长白落叶松生物量组分多尺度遥感反演
发布时间：2021-05-23 23:11
森林生物量是衡量森林生态系统生产力的重要指标,在阐释全球碳循环机制、应对全球气候变化以及生态系统等研究中具有重要作用。传统的森林生物量估测以高密度的样地调查为基础,通过构建异速生长模型来实现,具有原理简单、适用性强、估测精度高等优势,但需要耗费大量的人力物力,对森林生态系统的干扰较大,难以实现长期、宏观的森林生物量动态监测。遥感技术因其在应对各类复杂地表、大范围、长时间跨度等方面所表现出的超强连续探测及提取能力,展现出不可替代的优势,在森林生物量估测领域有诸多成功的案例。然而,单一的遥感手段在实际应用中存在着一定的局限性,如光学遥感数据易饱和造成生物量估测精度不高;微波雷达数据源较少且易受地形起伏因素干扰;激光雷达离散的属性以及机载激光雷达较高的成本,导致其难以实现大范围的连续监测。因此,研究如何克服单一遥感手段的不足,综合运用天空地一体化对地观测手段,解决多源遥感信息一体化、快速和综合处理等关键技术,实现多尺度、快速、准确地获取森林生物量,具有十分重要的意义。本研究以黑龙江省长白落叶松人工林为研究对象,以基于机载Li DAR的生物量反演模型为媒介,有机地衔接了地面调查与光学遥感数据,...
【文章来源】：中国林业科学研究院北京市
【文章页数】：159 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状及发展趋势
1.2.1 基于光学遥感的生物量估算
1.2.2 基于微波雷达的生物量估算
1.2.3 基于激光雷达的生物量估算
1.2.4 基于多源遥感数据的生物量联合估算
1.2.5 机器学习研究现状与发展趋势
1.3 研究目标与主要内容
1.3.1 关键的科学问题与研究目标
1.3.2 研究主要内容
1.4 技术路线
第二章 研究区与数据
2.1 研究区概况
2.1.1 孟家岗林场概况
2.1.2 林口林业局概况
2.2 数据获取
2.2.1 样地与解析木数据获取
2.2.2 航空遥感数据获取
2.2.3 卫星遥感数据获取
2.3 数据预处理与参数提取
2.3.1 LiDAR数据
2.3.2 GF-1数据
2.4 小结
第三章 落叶松相容性生物量模型构建
3.1 方法
3.1.1 生物量基础模型
3.1.2 相容性生物量模型
3.1.3 模型评价
3.2 结果与分析
3.3 讨论
3.4 小结
第四章 基于LiDAR的落叶松生物量反演模型构建
4.1 研究方法
4.1.1 多元线性回归
4.1.2 随机森林回归
4.1.3 模型评价
4.2 结果与分析
4.2.1 MLR模型结果与验证
4.2.2 RF模型结果与验证
4.2.3 模型的比较与评价
4.2.4 模型的调试与优化
4.3 讨论
4.4 小结
第五章 基于GF-1的落叶松生物量外推模型构建
5.1 研究方法
5.1.1 落叶松分布信息提取
5.1.2 生物量外推模型构建
5.1.3 生物量模型的外推验证
5.2 结果与分析
5.2.1 落叶松分布信息提取
5.2.2 RF外推模型结果与验证
5.2.3 LSTM外推模型结果与验证
5.2.4 模型的比较与评价
5.2.5 模型的调试与优化
5.2.6 模型的外推结果与评价
5.3 讨论
5.4 小结
第六章 结论与展望
6.1 主要结论
6.2 创新点
6.3 展望
参考文献
在读期间的学术研究
致谢
【参考文献】：
期刊论文
[1]随机森林方法支持的复杂地形区土地利用/土地覆被分类研究[J]. 马慧娟,高小红,谷晓天. 地球信息科学学报. 2019(03)
[2]融合卷积神经网络与Adaboost算法的病害松树识别[J]. 胡根生,殷存军,张艳,方怡,朱艳秋. 安徽大学学报(自然科学版). 2019(02)
[3]基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J]. 李懿超,沈润平,黄安奇. 江苏农业科学. 2019(03)
[4]基于称重式蒸渗仪及多种传感器的作物表型及蒸散监测系统研制[J]. 刘艳萍,杜雅丽,聂铭君,薛绪掌,张馨,郑文刚,崔可旺. 农业工程学报. 2019(01)
[5]新疆云杉一体化立木生物量模型系统研建[J]. 马克西,曾伟生,李智华. 林业科学研究. 2018(06)
[6]基于多尺度自适应特征的机载LiDAR点云分类[J]. 杨书娟,张珂殊,邵永社. 光学学报. 2019(02)
[7]利用卷积神经网络改进迭代深度学习算法的图像识别方法研究[J]. 孙平安,祁俊,谭秋月. 计算机应用研究. 2019(07)
[8]林口林业局生物多样性及保护措施[J]. 王琴. 中国林副特产. 2018(02)
[9]深度学习在遥感影像分类中的研究进展[J]. 付伟锋,邹维宝. 计算机应用研究. 2018(12)
[10]气候对云南松林分生物量的影响研究[J]. 罗恒春,张超,魏安超. 西南林业大学学报(自然科学). 2017(06)
博士论文
[1]中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[D]. 任冲.中国林业科学研究院 2016
[2]森林地上生物量遥感估测方法研究[D]. 穆喜云.内蒙古农业大学 2015
[3]亚热带地区马尾松林碳储量的遥感估算及其时空变化分析[D]. 黄绍霖.福州大学 2015
[4]区域尺度森林地上生物量的不确定性度量研究[D]. 傅煜.中国林业科学研究院 2015
[5]基于ALOS遥感影像纹理信息的怀柔区针、阔叶林蓄积量反演模型研究[D]. 刘俊.北京林业大学 2014
[6]随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014
[7]基于激光雷达与多光谱遥感数据的森林地上生物量反演研究[D]. 汤旭光.中国科学院研究生院(东北地理与农业生态研究所) 2013
[8]基于神经网络方法的杉木人工林林分生长模拟研究[D]. 车少辉.中国林业科学研究院 2012
[9]基于支持向量机的聚类及文本分类研究[D]. 平源.北京邮电大学 2012
[10]全国立木生物量方程建模方法研究[D]. 曾伟生.中国林业科学研究院 2011
硕士论文
[1]基于GF-2卫星夏玉米不同生育期叶面积指数反演方法研究[D]. 贾洁琼.西北大学 2018
[2]基于车辆动力响应的无砟轨道损伤辨识方法研究[D]. 胥帅.石家庄铁道大学 2018
[3]基于非平衡数据的随机森林算法研究[D]. 魏正韬.西安电子科技大学 2017
[4]深度学习在回归预测中的研究及应用[D]. 王秀美.山东农业大学 2017
[5]基于激光雷达和外推模型的森林地上生物量估算研究[D]. 郑朝菊.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[6]结合高分辨率遥感影像多维特征的森林分类[D]. 白金婷.北京林业大学 2016
[7]基于地理加权回归的区域森林碳储量估计[D]. 郭含茹.浙江农林大学 2015
[8]桂东南不同密度柳杉人工林生态系统生物量及碳氮格局研究[D]. 莫德祥.广西大学 2013
[9]基于LS-SVM模型的高光谱影像分类的研究[D]. 郭学兰.中南大学 2013
[10]山东菏泽杨树人工林碳储量和碳贮库特征研究[D]. 刘诗琦.北京林业大学 2013
本文编号：3203133
【文章来源】：中国林业科学研究院北京市
【文章页数】：159 页
【学位级别】：博士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 研究背景与意义
1.2 国内外研究现状及发展趋势
1.2.1 基于光学遥感的生物量估算
1.2.2 基于微波雷达的生物量估算
1.2.3 基于激光雷达的生物量估算
1.2.4 基于多源遥感数据的生物量联合估算
1.2.5 机器学习研究现状与发展趋势
1.3 研究目标与主要内容
1.3.1 关键的科学问题与研究目标
1.3.2 研究主要内容
1.4 技术路线
第二章 研究区与数据
2.1 研究区概况
2.1.1 孟家岗林场概况
2.1.2 林口林业局概况
2.2 数据获取
2.2.1 样地与解析木数据获取
2.2.2 航空遥感数据获取
2.2.3 卫星遥感数据获取
2.3 数据预处理与参数提取
2.3.1 LiDAR数据
2.3.2 GF-1数据
2.4 小结
第三章 落叶松相容性生物量模型构建
3.1 方法
3.1.1 生物量基础模型
3.1.2 相容性生物量模型
3.1.3 模型评价
3.2 结果与分析
3.3 讨论
3.4 小结
第四章 基于LiDAR的落叶松生物量反演模型构建
4.1 研究方法
4.1.1 多元线性回归
4.1.2 随机森林回归
4.1.3 模型评价
4.2 结果与分析
4.2.1 MLR模型结果与验证
4.2.2 RF模型结果与验证
4.2.3 模型的比较与评价
4.2.4 模型的调试与优化
4.3 讨论
4.4 小结
第五章 基于GF-1的落叶松生物量外推模型构建
5.1 研究方法
5.1.1 落叶松分布信息提取
5.1.2 生物量外推模型构建
5.1.3 生物量模型的外推验证
5.2 结果与分析
5.2.1 落叶松分布信息提取
5.2.2 RF外推模型结果与验证
5.2.3 LSTM外推模型结果与验证
5.2.4 模型的比较与评价
5.2.5 模型的调试与优化
5.2.6 模型的外推结果与评价
5.3 讨论
5.4 小结
第六章 结论与展望
6.1 主要结论
6.2 创新点
6.3 展望
参考文献
在读期间的学术研究
致谢
【参考文献】：
期刊论文
[1]随机森林方法支持的复杂地形区土地利用/土地覆被分类研究[J]. 马慧娟,高小红,谷晓天. 地球信息科学学报. 2019(03)
[2]融合卷积神经网络与Adaboost算法的病害松树识别[J]. 胡根生,殷存军,张艳,方怡,朱艳秋. 安徽大学学报(自然科学版). 2019(02)
[3]基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J]. 李懿超,沈润平,黄安奇. 江苏农业科学. 2019(03)
[4]基于称重式蒸渗仪及多种传感器的作物表型及蒸散监测系统研制[J]. 刘艳萍,杜雅丽,聂铭君,薛绪掌,张馨,郑文刚,崔可旺. 农业工程学报. 2019(01)
[5]新疆云杉一体化立木生物量模型系统研建[J]. 马克西,曾伟生,李智华. 林业科学研究. 2018(06)
[6]基于多尺度自适应特征的机载LiDAR点云分类[J]. 杨书娟,张珂殊,邵永社. 光学学报. 2019(02)
[7]利用卷积神经网络改进迭代深度学习算法的图像识别方法研究[J]. 孙平安,祁俊,谭秋月. 计算机应用研究. 2019(07)
[8]林口林业局生物多样性及保护措施[J]. 王琴. 中国林副特产. 2018(02)
[9]深度学习在遥感影像分类中的研究进展[J]. 付伟锋,邹维宝. 计算机应用研究. 2018(12)
[10]气候对云南松林分生物量的影响研究[J]. 罗恒春,张超,魏安超. 西南林业大学学报(自然科学). 2017(06)
博士论文
[1]中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[D]. 任冲.中国林业科学研究院 2016
[2]森林地上生物量遥感估测方法研究[D]. 穆喜云.内蒙古农业大学 2015
[3]亚热带地区马尾松林碳储量的遥感估算及其时空变化分析[D]. 黄绍霖.福州大学 2015
[4]区域尺度森林地上生物量的不确定性度量研究[D]. 傅煜.中国林业科学研究院 2015
[5]基于ALOS遥感影像纹理信息的怀柔区针、阔叶林蓄积量反演模型研究[D]. 刘俊.北京林业大学 2014
[6]随机森林算法优化研究[D]. 曹正凤.首都经济贸易大学 2014
[7]基于激光雷达与多光谱遥感数据的森林地上生物量反演研究[D]. 汤旭光.中国科学院研究生院(东北地理与农业生态研究所) 2013
[8]基于神经网络方法的杉木人工林林分生长模拟研究[D]. 车少辉.中国林业科学研究院 2012
[9]基于支持向量机的聚类及文本分类研究[D]. 平源.北京邮电大学 2012
[10]全国立木生物量方程建模方法研究[D]. 曾伟生.中国林业科学研究院 2011
硕士论文
[1]基于GF-2卫星夏玉米不同生育期叶面积指数反演方法研究[D]. 贾洁琼.西北大学 2018
[2]基于车辆动力响应的无砟轨道损伤辨识方法研究[D]. 胥帅.石家庄铁道大学 2018
[3]基于非平衡数据的随机森林算法研究[D]. 魏正韬.西安电子科技大学 2017
[4]深度学习在回归预测中的研究及应用[D]. 王秀美.山东农业大学 2017
[5]基于激光雷达和外推模型的森林地上生物量估算研究[D]. 郑朝菊.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[6]结合高分辨率遥感影像多维特征的森林分类[D]. 白金婷.北京林业大学 2016
[7]基于地理加权回归的区域森林碳储量估计[D]. 郭含茹.浙江农林大学 2015
[8]桂东南不同密度柳杉人工林生态系统生物量及碳氮格局研究[D]. 莫德祥.广西大学 2013
[9]基于LS-SVM模型的高光谱影像分类的研究[D]. 郭学兰.中南大学 2013
[10]山东菏泽杨树人工林碳储量和碳贮库特征研究[D]. 刘诗琦.北京林业大学 2013
本文编号：3203133
本文链接：https://www.wllwen.com/shoufeilunwen/nykjbs/3203133.html
