基于Landsat 8 OLI和ALOS-2 PALSAR-2数据的北京市森林生物量估测研究.pdfVIP

摘要 摘要 森林生物量反映了森林生态系统的物质循环，是衡量森林结构和功能变化的重要 指标。准确估算森林生物量是统计分析碳储量的基础，对更好地了解碳循环、提高森 林政策和管理活动效率具有重要意义。光学遥感影像有丰富的光谱和纹理特征，可以 获取森林水平结构信息，雷达数据在获取森林垂直信息方面具有优势。因此，联合光 学影像和雷达数据建立生物量估测模型，充分发挥两种影像数据的优势，在提高森林 生物量估测模型拟合效果及精度方面具有较大的发展潜力。 本文以北京市为研究区，基于 Landsat 8 OLI 光学遥感影像和 ALOS-2 PALSAR- 2 雷达数据，结合森林资源清查数据，提取两种遥感数据的建模变量，利用 K 最近邻 法和随机森林法建立不同变量集合（仅 Landsat 8 OLI 影像、仅 ALOS-2 PALSAR-2 数 据、两种影像结合）的针叶林、阔叶林、混交林的森林生物量估测模型，对比不同建 模方法、不同变量组合、不同林型估测森林生物量的精度，探讨最适合于北京地区的 估测模型，并对北京市森林生物量分布进行统计分析。 主要研究内容及结果如下： （1）对提取的遥感变量分为三种变量集合进行建模，分别是 Landsat 8 OLI 变量、 ALOS-2 PALSAR-2 变量和两种数据结合的变量。结果表明两种变量结合的模型的估 测结果（R2 为 0.50-0.66，均方根误差为 13.43-16.42Mg/ha ）优于仅使用单一变量的模 型（R2 为 0.38-0.53 ，均方根误差为 14.54-19.26Mg/ha ）。相同情况下两种变量结合的 估测结果均高于单一变量。 （2 ）构建基于 K 最近邻法和随机森林法的森林生物量估测模型，对结果进行比 较分析可知，相同条件下随机森林模型能够有效降低生物量估测的误差。与 K 最近 邻模型相比，随机森林模型的 R2 由0.38-0.51 升高至 0.50-0.66 ，RMSE 由 14.46-19.26 Mg/ha 降低至 13.43-16.12 Mg/ha ，改进了模型效果，提高了模型精度。因此随机森林 模型更适用于北京市森林生物量估测。 （3 ）北京市森林平均生物量密度为51.93Mg/ha ，森林生物量主要分布在延庆、怀 柔、密云等西北部山区，西城、东城、朝阳、海淀等城六区所在的中部地区以城区为 主，森林较少，生物量值较低；根据海拔划分，约有75% 以上的森林生物量分布在800m 以下的地区，其余分布在800m 以上地区。 本研究通过分析不同建模方法、不同变量集合对估测森林生物量的影响，得到了 I 摘要 北京市森林生物量估测的最优模型，该方法较适用于北京地区的生物量估测，为相关 林业决策部门的规划提供依据。 关键词： 森林生物量；Landsat 8 OLI 影像；ALOS-2 PALSAR-2 数据；K 最近邻；随 机森林 II 目录 目录 摘要 I ABSTRACTIII 1. 绪论 1 1.1. 研究背景 1 1.2. 国内外研究现状2 1.2.1. 光学遥感为数据源的研究进展2 1.2.2. SAR 数据为数据源的研究进展 3 1.2.3. 结合光学遥感和雷达数据估测森林生物量的研究进展4 1.3. 研究内容和技术路线 6 1.3.1. 研究内容 6 1.3.2. 技术路线图 6 2. 研究区与数据 8 2.1. 研究区概况 8 2.1.1. 地理位置 8 2.1.2. 地形地貌 8 2.1.3. 气候特征9 2.