Sentinel-2卫星落叶松林龄信息反演
发布时间：2021-08-20 08:43
林龄结构信息能够有效反映区域森林群落不同生长阶段的固碳能力,对于评估森林生态系统的健康状况具有重要意义。本研究以中国温带典型优势树种落叶松林为研究对象,分别选择其芽萌动期、展叶期和落叶期时段的Sentinel-2影像,采用多元线性回归（MLR）、随机森林（RF）、支持向量机回归（SVR）、前馈反向传播神经网络（BP）以及多元自适应回归样条（MARS）等5种方法依次构建落叶松林龄反演模型。通过相关性分析首先确定最佳遥感反演物候期,并在此基础上根据相关性差异筛选出5个最优特征变量用于模型反演,分别为冠层含水量（CWC）,归一化水体指数（NDWI）,叶面积指数（LAI）,光合有效辐射吸收率（FAPAR）和植被覆盖度（FVC）。研究结果表明,展叶期为落叶松林最佳遥感反演物候期。除植被衰减指数（PSRI）以及落叶期的NDVI、RVI外,落叶松林龄与各指标之间均呈负相关关系,其中与冠层含水量（CWC）的相关性最高,pearson相关系数达到-0.74（p<0.01）。此外,不同模型反演结果表明,随机森林模型（RF）为最佳落叶松林龄估测模型,其平均决定系数R2和平均均方根...
【文章来源】：遥感学报. 2020,24(12)北大核心EICSCD
【文章页数】：14 页
【部分图文】：
研究区地理位置
通过对落叶松林分年龄训练样本和验证样本的模型分析发现（表5）：针对训练样本，最佳的林龄估算模型为随机森林模型（RF），多元线性回归模型（MLR）反演精度最低；针对验证样本，最佳的林龄估算模型为前馈反向传播神经网络模型（BP），多元线性回归模型（MLR）反演精度最低。除随机森林模型（RF）外，各模型在训练样本和验证样本中林龄估算精度相似，随机森林模型（RF）在验证样本中的表现差于训练样本。将训练样本作为评价标准，各模型预测林龄精度顺序从高到低依次为：RF>MARS>BP>SVR>MLR，模型误差范围为2.91—5.69 a，优于Suratman等（2004）在马来西亚针对橡胶林构建的树龄模型（误差范围6.4—8.2 a），略低于Sivanpillai等（2006）在美国德克萨斯州东部区域构建的火炬松林龄模型（误差范围2.89—3.44 a）精度。与上述研究差异产生的原因是研究区位于山地地区，地形复杂性带来同林龄落叶松光谱信息的差异性。以展叶期的冠层含水量为例（图2），可发现不同坡面下冠层含水量信息存在差异，从幼龄林到近熟林阶段，阴面冠层含水量高于阳面且变化趋势更快，这种差异在落叶松林龄反演中会带来更大误差。4.2.3 模型验证与分析
图3 MLR模型实际林龄与反演林龄散点图对于模型中出现高估幼龄林、低估成熟林的情况，根据落叶松整个生长阶段的抚育措施，分析造成该结果的原因主要有以下两点。首先，是由于种植密度差异，落叶松在幼龄林阶段生长速度快且种植密度高于中龄林，导致幼龄林光谱承载信息与中龄林相似。另一方面，是由于冠层结构饱和效应，随着林龄不断增长，虽然间伐等抚育措施会导致种植密度不断下降，但在近熟林和成熟林阶段，落叶松冠层已完全郁闭，并且进入成熟期后落叶松生长缓慢，此时成熟林光谱信息与近熟林相似（Zhang等，2004）。
【参考文献】：
期刊论文
[1]基于多光谱影像的森林树种识别及其空间尺度响应[J]. 徐凯健,田庆久,岳继博,唐少飞. 应用生态学报. 2018(12)
[2]中国森林乔木林碳储量及其固碳潜力预测[J]. 李奇,朱建华,冯源,肖文发. 气候变化研究进展. 2018(03)
[3]基于遥感数据与森林详查估算林龄的空间分布[J]. 李凡,李明泽,史泽林,姜宏宇,安金鹏. 森林工程. 2018(02)
[4]基于Sentinel-2A岷江上游地表生物量反演与植被特征分析[J]. 杨斌,李丹,王磊,陈财. 科技导报. 2017(21)
[5]青藏高原植被指数最新变化特征及其与气候因子的关系[J]. 刘振元,张杰,陈立. 气候与环境研究. 2017(03)
[6]沙地樟子松人工林林木胸径、冠幅等生长指标与林龄相关性研究[J]. 周凤艳. 防护林科技. 2017(02)
[7]基于长时间序列Landsat影像的南方人工林干扰与恢复制图分析[J]. 沈文娟,李明诗. 生态学报. 2017(05)
[8]4种落叶松的生长与年周期物候的调查观测[J]. 张志伟. 安徽农学通报. 2013(15)
[9]浅谈树木年龄测定方法的研究进展[J]. 吴斡宁,万涛. 绿色科技. 2013(07)
[10]随机森林模型在分类与回归分析中的应用[J]. 李欣海. 应用昆虫学报. 2013(04)
硕士论文
[1]多元光滑样条自适应回归模型及其应用[D]. 陈立宇.华北理工大学 2015
本文编号：3353189
【文章来源】：遥感学报. 2020,24(12)北大核心EICSCD
【文章页数】：14 页
【部分图文】：
研究区地理位置
通过对落叶松林分年龄训练样本和验证样本的模型分析发现（表5）：针对训练样本，最佳的林龄估算模型为随机森林模型（RF），多元线性回归模型（MLR）反演精度最低；针对验证样本，最佳的林龄估算模型为前馈反向传播神经网络模型（BP），多元线性回归模型（MLR）反演精度最低。除随机森林模型（RF）外，各模型在训练样本和验证样本中林龄估算精度相似，随机森林模型（RF）在验证样本中的表现差于训练样本。将训练样本作为评价标准，各模型预测林龄精度顺序从高到低依次为：RF>MARS>BP>SVR>MLR，模型误差范围为2.91—5.69 a，优于Suratman等（2004）在马来西亚针对橡胶林构建的树龄模型（误差范围6.4—8.2 a），略低于Sivanpillai等（2006）在美国德克萨斯州东部区域构建的火炬松林龄模型（误差范围2.89—3.44 a）精度。与上述研究差异产生的原因是研究区位于山地地区，地形复杂性带来同林龄落叶松光谱信息的差异性。以展叶期的冠层含水量为例（图2），可发现不同坡面下冠层含水量信息存在差异，从幼龄林到近熟林阶段，阴面冠层含水量高于阳面且变化趋势更快，这种差异在落叶松林龄反演中会带来更大误差。4.2.3 模型验证与分析
图3 MLR模型实际林龄与反演林龄散点图对于模型中出现高估幼龄林、低估成熟林的情况，根据落叶松整个生长阶段的抚育措施，分析造成该结果的原因主要有以下两点。首先，是由于种植密度差异，落叶松在幼龄林阶段生长速度快且种植密度高于中龄林，导致幼龄林光谱承载信息与中龄林相似。另一方面，是由于冠层结构饱和效应，随着林龄不断增长，虽然间伐等抚育措施会导致种植密度不断下降，但在近熟林和成熟林阶段，落叶松冠层已完全郁闭，并且进入成熟期后落叶松生长缓慢，此时成熟林光谱信息与近熟林相似（Zhang等，2004）。
【参考文献】：
期刊论文
[1]基于多光谱影像的森林树种识别及其空间尺度响应[J]. 徐凯健,田庆久,岳继博,唐少飞. 应用生态学报. 2018(12)
[2]中国森林乔木林碳储量及其固碳潜力预测[J]. 李奇,朱建华,冯源,肖文发. 气候变化研究进展. 2018(03)
[3]基于遥感数据与森林详查估算林龄的空间分布[J]. 李凡,李明泽,史泽林,姜宏宇,安金鹏. 森林工程. 2018(02)
[4]基于Sentinel-2A岷江上游地表生物量反演与植被特征分析[J]. 杨斌,李丹,王磊,陈财. 科技导报. 2017(21)
[5]青藏高原植被指数最新变化特征及其与气候因子的关系[J]. 刘振元,张杰,陈立. 气候与环境研究. 2017(03)
[6]沙地樟子松人工林林木胸径、冠幅等生长指标与林龄相关性研究[J]. 周凤艳. 防护林科技. 2017(02)
[7]基于长时间序列Landsat影像的南方人工林干扰与恢复制图分析[J]. 沈文娟,李明诗. 生态学报. 2017(05)
[8]4种落叶松的生长与年周期物候的调查观测[J]. 张志伟. 安徽农学通报. 2013(15)
[9]浅谈树木年龄测定方法的研究进展[J]. 吴斡宁,万涛. 绿色科技. 2013(07)
[10]随机森林模型在分类与回归分析中的应用[J]. 李欣海. 应用昆虫学报. 2013(04)
硕士论文
[1]多元光滑样条自适应回归模型及其应用[D]. 陈立宇.华北理工大学 2015
本文编号：3353189
本文链接：https://www.wllwen.com/nykjlw/lylw/3353189.html
