基于高分遥感数据的森林郁闭度估测方法研究

• 作者: 杨妍婷
• 来源期刊: 智能计算机与应用
• 学科: 农学
• 关键词: 森林郁闭度 GF-1号影像 图像融合 机器学习 统计回归 参数反演
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 学术研究与应用
• 页码范围: 67-72
• 页数: 6页
• 分类号: S771.8
• 字数: 3411字
• 语种: 中文
• DOI: 10.3969/j.issn.2095-2163.2019.02.015

摘要

森林郁闭度是研究森林生态系统和了解森林资源状况的重要参数,而传统的实地测量方法效率较低下,且仅能获取小范围的一些具有代表性的数据,不利于研究大范围或区域内郁闭度的空间分布及变化.为了估算森林郁闭度,分析其与遥感影像因子之间的相关性,本文以河北省滦平县巴克什营镇和长山峪镇为研究区域,采用分辨率较高的高分一号(GF-1)数据,结合SRTM DEM数据的地形因子,对该地区的森林郁闭度进行反演.本文在系统整理分析和评价国内外森林郁闭度相关研究文献的基础上,选择了红波段、近红外波段、亮度、绿度、黄度等14个因子作为自变量参与构建多元逐步回归(Multi-variable Stepwise Regression,MSR)、随机森林(Random Forest,RF)和Cubist三种模型,对该地郁闭度进行估测.实验结果表明,基于机器学习的随机森林和Cubist算法结果要优于传统的多元逐步回归算法,各项评价指标显示其中Cubist回归算法在该研究区的拟合效果最好.多元逐步回归(MSR)算法成熟简单,应用广泛,但模型不稳定,反演精度不高,不适用于大区域的郁闭度估算;随机森林(RF)处理大数据速度快,但高值低估和低值高估的情况比较严重,增大了郁闭度估测误差;Cubist在预测连续值方面很成功,使用最近邻样本来调整规则预测结果,模型较稳定,能够得到较为准确的预测数值,不过需要花费很长时间进行计算.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	杨妍婷	浙江农林大学信息工程学院	1	3	1.0	1.0