基于不同立地质量的松树林蓄积量遥感估测

doi:10.13466/j.cnki.lyzygl.2015.05.010

林业资源管理 ›› 2015›› Issue (5): 55-60.doi: 10.13466/j.cnki.lyzygl.2015.05.010

基于不同立地质量的松树林蓄积量遥感估测

刘俊^1,2, 孟雪^1,2, 温小荣^1,2, 林国忠^1,2, 佘光辉^1,2, 李赟^1,2, 刘雪慧^1,2, 徐达³

1.南京林业大学南方现代林业协同创新中心,南京 210037;
2.南京林业大学林学院,南京 210037;
3.浙江省森林资源监测中心,浙江杭州 310020

出版日期:2015-10-28 发布日期:2020-11-20
通讯作者: 温小荣,副教授,主要研究领域:森林经理及3S技术应用。Email:njw9872e@163.com
作者简介:刘俊(1990-),男,江西上饶人,在读硕士,主要研究领域:3S技术与森林资源动态监测。Email:daziran2188@163.com
基金资助:
国家948计划项目(2013-4-63);南京林业大学科技创新基金项目(CX2011-24);江苏省林业三新工程(LYSX[2015]19);江苏高校优势学科建设工程自助项目(PAPD)

Remote Sensing Estimation of Pine Volume Based on Different Site Quality

LIU Jun^1,2,MENG Xue^1,2,WEN Xiaorong^1,2,LIN Guozhong^1,2, SHE Guanghui^1,2,LI Yun^1,2,LIU Xuehui^1,2,XU Da³

1.Centre of Co-Innovation for Sustainable Forestry in Southern China,Nanjing Forestry University,Nanjing 210037;
2.Forestry College of Nanjing Forestry University,Nanjing 210037;
3.Center for Forest Resource Monitoring of Zhejiang Province,Hangzhou 310020,China)

Online:2015-10-28 Published:2020-11-20

摘要/Abstract

摘要： 森林蓄积量遥感估测在林业系统中具有十分重要的意义。以建德市为研究区,基于2007年TM遥感影像和2007年森林资源二类调查数据,对松树林分立地质量等级和不分地位等级两种类型建立蓄积量的遥感估测模型,并进行精度检验。其中立地质量等级依据小班平均高和平均年龄建立的地位级表划分为好、中、差三种类型,以每个小班的总蓄积量为因变量,小班各单个遥感因子信息总量为自变量。研究结果表明:1)以TM遥感影像主成分分析中第一主成分为自变量的模型拟合效果最好,决定系数R²均在0.54以上,最高为0.802;2)利用预留独立样本对模型精度进行验证,不分地位级总体估测精度为87.64%,分立地质量等级好、中、差三种类型总体的估测精度分别为94.14%,95.32%,92.38%,分立地质量类型建模的精度明显优于统一建模的精度。研究结果为森林蓄积量遥感估测提供一种改进的思路,且为提高森林生物量和碳储量遥感估测精度提供一种参考方法。

关键词: TM影像, 森林蓄积量, 立地等级, 一元线性回归

Abstract: It is very important to estimate forest volume in forest system.Taking Jiande as the research area,and using TM image(2007) and the fifth(2007) forest resource survey data,we established and evaluated the precise of the volume remote sensing estimation model,which was on pine trees with or without the discrete quality grades.Site quality grade according to the average height of the small class and the average age of the establishment of the status table is divided into three types good,medium and poor.Total volume of the sub-compartment is the dependent variable,and each individual remote sensing content is the independent variable.The results are:1.the first principal component analysis of R² Landsat TM image is the best,the correlation of determination is more than 0.54,the highest is 0.802;2.The reserved independent sample on the accuracy of the model is validated,without the discrete site quality grades,the overall level of quality estimation accuracy was 87.64%,with the site quality grades the overall level of quality estimation accuracy was 94.14%,95.32%,92.38% respectively,the classification modeling precision is much better than the unified modeling accuracy.The research results provide an improved method for the estimation of forest volume,and provide a reference for improving the accuracy of forest biomass and carbon storage estimation.

Key words: TM image, forest stock volume, site class, linear regression

中图分类号:

刘俊, 孟雪, 温小荣, 林国忠, 佘光辉, 李赟, 刘雪慧, 徐达. 基于不同立地质量的松树林蓄积量遥感估测[J]. 林业资源管理, 2015,(5): 55-60.

LIU Jun,MENG Xue,WEN Xiaorong,LIN Guozhong, SHE Guanghui,LI Yun,LIU Xuehui,XU Da. Remote Sensing Estimation of Pine Volume Based on Different Site Quality[J]. FOREST RESOURCES WANAGEMENT, 2015,(5): 55-60.

参考文献 16

[1]	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:科学出版社.2006.
[2]	赵宪文,李崇贵,斯林,等.森林资源遥感估测的重要进展[J].中国工程科学,2001,3(8):15-24.
[3]	Andre T C D,Eduardo A M.Simone Aparecida aboveground biomass stock of native woodland on a Brazilian sandy coastal plain:Estimates based on a Brazilian sandy coastal plain:Estimates based on the dominant tree species [J].Forest Ecology and Management,2006,226:364-367
[4]	Trotter C M,Dymond J R,Goulding C J.Estimation of timber volume in a coniferous plantation forest using Landsat TM[J].International Journal of Remote Sensing,1997,18(10):2209-2223
[5]	Wijay A,Kusnadi S,Gloaguen R,et al.Improved strategy for estimating stem volume and forest biomass using moderate resolution remote sensing data and GIS[J].Journal of Forestry Research,2010,21(1):1-12.
[6]	孙开铭.不同生长期杉木植被指数与蓄积量的关系[J].福建林学院学报,2013,33(3):230-235.
[7]	张艳楠,张庆,杨艳,等.植被指数在典型草原生物量遥感估测应用中的问题探讨[J].草业学报,2012,21(1):229-238.
[8]	李毅,徐天蜀,王晓宁.基于ENVISAT ASAR数据的高山松林蓄积量估测模型研究[J].中南林业调查规划,2012,31(1):40-43.
[9]	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.
[10]	董斌,冯仲科,杜林芳,等.山东省黄河流域森林蓄积量遥感定量估测模型研究[J].遥感技术与应用,2010,25(4):520-524.
[11]	王艳婷,李崇贵,郝利军.用岭估计估测以分类为前提的森林蓄积量[J].东北林业大学学报,2014,42(9):39-57.
[12]	孟宪宇等.测树学[M].北京:中国林业出版社,2006:99-111.
[13]	周春国,徐雁南.地位级表编制的新方法[J].华东森林经理,1997(11):11-13.
[14]	林昌庚,周春国,林俊钦,等.关于地位级表[J].林业资源管理,1997(5):30-33.
[15]	张超,彭道黎,涂云燕,等利用TM影像和偏最小二乘回归方法估测三峡库区森林蓄积量[J].北京林业大学学报,2013,35(3):11-17.
[16]	Gao Jay.Quantification of grassland properties:how it can benefit from geoinformatic technologies [J].International Journal of Remote Sensing,2006,27(7):1351-1365.

基于不同立地质量的松树林蓄积量遥感估测

Remote Sensing Estimation of Pine Volume Based on Different Site Quality

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 16

相关文章 15

编辑推荐

Metrics

本文评价

[1]	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.
[2]	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.
[3]	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, 0(3): 54-59.
[4]	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.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	朱磊. 基于高清影像分层抽样技术在森林资源二类调查中的应用探索[J]. 林业资源管理, 2018, 0(3): 129-132.
[14]	肖中琪, 黄建文, 凌成星. 新疆天山西部天然林保护工程区林地及森林生物量空间变化分析[J]. 林业资源管理, 2018, 0(1): 57-62.
[15]	王宗梅, 徐天蜀, 岳彩荣, 刘琦. 基于哑变量的高山松蓄积量反演模型研究[J]. 林业资源管理, 2017, 0(4): 75-81.