基于光学和SAR遥感的福建省森林生物量估算
发布时间：2021-12-09 21:25
生物量是一定时间,一定空间一种或多种生物有机体的总重量。生物量的多少反映了生态群落利用自然潜力的能力,是衡量生态群落生产力的重要指标[1]。本文基于福建省Landsat8OLI遥感影像数据,采用混合像元分解模型筛选出“纯净”的植被像元,并提取296个调查样地对应植被像元的红和近红外的反射率信息（R和NIR）及其对应的中心波长（CWR和CWNIR）,构建了基于（NIR-R）/（CWNIR-CWR）为特征指数的叶生物量回归模型（以下简称光谱斜率回归模型）,间接的估算了福建省森林地上生物量。同时,本文采用SAR的HV极化后向散射系数和传统植被指数回归模型分别对福建省地上生物量进行了估算,最后对比分析不同方法的福建省地上生物量的估算结果及各自优缺点。主要结论如下:1)光谱斜率回归模型适用于福建省地上生物量估算。采用该方法在分森林群落的基础上先估算不同植被类型的叶生物量,然后根据叶生物量与地上生物量所呈的函数关系,间接的估算了福建省地上生物量。估算结果与实测地上生物量具有较好的相关性,估算精度较高,说明该方法切实可行。2)基于光谱斜率回归模型与传统植被指数回归模型的福建省地上生物量估算结果对比。...
【文章来源】：福州大学福建省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图１－１偏最小二乘法流程??洪奕丰等［４５］以南平县为研宄区，基于ＣＢＥＲＳ数据提取不同的遥感因子和地理因子，??采用偏最小二乘的方：法，对当地生物量进行估算
ＢＰ?（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ）神经网络是由?Ｒｕｍｅｌｈａｒｔ?和?ＭｃＣｅｌｌａｎｄ?于?１９８６?年提出，是??一种多个因子作为输入层进行样本训练，根据训练结果在隐含层中进行处理，在输出层??输出结果的一种网络模型。是目前应用最广泛的模型之一，图１－２为神经网络示意图。??麵９??晒丨平均蓄积釐??平均海拔？??输入层?隐含层?输出层??图１－２神经网络示意图??１＾〇丨％１！等［５３］采用５种森林生物量预测模型对美国北部森林生物量进行估测，并对所??采用的５种生物量估算模型对比分析，结果表明采用ＢＰ神经网络模型对生物量估算精度??更高。邓立斌等［５４］采用ＢＰ神经网络模型对湖南会同、攸县的杉木林分生物量进行估算，??结果表明利用ＢＰ神经网络模型可用于森林生物量估算，其估测精度较高。涂云燕等［５５］??采用遥感因子、地理因子和郁闭度共１１个因子作为神经网络的输入变量，以密云县实测??森林地上生物量作为输出变量，采用ＲＢＦ与ＢＰ神经网络两种方法对当地生物量进行估算。??结果显示，ＲＢＦ神经网络模型的生物量估算精度更高。琚存勇等［５６］对８？神经网络模型进??行泛化改进
图１－３研宄技术路线图??１．４．?２论文结构??论文分为六章，分别从研究的背景、理论基础、方法和结果分析进行了详细的阐述。??第一章绪论。介绍了生物量的相关定义，对选题的研宄背景和意义进行了详细阐??述，总结了生物量研宄的国内外进展情况。在此基础上，确定了本研究的主要内容和技??术路线。??第二章研宂区与数据预处理。介绍了福建省的地形、气候等基本概况，以及样地??的分布与获取情况。此外，对光学遥感影像的辐射定标、大气校正，ＳＡＲ遥感影像的辐??射定标、多视处理等数据处理做了介绍，最后对样地筛选中用到的混合像元分解流程及??１０??
【参考文献】：
期刊论文
[1]森林生物量的研究进展[J]. 周超. 现代园艺. 2016(13)
[2]星载SAR辐射定标及其精度分析[J]. 陶满意,纪鹏,黄源宝,姜岩. 中国空间科学技术. 2015(05)
[3]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]. 黄丽艳,闫巧玲,高添,朱教君. 生态学杂志. 2015(09)
[4]基于偏最小二乘回归模型的高山松蓄积量遥感估测[J]. 李圣娇,舒清态,徐云栋,张焱. 江苏农业科学. 2015(08)
[5]围栏封育下伊犁绢蒿荒漠草地特征植物高光谱特征变化分析[J]. 夏小伟,靳瑰丽,安沙舟,范燕敏,梁娜. 草业科学. 2015(06)
[6]SAR图像滤波方法比较与分析[J]. 王宇航,范文义,张金虎. 森林工程. 2015(03)
[7]基于高分辨率遥感影像的森林蓄积量估测[J]. 李利伟,黄国胜,王雪军,张超,智长贵,党永峰,王威. 福建林业科技. 2014(04)
[8]基于岭回归的思茅松单木生物量复合模型构建[J]. 吴明山,叶江霞,胥辉. 东北林业大学学报. 2015(02)
[9]基于Landsat 8 OLI数据的玉米冠层含水量反演研究[J]. 郑兴明,丁艳玲,赵凯,姜涛,李晓峰,张世轶,李洋洋,武黎黎,孙建,任建华,张宣宣. 光谱学与光谱分析. 2014(12)
[10]基于偏最小二乘回归的森林蓄积量遥感估测[J]. 刘琼阁,彭道黎,涂云燕. 中南林业科技大学学报. 2014(02)
博士论文
[1]调频连续波合成孔径雷达成像研究与系统实现[D]. 蔡永俊.中国科学院国家空间科学中心 2016
[2]基于多源数据和神经网络模型的森林资源蓄积量动态监测[D]. 吴达胜.浙江大学 2014
[3]基于实测数据的雷达成像方法研究[D]. 邢孟道.西安电子科技大学 2002
硕士论文
[1]利用ASAR数据进行水稻识别和监测[D]. 张萍萍.南京信息工程大学 2006
[2]多时相ENVISAT ASAR数据森林制图及参数反演研究[D]. 朱海珍.北京林业大学 2006
本文编号：3531334
【文章来源】：福州大学福建省 211工程院校
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
图１－１偏最小二乘法流程??洪奕丰等［４５］以南平县为研宄区，基于ＣＢＥＲＳ数据提取不同的遥感因子和地理因子，??采用偏最小二乘的方：法，对当地生物量进行估算
ＢＰ?（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ）神经网络是由?Ｒｕｍｅｌｈａｒｔ?和?ＭｃＣｅｌｌａｎｄ?于?１９８６?年提出，是??一种多个因子作为输入层进行样本训练，根据训练结果在隐含层中进行处理，在输出层??输出结果的一种网络模型。是目前应用最广泛的模型之一，图１－２为神经网络示意图。??麵９??晒丨平均蓄积釐??平均海拔？??输入层?隐含层?输出层??图１－２神经网络示意图??１＾〇丨％１！等［５３］采用５种森林生物量预测模型对美国北部森林生物量进行估测，并对所??采用的５种生物量估算模型对比分析，结果表明采用ＢＰ神经网络模型对生物量估算精度??更高。邓立斌等［５４］采用ＢＰ神经网络模型对湖南会同、攸县的杉木林分生物量进行估算，??结果表明利用ＢＰ神经网络模型可用于森林生物量估算，其估测精度较高。涂云燕等［５５］??采用遥感因子、地理因子和郁闭度共１１个因子作为神经网络的输入变量，以密云县实测??森林地上生物量作为输出变量，采用ＲＢＦ与ＢＰ神经网络两种方法对当地生物量进行估算。??结果显示，ＲＢＦ神经网络模型的生物量估算精度更高。琚存勇等［５６］对８？神经网络模型进??行泛化改进
图１－３研宄技术路线图??１．４．?２论文结构??论文分为六章，分别从研究的背景、理论基础、方法和结果分析进行了详细的阐述。??第一章绪论。介绍了生物量的相关定义，对选题的研宄背景和意义进行了详细阐??述，总结了生物量研宄的国内外进展情况。在此基础上，确定了本研究的主要内容和技??术路线。??第二章研宂区与数据预处理。介绍了福建省的地形、气候等基本概况，以及样地??的分布与获取情况。此外，对光学遥感影像的辐射定标、大气校正，ＳＡＲ遥感影像的辐??射定标、多视处理等数据处理做了介绍，最后对样地筛选中用到的混合像元分解流程及??１０??
【参考文献】：
期刊论文
[1]森林生物量的研究进展[J]. 周超. 现代园艺. 2016(13)
[2]星载SAR辐射定标及其精度分析[J]. 陶满意,纪鹏,黄源宝,姜岩. 中国空间科学技术. 2015(05)
[3]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]. 黄丽艳,闫巧玲,高添,朱教君. 生态学杂志. 2015(09)
[4]基于偏最小二乘回归模型的高山松蓄积量遥感估测[J]. 李圣娇,舒清态,徐云栋,张焱. 江苏农业科学. 2015(08)
[5]围栏封育下伊犁绢蒿荒漠草地特征植物高光谱特征变化分析[J]. 夏小伟,靳瑰丽,安沙舟,范燕敏,梁娜. 草业科学. 2015(06)
[6]SAR图像滤波方法比较与分析[J]. 王宇航,范文义,张金虎. 森林工程. 2015(03)
[7]基于高分辨率遥感影像的森林蓄积量估测[J]. 李利伟,黄国胜,王雪军,张超,智长贵,党永峰,王威. 福建林业科技. 2014(04)
[8]基于岭回归的思茅松单木生物量复合模型构建[J]. 吴明山,叶江霞,胥辉. 东北林业大学学报. 2015(02)
[9]基于Landsat 8 OLI数据的玉米冠层含水量反演研究[J]. 郑兴明,丁艳玲,赵凯,姜涛,李晓峰,张世轶,李洋洋,武黎黎,孙建,任建华,张宣宣. 光谱学与光谱分析. 2014(12)
[10]基于偏最小二乘回归的森林蓄积量遥感估测[J]. 刘琼阁,彭道黎,涂云燕. 中南林业科技大学学报. 2014(02)
博士论文
[1]调频连续波合成孔径雷达成像研究与系统实现[D]. 蔡永俊.中国科学院国家空间科学中心 2016
[2]基于多源数据和神经网络模型的森林资源蓄积量动态监测[D]. 吴达胜.浙江大学 2014
[3]基于实测数据的雷达成像方法研究[D]. 邢孟道.西安电子科技大学 2002
硕士论文
[1]利用ASAR数据进行水稻识别和监测[D]. 张萍萍.南京信息工程大学 2006
[2]多时相ENVISAT ASAR数据森林制图及参数反演研究[D]. 朱海珍.北京林业大学 2006
本文编号：3531334
本文链接：https://www.wllwen.com/nykjlw/lylw/3531334.html
