高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多源数据的根河实验区生物量反演研究

李春梅 张王菲 李增元 陈尔学 田昕

李春梅, 张王菲, 李增元, 陈尔学, 田昕. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
引用本文: 李春梅, 张王菲, 李增元, 陈尔学, 田昕. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
LI Chun-mei, ZHANG Wang-fei, LI Zeng-yuan, CHEN Er-xue, TIAN Xin. Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia[J]. Journal of Beijing Forestry University, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
Citation: LI Chun-mei, ZHANG Wang-fei, LI Zeng-yuan, CHEN Er-xue, TIAN Xin. Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia[J]. Journal of Beijing Forestry University, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209

基于多源数据的根河实验区生物量反演研究

doi: 10.13332/j.1000-1522.20150209
基金项目: 

中央级公益性科研院所基本科研业务费专项(IFRIT201302)、“973” 国家重点基础研究发展计划项目(2013CB733404)、国家青年自然科学基金项目(41101379)

详细信息
    作者简介:

    李春梅。主要研究方向:林业遥感。Email: cm_li@sina.com 地址: 100091北京市海淀区颐和园后香山路中国林业科学研究院资源信息所。
    责任作者: 田昕,博士,副研究员。主要研究方向:遥感技术应用。Email: tianxin@caf.ac.cn 地址:同上。

    李春梅。主要研究方向:林业遥感。Email: cm_li@sina.com 地址: 100091北京市海淀区颐和园后香山路中国林业科学研究院资源信息所。
    责任作者: 田昕,博士,副研究员。主要研究方向:遥感技术应用。Email: tianxin@caf.ac.cn 地址:同上。

Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia

  • 摘要: 森林是陆地生态系统的重要组成部分,精确估测森林地上生物量能够减少陆地生态系统碳储量的不确定性。本文以内蒙古大兴安岭根河实验区为研究区,基于森林样地调查数据、Landsat 8 OLI、机载P-波段PolSAR以及ASTER GDEM数据,分别采用多元线性逐步回归法和基于随机森林算法(Random Forest, RF)进行特征优化选择后的k-最近邻(k-nearest neighbors, k-NN)法对研究区森林地上生物量(above-ground biomass, AGB)进行估测,对比验证采用不同类型数据(单传感器数据和多传感器数据)时2种方法的反演结果来寻求森林AGB估测的最优方法和输入因子,最后利用最优的估测方法来反演整个研究区的森林AGB,生成根河实验区的森林AGB等级分布图。结果表明:对于多元线性逐步回归和k-NN 2种不同的方法,森林AGB的反演都表现出较为一致的结果,即采用多传感器遥感数据(Landsat 8 OLI和机载P-波段PolSAR数据)比采用单传感器遥感数据估算的森林AGB精度要高;而在同时采用多传感器遥感数据进行森林AGB的反演中,k-NN算法的估测结果(R2=0.65, RMSE=17.49 t/hm2)明显优于多元线性逐步回归算法(R2=0.36, RMSE=22.08 t/hm2)的估测结果。显然,多源数据协同反演森林AGB可以充分利用每种传感器的优点,提高遥感估测森林AGB的能力;与多元逐步回归方法相比,k-NN算法能够更多地考虑到森林参数同光谱值之间的非线性依赖关系,且能够避免发生过学习现象和样本不平衡问题。

     

  • [1] 汤旭光, 刘殿伟, 王宗明, 等. 森林地上生物量遥感估算研究进展[J]. 生态学杂志, 2012, 31(5): 1311-1318.
    [1] TANG X G, LIU D W, WANG Z W, et al. Estimation of forest aboveground biomass based on remote sensing data: a review[J]. Chinese Journal of Ecology, 2012, 31(5): 1311-1318.
    [2] 林清山, 洪伟. 中国森林碳储量研究综述[J]. 中国农学通报, 2009, 25(6): 220-224.
    [2] LIN Q S, HONG W. Summary of research on forest carbon storage in China[J]. Chinese Agricultural Science Bulletin, 2009, 25(6): 220-224.
    [3] LI D R, WANG C W, HU Y M, et al. Estimation of forest biomass based on remote sensing data[J]. Geomatics and Information Science of Wuhan University, 2012, 37(6): 631-635.
    [3] 李德仁, 王长委, 胡月明, 等. 遥感技术估算森林生物量的研究进展[J]. 武汉大学学报(信息科学版), 2012, 37(6): 631-635.
    [4] YUAN Y, LI H, LIU Y F. Picea schrenkiana forest biomass estimate in the West Tianshan Mountain based on improved B-P neural network[J]. Journal of Fujian Normal University(Natural Science Edition), 2011, 27(2): 124-132.
    [4] 袁野, 李虎, 刘玉峰. 基于改进型B-P神经网络的西天山云杉林生物量估算[J]. 福建师范大学学报(自然科学版), 2011, 27(2): 124-132.
    [5] WAN M, LI Z G, LI F H, et al. Advances in estimation of forest biomass based on remote sensing data[J]. Journal of Henan Forestry Science and Technology, 2009, 29(4): 42-45.
    [5] 万猛, 李志刚, 李富海, 等. 基于遥感信息的森林生物量估算研究进展[J]. 河南林业科技, 2009, 29(4): 42-45.
    [6] 韩爱惠, 智长贵, 王雪军, 等. 利用MODIS数据反演森林生物量的方法研究[J]. 林业资源管理, 2011(4): 40-47.
    [6] HAN A H, ZHI C G, WANG X J, et al. Study on monitoring method of forest biomass based on MODIS[J]. Forest Resources Management, 2011(4): 40-47.
    [7] XU X J, ZHOU G M, DU H Q, et al. Estimation of aboveground biomass of Phyllostachys praecox forest based on Landsat thematic mapper image[J]. Scientia Silvae Sinicae, 2011, 47(9): 1-6.
    [7] 徐小军, 周国模, 杜华强, 等. 基于Landsat TM数据估算雷竹林地上生物量[J]. 林业科学, 2011, 47(9): 1-6.
    [8] GUO Z H, PENG S L, WANG B S. Estimating forest biomass in Western Guangdong using Landsat TM data[J]. Acta Ecologica Sinica, 2002, 22(11): 1832-1840.
    [8] GLEASON C J, IM J. Forest biomass estimation from airborne LiDAR data using machine learning approaches[J]. Remote Sensing of Environment, 2012, 125: 80-91.
    [9] WANG Q M, BAO L, ZHOU M, et al. Study on remote sensing model for biomass and carbon storage of the Larix prinicipis-rapprechii plantation[J]. Forest Resources Management, 2014(4): 52-57.
    [9] KRONSEDER K, BALLHORN U, BÖHM V, et al. Above ground biomass estimation across forest types at different degradation levels in Central Kalimantan using LiDAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 18: 37-48.
    [10] 郭志华, 彭少麟, 王伯荪. 利用TM数据提取粤西地区的森林生物量[J]. 生态学报, 2002, 22(11): 1832-1840.
    [10] GUO Y, LI Z Y, CHEN E X, et al. Estimating forest above-ground biomass in the upper reaches of Heihe River Basin using multi-spectral remote sensing[J]. Scientia Silvae Sinicae, 2015, 51(1): 140-149.
    [11] GUO Y. Optimum non-parametric method for forest above ground biomass estimation based on remote sensing data[D]. Beijing: Chinese Academy of Forestry, 2011: 1-103.
    [11] 王清梅, 包亮, 周梅, 等. 华北落叶松人工林生物量及碳储量遥感模型研究[J]. 林业资源管理, 2014(4): 52-57.
    [12] CHEN E X, LI Z Y, WU H G, et al. Forest volume estimation method for small areas based on k-NN and Landsat data[J]. Forest Research, 2008, 21(6): 745-750.
    [12] 郭云, 李增元, 陈尔学, 等. 甘肃黑河流域上游森林地上生物量的多光谱遥感估测[J]. 林业科学, 2015, 51(1): 140-149.
    [13] 郭颖. 森林地上生物量的非参数化遥感估测方法优化[D]. 北京: 中国林业科学研究院, 2011: 1-103.
    [13] SUN Y H, HUANG C Y. ZHANG J X. Macrofungi of Genhe City in Inner Mongolia[J]. Acta Edulis Fungi, 2009, 16(1): 81-88.
    [14] 陈尔学, 李增元, 武红敢, 等. 基于k-NN和Landsat数据的小面积统计单元森林蓄积估测方法[J]. 林业科学研究, 2008, 21(6): 745-750.
    [14] CHEN C G, ZHU J F. Woody biomass manual of typical species in the Northeast of China[M]. Beijing: China Forestry Publishing House, 1989.
    [15] CHIRICI G, BARBATI A, CORONA P, et al. Non-parametric and parametric methods using satellite images for estimating growing stock volume in alpine and Mediterranean forest ecosystems[J]. Remote Sensing of Environment, 2008, 112(5): 2686-2700.
    [15] CHEN E X, Li Z Y. Method of Geocoding ALOS PALSAR image to the earth ellipsoid [J]. Remote Sensing Information[J], 2008(1): 37-42.
    [16] YAO D J, YANG J, ZHAN X J. Feature selection algorithm based on random forest[J]. Journal of Jilin University(Engineering and Technology Edition), 2014, 44(1): 1-5.
    [16] 孙亚红, 黄晨阳, 张金霞. 内蒙古根河市野生大型经济真菌资源调查报告[J]. 食用菌学报, 2009, 16(1): 81-88.
    [17] 陈传国, 朱俊凤. 东北主要林木生物量手册[M]. 北京: 中国林业出版社, 1989.
    [17] LI X H. Using random forest for classification and regression[J]. Chinese Journal of Applied Entomology, 2013, 54(4): 1190-1197.
    [18] 陈尔学, 李增元. ALOS PALSAR影像地球椭球地理编码方法[J]. 遥感信息, 2008(1): 37-42.
    [18] FANG K N, WU J B, ZHU J P, et al. A review of technologies on Random Forests[J]. Statistics Information Forum, 2012, 26(3): 32-38.
    [19] WU G J, GUO Z H, GUO J L, et al. Estimation of mangrove wetland aboveground biomass based on remote sensing data: a review[J]. Journal of Southern Agriculture, 2013, 44(4): 693-696.
    [19] REESE H, NILSSON M, SANDSTROM P, et al. Applications using estimates of forest parameters derived from satellite and forest inventory data[J]. Computers and Electronics in Agriculture, 2002, 37(1/3): 37-55.
    [20] 姚登举, 杨静, 詹晓娟. 基于随机森林的特征选择算法[J]. 吉林大学学报(工学版), 2014, 44(1): 1-5.
    [21] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
    [22] 李欣海. 随机森林模型在分类与回归分析中的应用[J]. 应用昆虫学报, 2013, 54(4): 1190-1197.
    [23] 方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2012, 26(3): 32-38.
    [24] LI S, HARNER E J, ADJEROH D A. Random KNN feature selection: a fast and stable alternative to Random Forests[J]. BMC Bioinformatics, 2011, 12(1): 450.
    [25] 武高洁, 郭志华, 郭菊兰, 等. 红树林湿地地上生物量遥感估算研究进展[J]. 南方农业学报, 2013, 44(4): 693-696.
  • 加载中
计量
  • 文章访问数:  1166
  • HTML全文浏览量:  87
  • PDF下载量:  31
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-06-19
  • 刊出日期:  2016-03-31

目录

    /

    返回文章
    返回