自然资源遥感, 2024, 36(1): 210-216 doi: 10.6046/zrzyyg.2022478

技术应用

基于ICESat-2和Sentinel-2A数据的森林蓄积量反演

刘美艳,1,2, 聂胜,2, 王成2, 习晓环2, 程峰1, 冯宝坤1

1.云南师范大学地理学部,昆明 650500

2.中国科学院空天信息创新研究院数字地球重点实验室,北京 100094

Forest stock volume inversion based on ICESat-2 and Sentinel-2A data

LIU Meiyan,1,2, NIE Sheng,2, WANG Cheng2, XI Xiaohuan2, CHENG Feng1, FENG Baokun1

1. Faculty of Geography, Yunnan Normal University, Kunming 650500, China

2. Key Laboratory of Digital Earth Sciences, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China

通讯作者: 聂 胜(1990-),男,博士,副研究员,主要从事激光雷达及全球变化应用研究。Email:niesheng@aircas.ac.cn。

责任编辑: 陈理

收稿日期: 2022-12-5   修回日期: 2023-03-8  

基金资助: 广西自然科学基金创新研究团队项目“广西森林垂直结构LiDAR反演及生物量监测”(2019GXNSFGA245001)
湖湘高层次人才聚集工程—创新团队项目(2019RS1060)
中国科学院青年创新促进会项目(2019130)

Received: 2022-12-5   Revised: 2023-03-8  

作者简介 About authors

刘美艳(1998-),女,硕士研究生,主要从事林业遥感研究。Email: meiyanliu@user.ynnu.edu.cn。

摘要

森林蓄积量是林业调查的重要指标,在衡量森林健康状况和评价森林固碳能力等方面发挥重要作用,协同主被动遥感是当前反演大区域森林蓄积量的主要手段。以云南香格里拉森林为研究区,分别提取ICESat-2/ATLAS和Sentinel-2A影像的特征变量,并通过相关性分析和共线性诊断方法筛选特征变量,构建Sentinel-2A变量集和ICESat-2/ATLAS变量集,以及二者联合的变量集,然后结合样地实测数据与3个特征变量集,采用逐步线性回归和随机森林方法分别建立线性和非线性回归模型,反演森林蓄积量,并对结果进行精度验证及对比分析。研究结果表明: 对3个变量集,随机森林方法精度均优于逐步线性回归; ICESat-2/ATLAS变量集在2种回归方法下的反演精度均高于Sentinel-2A变量集; 联合Sentinel-2A和ICESat-2/ATLAS变量集,随机森林方法的反演精度最高,其R2,RMSE和rRMSE分别为0.703 4,84.78 m3/hm2和36.46%。整体来说,与Sentinel-2A数据相比,基于ICESat-2/ATLAS数据及其与多源数据联合的反演模型均可以提高森林蓄积量反演精度和模型稳定性。

关键词： 森林蓄积量; 特征变量; 随机森林; 多元回归; ICESat-2/ATLAS; Sentinel-2A

Abstract

Forest stock volume (FSV), a critical indicator in forestry surveys, plays a significant role in evaluating the health and carbon sequestration capacity of forests. Cooperative inversion using active and passive remote sensing data is an essential method for FSV inversion of large areas. Focusing on forests in Shangri-La, Yunnan Province, this study extracted feature variables from ICESat-2/ATLAS and Sentinel-2A images and then screened them through correlation analysis and collinearity diagnostics. Using the selected feature variables, this study constructed a Sentinel-2A variable set, an ICESat-2/ATLAS variable set, and a combined variable set. Based on the measured data of sample sites and the three feature variable sets, this study built linear and nonlinear regression models for FSV inversion using stepwise linear regression and the random forest method, respectively. Finally, this study performed accuracy verification and comparative analysis of the results: ① For the three variable sets, the random forest method yielded higher accuracy than the stepwise linear regression; ② The ICESat-2/ATLAS variable set exhibited higher inversion accuracy than the Sentinel-2A variable set under both regression methods; ③ Combining Sentinel-2A and ICESat-2/ATLAS variable sets, the random forest method yielded the highest inversion accuracy, with its coefficient of determination (R2), root mean square error (RMSE), and relative root mean square error (rRMSE) of 0.7034, 84.78 m3/hm2, and 36.46%, respectively. Overall, compared to Sentinel-2A data, the inversion models based on ICESat-2/ATLAS data and multi-source remote sensing data can effectively improve the accuracy of FSV inversion and model stability.

Keywords： forest stock volume; feature variable; random forest; multiple regression; ICESat-2/ATLAS; Sentinel-2A

PDF (6259KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

刘美艳, 聂胜, 王成, 习晓环, 程峰, 冯宝坤. 基于ICESat-2和Sentinel-2A数据的森林蓄积量反演[J]. 自然资源遥感, 2024, 36(1): 210-216 doi:10.6046/zrzyyg.2022478

LIU Meiyan, NIE Sheng, WANG Cheng, XI Xiaohuan, CHENG Feng, FENG Baokun. Forest stock volume inversion based on ICESat-2 and Sentinel-2A data[J]. Remote Sensing for Land & Resources, 2024, 36(1): 210-216 doi:10.6046/zrzyyg.2022478

0 引言

森林生态系统是地球上生产力最高、现存量最大的陆地生态系统,在“双碳”背景下,森林的地位和作用更加凸显,在实现碳中和目标过程中扮演着重要的角色,高效、快速地估测大区域森林蓄积量具有重要意义[1]。相较于传统地面调查,卫星遥感技术已成为当前森林资源动态监测的有效手段[2]。

遥感数据结合地面实测数据构建反演模型是森林蓄积量遥感估测的主要方法。基于被动光学遥感提取地物光谱和纹理信息,但只能获取其水平方向信息且光谱信息易饱和,导致森林蓄积量出现低估现象。主动激光雷达(light detection and ranging,LiDAR)遥感对森林冠层具有穿透性,可获取森林冠层表面到林下地形之间详细的垂直结构特征,有效提高蓄积量估算精度[3]。但LiDAR尤其是星载光子计数LiDAR,其光子点分布离散,相邻条带间间距约从90 m到3.3 km不等,难以提供覆盖研究区的高密度数据,同时缺乏纹理和光谱信息。结合LiDAR的三维信息与光学遥感的水平信息,可在一定程度上提高蓄积量的估算精度,也是当前的热门研究方向[4-5]。刘雪莲等[6]基于Sentinel-1A微波遥感数据,建立随机森林(random forest,RF)模型反演普洱市思茅区森林蓄积量,R2达到0.80,但在地形复杂区域精度有待提高; 孙忠秋等[7]基于机载LiDAR数据,使用RF算法估算吉林大兴沟森林蓄积量,联合冠层高度和郁闭度建模,R2为0.79,并通过变量筛选提高了运算效率; 宋涵玥等[8]基于第二代对地观测LiDAR卫星ICESat-2/ATLAS(ice, cloud, and land elevation satellite-2/advanced topographic laser altimeter system)估算了森林地上生物量并分析了坡度影响,模型R2为0.93、总体精度为83.31%,且模型受坡度影响较小; Duncanson等[9]分别基于全球生态系统动力学(global ecosystem dynamics investigation,GEDI)、ICESat-2和双频段合成孔径雷达成像卫星(NASA-ISRO synthetic aperture Radar,NISAR)数据建立生物量模型,取得较好的应用效果。在主动LiDAR遥感中,绝大多数森林蓄积量反演都基于机载LiDAR数据进行,而基于ICESat-2/ATLAS数据的森林蓄积量研究鲜有报道。

本研究以云南香格里拉林区为对象,利用ICESat-2/ATL08和Sentinel-2A数据,提取森林冠层高度特征、基于光学影像的光谱和纹理特征,并结合森林二类调查数据,分别采用多元线性逐步回归和RF方法建立回归模型反演森林蓄积量,最后对反演结果进行精度验证和比较分析,探究多源数据联合反演森林蓄积量的可行性并寻找最优遥感估测模型。

1 研究区及其数据源

1.1 研究区概况

香格里拉市是云南省迪庆藏族自治州的下辖市之一,地理坐标为N26°52'~28°52',E99°22'~100°19',地处云南、四川及西藏三省区的交汇处。全市东西总宽88 km,南北总长218 km,总面积为11 613 km2,境内地势陡峭崎岖,总体趋势西北高、东南低,平均海拔约3 459 m[10],属于温带和寒温带季风气候。至2016年底,香格里拉市林地总面积为95.98万hm2,森林面积为85.88万hm2,活立木达1.33亿m3,森林覆盖率达到74%。

1.2 ICESat-2数据

ICESat-2卫星于2018年9月15日发射升空,卫星搭载的ATLAS载荷采用光子计数技术,沿轨道方向采样间隔约为0.7 m,激光足迹的直径约为11~12 m [11]。ATLAS共发射6束激光,沿轨道方向平行排列为3组,每组分别包含1束强光束和1束弱光束; 强波束光斑质量更佳[12]。ATLAS共有21种标准产品,分Level0—Level3共4级[13-14],本研究采用Level3级产品中的陆地和植被高度产品(ATL08),包含地表植被和陆地地形信息,如不同百分位森林冠层高度、高程和坡度等,其森林高度指数普遍低于小斑LiDAR计算的相应指数,百分位高度指数随着百分比增加而更趋准确[15],为实现森林高度、蓄积量和生物量等参数反演提供了可能。目前该产品已经更新至第5版,该版本采用了更新的算法,在植被密度较高区域表现出更加良好的性能。

为了提高后续参数反演精度,首先对ATL08数据进行预处理,主要包括剔除具有较大冠层高度不确定的数据、剔除地面高程与相应SRTM参考高程差值大于50 m的光子点(此类光子点受到云层影响导致激光信号并非从地面反射得到)。研究区海拔较高、地势复杂,光子点受外界环境的影响较大,存在数据缺失,故在研究区范围内获取的数据条带较少。选取数据质量较高且与实测数据获取时间相近的一组数据,时间为2018年11月,图1(a)为ICESat-2/ATL08轨迹分布。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区卫星数据和蓄积量分布

Fig.1   Distribution of satellite data and forest stock volume in the study area


1.3 Sentinel-2A数据

Sentinel-2A/B卫星携带的多光谱成像仪覆盖13个光谱波段,范围从可见光—近红外—短波红外,空间分辨率分别为10 m,20 m和60 m [16-17]。本研究使用Level-2A数据,经过了地表反射率(bottom of atmosphere, BOA)正射校正和几何纠正。Sentinel-2A是目前唯一包含3个红边波段的光学卫星,对于监测植被生长和健康状况非常有效[18]。考虑到成像时间和质量,选取2018年12月且云量小于10%的影像。对影像采用最近邻插值方法重采样到10 m空间分辨率,波段从13个变为12个,减少了短波红外波段B10,因B10是卷云波段,需要大气顶部(top of atmosphere, TOA)的反射率而不是BOA,因此,Sen2Cor并未处理该波段,使用该波段需要从Level-1C数据中提取。

1.4 实测数据

实测数据为2016年香格里拉市森林资源二类调查数据[19],该小斑数据已完成了矢量化处理,图层中包含平均树高、平均胸径、树龄、林木蓄积量、林木株数量和小斑面积等。将蓄积量划分为5级,空间分布如图1(b)所示。

通过渔网布设[20]方式将研究区划分为10 m×10 m网格,随机选取包含ATL08光子点的样地205块。由于ICESat-2激光足迹的直径约为11~12 m,单个足迹覆盖面积约为95~113 m2,为尽量保持各数据最小单元范围一致,故将实测数据划分为10 m×10 m,将Sentinel-2A数据空间分辨率重采样为10 m,样地每公顷蓄积量信息如表1所示。

表1   森林蓄积量统计信息

Tab.1  Statistical information of forest stock volume

蓄积量/
(m3·hm-2)		样地
数/个		最大值/
(m3·hm-2)		最小值/
(m3·hm-2)		均值/
(m3·hm-2)
[0,200)134193396
[200,400)43369201286
≥40028666400475

新窗口打开| 下载CSV


2 研究方法

2.1 特征变量提取与筛选

ATL08产品包含了光子点的地理坐标、坡度、高程和冠层高度等信息,筛选出可能对蓄积量产生影响的参数作为特征变量,如表2所示,选取不同百分位的森林冠层高度和高程等特征变量26个。

表2   ICESat-2/ATL08数据产品参数

Tab.2  Data product parameters of ICESat-2/ATL08

名称描述参数符号
h_canopy估计地形表面以上路段所有单独树冠相对高度的98%。通过将冠层光子高度与估计的地形表面进行差分,计算出相对冠层高度h_canopy
h_mean_
canopy		单个相对冠层高度的平均值h_mean
h_max_
canopy		单个冠层高度最大值h _ max
h_min_
canopy		单个冠层高度最小值h _ min
n_seg_ph每个陆地段内光子数h_seg
dem_h地理定位点最佳可用数字高程模型,mh_dem
terrain_
slope		地形的沿轨道坡度h_slope
h_te_best_fit每100 m路段中点位置的最佳地形高程,mh_ terrain
canopy_h_metrics基于内插地面上方相对树冠高度累积分布的高度度量,高度指标按以下百分位数计算: 10%,15%,20%,25%,30%,35%,40%,45%,50%,55%,60%,65%,70%,75%,80%,85%,90%,95%,共有18个h_m (m=10,15,…,95)

新窗口打开| 下载CSV


基于预处理后Sentinel-2A影像得到20个光谱特征,其中12个波段反射率(Bi,i=1,2,3,4,5,6,7,8,8A,9,11,12); 8种常用植被指数,这些植被指数已被广泛用于植被生长状况评价,如表3所示。

表3   植被指数

Tab.3  Vegetation index

名称公式①名称公式
归一化植被指数NDVINDVI=NIR-RNIR+R增强型植被指数EVIEVI=2.5(NIR-R)NIR+6R-7B+1
比值植被指数RVIRVI=NIRR可见光抗大气指数VARIVARI=G-RG+R+B
差值植被指数DVIDVI=NIR-R大气抗阻植被指数ARVIARVI=NIR-2(R-B)NIR+2(R-B)
红绿植被指数RGVIRGVI=R-GR+G土壤修正植被指数SAVISAVI=(1+L)(NIR-R)(NIR-R+L)
L=0.1,0.25,0.5

①式中R,G,B和NIR分别为红光、绿光、蓝光和近红外波段反射率。

新窗口打开| 下载CSV


纹理特征是图像灰度的变化,反映地物的表面特性,对图像判读具有重要意义。灰度共生矩阵(gray-level co-occurrence matrix, GLCM)是一种通过研究灰度的空间相关特性来描述纹理的常用方法[21]。分别提取各波段的13种纹理特征,包括基于一阶概率统计的数据范围、均值、方差、信息熵、偏斜和基于二阶概率统计的二阶均值、二阶方差、同质性、对比度、异质性、二阶信息熵、二阶矩、相关性,如表4所示,12个波段共提取纹理特征156个。

表4   纹理特征参数

Tab.4  Texture feature parameter

名称描述参数符号①
数据范围灰度值的范围Rani
均值灰度值的平均值Meai
方差灰度值的变化程度Vari
信息熵纹理的复杂程度Enti
偏斜灰度值的变化频率Skei
二阶均值灰度值的平均值Meani
二阶方差灰度值的变化程度Variancei
同质性图像纹理的协同性Homi
对比度图像清晰度和纹理的沟纹深浅Coni
异质性相邻像元之间灰度值的差异大小Disi
二阶信息熵图像纹理的复杂程度和非均匀程度Entropyi
二阶矩图像灰度分布的均匀程度和纹理粗细程度Seci
相关性GLCM像元的相似程度Cori

①其中i=1,2,3,4,5,6,7,8,8A,9,11,12,对应Sentinel-2A影像相应波段。

新窗口打开| 下载CSV


在建模过程中,特征变量个数越多则运算量越大、耗时越长,通常需要进行有效的变量筛选,在不损失建模精度的前提下降低运算量,提高运算效率。主要步骤为: 相关性分析,首先计算所有特征变量与样地蓄积量之间的皮尔森相关系数矩阵,筛选出与样地蓄积量之间存在显著性相关的变量[21]; 共线性诊断,引入方差膨胀因子(variance inflation factor,VIF),判断特征变量之间是否存在共线性问题,VIF<5说明无共线性,VIF >10说明模型构建较差[22]。研究取VIF<5的特征变量,消除自变量之间多重共线性的影响。

2.2 建模方法与精度评价

采用逐步线性回归[23]和RF [24]方法构建模型并进行精度评价。以筛选特征变量为自变量、实测蓄积量为因变量,构建估算蓄积量的线性回归模型。RF是包含多个决策树的集成算法,其建模过程包括2个重要的自定义参数,即ntrees和mtry,分别表示决策树数量和随机特征数量[25],一般情况下ntrees默认设置为500,mtry默认设置为全部自变量的1/3,本研究将默认设置数量放入RF回归模型中,利用该模型对验证集样本进行估计。此外,RF模型能够在数据分析的同时给出变量重要性评分(variable importance measures,VIM),检验特征参数对模型的影响,即采取逐个参数加入模型的方式,依次进行训练,评价并记录下每次训练模型的精度以及特征重要性排序,使用精度最高的模型预测森林蓄积量。采用决定系数R2、均方根误差RMSE、相对均方根误差rRMSE和偏差Bias作为模型精度和拟合优度评价指标。

3 结果与讨论

对特征变量进行筛选,从Sentinel-2A影像提取的176个特征变量中筛选出66个; 从ATL08数据提取的26个特征变量中筛选特征变量8个。为了探讨不同数据对森林蓄积量估测的影响,构建3个变量集进行建模: 变量集1包含66个 Sentinel-2A数据的变量,变量集2包含8个ATL08数据的变量,变量集3包含Sentinel-2A和ATL08组合而成的74个变量。将3个变量集分别进行逐步线性回归和RF建模,估算森林蓄积量,比较不同变量集、不同建模方法得到的反演结果的差异。

3.1 线性逐步回归

随机选择2/3的样本点作为训练集建立蓄积量预测模型,余下1/3样本点作为验证样本用于模型的精度检验,回归方程如表5所示。分析不同变量集参与建模的变量信息。变量集1参与构建逐步线性回归模型的自变量共6个,其中纹理特征5个、植被指数1个,从模型变量选择结果来看,纹理特征对于蓄积量较为敏感,它刻画了影像中出现的局部模式和排列规则,能够有效解析森林的细微结构变化[26]。变量集2参与建模的自变量共2个,分别是98%分位数的森林冠层高度h_canopy和地面高程h_dem,在ATL08数据中,h_canopy是影响森林蓄积量的主要因子。香格里拉市位于地形崎岖的高山地带,高程因子对森林蓄积量也有影响。在变量集3中参与建模的自变量共有4个,其中ATL08数据的h_canopy占权重较大; Sentinel-2A影像特征有3个,分别为纹理特征因子2个、植被指数1个。整体来看,Sentinel-2A影像的纹理特征对蓄积量较为敏感; ATL08特征集中98%分位冠层高度对森林蓄积量反演影响较大。

表5   逐步线性回归模型

Tab.5  Stepwise linear regression model

变量集逐步线性回归公式R2
1Y1=2.279-0.015Mean9+0.007RVI-
0.002 Hom11-0.023Con2-0.003Hom3-
0.004Sec2		0.406 9
2Y2=0.111 702h_canopy +0.000 387h_dem-
2.978		0.590 1
3Y3=0.092h_canopy -0.01Mean9+
0.042Variance11+0.005DVI-1.097		0.632 7

新窗口打开| 下载CSV


3.2 RF

筛选VIM排名前8的变量制成VIM排序图(图2),图2中的特征值累计百分比(cumulative percentage of eigenvalues, CPE)表示标识占图标中特征值重要性总数的百分比。变量集1中,纹理特征Mea5的VIM值最高, 8个变量中有7个是波段纹理特征中的均值; 变量集2中,h _canopy的VIM值最高,h_dem和h_slope次之; 变量集3中,依然是h_canopy的VIM值最高,且前8个变量主要包含h_canopy和h_mean这2个树高参数,以及6个纹理特征的均值。整体来看,使用Sentinel-2A数据反演蓄积量可以重点提取影像的纹理特征参数,使用ATL08数据主要提取98%分位树高h _canopy,且RF与线性逐步回归得出的结果具有一致性。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   重要性评分

Fig.2   Importance score


3.3 模型精度比较

基于变量集1—3构建逐步线性回归和RF模型反演森林蓄积量,各变量集最优参数下的森林蓄积量预测精度如表6所示。从建模结果看: 2种模型下3种变量集的R2,RMSE和rRMSE,RF模型的预测精度均优于逐步线性回归模型,R2分别升高了0.118 1,0.104 7和0.070 7; RMSE分别降低了38.34 m3/hm2,31.94 m3/hm2和25.55 m3/hm2; rRMSE分别降低了16.49,13.74和10.99百分点。ATL08数据的反演精度高于Sentinel-2A数据,变量集2在2种回归模型下的结果均优于变量集1,线性回归和RF模型的R2分别提升了0.183 2和0.169 8; RMSE分别降低了27.95 m3/hm2和21.55 m3/hm2; rRMSE分别降低了12.02和9.27百分点。变量集3在2种回归模型下的结果均优于变量集1和2,且变量集3使用RF方法得到了最优反演精度。分析模型预测的结果,在逐步线性回归和RF模型下,ATL08数据的效果均优于Sentinel-2A,故ATL08数据更适于研究区森林蓄积量的反演,联合2类数据建立的回归模型与单一数据相比,误差有所降低,拟合效果更佳。

表6   精度对比

Tab.6  Precision comparison

模型变量集R2RMSE/
(m3·hm-2)		rRMSE/
%		Bias/
(m3·hm-2)
逐步线性回归变量集10.406 9146.3962.96-87.220
变量集20.590 1118.4450.94-27.894
变量集30.632 7110.3347.4520.923
RF变量集10.525 0108.0546.47-19.486
变量集20.694 886.5037.20-17.627
变量集30.703 484.7836.46-16.559

新窗口打开| 下载CSV


图3为蓄积量实测值与不同模型预测值的拟合图,所有模型都存在一定程度的低值高估与高值低估现象。比较表6中2种模型,逐步线性回归模型出现离群点的现象高于RF模型,后者点更加紧凑地分布在拟合线的两侧。变量集1构建的逐步线性回归低估现象严重,Bias为-87.220 m3/hm2,因光学影像得到的光谱信息容易饱和,易导致森林蓄积量出现低估现象; 而变量集3构建的RF模型的Bias为-16.559 m3/hm2,效果最佳。联合ATL08和Sentinel-2A数据的模型预测值与实测值具有良好的线性关系。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   线性逐步回归和RF模型预测拟合图

Fig.3   Prediction fitting diagram of linear stepwise regression and RF model


4 结论

本研究以云南香格里拉林区为研究区,通过对ICESat-2/ATL08数据和Sentinel-2A数据处理与分析,建立逐步线性回归和随机森林模型进行森林蓄积量反演,并且结合森林二类调查数据进行精度评价和对比分析,得出以下结论:

1)随机森林模型反演精度均高于逐步线性回归模型,在森林蓄积量反演中具有明显的适用性。

2)相较于Sentinel-2A数据,ATL08数据反演精度更高,更适用于研究区内森林蓄积量的反演。激光能够穿透森林冠层,有效获取森林三维垂直结构的信息,弥补光学影像仅局限于获取水平方向信息的不足,从而有效提高蓄积量反演精度,同时ATL08数据建立的变量集模型在地形复杂区森林蓄积量的估算上也具有一定的可行性。

3)在3个变量集中,多源数据联合在蓄积量估测上具有一定优势,其总体估测结果均优于单一数据变量集的精度。

4)本研究通过提取数据各类特征参数构建蓄积量反演模型,探究多源数据联合反演森林蓄积量的可行性,最优R2为0.703 4。合适的变量集组合、恰当的回归方法都能够提高森林蓄积量反演精度。

但研究尚未考虑在不同地形条件下、在不同森林类型下估测蓄积量的联系与区别; 同时,研究数据具有时间差异、山区数据影像阴影难以去除等系列问题,致使森林蓄积量的估测存在精度偏差问题,未来也将从以上方面继续研究,解决上述问题,降低此类因素的干扰,以期能够实现多源数据高精度空间分布制图,使研究具有现实意义。

参考文献

陈新云, 李利伟, 刘承芳, 等.

热带原始森林类型分类和蓄积量遥感反演研究

[J]. 林业资源管理, 2019(2):39-46.

[本文引用: 1]

Chen X Y, Li L W, Liu C F, et al.

Remote sensing inversion of classification and stocking volume of tropical virgin forest types based on multivariate data

[J]. Forest Resources Management, 2019(2):39-46.

[本文引用: 1]

龙依, 蒋馥根, 孙华, 等.

基于HLS数据的森林蓄积量遥感反演

[J]. 森林与环境学报, 2021, 41(6):620-628.

[本文引用: 1]

Long Y, Jiang F G, Sun H, et al.

Remote sensing inversion of forest volume based on HLS data

[J]. Journal of Forest and Environment, 2021, 41(6):620-628.

[本文引用: 1]

李旺, 牛铮, 王成, 等.

机载LiDAR数据估算样地和单木尺度森林地上生物量

[J]. 遥感学报, 2015, 19(4):669-679.

[本文引用: 1]

Li W, Niu Z, Wang C, et al.

Forest above-ground biomass estimation at plot and tree levels using airborne LiDAR data

[J]. Journal of Remote Sensing, 2015, 19(4):669-679.

[本文引用: 1]

陈松, 孙华, 吴童, 等.

基于Sentinel-2与机载激光雷达数据的误差变量联立方程组森林蓄积量反演研究

[J]. 中南林业科技大学学报, 2020, 40(12):44-53.

[本文引用: 1]

Chen S, Sun H, Wu T, et al.

Study on the forest volume inversion based on the simultaneous equations of error variables of Sentinel-2 and airborne LiDAR data

[J]. Journal of Central South University of Forestry and Technology, 2020, 40(12):44-53.

[本文引用: 1]

Wang W J, He H S, Thompson F R, et al.

Changes in forest biomass and tree species distribution under climate change in the northeastern United States

[J]. Landscape Ecology, 2017, 32(7):1399-1413.

DOI:10.1007/s10980-016-0429-z      URL     [本文引用: 1]

刘雪莲, 欧绍龙, 陆双飞, 等.

基于Sentinel-1A微波遥感数据的森林蓄积量估测

[J]. 西部林业科学, 2020, 49(6):128-136.

[本文引用: 1]

Liu X L, Ou S L, Lu S F, et al.

Estimation of forest volume based on Sentinel-1A microwave remote sensing data

[J]. Journal of West China Forestry Science, 2020, 49(6):128-136.

[本文引用: 1]

孙忠秋, 高金萍, 吴发云, 等.

基于机载激光雷达点云和随机森林算法的森林蓄积量估测

[J]. 林业科学, 2021, 57(8):68-81.

[本文引用: 1]

Sun Z Q, Gao J P, Wu F Y, et al.

Estimating forest stock volume via small-footprint LiDAR point cloud data and random forest algorithm

[J]. Scientia Silvae Sinicae, 2021, 57(8):68-81.

[本文引用: 1]

宋涵玥, 舒清态, 席磊, 等.

基于星载ICESat-2/ATLAS数据的森林地上生物量估测

[J]. 农业工程学报, 2022, 38(10):191-199.

[本文引用: 1]

Sarker L R, Nichol J E.

Improved forest biomass estimates using ALOS AVNIR-2 texture indices

[J]. Remote Sensing of Environment, 2011, 115(4):968-977.

DOI:10.1016/j.rse.2010.11.010      URL     [本文引用: 1]

Song H Y, Shu Q T, Xi L, et al.

Remote sensing estimation of forest above-ground biomass based on spaceborne LiDAR ICESat-2/ATLAS data

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(10):191-199.

[本文引用: 1]

Duncanson L, Neuenschwander A, Hancock S, et al.

Biomass estimation from simulated GEDI,ICESat-2 and NISAR across environmental gradients in Sonoma County,California

[J]. Remote Sensing of Environment, 2020, 242:11779.

[本文引用: 1]

刘蓉姣, 张加龙, 陈培高.

基于混合像元分解的香格里拉市高山松空间分布变化研究

[J]. 西北林学院学报, 2021, 36(1):9-17.

[本文引用: 1]

Liu R J, Zhang J L, Chen P G.

Spatial distribution changes of the pinus densata forests in Shangri-La City based on mixed pixel decomposition

[J]. Journal of Northwest Forestry University, 2021, 36(1):9-17.

[本文引用: 1]

Magruder L A, Brunt K M, Alonzo M.

Early ICESat-2 on-orbit geolocation validation using ground-based corner cube retro-reflectors

[J]. Remote Sensing, 2020, 12(21):3653.

DOI:10.3390/rs12213653      URL     [本文引用: 1]

The Ice, Cloud and Land Elevation Satellite-2 (ICESat-2), an Earth-observing laser altimetry mission, is currently providing global elevation measurements. Geolocation validation confirms the altimeter’s ability to accurately position the measurement on the surface of the Earth and provides insight into the fidelity of the geolocation determination process. Surfaces well characterized by independent methods are well suited to provide a measure of the ICESat-2 geolocation accuracy through statistical comparison. This study compares airborne lidar data with the ICESat-2 along-track geolocated photon data product to determine the horizontal geolocation accuracy by minimizing the vertical residuals between datasets. At the same location arrays of corner cube retro-reflectors (CCRs) provide unique signal signatures back to the satellite from their known positions to give a deterministic solution of the laser footprint diameter and the geolocation accuracy for those cases where two or more CCRs were illuminated within one ICESat-2 transect. This passive method for diameter recovery and geolocation accuracy assessment is implemented at two locations: White Sands Missile Range (WSMR) in New Mexico and along the 88°S latitude line in Antarctica. This early on-orbit study provides results as a proof of concept for this passive validation technique. For the cases studied the diameter value ranged from 10.6 to 12 m. The variability is attributed to the statistical nature of photon-counting lidar technology and potentially, variations in the atmospheric conditions that impact signal transmission. The geolocation accuracy results from the CCR technique and airborne lidar comparisons are within the mission requirement of 6.5 m.

朱笑笑, 王成, 习晓环, 等.

ICESat-2星载光子计数激光雷达数据处理与应用研究进展

[J]. 红外与激光工程, 2020, 49(11):20200259.

[本文引用: 1]

Zhu X X, Wang C, Xi X H, et al.

Research progress of ICESat-2/ATLAS data processing and applications

[J]. Infrared and Laser Engineering, 2020, 49(11):20200259.

DOI:10.3788/IRLA      URL     [本文引用: 1]

徐晓雨, 孙华, 王广兴, 等.

基于GF-1与Landsat-8的康保县叶面积指数遥感反演研究

[J]. 中南林业科技大学学报, 2018, 38(1):43-48.

[本文引用: 1]

Xu X Y, Sun H, Wang G X, et al.

Modeling LAI of Kangbao County using GF-1 and Landsat8 image

[J]. Journal of Central South University of Forestry and Technology, 2018, 38(1):43-48.

[本文引用: 1]

王宗梅, 徐天蜀, 岳彩荣, 等.

基于哑变量的高山松蓄积量反演模型研究

[J]. 林业资源管理, 2017(4):75-81.

[本文引用: 1]

Wang Z M, Xu T S, Yue C R, et al.

Application of dummy variable in the research of pinus densata stock volume inversion model

[J]. Forest Resources Management, 2017(4):75-81.

[本文引用: 1]

董佳臣, 倪文俭, 张志玉, 等.

ICESat-2植被冠层高度和地表高程数据产品用于森林高度提取的效果评价

[J]. 遥感学报, 2021, 25(6):1294-1307.

[本文引用: 1]

Dong J C, Ni W J, Zhang Z Y, et al.

Performance of ICESat-2 ATL08 product on the estimation of forest height by referencing to small footprint LiDAR data

[J]. National Remote Sensing Bulletin, 2021, 25(6):1294-1307.

DOI:10.11834/jrs.20219449      URL     [本文引用: 1]

韦丽清. 短波红外高灵敏度成像关键技术与应用研究[D]. 上海: 中国科学院大学(中国科学院上海技术物理研究所), 2017.

[本文引用: 1]

Wei L Q. Research of key technologies and application for high sensitivity short wave infrared imaging[D]. Shanghai: University of Chinese Academy of Sciences (Shanghai Institute of Technical Physics,Chinese Academy of Sciences), 2017.

[本文引用: 1]

Immitzer M, Stepper C, Böck S, et al.

Use of Worldview-2 stereo imagery and national forest inventory data for wall-to-wall mapping of growing stock

[J]. Forest Ecology and Management, 2016, 359:232-246.

DOI:10.1016/j.foreco.2015.10.018      URL     [本文引用: 1]

周振超. 基于多源遥感数据的红树林遥感信息识别研究——以湛江自然保护区为例[D]. 长春: 吉林大学, 2019.

[本文引用: 1]

Zhou Z C. Research on the identification of mangrove forest based on multi-source remote sensing data[D]. Changchun: Jilin University, 2019.

[本文引用: 1]

郎晓雪, 许彦红, 舒清态, 等.

香格里拉市云冷杉林蓄积量遥感估测非参数模型研究

[J]. 西南林业大学学报(自然科学), 2019, 39(1):146-151.

[本文引用: 1]

Lang X X, Xu Y H, Shu Q T, et al.

Nonparametric model for remote sensing estimating the volume of sprucefir forest in Shangri-La

[J]. Journal of Southwest Forestry University(Natural Sciences), 2019, 39(1):146-151.

[本文引用: 1]

杨沁雨, 王瑞, 胥辉.

基于森林资源二类调查数据的香格里拉市森林生物量二阶抽样优化

[J]. 西南林业大学学报(自然科学), 2021, 41(6):160-167.

[本文引用: 1]

Yang Q Y, Wang R, Xu H.

Optimal design of second-order sampling for forest biomass in Shangri-La City based on the forest management inventory

[J]. Journal of Southwest Forestry University(Natural Sciences), 2021, 41(6):160-167.

[本文引用: 1]

侯群群, 王飞, 严丽.

基于灰度共生矩阵的彩色遥感图像纹理特征提取

[J]. 国土资源遥感, 2013, 25(4):26-32.doi:10.6046/gtzyyg.2013.04.05.

[本文引用: 2]

Hou Q Q, Wang F, Yan L.

Extraction of color image texture feature based on gray-level co-occurrence matrix

[J]. Remote Sensing for Land and Resources, 2013, 25(4):26-32.doi:10.6046/gtzyyg.2013.04.05.

[本文引用: 2]

杨福芹, 李天驰, 冯海宽, 等.

基于无人机数码影像的冬小麦氮素营养诊断研究

[J]. 福建农业学报, 2021, 36(3):369-378.

[本文引用: 1]

Yang F Q, Li T C, Feng H K, et al.

UAV digital image-assisted monitoring on nitrogen nutrition of winter wheat in the field

[J]. Fujian Journal of Agricultural Sciences, 2021, 36(3):369-378.

[本文引用: 1]

冷建飞, 高旭, 朱嘉平.

多元线性回归统计预测模型的应用

[J]. 统计与决策, 2016(7):82-85.

[本文引用: 1]

Leng J F, Gao X, Zhu J P.

Application of multivariate linear regression statistical prediction model

[J]. Statistics and Decision, 2016(7):82-85.

[本文引用: 1]

Breiman L.

Random forests

[J]. Machine Learning, 2001, 45(1):5-32.

DOI:10.1023/A:1010933404324      URL     [本文引用: 1]

邢晓语, 杨秀春, 徐斌, 等.

基于随机森林算法的草原地上生物量遥感估算方法研究

[J]. 地球信息科学学报, 2021, 23(7):1312-1324.

DOI:10.12082/dqxxkx.2021.200605      [本文引用: 1]

草原是我国面积最大的陆地生态系统,生物量是反映生态系统质量和功能的关键指标,准确地掌握草原生物量对草原资源合理利用、生态修复、畜牧业高质量发展都具有重要的意义和作用。本研究以内蒙古锡林郭勒盟为研究区,利用高分一号遥感卫星影像,结合216个野外样本数据,采用随机森林算法（Random Forest,RF）对草原地上生物量（Aboveground Biomass,AGB）遥感估算进行了适用性分析与应用。在运用随机森林算法的过程中,进行了K-折交叉验证、多元共线性诊断、偏效应等一系列分析,完成了随机森林模型的构建,同时,将建模结果与其它模型进行了对比,最终实现了锡林郭勒盟草原AGB的反演估算。结果表明：① 随机森林算法能够较好地规避生物量建模中自变量多元共线性的问题;② 随机森林模型在草原AGB估算中较其它模型具有更好的适用性,模型精度达85%,RMSE为202.13 kg/hm<sup>2</sup>;③ 应用构建的随机森林算法估算了研究区2017年草原AGB,从结果来看,其空间分布上呈现为自东向西逐渐递减的趋势;从草地类型上看,山地草甸类AGB单产最高,温性草原类总产量最高。研究结果将对草原生态系统监测评估和草原宏观管理具有一定的参考价值。

Xing X Y, Yang X C, Xu B, et al.

Remote sensing estimation of grassland aboveground biomass based on random forest

[J]. Journal of Geo-Information Science, 2021, 23(7):1312-1324.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发