融合影像纹理、光谱与地形特征的森林冠顶高反演模型

发布时间：2024-06-13 22:36

　　针对基于光学遥感数据的区域森林冠顶高反演精度较低的问题,基于SPOT5多光谱影像的纹理、光谱与地形特征参数分别运用多元逐步回归(multiple stepwise regression,MSR)、偏最小二乘回归(partial least squares regression,PLSR)和BP(back-propagation)神经网络模型进行区域森林冠顶高反演,对模型的反演精度进行对比分析,确定研究区最优模型。结果显示,各林型纹理参数与样地实测冠顶高相关性皆优于其他光谱参数,各林型森林冠顶高反演模型中BP神经网络模型估算精度优于其他模型。对于BP神经网络模型,阔叶林、针叶林与混交林模型验证结果的决定系数R2分别为0.76,0.97和0.92,均方根误差(root mean square error,RMSE)分别为1.6 m,1.35 m和2.29 m。研究表明纹理参数可以很好地反映森林冠层的结构特征,结合影像纹理、光谱与地形特征参数的BP神经网络模型在森林冠顶高反演方面具有良好的应用潜力。

【文章页数】：8 页

【部分图文】：

图1露水河林场及样地分布

研究区南部65块样地野外调查数据获取于2008年8—9月间，为使样地覆盖不同的地形增加代表性，于2015年8—9月间在研究区西北部补充调查35块样地(图1)。研究区共设置100块实测样地，其中阔叶林41块、针叶林14块、针阔混交林45块、样地中心点坐标及高程信息由同步高精度GPS....

图2技术路线

首先，对研究区SPOT-5遥感影像和DEM数据进行预处理;然后，提取研究区森林的相关遥感参数;最后，联合样地最大冠顶高及所选遥感参数，基于不同林型分别建立区域尺度森林冠顶高反演模型，通过模拟分析确定最优模型。具体技术路线如图2所示。2.2SPOT5遥感参数提取及分析

图3不同林型BP神经网络模型冠顶高模拟及验证

各林型森林冠顶高反演模型及精度验证如表4所示。从表4中可以看出，阔叶林中PLSR与MSR的建模精度几乎相同，而PLSR的验证精度高于MSR，说明对于阔叶林PLSR的泛化能力优于MSR;针叶林中PLSR与MSR的R2相差不大，但PLSR的RMSE较小，说明对于针叶林PLSR的反演结....

本文编号：3993748