基于Sentinel-1A微波遥感数据的森林蓄积量估测

发布时间：2022-07-13 12:42

　　Sentinel-1A作为开源的集微波和光学数据一体的卫星数据源,给森林资源调查和监测提供了重要的数据源。为了探索Sentinel-1A数据在森林资源调查中的可用性,以Sentinel-1A为遥感数据源,结合地面样地森林蓄积量调查数据,采用随机森林法和偏最小二乘法两种模型对云南省普洱市思茅区的森林蓄积量进行预测以及遥感反演。通过对遥感影像进行一系列预处理,提取微波遥感数据VV和VH极化下的后向散射系数,并分别计算5个窗口（3m×3m、5m×5m、7m×7m、9m×9m、11m×11m）下的8种纹理特征,共计83个特征作为备选自变量,其中31个特征与蓄积量通过相关性检验,结合219块地面调查样地,采用随机森林法和偏最小二乘法两种算法,进行建模因子重要性分析,选择10个最优特征,建立随机森林蓄积量估测模型并进行定量反演。随机森林法回归模型在结果上优于偏最小二乘法回归模型,随机森林法的模型预测R~2为0.80,RMSE为30.14 m~3/hm~2;偏最小二乘法的模型预测R~2为0.70,RMSE为36.68 m~3/hm~2。随机森林法相较于偏最小二乘法在森林蓄积量预估及反演方面具有明显的... 

【文章页数】：9 页

【文章目录】：
1 研究区概况
2 材料与方法
    2.1 数据来源
        2.1.1 雷达数据
        2.1.2 样地点数据
    2.2 数据处理
        2.2.1 雷达影像预处理
        2.2.2 纹理变量提取
    2.3 蓄积量估测方法
        2.3.1 随机森林回归模型
        2.3.2 偏最小二乘回归模型
        2.3.3 模型评价与检验
3 结果与分析
    3.1 自变量与因变量相关性分析
    3.2 模型的构建
    3.3 精度评价
    3.4 森林蓄积量反演
4 结论与讨论


【参考文献】：
期刊论文
[1]基于Sentinel-1A卫星SAR数据的水体提取方法研究[J]. 李成绕,薛东剑,张露,苏璐璐.  地理空间信息. 2018(01)
[2]结合纹理因子和地形因子的森林蓄积量多光谱估测模型[J]. 杨柳,冯仲科,岳德鹏,孙金华.  光谱学与光谱分析. 2017(07)
[3]思茅区森林资源动态变化分析及可持续发展建议[J]. 邓桃.  林业调查规划. 2017(02)
[4]基于Sentinel-1A后向散射特性的高原山区地物分类探讨——以安顺市为例[J]. 许璟,安裕伦,刘绥华,韩可欣.  贵州师范大学学报(自然科学版). 2016(06)
[5]基于最优特征空间构建的随机森林算法在WorldView-2影像分类中的适用性研究[J]. 丛佃敏,赵书河,李娴,庄喜阳.  科学技术与工程. 2016(31)
[6]基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类[J]. 王宇航,范文义,刘超逸.  东北林业大学学报. 2016(09)
[7]基于林分结构响应的PALSAR森林结构参数估测[J]. 赵明瑶,刘会云,张晓丽,焦志敏,姚智,杨铭.  北京林业大学学报. 2015(06)
[8]Sentinel-1卫星综述[J]. 杨魁,杨建兵,江冰茹.  城市勘测. 2015(02)
[9]雷达遥感技术在水稻识别中的研究进展[J]. 王松寒,何隆华.  遥感信息. 2015(02)
[10]基于偏最小二乘的森林生物量遥感估测[J]. 刘琼阁,彭道黎,涂云燕,李艳丽,高东启.  东北林业大学学报. 2014(07)

硕士论文
[1]复杂地形区域合成孔径雷达正射影像制作方法研究[D]. 魏钜杰.辽宁工程技术大学 2009



本文编号：3660063