基于特征优选的森林地上生物量遥感估测

发布时间：2020-04-27 12:21

【摘要】：准确估测森林地上生物量(above-ground biomass,AGB)对全球碳循环和气候变化研究具有重要意义。综合利用多源遥感数据及其派生特征因子(如植被指数、纹理、K-T变换因子、地形因子等)可以在一定程度上提高森林生物量估测精度,但利用多源遥感数据及其派生特征因子通常会伴有数据维度高,信息冗余,易造成估测模型过拟合等问题,目前该领域仍缺少一种稳定、高效的针对森林生物量遥感建模的特征优选方法。为了能够有效利用高维遥感特征进行森林AGB估测,本文提出基于快速迭代特征选择的k最近邻法(k-nearestneighborwithfast iterative features selection,KNN-FIFS)。KNN-FIFS 以森林资源样地调查数据计算的森林AGB为参考,以留—法交叉验证(leave-one-outcross-validation,LOO)相应的k-NN(k-nearest neighbor)模型反演的森林AGB均方根误差(root mean square error,RMSE)最小为原则,依次迭代选取遥感特征,从而优化区域森林AGB的k-NN估测模型。本文以内蒙古大兴安岭根河森林保护区为研究区,结合1)Landsat-8 OLI(operational land imager)各波段光谱信息;2)植被指数;3)K-T变换因子;4)纹理;5)地形因子;6)机载合成孔径雷达(synthetic aperture radar,SAR)P-波段HV极化后向散射强度信息(PHV)以及森林资源样地调查数据,利用KNN-FIFS方法进行研究区森林AGB估测,并与参数化特征优选建模方法(多元线性逐步回归)和非参机器学习方法(Pearson相关系数特征选择+k-NN建模,随机森林特征选择+k-NN建模以及支持向量机)对比分析。研究结果表明基于KNN-FIFS方法的森林AGB估测精度(R2=0.77,RMSE=22.74t·ha-1)优于多元线性逐步回归(R2=0.53,RMSE=32.37 t·ha-1)、Pearson相关系数特征选择+k-NN建模(R2=0.60,RMSE=30.58 t·ha-1)、随机森林特征选择 +k-NN 建模(R2=0.63,RMSE=28.54t·ha-1)以及支持向量机(R2=0.66,RMSE=27.70t·ha-1)等估测精度。通过快速迭代特征选择,KNN-FIFS方法可以从高维度遥感特征因子中高效、稳定的选取相关特征进行森林AGB优化建模;另外,KNN-FIFS方法实现了森林AGB遥感估测从特征优选建模到区域反演全过程的自动化,也为大区域森林AGB和其它森林参数遥感估测提供了一种可能的业务化运行方法。
【图文】：

路线图,总体技术,路线图,毕业论文

图１－１总体技术路线图逡逑Ｆｉｇ．邋１－１邋Ｆｌｏｗｃｈａｒｔ邋ｏｆ邋ｏｖｅｒａｌｌ邋ｔｅｃｈｎｉｑｕｅ邋ｒｏｕｔｅ逡逑

根河,保护区,野外调查,样地

第二章研究区概况及试验数据逡逑２．邋１研究区概况逡逑大兴安岭根河森林保护区位于内蒙古自治区呼伦贝尔北部（图２－１），地理范逡逑围邋１２１°邋３０Ｍ２１。３１’Ｅ，５０°邋４９？？５０°邋５１Ｗ；该区域海拔约邋８００￣１１００ｍ，地势起逡逑伏相对较平缓且河网发育，８０％以上为坡度为１５°的缓坡；保护区地处寒温带湿逡逑润型气候区，并且有大陆季风气候的一些特性，气候寒冷湿润；降水主要集中在逡逑７－８月份，年降水量约４５０？５００ｍｍ，，无霜期平均为９０山平均气温－５．３°Ｃ，气温日逡逑较差大，最高达２０°Ｃ，极端最低气温－５５°Ｃ，年较差４７．４°Ｃ；该区域结冻期较长，逡逑平均每年结冻期在２１０邋ｄ左右，整个境内遍布永冻层；保护区森林覆盖率达９０％逡逑以上，以兴安落叶松构成的明亮针叶林为主要森林类型，优势逡逑树种为兴安落叶松，伴生树种为白桦山杨逡逑等。逡逑１１５ｏ（Ｔ０＂Ｅ逦１２０ｏ（Ｔ０＂Ｅ逦１２５°（Ｖ０”Ｅ逦１３０°（Ｔ０＂Ｅ逦１３５°（Ｔ０”Ｅ逦１２１ｏ２５，０＂Ｅ逦１２１。３０．０＂￡逦１２１°３５，０＞，逡逑
【学位授予单位】：福州大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：S718.556;S771.8

【参考文献】