基于多源遥感数据的森林蓄积量估算

发布时间：2017-04-27 06:09

  本文关键词：基于多源遥感数据的森林蓄积量估算，，由笔耕文化传播整理发布。

【摘要】：森林是全球生态系统的重要组成部分,在全球碳循环中发挥重要作用。利用遥感技术对森林蓄积量/生物量进行估测,对森林碳储量的空间分布和动态变化进行实时监测具有重要意义。当前,微波遥感与光学遥感已广泛应用在反演森林参数方面。高分辨率遥感影像的光谱波段信息较少,但其影像空间信息量较大,可以更好地反应地物的结构特点与规律,有助于分析森林结构参数。SAR雷达数据可以实现全天候全天时对地观测,不受外界环境等因素影响,其中L波段信号可以穿透树木枝叶更好地获取树干信息,对于反演森林蓄积量有重大意义。本文基于高分辨率遥感影像和SAR雷达数据,以福建省三明市将乐国有林场为试验区,探究针叶林、阔叶林蓄积量反演的新方法。首先,提取高分辨率遥感影像的纹理特征值,利用筛选后的纹理因子建立针叶林、阔叶林蓄积量估测模型。其次,基于SAR雷达数据L波段的后向散射信号反演针叶林、阔叶林的蓄积量。最后,联合雷达数据和高分辨率影像构建线性、非线性蓄积量反演模型。主要研究内容和结果如下：1.利用资源三号卫星影像纹理特征值反演蓄积量。基于灰度共生矩阵提取资源三号影像的纹理特征值,分别选取与针叶林、阔叶林蓄积量呈显著相关的纹理特征值,建立蓄积量模型。得到针叶林模型的相关系数为0.871,估测精度为78.94%,均方根误差为27.50t/hm2；阔叶林模型的相关系数为0.702,估测精度为67.84%,均方根误差为36.81t/hm2。针叶林的反演效果好于阔叶林。2.利用ALOS PALSAR极化雷达数据的后向散射参数反演蓄积量。提取L波段不同极化方式下雷达数据的后向散射系数及其比值,分析不同林分蓄积量与雷达参数的相关性,并建立回归模型和指数模型。分析比较得出：针叶林线性回归模型的估测效果较好,模型的相关系数为0.783,预估精度为78.37%,均方根误差为28.31 t/hm2；阔叶林指数模型的估测效果好,模型的相关系数为0.734,预估精度为73.49%,均方根误差为29.11 t/hm2。3.利用资源三号卫星影像与雷达数据联合反演蓄积量。结合资源三号数据的纹理特征值与雷达数据的后向散射系数,分别建立针叶林、阔叶林的联合反演模型,通过构建多元逐步回归、偏最小二乘和BP人工神经网络模型。分析比较显示：针叶林逐步回归模型效果最好,模型相关系数为0.898,预估精度为83.07%,均方根误差为20.45t/hm2；阔叶林BP神经网络模型最好,预估精度为80.14%,均方根误差为21.42t/hm2。联合反演模型较单一数据源模型在一定程度上有效提高了针叶林、阔叶林蓄积量的估算精度。
【关键词】：资源三号 ALOS PALSAR 纹理特征 后向散射 蓄积量估测
【学位授予单位】：北京林业大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：S718.5;P237
【目录】：

• 摘要4-6
• ABSTRACT6-10
• 1. 绪论10-18
• 1.1 研究背景10
• 1.2 国内外研究进展10-14
• 1.2.1 单一遥感数据源估算森林蓄积量研究进展10-13
• 1.2.2 多源遥感数据估算森林蓄积量研究进展13-14
• 1.3 项目来源与经费支持14-15
• 1.4 研究目的与研究内容15
• 1.4.1 研究目的15
• 1.4.2 研究内容15
• 1.5 技术路线15-18
• 2. 研究区概况与数据获取18-28
• 2.1 研究区概况18-19
• 2.1.1 地理位置18
• 2.1.2 森林资源18-19
• 2.1.3 气候特征19
• 2.2 数据获取19-22
• 2.2.1 资源三号高分辨率影像数据19-20
• 2.2.2 极化雷达遥感影像数据20-22
• 2.2.3 地面数据22
• 2.3 数据预处理22-28
• 2.3.1 极化雷达数据预处理22-24
• 2.3.2 资源三号高分辨率影像预处理24-27
• 2.3.3 外业数据处理27-28
• 3. 基于资源三号数据的林分蓄积量估算28-42
• 3.1 资源三号纹理特征的提取28-30
• 3.2 样本数据预处理30
• 3.3 资源三号高分影像对森林蓄积量的响应特征分析30-41
• 3.3.1 基于灰度共生矩阵的纹理特征值和蓄积量之间的关系30-34
• 3.3.2 基于资源三号卫星纹理特征值估算蓄积量34-41
• 3.4 本章小结41-42
• 4. 基于ALOS PALSAR数据的林分蓄积量估算42-46
• 4.1 极化SAR参数与森林蓄积量的相关性分析42-43
• 4.2 极化SAR估测森林蓄积量模型建立及精度评价43-44
• 4.3 基于SAR数据多元线性估测模型44-45
• 4.4 本章小结45-46
• 5. 基于多源遥感数据的林分蓄积量估测46-58
• 5.1 协同反演估测的意义46
• 5.2 基于资源三号影像和PALSAR影像的多元回归协同反演46-49
• 5.2.1 针叶林、阔叶林蓄积量反演模型46-47
• 5.2.2 模型分析与检验47-49
• 5.3 基于资源三号影像和PALSAR影像的偏最小二乘协同反演49-52
• 5.3.1 建立针叶林、阔叶林偏最小二乘模型50-51
• 5.3.2 模型检验与比较51-52
• 5.4 基于资源三号影像和PALSAR影像的人工神经网络协同反演52-56
• 5.4.1 BP人工神经网络52
• 5.4.2 基于BP神经网络的针叶林、阔叶林蓄积量反演52-55
• 5.4.3 模型检验与比较55-56
• 5.5 三种多源数据协同反演蓄积量比较分析56
• 5.6 本章小结56-58
• 6. 结论与讨论58-60
• 6.1 结论58-59
• 6.2 讨论59-60
• 参考文献60-64
• 个人简介64-65
• 导师简介65-66
• 个人成果简介66-67
• 致谢67

【相似文献】

中国期刊全文数据库 前10条

1 詹总谦;来冰华;万杰;李楼;;一种利用纹理特征和朴素贝叶斯分类器检测近景影像植被的方法[J];武汉大学学报(信息科学版);2013年06期

2 黄春龙;邢立新;韩冬;;基于纹理特征的水系信息提取[J];吉林大学学报(地球科学版);2008年S1期

3 张慧;王宏琦;孙显;;结合颜色和纹理特征的树冠提取方法[J];光学技术;2008年04期

4 张砾;;辅以纹理特征的洪泽湖湿地信息提取[J];遥感信息;2010年03期

5 耿国华;王克刚;李康;;基于色彩纹理特征的图像分类及应用[J];西北大学学报(自然科学版);2010年01期

6 王晶;刘湘南;;引入纹理特征的多光谱遥感影像海面油膜信息提取[J];海洋通报;2013年04期

7 张睿;张继贤;李海涛;;基于角度纹理特征及剖面匹配的高分辨率遥感影像带状道路半自动提取[J];遥感学报;2008年02期

8 汪华章;;基于纹理特征的岩屑图像识别[J];西南民族大学学报(自然科学版);2009年05期

9 刘健;余坤勇;许章华;李国清;缪丽娟;沈建文;;竹资源专题信息提取纹理特征量构建研究[J];遥感信息;2010年06期

10 王丽涛;王世新;周艺;刘文亮;王峰;王福涛;;基于纹理特征的高分辨率遥感影像灾害监测应用[J];灾害学;2014年03期

中国重要会议论文全文数据库 前10条

1 田学东;郭宝兰;;基于纹理特征的版式识别研究[A];辉煌二十年——中国中文信息学会二十周年学术会议论文集[C];2001年

2 殷积东;刘博;王少辉;;基于粗糙集理论和关联规则的腐蚀区域纹理特征检测算法研究[A];图像图形技术研究与应用(2010)[C];2010年

3 秦钟;;基于纹理特征的车辆分割方法[A];第二十七届中国控制会议论文集[C];2008年

4 王建新;周晨波;于文英;;利用纹理特征分析激光散斑图像[A];第十一届全国光学测试学术讨论会论文（摘要集）[C];2006年

5 王宇生;陈纯;;一种用于图像检索的纹理特征[A];中国图象图形学会第十届全国图像图形学术会议（CIG’2001）和第一届全国虚拟现实技术研讨会（CVR’2001）论文集[C];2001年

6 龚红菊;姬长英;;基于纹理特征的麦穗产量测量方法研究[A];2007年中国农业工程学会学术年会论文摘要集[C];2007年

7 常哲;侯榆青;程涛;李明俐;刘黎宁;;综合颜色和纹理特征的图像检索[A];全国第三届信号和智能信息处理与应用学术交流会专刊[C];2009年

8 赵银娣;蔡燕;;纹理特征在高空间分辨率遥感影像分类中的应用探讨[A];《测绘通报》测绘科学前沿技术论坛摘要集[C];2008年

9 秦健;李涛;;基于Contourlet变换提取云的旋转不变纹理特征[A];2009第五届苏皖两省大气探测、环境遥感与电子技术学术研讨会专辑[C];2009年

10 张树恒;阳维;廖广姗;王莲芸;张素;;基于形状和纹理特征的致敏花粉显微图像识别[A];中华医学会2010年全国变态反应学术会议暨中欧变态反应高峰论坛参会指南/论文汇编[C];2010年

中国博士学位论文全文数据库 前2条

1 夏瑜;基于结构的纹理特征及应用研究[D];中国科学技术大学;2014年

2 李伯宇;图像纹理分析及分类方法研究[D];复旦大学;2007年

中国硕士学位论文全文数据库 前10条

1 杨秀娟;基于纹理特征的图像检索研究[D];西安科技大学;2009年

2 苟吉祥;基于多尺度纹理特征的性别识别技术的研究[D];兰州大学;2013年

3 杨雪琴;图像模式的形态和纹理特征研究及其在尿沉渣有形成分识别中的应用[D];重庆大学;2010年

4 郭金鸽;基于纹理特征的医学图像检索技术的研究与应用[D];内蒙古科技大学;2012年

5 胡德凤;基于纹理特征图像分割的研究[D];合肥工业大学;2013年

6 吴智德;基于纹理特征与高性能分类器的计算机辅助检测[D];第四军医大学;2011年

7 胡永芳;基于纹理特征的钢板表面缺陷检测技术研究[D];昆明理工大学;2012年

8 郑晓霞;基于纹理特征的图像检索技术研究[D];哈尔滨工程大学;2008年

9 楼吉林;基于颜色和纹理特征的道路网络自动提取技术研究[D];浙江工业大学;2007年

10 黄丽达;基于纹理特征的图像检索技术研究[D];湖南大学;2005年

  本文关键词：基于多源遥感数据的森林蓄积量估算，由笔耕文化传播整理发布。

本文编号：330051