基于国产高分数据的森林蓄积量反演研究

doi:10.13466/j.cnki.lyzygl.2021.03.016

林业资源管理 ›› 2021›› Issue (3): 101-107.doi: 10.13466/j.cnki.lyzygl.2021.03.016

基于国产高分数据的森林蓄积量反演研究

肖越¹^,²^,³(), 许晓东¹^,²^,³, 龙江平¹^,²^,³(), 林辉¹^,²^,³

1.中南林业科技大学林业遥感信息工程研究中心,长沙 410004
2.林业遥感大数据与生态安全湖南省重点实验室,长沙 410004
3.南方森林资源经营与监测国家林业与草原局重点实验室,长沙 410004

收稿日期:2021-03-09 修回日期:2021-03-29 出版日期:2021-06-28 发布日期:2021-08-04
通讯作者: 龙江平
作者简介:肖越(1996-),女,湖南人,在读硕士,研究方向:林业遥感。Email: 929530850@qq.com
基金资助:
国家“十三五”重点研发计划项目“人工林资源监测关键技术研究”(2017YFD0600900)

Research on Inversion of Forest Volume Based on Domestic High-Resolution Data

XIAO Yue¹^,²^,³(), XU Xiaodong¹^,²^,³, LONG Jiangping¹^,²^,³(), LIN Hui¹^,²^,³

1. Research Center of Forestry Remote Sensing & Information Engineering,Central South University of Forestry & Technology,Changsha 410004,China
2. Key Laboratory of Forestry Remote Sensing Based Big Data & Ecological Security for Hunan Province,Changsha 410004,China
3. Key Laboratory of National Forestry & Grassland Administration on Forest Resources Management and Monitoring in Southern Area,Changsha 410004,China

Received:2021-03-09 Revised:2021-03-29 Online:2021-06-28 Published:2021-08-04
Contact: LONG Jiangping

摘要/Abstract

摘要：

以内蒙古旺业甸林场为研究区,结合地面调查,对高分二号遥感数据进行预处理,并提取光谱信息、植被指数及纹理信息等48个遥感因子,采用Pearson相关系数法筛选出8个因子进行建模。采用多元线性回归、多层感知机、K-近邻、支持向量机、随机森林模型估测森林蓄积量,得到研究区内森林蓄积量反演图。结果表明:1)高分二号影像提取的遥感因子中,基于二阶矩阵的纹理特征均值(Mean)与森林蓄积量的相关性较高;2)随机森林相对于多元线性、多层感知机、K-近邻、支持向量机等方法具有更好的森林蓄积量估测精度,其相对均方根误差(rRMSE)为25.40%;3)研究区内森林蓄积量高的地区主要分布在西部和东南部;森林蓄积量低的地区主要分布在西北部、中部及北部,与实际调查情况一致。国产高分二号影像利用随机森林算法在森林蓄积量反演方面具有一定的潜力。

关键词: 遥感, 高分二号, 随机森林, 森林蓄积量, 空间分布

Abstract:

Taking the Wangyedian Forest Farm in Inner Mongolia as the research area,combined with ground surveys,and based on the preprocessing of the GF-2 remote sensing data,48 remote sensing factors such as spectral information,vegetation index and texture information were extracted,and 8 remote sensing factors were selected for modeling by Pearson correlation coefficient method.Using multiple linear regression,multi-layer perceptron,K-nearest neighbor,support vector machine,and random forest model to estimate the forest volume,the forest volume inversion map in the study area was obtained.The results showed that:1) Among the remote sensing factors extracted from GF-2,mean of texture features based on the second-order matrix had a higher correlation with the forest volume;2) Random Forest had better estimation accuracy of forest volume than methods such as multiple linear regression,multi-layer perceptron,K-nearest neighbor and support vector machine,and its relative root mean square error (rRMSE) was 25.40%;3) The areas with high forest volume in the study area were mainly distributed in the west and southeast;the areas with low forest volume were mainly distributed in the northwest,central and northern parts,which were consistent with the actual investigation.The domestic GF-2 image and random forest algorithm had certain potential in the inversion of forest volume.

Key words: remote sensing, GF-2, random forest, forest stock volume, spatial distribution

中图分类号:

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,(3): 101-107.

XIAO Yue, XU Xiaodong, LONG Jiangping, LIN Hui. Research on Inversion of Forest Volume Based on Domestic High-Resolution Data[J]. FOREST RESOURCES WANAGEMENT, 2021,(3): 101-107.

图/表 6

图1

表1

植被指数计算公式

植被指数	公式
比值植被指数	$RVI = ρ NIR / ρ RED$
差值植被指数	$DVI = ρ NIR - ρ RED$
归一化植被指数	$NDVI = (ρ NIR - ρ RED) / (ρ NIR + ρ RED)$
土壤修正植被指数	$SAVI = 1 + L (ρ NIR - ρ RED) / ρ NIR + ρ RED + L) (L =$ 0,0.25,0.5,1)
大气抗阻植被指数	$ARVI = ρ NIR - ρ RB ρ NIR + ρ RB, 其中 ρ RB = ρ RED - γ (ρ BLUE - ρ RED)$
增强型植被指数	$EVI = [2.5 (ρ NIR - ρ RED)] / ρ NIR + 6 ρ RED - 7.5 ρ BLUE + 1)$
三角植被指数	$TVI = (ρ NIR - ρ RED) / (ρ NIR + ρ RED) + 0.5$
修正简单比值植被指数	$MSR = ρ NIR / ρ RED - 1 / (ρ NIR / ρ RED + 1)$
非线性指数	$NLI = (ρ NIR 2 - ρ RED) / (ρ NIR 2 + ρ RED)$

表1

表2

表3

图2

图3

参考文献 24

[1]	国庆喜, 张锋. 基于遥感信息估测森林的生物量[J]. 东北林业大学学报, 2003, 31(2):13-16.
[2]	王月婷. 基于多源遥感数据的森林蓄积量估算[D]. 北京:北京林业大学, 2015.
[3]	陈新云, 李利伟, 刘承芳, 等. 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(2):39-46.
[4]	Ataee M S, Maghsoudi Y, Latifi H, et al. Improving Estimation Accuracy of Growing Stock by Multi-Frequency SAR and Multi-Spectral Data over Iran's Heterogeneously-Structured Broadleaf Hyrcanian Forests[J]. Forests, 2019, 10(8):641. doi: 10.3390/f10080641
[5]	李世波, 林辉, 王光明, 等. 基于GF-1的森林蓄积量遥感估测[J]. 中南林业科技大学学报, 2019, 39(8):70-75.
[6]	王佳, 宋珊芸, 刘霞, 等. 结合影像光谱与地形因子的森林蓄积量估测模型[J]. 农业机械学报, 2014, 45(5):216-220.
[7]	尤静妮. 基于高分遥感纹理信息的森林蓄积量估测研究[D]. 西安:西安科技大学, 2017.
[8]	王宗梅, 岳彩荣, 刘琦, 等. 基于光学和微波遥感数据的森林蓄积量估测模型研究[J]. 西南农业学报, 2018, 31(8):1722-1726.
[9]	曹林, 佘光辉, 代劲松, 等. 激光雷达技术估测森林生物量的研究现状及展望[J]. 南京林业大学学报:自然科学版, 2013, 37(3):163-169.
[10]	Zhang H, Zhu J, Wang C, et al. Forest Growing Stock Volume Estimation in Subtropical Mountain Areas Using PALSAR-2 L-Band PolSAR Data[J]. Forests, 2019, 10(3):276. doi: 10.3390/f10030276
[11]	黄丽艳, 闫巧玲, 高添, 等. 基于ALOSPALSAR雷达影像的人工林蓄积量估算——以塞罕坝机械林场华北落叶松人工林为例[J]. 生态学杂志, 2015, 34(9):2401-2409.
[12]	Gao T, Zhu J J, Yan Q L, et al. Mapping growing stock volume and biomass carbon storage of larch plantations in Northeast China with L-band ALOS PALSAR backscatter mosaics[J]. International journal of remote sensing, 2018, 39(22):7978-7997. doi: 10.1080/01431161.2018.1479793
[13]	Belgiu M, Drăgutt L. Random forest in remote sensing: A review of applications and future directions[J]. ISPRS Journal of Photogrammetry & Remote Sensing, 2016, 114:24-31.
[14]	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, 2019, 39(1):146-151.
[15]	刘帅. 基于BP神经网络的森林蓄积量估测[D]. 杭州:浙江农林大学, 2014.
[16]	汪康宁, 马婷, 吕杰. 基于随机森林算法的凉水自然保护区蓄积量反演研究[J]. 西南林业大学学报, 2016, 36(5):125-129.
[17]	王海宾, 彭道黎, 高秀会, 等. 基于GF-1 PMS影像和K-NN方法的延庆区森林蓄积量估测[J]. 浙江农林大学学报, 2018, 35(6):1070-1078.
[18]	张苏, 周小成, 黄洪宇, 等. 基于SVR的GF1号遥感影像森林蓄积量估测[J]. 贵州大学学报:自然科学版, 2019, 36(3):21-26.
[19]	刘唐, 江涛, 李昂, 等. 基于神经网络和不同立地质量的森林蓄积量遥感估测[J]. 山东科技大学学报:自然科学版, 2019, 38(2):25-35.
[20]	张凝, 冯仲科, 冯跃文, 等. 旺业甸实验林场针叶林蓄积量估测模型的研究[J]. 中南林业科技大学学报, 2013, 33(11):83-87.
[21]	蒋馥根, 孙华, ZHAO Feng, 等. 基于方差优化k最近邻法的森林蓄积量估测[J]. 森林与环境学报, 2019, 39(5):497-504.
[22]	刘兆华, 林辉, 龙江平, 等. 基于高分二号的旺业甸林场蓄积量估测模型研究[J]. 中南林业科技大学学报, 2020, 40(3):79-84.
[23]	Breiman L. Using iterated bagging to Debias regressions[J]. Machine Learning, 2001, 45(3):261-277. doi: 10.1023/A:1017934522171
[24]	蒋馥根, 孙华, 林辉, 等. 旺业甸林场人工林生物量遥感反演研究[J]. 中南林业科技大学学报, 2019, 39(10):88-94.

模型	RMSE/(m³/hm²)	RRMSE/%	R²
MLR	68.79	34.99	0.06
MLP	70.88	36.06	0.05
KNN	60.46	30.76	0.28
SVR	59.23	30.13	0.31
RF	49.94	25.40	0.51

基于国产高分数据的森林蓄积量反演研究

Research on Inversion of Forest Volume Based on Domestic High-Resolution Data

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价

[1]	唐佳俊, 柴宗政. 基于机载激光雷达和机器学习的林分平均胸径遥感估测[J]. 林草资源研究, 2024, 0(1): 56-64.
[2]	郝君, 吕康婷, 胡天祺, 王云阁, 徐刚. 基于机器学习的红树林生物量遥感反演研究[J]. 林草资源研究, 2024, 0(1): 65-72.
[3]	朱赞, 王勇军, 王建琦, 许玉兰, 丘鑫琪, 万喜. 基于无人机倾斜摄影的广西桉树冠层碳储量计量模型构建[J]. 林草资源研究, 2024, 0(1): 88-94.
[4]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[5]	曹聪, 郭泽鑫, 郭彦青, 莫燕卿, 刘萍. 基于地理加权回归模型的珠三角森林碳储量空间分布[J]. 林草资源研究, 2023, 0(6): 98-104.
[6]	张中一, 刘慧娇, 褚蓉蓉, 冯国庆, 董家鑫, 高祥斌, 吕梦缘, 陈国豪. 古树资源特征和空间分布特征分析[J]. 林草资源研究, 2023, 0(5): 105-112.
[7]	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.
[8]	焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023, 0(4): 123-131.
[9]	邹为民, 陈超, 黄蕾, 宋美萱, 李雪建, 杜华强. 地理加权回归模型结合卫星遥感的松阳县森林地上碳储量估算[J]. 林业资源管理, 2023, 0(4): 132-140.
[10]	李思颖, 郭昊天, 陈晓蔚, 周梦丽, 靳姗姗, 闫东锋. 栓皮栎人工林土壤有机碳空间分布特征及其影响因素[J]. 林业资源管理, 2023, 0(4): 80-89.
[11]	梁立成, 傅晓强, 张滨, 程谷栒, 李佐晖. 基于GEE与随机森林的象山港互花米草动态监测[J]. 林业资源管理, 2023, 0(3): 38-45.
[12]	周梅, 李春干, 杨承伶, 李振. 无人机激光雷达人工林参数估测试验[J]. 林业资源管理, 2023, 0(3): 90-97.
[13]	张绘芳, 朱雅丽, 张景路, 高健, 地力夏提·包尔汉. 基于高分遥感数据的阿尔泰山乔木林地上生物量预测[J]. 林业资源管理, 2023, 0(2): 104-110.
[14]	王晓慧, 张会儒, 庞勇, 覃先林, 李海奎, 蒙诗栎, 余涛. 天然林保护工程区森林植被类型遥感监测[J]. 林业资源管理, 2023, 0(2): 96-103.
[15]	高金萍, 于慧娜, 翟召坤. 高分多模卫星林业地类及树种识别应用研究[J]. 林业资源管理, 2023, 0(1): 127-132.