基于GF-1数据多尺度遥感特征的森林蓄积量估测研究

doi:10.13466/j.cnki.lyzygl.2022.03.009

林业资源管理 ›› 2022›› Issue (3): 54-59.doi: 10.13466/j.cnki.lyzygl.2022.03.009

基于GF-1数据多尺度遥感特征的森林蓄积量估测研究

黄冰倩¹^,²(), 岳彩荣¹(), 朱泊东¹

1.西南林业大学,昆明 650224
2.贵州省林业调查规划院,贵阳 550003

收稿日期:2022-03-03 修回日期:2022-03-15 出版日期:2022-06-28 发布日期:2022-08-04
通讯作者: 岳彩荣
作者简介:黄冰倩(1990-),女,贵州铜仁人,工程师,主要从事林业信息技术研究与应用、林业调查规划等方面的工作。Email: 294918392@qq.com
基金资助:
云南省科技厅重大科技专项(202002AA100007-015);贵州省森林保护“六个严禁”执法专项行动案件管理信息系统研发(黔林科合J [2018]14号)

Estimation of Forest Volume Based on Multi-Scale Remote Sensing Features of GF-1

HUANG Bingqian¹^,²(), YUE Cairong¹(), ZHU Bodong¹

1. College of Forestry,Southwest Forestry University,Kunming 650224,China
2. Forestry Survey & Planning Institute of Guizhou Province,Guiyang 550003,China

Received:2022-03-03 Revised:2022-03-15 Online:2022-06-28 Published:2022-08-04
Contact: YUE Cairong

摘要/Abstract

摘要：

基于贵州省观山湖区高分1号(GF-1)遥感数据提取的光谱信息、植被指数及纹理特征,结合实测马尾松样地数据,通过多元逐步回归、随机森林算法构建不同窗口遥感特征的森林蓄积量估测模型。结果表明:多元逐步回归、随机森林估测模型最佳窗口均为13×13窗口;选取DI2,B3,EN2,SM2,CO3作为建模特征变量,以最佳窗口建立蓄积估测模型,随机森林模型拟合效果优于多元逐步回归模型。根据遥感影像分辨率选取适宜窗口提取特征变量,可进一步提高森林蓄积估测的建模精度。

关键词: 高分1号, 纹理特征, 多元逐步回归, 随机森林算法, 森林蓄积量

Abstract:

Based on spectral information,vegetation index and texture characteristics extracted from GF-1 remote sensing data in Guanshanhu,Guizhou Province,combined with the measured masson pine plot data,multiple stepwise regression and random forest algorithm were used to construct forest stock estimation models with different windows of remote sensing features.The results indicated that:the optimal windows of multiple stepwise regression and random forest estimation models were both 13×13.When feature variables were extracted as DI2,B3,EN2,SM2,CO3,and the accumulation estimation model was established with the optimal window,the fitting effect of random forest model was better than that of multiple stepwise regression model.According to the resolution of remote sensing image,selecting suitable window to extract characteristic variables can further improve the modeling accuracy of forest stock estimation.

Key words: GF-1, texture features, multiple stepwise regression, random forest algorithm, forest stock

中图分类号:

黄冰倩, 岳彩荣, 朱泊东. 基于GF-1数据多尺度遥感特征的森林蓄积量估测研究[J]. 林业资源管理, 2022,(3): 54-59.

HUANG Bingqian, YUE Cairong, ZHU Bodong. Estimation of Forest Volume Based on Multi-Scale Remote Sensing Features of GF-1[J]. FOREST RESOURCES WANAGEMENT, 2022,(3): 54-59.

图/表 10

图1

表1

表2

表3

表4

表5

图2

表6

图3

表7

参考文献 17

[1]	李世波, 林辉, 王光明, 等. 基于GF-1的森林蓄积量遥感估测[J]. 2019, 39(8):70-75.
[2]	李明诗, 谭莹, 潘洁, 等. 结合光谱纹理及地形特征的森林生物量建模研究[J]. 遥感信息, 2006, 21(6):6-9.
[3]	Shamsoddini A, Trinder J C, Turner R. Pine plantation structure mapping using WorldView-2 multispectral image[J]. International Journal of Remote Sensing, 2013, 34(11):3986-4007. doi: 10.1080/01431161.2013.772308
[4]	罗蜜, 孙玉军, 张博, 等. 应用衍生纹理指数对杉木林分蓄积量的估测[J]. 东北林业大学学报, 2019, 47(7):43-49.
[5]	房秀凤, 谭炳香, 刘清旺, 等. 基于纹理信息的森林蓄积量估计[J]. 东北林业大学学报, 2017, 45(11):21-25.
[6]	王月婷, 张晓丽, 杨慧乔, 等. 基于Landsat8 卫星光谱与纹理信息的森林蓄积量估算[J]. 浙江农林大学学报, 2015, 32(3):384-391.
[7]	李亦秋, 冯仲科, 邓欧, 等. 基于3S技术的山东省森林蓄积量估测[J]. 林业科学, 2009, 45(9):85-93.
[8]	陈尔学, 李增元, 武红敢, 等. 基于k-NN和Landsat数据的小面积统计单元森林蓄积估测方法[J]. 林业科学研究, 2008, 21(6):745-750.
[9]	杨永恬. 基于多源遥感数据的森林蓄积量估测方法研究[D]. 北京: 中国林业科学研究院, 2010.
[10]	杨永恬. 基于多源遥感数据的森林蓄积量估测方法研究[D]. 北京: 中国林业科学研究院, 2010
[11]	何柏华. 基于SPOT5影像数据的森林资源分类与蓄积量反演研究[D]. 南京: 南京林业大学, 2008.
[12]	魏正韬. 基于非平衡数据的随机森林算法研究[D]. 西安: 西安电子科技大学, 2017.
[13]	吕红燕, 冯倩. 随机森林算法研究综述[J]. 河北省科学院学报, 2019, 36(3):37-41.
[14]	曹正凤. 随机森林算法优化研究[D]. 北京: 首都经济贸易大学, 2014.
[15]	孙忠秋, 高金萍, 吴发云, 等. 基于机载激光雷达点云和随机森林算法的森林蓄积量估测[J]. 林业科学, 2021, 57(8):68-81.
[16]	黄衍, 查伟雄. 随机森林与支持向量机分类性能比较[J]. 软件, 2012, 33(6):107-110.
[17]	孙明喆, 毕瑶家, 孙驰. 改进随机森林算法综述[J]. 现代信息科技, 2019, 3(20):28-30.

波段	波段范围/nm	描述
Band1	450~520	蓝光
Band2	520~590	绿光
Band3	630~690	红光
Band4	770~890	近红外

样本类型	蓄积量/(m³/hm²)			样本量/个
样本类型	最小值	最大值	平均值	样本量/个
总样本	38.8	338.7	202.6	180
训练样本	38.8	338.7	189.5	120
验证样本	55.1	321.5	208.1	60

序号	筛选因子	模型拟合统计指标			容差
序号	筛选因子	R²	调整 R²	标准估计误差	容差
1	B3	0.288	0.279	72.080	1.000
2	B3,SM2	0.619	0.610	53.019	1.000
3	B3,SM2,EN2	0.662	0.649	45.302	0.337
4	B3,SM2,EN2,DI2	0.667	0.649	41.261	0.251
5	DI2,B3,EN2,SM2,CO3	0.722	0.699	36.305	0.286

序号	窗口	模型拟合统计指标			容差
序号	窗口	R²	调整R²	RMSE	容差
1	3×3	0.35	0.307	66.352	0.362
2	5×5	0.427	0.389	60.815	0.389
3	7×7	0.518	0.487	51.439	0.353
4	9×9	0.581	0.553	46.352	0.301
5	11×11	0.664	0.642	40.815	0.238
6	13×13	0.722	0.699	36.305	0.286
7	15×15	0.657	0.634	43.299	0.226
8	17×17	0.655	0.633	44.588	0.202
9	21×21	0.63	0.606	46.632	0.171

序号	自变量	相关性	序号	自变量	相关性
1	Band3	0.8	13	VA2	0.2
2	SM3	0.8	14	NDVI	0.2
3	HO2	0.7	15	CO2	0.1
4	DI2	0.7	16	CT2	0.1
5	ME3	0.6	17	CO3	0.1
6	SM2	0.5	18	CT4	0.1
7	DI3	0.5	19	VA4	0.1
8	EN2	0.4	20	HO4	0.1
9	VA3	0.3	21	band4	0.1
10	CT3	0.3	22	RVI	0.1
11	EN4	0.3	23	DVI	0.1
12	SM4	0.2	24	band2	0.1

基于GF-1数据多尺度遥感特征的森林蓄积量估测研究

Estimation of Forest Volume Based on Multi-Scale Remote Sensing Features of GF-1

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 17

相关文章 15

编辑推荐

Metrics

本文评价

因变量	模型	精度检验指标
因变量	模型	R²	RMSE	rRMSE
森林蓄积量	多元逐步回归建模	0.859	38.77	35.33%
森林蓄积量	随机森林建模	0.913	17.31	14.15%

[1]	张国丽, 慈雪伦, 杨雪清, 蒋春颖, 孙志超, 孟海丁. 森林火灾时空分布特征及易发性分析研究[J]. 林草资源研究, 2023, 0(5): 48-55.
[2]	邱洁, 李倩楠, 虞瑶. 机载激光雷达数据估测森林资源蓄积量研究[J]. 林业资源管理, 2023, 0(1): 153-160.
[3]	王晓洋, 姜友谊, 黎晓, 胡亚轩, 张家政, 刘博伟. 基于GF-1影像的多时相多特征落叶松人工林提取研究[J]. 林业资源管理, 2022, 0(4): 109-118.
[4]	曾伟生, 杨学云, 孙乡楠, 刘樯漪, 张宇超. 森林资源调查监测中各级储量数据的一体化方法研究[J]. 林业资源管理, 2022, 0(4): 13-19.
[5]	龙植豪, 罗鹏, 许等平, 李振, 代华兵. Sentinel-2A红边波段森林蓄积量反演研究[J]. 林业资源管理, 2022, 0(2): 126-134.
[6]	杨丹, 李崇贵, 张家政. 基于深度学习的多时相GF-1影像林分类型分类研究[J]. 林业资源管理, 2022, 0(1): 142-149.
[7]	曾伟生. 森林蓄积量和生物量多元混合模型研建[J]. 林业资源管理, 2021, 0(6): 23-28.
[8]	肖越, 许晓东, 龙江平, 林辉. 基于国产高分数据的森林蓄积量反演研究[J]. 林业资源管理, 2021, 0(3): 101-107.
[9]	曾伟生, 夏锐. 全国森林资源调查年度出数统计方法探讨[J]. 林业资源管理, 2021, 0(2): 29-35.
[10]	孙忠秋, 吴发云, 胡杨, 高显连, 高金萍. 基于Landsat-8 OLI数据的马尾松林蓄积量饱和点确定及估测[J]. 林业资源管理, 2020, 0(6): 135-142.
[11]	韩瑞, 吴达胜, 方陆明, 黄宇玲. 基于Boruta和极端随机树方法的森林蓄积量估测[J]. 林业资源管理, 2020, 0(4): 127-133.
[12]	曾伟生, 孙乡楠, 王六如, 王威, 蒲莹. 基于机载激光雷达数据估计林分蓄积量及平均高和断面积[J]. 林业资源管理, 2020, 0(2): 79-86.
[13]	陈新云, 李利伟, 刘承芳, 王六如, 丁靖. 热带原始森林类型分类和蓄积量遥感反演研究[J]. 林业资源管理, 2019, 0(2): 39-46.
[14]	任怡, 王海宾, 许等平. 基于Landsat 8影像的乔木林地上生物量估算[J]. 林业资源管理, 2018, 0(6): 38-44.
[15]	杨永恬, 杨广斌, 赵海兵. 喀斯特山区森林蓄积量的合成孔径雷达遥感估测研究[J]. 林业资源管理, 2018, 0(4): 100-104.

序号	窗口	模型拟合统计指标
序号	窗口	R²	RMSE
1	3×3	0.913	27.673
2	5×5	0.928	25.352
3	7×7	0.927	23.815
4	9×9	0.932	20.749
5	11×11	0.941	18.223
6	13×13	0.948	16.305
7	15×15	0.943	17.439
8	17×17	0.935	20.802
9	21×21	0.929	23.299