给定初始龄阶 间距值 ３ 年， 对各龄阶树 高进 行 ２ ０种分级方法 ，得到不同树高分级 方法 所对 应的哑变量 ，采用含 哑变 量的非线性 回归分 析方 法进行树高 ． 年龄相关关系模拟，并分析、对 比建模精度与效果 ，找 出最优的树高分级方法及 结果；（ ２ ） 基于最优 树高分级结果 ，考虑 １ ７ 种不 同的龄阶划分方法 ，得到 １ ７种不同龄 阶所对应 的哑变量，采 用含哑变量的非线性回 归方程模拟树 高 ． 年龄相关 关系，并分析、对 比建模精度 与效果，找出最优的龄阶划分方法 及结果；（ ３ ） 基于 （ ２ ）
（ １ ． Ｃｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆＦ ｏ ｒ ｅ ｓ ｔ ｒ ｙ ， Ｃｅ ｎ ￣ａ ｌ Ｓ ｏ ｕ ｔ ｈ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆＦｏ ｒ ｅ ｓ ｔ ｒ ｙ ａ ｎｄＴｅ ｃ ｈ ｎｏ ｌ ｏ ｇ ｙ ， Ｃｈ ａ ｎ ｇ ｓ ｈ ａ ４１ ０ ０ ０ ４， Ｈｔ ｍａ ｎ ， Ｃｈ ｉ ｎａ ； ２ ａ ． Ｉ ｎｓ ｔ ｉ ｔ ｕ ｔ ｅ
基于PoL-InSAR的森林树高反演方法研究的开题报告
基于PoL-InSAR的森林树高反演方法研究的开题报告一、研究背景森林是地球上重要的生态资源之一，对维护全球生态平衡和气候变化具有重要作用。
森林的树高是衡量其生长发育和生态环境质量的重要指标之一。
传统的森林树高测量方法有地面勘测、气象塔、直升机遥感等，但这些方法存在着高成本、低效率、局限性强等问题。
因此，应用合适的遥感技术实现对森林树高的精准反演是必要的。
Pol-InSAR技术是一种新兴的遥感技术，具有敏感度高、分辨率高等优点，因此在森林树高的反演中具有广阔的应用前景。
本文将在深入分析Pol-InSAR的工作原理和应用特点的基础上，开展基于Pol-InSAR的森林树高反演方法研究。
二、研究目的和意义本文旨在开展基于Pol-InSAR的森林树高反演方法研究，主要包括以下几个方面：1.分析Pol-InSAR技术的原理和应用特点，深入了解其在森林树高反演中的应用前景；2.开展森林树高反演过程中的数据处理和分析，构建Pol-InSAR森林树高反演模型；3.设计并实现森林树高反演算法和模型验证实验，验证模型的可行性和准确性；4.针对研究中出现的问题和不足，提出改进和完善的建议，为Pol-InSAR技术在森林树高反演方面的应用提供参考和方向。
三、研究内容和方法1. Pol-InSAR技术原理和应用特点的深入研究：深入理解Pol-InSAR 技术的基本原理，了解其应用特点，为后续的研究打下基础；2. 森林树高反演数据处理和分析：对反演所需的Pol-InSAR数据进行处理和分析，进行数据校正、解缠和过滤等操作，提取有效信息；3. 构建Pol-InSAR森林树高反演模型：根据森林树高反演的实际需求，结合数据处理结果，设计适合的反演模型，建立Pol-InSAR森林树高反演模型；4. 设计并实现森林树高反演算法和模型验证实验：针对所设计的算法，构建验证实验，并对模型进行验证，评估其可行性和准确性；5. 分析研究中出现的问题和不足，提出改进和完善的建议：根据研究结果及验证实验分析，提出Pol-InSAR技术在森林树高反演方面的改进和完善措施。
尤溪县杉木人工林收获模型的研究
ｍａ ｃ ｈ ｅ ｒ 方程 形式 如 下 ：
Ｌ ｎ Ｖ＝ ａ
（ ２ ）
（ ３ ）
Ｌ ｎ Ｖ＝ｂ Ｏ ＋ ｂ ｌ ／ Ｔ＋ ｂ ２ ｆ （ Ｓ Ｉ ） ＋ ｂ ３ ｇ （ Ｓ Ｄ）
式中： Ｖ为单位面积上林分收获量 ； 为林分年龄 Ｓ ， ） 为地位指数 ｓ ， 的函数 ； ｇ （ Ｓ Ｏ ） 为林分密度 ｓ Ｄ 的函数。迄今为止 ， 许多学者均采用（ ３ ） 式这一模 型形式 ， 构建 了不 同树种 的林 分收获模型。参考以往学 者 的研 究 成果 ， 本文以（ ３ ） 式 为基 础 ， 用 每公 顷 断面 积 Ｇ为林 分 密度 指标 ， 构造 了如 下 ９个 模 型 ， 用 于分 析 对比， 评 价指标 为 相关 系数 Ｒ及 显著性 检验 Ｆ统 计 量 。
在森林生长发育过程 中， 不同年龄 阶段的林分调查 因子均在不断发生变化 。为了掌握森林 的生长动 态变化规律 ， 合理及时地更新森林档案数据 ， 就需编制生长率表或建立林 分生 长收获预估模型。至今 为 止， 林业工作者已建立 了许多形式各异 的林分生长收获预估模型。所谓林分生长收获预估模型 ， 是根据各 种立地、 不同发育阶段 的森林实况 ， 经过一定数学方法处理后 ， 间接预估森林生长 、 收获、 枯损及其它一 些 内容的数学模型 ， 其表达形式有 图、 表、 公式和计算机程序等。最早 的一些模型是利用 图解法编制某一 特 定密度状态林分如正常林分的收获表。后来 ， 林分密度指标被引入生长模型中， 形成 了模型构造复杂、 使 用范围较大的可变密度生长收获模型。近几十年来 ， 由于计算机技术和数理统计 的迅速发展 ， 各 国采用 回 归技术建立了许多林分生长收获预估模型 ， 并制成 了相应的预估系统软件， 既提高 了建模工作效率 ， 又 降 低 了生长收获预估 的误差。采用 回归技术建立林分生长收获预估模型 ， 在样本具有充分代表性的条件下 ，
- 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)。
杉木人工林平均树高遥感反演模型研究陈利;林辉;孙华;严恩萍【摘要】以湖南攸县黄丰桥国有林场杉木人工林为研究对象,以高分辨率SPOT5影像及1:10000地形图为数据源,提取海拔、坡度、坡向、郁闭度,B1(反射率)、B2(反射率)、B3(反射率)、B4(反射率),B1/B4、B2/B4、B3/B1,EVI、NDVI、RVI等14个因子,运用主成分分析法以及岭迹估计法剔除与平均树高相关性小的变量因子,确定影响平均树高估测的主要因子为:B2(反射率)、B4(反射率)、坡向、郁闭度、NDVI.基于最小二乘法建立遥感反演关系模型,用实地调查数据进行模型检验,平均树高估测回归模型的相关系数、决定系数、调整相关系数以及标准估计的误差分别为0.8910、0.7930、0.7740、0.8422,树高估测模型达到较好的拟合效果,得到杉木人工林的平均树高模型.%Taking the high resolution SPOT5 image and 1:10 000 topographic map as data sources, 14 factors including the elevation, slope gradient, slope aspect, canopy density, the reflectivity of B1, ( 1st band) , B2 (2nd band) , B3(3rd band) ,B4(4lh band) , B1/B4, B2/B4, B3/B1 EVI, NDVI and RVI that affected on the tree height estimation of Cunninghamia lanceolata plantation at Huangfengqiao State-owned Forest Farm, Youxian County , Hunan Province were extracted, and finally B2, B4 , slope aspect, canopy density and NDVI were determined as the 5 principal factors influencing on the tree height estimation by means of the Principal Component Analysis method and the Ridge Estimation method to eliminate the low-correlation variable factors. The inversion model wasbuilt based on the Least Squares method, and the model was testified with field survey data, the correlation coefficient , coefficient of determination,adjustment correlation coefficient and the error of standard assessment of the regression model were obtained respectively as 0. 891 0, 0. 793 0, 0. 774 0 and 0. 842 2. The results showed that the imitation effect of the tree height estimation model for C. lanceolata plantation was pretty good, and the average tree height estimation model was set up.【期刊名称】《西南林业大学学报》【年(卷),期】2012(032)002【总页数】6页(P53-56,61,封3)【关键词】杉木人工林;森林结构;最小二乘法;SPOT5【作者】陈利;林辉;孙华;严恩萍【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;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;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;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【正文语种】中文【中图分类】S757.2测量树木高度是森林调查的一项重要工作，是评价立地质量和林木生长状况的重要依据。
在森林资源调查中，立木高度测量结果的精度直接影响调查的质量以及相关数表的准确性［1－3］。
杉木(Cunninghamia spp.)是我国南方重要的用材树种，其造林面积和林分蓄积均居我国人工林首位，在国民经济中占有极为重要的地位。
当前，世界工业用材林正朝着定向、速生、丰产、优质、稳定及高效的方向发展，研究杉木林分平均树高模型对于林分调查有很大帮助。
平均树高参数能够直观反应林分生长状况，因此，将高分辨率遥感数据用于森林结构的平均树高参数反演研究具有重要意义。
近年来，随着高光谱遥感以及SPOT5等高空间分辨率遥感数据图像的出现，对林分乃至单木的监测成为可能。
虽然国内外对平均树高模型作了大量研究，如利用林内立木地面阴影估算树高模型，但对于密度较大的林分来说，在遥感影像上很难获取林内立木的地面阴影;还有利用航片来估测树高模型，但精度不是很理想。
本文以SPOT5遥感数据为信息源，研究杉木人工林的平均树高模型，提高估测精度，以期为杉木人工林的林分生长状况及可持续经营提供参考。
1 研究区概况黄丰桥国有林场位于湖南攸县东西部，呈带状分布，地处北纬27°06'～27°04'，东经113°04'～113°43'，东西长63 km，南北宽42 km。
林场地貌以中低山为主。
东部由海拔800 m以上的中山构成重叠山群，地形复杂，山峦起伏，地势由东向西，由中山向丘陵递降。
林场内最高海拔为1 270 m，最低为115 m，坡度20°～35°。
林场属以保护为主的生态公益型林场，森林茂盛，覆盖率达90%。
林分类型以杉木人工林为主，广泛分布着杉木幼龄、中龄以及成熟林，交通便利，为本次研究提供了良好的条件。
2 数据来源研究数据为2009年11月4日接收的SPOT5影像，1∶10 000地形图。
地面数据采集以角规测树法为主，六株木测树法为辅［4－6］。
布设样地95个，数据采集的因子包括:地理坐标、土壤类型、土层厚度、林种、郁闭度、树高、胸径、主冠幅直径和冠幅高等。
3 研究方法SPOT5遥感数据处理［7］过程主要包括:正射校正，数据融合，假彩色合成，几何校正［8］，截取研究区的影像，以半径为20 m的缓冲区域提取样地点的灰度值、归一化植被指数等遥感因子。
利用地形图制作研究区1∶10 000 DEM数据，提取高程、坡度和坡向等地形因子。
将这些信息作为定量反演森林结构平均树高参数的影响因子，利用主成分分析法及岭迹估计分析［9］进行变量筛选，剔除异常及相关性小的变量因子，基于最小二乘［10］法建立线性回归模型。
遥感影像校正后及样地点的分布见图1，研究的技术路线见图2。
3.1 初始变量设置在森林结构参数估测研究中，变量设置要充分考虑森林的生物学特征和环境特征。
具体设置方法如下。
1)反射率。
由于遥感影像植物光谱反射特征与植被分布密度及植被长势等因素有关，所以研究中设置遥感数据的反射率作为变量［11］。
计算公式为:式中:X是校正后的图像像元值;A是辐射校正后图像产品绝对定标增益，(m2·sr·μm)/W;B是图像产品的定标偏置，W/(m2·sr·μm)。
在SPOT数据产品中，参数A和B在辅助文件中给出。
2)植被指数与波段比值。
植被指数可以反映植物生长状况和分布特征。
植被被监测的物理基础是由于植物对红外波段和近红外波段光的吸收和反射特性不同。
植被指数与植物的长势、生物量、覆盖度及季相变动等都有很强的相互关连性，因此，植被指数是研究植被的重要指标。
所以，研究中把归一化植被指数、比值植被指数、环境植被指数设置为变量。
计算公式如下:比值植被指数为:RVI=B3/B2归一化植被指数计算公式:环境植被指数为:EVI=B3－B2式中:B2为红外波段的灰度值;B3为近红外波段的灰度值。
波段比值可以有效消除辐射噪音以及地形因子等因素的影响，并且能够有效改善同物异谱和同谱异物现象。
在研究中可利用多波段信息，增大信息量和类间方差，所以选用SPOT5的多光谱数据波段比值 B1/B4、B2/B4、B3/B1 作为变量。
3)地理环境因子。
地理环境因子如海拔、坡度、坡向等不仅对林木的生长有影响，而且对林木的反射光谱成像也会产生影响。
因此，研究也将海拔、坡度和坡向设置为变量构建森林结构参数估测模型。
3.2 自变量优选方法研究采用主成分分析以及岭迹分析法对变量因子进行筛选，以克服变量间多重共线性对参数的不利影响，简化估测模型［12］。
多重共线性是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。
研究运用SPSS软件求出相关矩阵，看矩阵中自变量的相关系数是否都＜0.75，若有＞0.75的值，则说明存在多重共线性。
岭迹回归分析法是从根本上消除复共线性影响的统计方法，是一种专门用于共线性数据分析的有偏估计方法，它实际上是一种改良的最小二乘法，是以放弃最小二乘的无偏性，放弃部分精确度为代价来寻求效果稍差但更符合实际的回归过程。
岭迹回归模型通过在相关矩阵中引入一个很小的岭迹参数K(1＞K＞0)，并将它加到主对角线元素上，从而降低参数的最小二乘估计中复共线性特征向量的影响，减小复共线变量系数最小二乘估计的方法，以保证参数估计更接近真实情况［13－17］。
岭迹回归分析将所有变量引入模型中，比逐步回归分析提供更多的信息。
然后再利用主成分分析法进行因子筛选，主成分分析法就是要对自变量进行剔除，剔除原则是先求出自变量矩阵的特征根和特征向量，剔除最后一个近似为0的特征根所对应的特征向量中最大的分量。
变量筛选方法首先是求出所有特征根和特征向量，按照上述变量剔除原则剔除变量后，再对剩余变量进行主成分分析。
不断重复此过程，直到特征根不是很多为止。
4 模型建立与精度分析建立用于估算平均树高的多元线性回归［12］模型。
借助SPSS 19.0完成此模型的建立，设定F分布的概率为进入≤0.05，移除≥0.10，进行回归分析。