应用滤波方法提高高山松地上生物量遥感估测精度的研究

发布时间：2021-10-24 01:11

　　基于1987年、1992年、1997年、2002年、2007年、2012年分布在香格里拉市的34个高山松固定样地数据,以及Landsat时间序列数据集,利用谷歌地球引擎和Python,通过3种滤波算法对时间序列数据进行重构,应用随机森林算法对森林地上生物量进行估测,根据模型评价指标对重构前后时间序列数据的估测效果进行分析。结果表明:采用3种不同滤波方法重构的时间序列数据训练的非参数模型,其拟合精度和预测精度均高于滤波前时间序列的预测精度,整体均方根误差和相对均方根误差指标均优于滤波前数据,其中ARMIA方法最佳。应用滤波方法在一定程度消除了影像自身所携带的大量噪声和不确定性,有效地提高了数据质量,提高了高山松地上生物量遥感估测的精度。 

【文章来源】：西南林业大学学报(自然科学). 2020,40(05)北大核心

【文章页数】：9 页

【部分图文】：

研究区34个高山松固定样地分布

在实际提取遥感因子时间序列的时候，考虑到后期滤波时的稳定时间间隔，在提取操作之前对每个年份的遥感因子提取值求取了中位数[27]，这样既避免了对原始数值的改动也得到了代表该年度的遥感因子DN(digital number）值。2.4 时间序列滤波重构

从34个样地点中选择了位于河谷地区生长状态良好且实测次数达到了5次的第26号固定样地。第26号样地点的8种不同遥感因子滤波重构前后的时间序列变化曲线见图3。其中红色实线表示未经滤波重构的原始因子数据，可以看出其存在巨大的噪声和不确定性，均表现出起伏不定，即使是相邻年份的数值也表现出巨大的差异。其他3种颜色表示的经过滤波重构的因子数据，从图中对比3种滤波重构算法的重构效果，可以看出：LandTrendr算法以较少拐点的线段简化了时间序列的巨大波动，相对而言1×3窗口均值滤波算法重构以均值的形式去除异常，而AR-IMA因为算法原理的原因，需要从前序数据中把握趋势，所以在拟合初段表现的较为不稳定，但随着时间序列年份的推移，其对序列整体趋势的把握逐渐稳定。3种重构算法对于时间序列的拟合都能够很好的展现原始数据的整体变化趋势。单独来看，BLUE波段因子的滤波前后曲线可以看出，原始数据的变化起伏较大，意味着蓝波段传感器获得的数据受到影响较大，而滤波算法的介入使得拟合曲线的波动幅度大幅减少，基本可以保持与其他波段相近的波动幅度。对于EVI因子的滤波前后曲线可以看出，原始数据在1997年存在1个明显的尖峰（异常值），而3种滤波算法都很好的识别并重构了该年份的数据，使其趋于一个合理的波动范围内。

【参考文献】：
期刊论文
[1]基于重构的Landsat 8时间序列数据和温度植被指数的区域旱情监测[J]. 路中,雷国平,马泉来,郭晶鹏,王居午.  水土保持研究. 2018(05)
[2]应用Landsat8 OLI和GBRT对高山松地上生物量的估测[J]. 张加龙,胥辉,陆驰.  东北林业大学学报. 2018(08)
[3]基于森林小班的香格里拉市高山松生物量遥感建模[J]. 陆驰,张加龙,王爱芸,胥辉.  西南林业大学学报(自然科学). 2017(03)
[4]环境星归一化植被指数时间序列滤波算法比较[J]. 刘寒,冯莉,朱榴骏,黄银友.  遥感信息. 2015(05)
[5]MODIS植被指数时间序列Savitzky-Golay滤波算法重构[J]. 边金虎,李爱农,宋孟强,马利群,蒋锦刚.  遥感学报. 2010(04)
[6]遥感时间序列数据滤波重建算法发展综述[J]. 李儒,张霞,刘波,张兵.  遥感学报. 2009(02)
[7]香格里拉县的森林资源及其特点分析[J]. 宋发荣.  西部林业科学. 2008(01)
[8]NDVI时间序列谐波分析与地表物候信息获取[J]. 林忠辉,莫兴国.  农业工程学报. 2006(12)
[9]青藏高原：全球气候变化的驱动机与放大器──Ⅲ．青藏高原隆起对气候变化的影响[J]. 潘保田,李吉均.  兰州大学学报. 1996(01)

博士论文
[1]香格里拉县森林生物量遥感估测研究[D]. 岳彩荣.北京林业大学 2012

硕士论文
[1]基于Landsat的香格里拉市高山松地上生物量及其动态变化建模研究[D]. 陆驰.西南林业大学 2017



本文编号：3454282