img

官方微信

遥感技术与应用, 2019, 34(4): 847-856 doi: 10.11873/j.issn.1004-0323.2019.4.0847

遥感应用

基于光学与SAR因子的森林生物量多元回归估算

以福建省为例

苏华,1, 张明慧1, 李静1,2, 陈修治2, 汪小钦1

1. 福州大学 卫星空间信息技术综合应用国家地方联合工程研究中心、空间数据挖掘与;信息共享教育部重点实验室,福建 福州 350116

2. 中国科学院 华南植物园,广东 广州 510650

Forest Biomass Estimation Using Multiple Regression with Optical and SAR Features: A Case Study in Fujian Province

Su Hua,1, Zhang Minghui1, Li Jing1,2, Chen Xiuzhi2, Wang Xiaoqin1

1. Key Laboratory of Spatial Data Mining and Information Sharing of Ministry of Education, National & Local Joint Engineering Research Center of Satellite Geospatial Information Technology, Fuzhou University, Fuzhou 350116, China

2. South China Botanical Garden, Chinese Academy of Sciences, Guangzhou 510650, China

收稿日期: 2018-06-15   修回日期: 2018-10-11   网络出版日期: 2019-09-19

基金资助: 国家自然科学基金项目.  41971384.  41601444.  41630963
福建省高校杰出青年科研人才培育计划.  KJ2017-17
福建省自然科学基金.  2017J01657
海西政务大数据应用协同创新中心资助.  2015750401
中央引导地方科技发展专项.  2017L3012

Received: 2018-06-15   Revised: 2018-10-11   Online: 2019-09-19

作者简介 About authors

通信作者:苏华(1985—),男,福建福清人,博士,副研究员,主要从事环境遥感研究E⁃mail:suhua@fzu.edu.cn , E-mail:suhua@fzu.edu.cn

摘要

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达(SAR)HH、HV极化后向散射因子,分别构成不同植被类型的“含光学特征多元因子”(NDVI、RVI、树高、林龄、坡度)和“含SAR特征多元因子”(HH、HV、树高、林龄、坡度),开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明:不同植被类型的含光学特征多元回归模型的验证精度(针叶林:R2为0.483,RMSE为29.522 t/hm2;阔叶林:R2为0.470,RMSE为21.632 t/hm2;混交林:R2为0.351,RSME为25.253 t/hm2)比含SAR特征多元回归模型的验证精度(针叶林:R2为0.319,RMSE为28.352 t/hm2;阔叶林:R2为0.353,RMSE为18.991t/hm2;混交林:R2为0.281,RMSE为26.637 t/hm2)略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型(先估测叶生物量进而间接估测地上生物量)比利用含SAR特征的多元回归模型(直接估测地上生物量)更具优势。

关键词: 地上生物量 ; 叶生物量 ; 光学特征 ; SAR特征 ; 多元因子

Abstract

Using Landsat-8 OLI images and 296 survey samples in Fujian province, we extracted pure vegetation pixels biased on pixel unmixing models, and divided the samples into coniferous forest, broad-leaved forest and mixed forest, then employed tree height, plantation age and slope as attribute information from pure vegetation samples, and also extracted NDVI, RVI form Landsat8 OLI, and HV, HH backscatter coefficient form SAR image, so as to compose multiple factors with optical features (NDVI, RVI, tree height, plantation age, slope) and SAR features (HH, HV, tree height, plantation age, slope) for comparison study. Since optical remote sensing can only observe vegetation canopy information rather than the whole vegetation information, we firstly estimated the leaf biomass by using multiple regression with optical features, then estimated the above-ground biomass indirectly in line with the relationship between above-ground biomass and leaf biomass. Since SAR L-band with long wavelength can penetrate the canopy and directly observe the whole vegetation information above the ground, we used multiple regression with SAR features to directly estimate the above-ground biomass. Finally, we analyzed and compared the estimation accuracy from the two regression methods. The result shows that the estimation accuracy from multiple regression with optical features (coniferous forest: R2=0.483, RMSE=29.522 t/hm2; broad-leaved forest: R2=0.470, RMSE=21.632 t/hm2; mixed forest: R2=0.351, RSME=25.253 t/hm2) is higher than that from multiple regression with SAR features (coniferous forest: R2=0.319, RMSE=28.352 t/hm2; broad-leaved forest: R2=0.353, RMSE=18.991 t/hm2; mixed forest: R2=0.281, RMSE=26.637 t/hm2), suggesting the indirect above-ground biomass estimation from multivariate regression with optical information is more suitable than direct above-ground estimation from multivariate regression with SAR information in Fujian Province.

Keywords: Above-ground biomass ; Leaf biomass ; Optical features ; SAR features ; Multivariate factor

PDF (3898KB) 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

苏华, 张明慧, 李静, 陈修治, 汪小钦. 基于光学与SAR因子的森林生物量多元回归估算. 遥感技术与应用[J], 2019, 34(4): 847-856 doi:10.11873/j.issn.1004-0323.2019.4.0847

Su Hua, Zhang Minghui, Li Jing, Chen Xiuzhi, Wang Xiaoqin. Forest Biomass Estimation Using Multiple Regression with Optical and SAR Features: A Case Study in Fujian Province. Remote Sensing Technology and Application[J], 2019, 34(4): 847-856 doi:10.11873/j.issn.1004-0323.2019.4.0847

1 引 言

生物量(Biomass)是表征植被生命活动的重要指示因子,是植物组织的重量,由植物光合作用的干物质积累所致,在植被生产力评价和碳循环研究中被广泛应用[1]。森林生物量的动态监测一直被视为是建立环境模型的重要因素之一[2],森林生物量的动态变化信息已成为森林管理的必需[3]。因为森林的碳储量模式是全球碳循环的一部分,森林的砍伐、退化和再生都以其特有的方式影响着大气中的碳,故而森林生物量的估算成为诸多学者共同关注的话题[4]

光学与微波遥感结合野外实测数据为大面积估测森林生物量提供了一种可行的方法。许多研究已经证明光学遥感所得的地表光谱反射率与生物量具有一定的相关性[5]。例如,Muukkonen等[6]研究发现,ASTER波段1(绿光波段)的光谱反射率与森林植被的地上林分蓄积量、树枝生物量及总体地上生物量的相关性都很高,波段3(近红外波段)与树干的树桩生物量相关性最高,与林下植被生物量相关性次之。Pflugmacher等[7]利用Landsat-7 MSS、TM、ETM+ 影像及实测数据对美国俄勒冈州东部的蓝山进行森林生物量的估测,估测结果整体颇佳。Chi等[8]采用LiDAR、Landsat-5 TM、DEM数据对长白山森林生物量进行估测,并绘制其空间分布图。但光学遥感也存在着自身的局限性,利用光学遥感进行生物量反演时,得到的只是植被冠层的生物量信息,而不是实际森林地上生物量,这样就不可避免地会丢失树木生长积累的部分生物量[9]。合成孔径雷达(SAR)的L波段可以穿透植被冠层直接作用于树叶、树枝、树干,避免了光学影像只能记录植被冠层反射信息的缺点,可以直接用来估测地上生物量。如Kumar等[10]利用PolInSAR数据对印度北阿坎德邦林区地上森林生物量进行估测。Minh等[11]采用SAR数据与实测数据结合,估测法属圭亚那的两个热带森林的森林生物量,发现HV极化数据与生物量有较好的相关性。但SAR数据在估测地上生物量时容易受到地物介电常数和地表粗糙度等因素的影响[12],对生物量估测精度会造成一定的影响。

福建省森林资源丰富,在全国森林资源总量中占有重要地位,无论是加深对碳循环的监测还是对福建省生态环境进行监督管理,森林生物量的有效估测都是必要的。为弥补光学遥感和SAR的局限性,利用遥感数据结合野外实测资料建立多元回归模型,对福建省森林生物量进行估测。采用混合像元分解模型筛选出影像中“纯净”的植被像元,避免样地中土壤、裸地等地物的影响[13],将筛选出的样地根据属性信息分为针叶林、阔叶林和混交林3种不同的植被类型。传统的以波段或波段组合作为自变量对森林生物量进行估算的方法未考虑自变量对因变量的影响是否显著,会导致误差的自由度变小,估测精度变低[14]。已有研究显示,在确定影响森林生物量的因子试验中,通过逐步回归方法发现树龄、树高和坡度等因子与森林生物量有较强相关性[15,16,17]。因此,选择树高、林龄和坡度,并顾及对应光学影像(Landsat-8 OLI)中的归一化植被指数(NDVI)、比值植被指数(RVI)和对应SAR影像中的HH、HV极化方式的后向散射系数,分别构成“含光学特征多元因子”(NDVI、RVI、树高、林龄、坡度)和“含SAR特征多元因子”(HH、HV、树高、林龄、坡度),然后分别对这两组因子进行归一化处理形成回归因子。由于光学遥感只能记录植被冠层信息,因此将“含光学特征多元因子”归一化值作为自变量,以实测叶生物量归一化值作为因变量,建立叶生物量线性多元回归估测模型,估测出叶生物量后,再将其值作为自变量,根据叶生物量与地上生物量的相关关系估算出福建省森林生物量。由于SAR的L波段波长较长(23.6 cm)可以直接作用于植被的干、枝、叶,因此将“含SAR特征多元因子”归一化值作为自变量,实测地上生物量归一化值作为因变量,建立地上生物量的线性回归模型,直接对福建省森林地上生物量进行估测。最后对比分析两组因子建立的回归模型的森林生物量估测效果及精度。

2 研究区域概况

福建省(23°33′~28°20′N,115°50′~120°40′E)地处泛北极植物区的边缘地带,是泛北极植物区向古热带植物区的过渡地带,物种丰富、成分复杂,可分为亚热带常绿阔叶林区和亚热带季风雨林区。福建省陆域面积12.14万km2,森林覆盖率达69.95%,居全国首位,每年的二氧化碳吸收量超过了全省二氧化碳排放总量的一半,是全国六大林区之一[18]。本文研究区域及样地分布如图1所示。

图1

图1   研究区域及样地分布

Fig.1   Study area and sample plots distribution


3 研究数据与方法

3.1 遥感数据及预处理

SAR数据采用ALOS PALSAR影像,该数据包含HH和HV两种极化方式,影像分辨率为25 m,获取时间为2010年7月~11月,共15景影像。光学遥感数据采用分辨率为30 m的Landsat-8 OLI影像,获取时间为2013年8月~11月和2014年9月~10月,共12景影像。

原始Landsat-8 OLI遥感影像由于卫星的姿态、轨道以及地球的运动、形状等外部因素和遥感器本身性能结构等原因,存在系统性几何变形和非系统性几何变形,所以要对遥感影像进行几何校正。本文使用ENVI 5.1的几何校正(Georeference)工具分别对每幅光学遥感影像进行几何校正。为削弱甚至消除光谱亮度失真以及大气对遥感信号的影响,获取地物真实光谱反射率,还需对影像进行辐射定标和大气校正。这里使用ENVI 5.1的辐射校正(Radiometric Calibration)工具进行辐射定标。大气校正则使用ENVI 5.1中的FLAASH大气校正模块来实现。

ALOS PALSAR产品数据是经处理后的强度数据,只需再进行辐射定标、滤波和重采样处理即可。其中,辐射定标是建立遥感传感器的数字量化输出值与其对应视场中辐-射亮度值直接的定量关系。ALOS PALSAR数据可以通过定标公式(1),将图像强度值转换为后向散射系数σ0(db)[19]

σ0=10logI2+Q2+CF32.0

其中:I为单视复数影像的实部,Q为单视复数影像的虚部,CF为定标因子。

滤波是对SAR图像变化较大的像元值进行平均,从而使噪声斑点得到有效的抑制[20]。本文采用LEE滤波的方式对SAR数据进行处理,滤波后影像上的噪声斑点明显减少。SAR数据的分辨率为25 m,而所选取的样地大小为30 m×30 m,因此本文采用线性内插法对SAR数据进行30 m分辨率重采样,使像元大小和实测样地大小相匹配。

3.2 样地数据及筛选

生物量数据由中国科学院华南植物园提供。样地分布在福州、龙岩、南平、宁德等地,共296个,获取时间为2011年8月~11月、2012年9月~12月、2013年9月~10月。在对样地点进行观测时选取 30 m×30 m的正方形区域,选取观测样地中的标准木,记录标准木个数,然后分别记录样地的中心坐标,地形地貌、坡向坡位、土壤类型、植被类型、群落名称、林龄、以及干、枝、叶的生物量信息。其中,通过将样地分为3个区域,每个区域均匀选取5棵以上标准木,使用生长锥分别对每组标准木在离地1.3 m处钻孔取样的方法获取标准木的年轮样本,采用数年轮的方式确定每棵标准木的树龄,最后取平均值作为样地的林龄。地上生物量采用“分层切割法”进行测定,即将每个样地分为3个区域,首先对其中一个区域的标准木进行测定,将其伐倒,并将该木的干、枝、叶分离,分别进行称重、记录,同时记录树高、胸径信息。采用分段称重的方法对树干进行称重,即每间隔1 m分为1段,并将这段的中间部分截取0.5 cm的圆盘作为树干生物量的样本,然后记录每个圆盘的直径。采用分层测量法对叶生物量进行测量,即将标准木的冠层分为3层,选取每层中具有平均带叶的枝和叶量中等的枝,每层选取2枝,称其枝、叶的鲜重。将获取的干、枝、叶各部分器官样本带回实验室烘干至恒重,获取各部分器官样本的干重,与野外测量各部分器官(鲜重)进行比值运算,求得各部分的含水率,然后根据野外称量各部分器官的总鲜重分别推算标准木干、枝、叶的生物量。对样地中剩余两个区域做上述同样的处理,最后将样地中3个区域的标准木各部分器官取平均值作为样地的干、枝、叶的平均生物量(t/hm2)。对样地类型统计,记录每个样地点的经纬度、树高、胸径、林龄、以及树木的干、枝、叶的生物量等属性信息[11]。将Landsat-8 OLI的12景影像进行镶嵌形成福建省影像图,利用eCognition中的面向对象方法将土地利用类型分为常绿阔叶林、常绿针叶林、针阔混交林、工业用地、交通用地、居住用地、旱地和河流等20类,结合实测数据和目视解译对分类结果进行验证,总体分类精度为80%左右。研究区域及样地分布如图1所示,其中,针叶林共190个样地点,树高在4.3~30 m之间,林龄跨度为5~51 a,其中在20~30 a之间比较集中,平均叶生物量为11.24 t/hm2,平均地上生物量为118.11 t/hm2;阔叶林77个样地点,树高在8~30 m之间,15~25 m比较集中,林龄在5~21 a之间,平均叶生物量为7.46 t/hm2,平均地上生物量为145.73 t/hm2;针阔混交林共29个样地点,树高在10~33 m之间,多集中在18~20 m之间,林龄跨度为24~50 a,多集中在20~40 a,平均叶生物量和平均地上生物量分别为8.91 t/hm2和127.29 t/hm2

Landsat-8 OLI影像的分辨率为30 m,一个像元中可能会包含裸地、建筑物和植被等多种地物类型,对生物量估测精度造成影响。本文采用混合像元分解模型剔除像元中非植被地物,从而获得遥感影像中“纯净”的植被像元。基于四端元模型V-L-H-S(植被—低反射率地物—高反射率地物—裸露土壤)对影像进行端元提取,然后利用完全约束最小二乘法对纯净像元进行丰度图分析,选取丰度值大于0.7的像元为纯净像元[21,22,23]。经过丰度筛选后,剩余101个样地点(针叶林60个,阔叶林25个,混交林16个)。

3.3 森林生物量估测

结合实测样地点数据,以Landsat-8 OLI影像为数据源,提取出NDIV和RVI两种植被因子。从实测样地记录的属性数据中获得树高、林龄植被参数信息。从福建省DEM影像中提取坡度信息。将提取出的像元分为针叶林、阔叶林和混交林3种植被类型,然后结合实测样地的叶生物量数据建立3种植被类型的叶生物量线性回归模型,对植被的叶生物量进行估测。为了避免误差的累积,采用实测叶生物量与实测地上生物量的函数关系作为估测叶生物与估测地上生物量的函数关系,从而间接地估测福建省地上生物量。最后,利用SAR数据直接对福建省3种不同植被类型的森林地上生物量进行估测,并对比分析光学遥感数据和SAR数据对福建省森林地上生物量估测的结果。技术路线如图2所示。

图2

图2   研究技术路线图

Fig.2   The technical flowchart


4 结果与分析

4.1 含光学特征因子回归模型的地上生物量估测结果

4.1.1 不同植被类型的叶生物量回归结果

对剩余的101个样地点中(针叶林60个,阔叶林25个,混交林16个)不同的植被类型分别提取NDVI、RVI(遥感因子)、树高、林龄(植被因子)、坡度(地形因子)5种含光学特征的多元因子,为了将不同的数据统一到同一参考系下,使数据比较起来更有意义,将这5种因子分别进行归一化处理,采用偏最小二乘方法与实测叶生物量归一化值建立回归方程。对应实测叶生物量与估测叶生物量的散点图如图3所示。

图3

图3   不同植被类型的叶生物量估测结果

Fig. 3   The estimated values of different leaf biomass ranges


图3中,各植被类型“含光学特征多元因子”与叶生物量的决定系数R2分别为:针叶林R2=0.501,阔叶林:R2=0.591,混交林:R2=0.548,两者拟合后的函数关系分别为:

针叶林:y=0.149NDVI+0.343RVI+0.216+0.087-0.194+0.166 (2)

阔叶林:y=0.116NDVI+0.414RVI+0.062+0.173-0.425+0.328 (3)

混交林:y=0.268NDVI+0.114RVI+0.185+0.126-0.263+0.271 (4)

为了避免误差积累,将归一化后的实测叶生物量和实测地上生物量分别作为自变量和因变量利用线性回归模型进行拟合,得到不同植被类型的实测叶生物量和地上生物量的回归模型,并将拟合得到的函数关系作为估测叶生物量与待估测的地上生物量的函数关系。其中实测叶生物量归一化值与实测地上生物量归一化值的散点图如图4所示。

图4

图4   不同植被类型的实测叶生物量与实测地上生物量散点图

Fig. 4   The scatters between the leaf biomass and the above-ground biomass for the different vegetation types


地上实测生物量和实测叶生物量拟合的关系式分别为:

针叶林:y=1.038x-0.045(5)

阔叶林:y=0.970x-0.006(6)

混交林:y=0.901x-0.030(7)

4.1.2 不同植被类型的地上生物量估测结果

图3中估测的叶生物量作为自变量,利用图4中不同植被类型的实测叶生物量与实测地上生物量的回归函数关系作为估测叶生物量与估测地上生物量的函数关系,进而对地上生物量进行估测,并将估测地上生物量与实测地上生物量建立线性回归关系,验证模型估测结果(图5)。

图5

图5   不同植被类型的估测地上生物量与实测地上生物量散点图

Fig.5   The scatters between the different model-estimated and in-situ above-ground biomass


4.2 含SAR的特征多元因子回归模型的地上生物量估测结果

利用筛选后的101个样地点,分别提取SAR影像的HH、HV极化的后向散射系数,并对树高、树龄、坡度因子做归一化处理,使其作为因变量,自变量为实测地上生物量,通过偏最小二乘模型拟合出3种植被类型的地上生物量估测值与实测值之间的函数关系。其中实测地上生物量与估测地上生物量散点图如图6所示。

图6

图6   不同植被类型估测地上生物量与实测地上生物量散点图

Fig. 6   The scatters between the different model-estimated and in-situ above-ground biomass


图6中,各植被类型“含SAR特征多元因子”与地上生物量的决定系数R2分别为:针叶林R2=0.359,阔叶林:R2=0.570,混交林:R2=0.574。两者拟合后的函数关系分别为:

针叶林:y=0.163HH+0.205HV+0.215+0.033-0.396+0.289 (8)

阔叶林:y=0.202HH+0.160HV+0.114+0.356-0.589+0.273 (9)

混交林:y=0.118HH+0.125HV+0.179+0.084-0.323+0.333 (10)

4.3 两种模型的地上生物量估测结果对比
4.3.1 含光学特征多元因子的地上生物量估测结果验证

以实测的296个样地点的地上生物量归一化值作为验证数据,使用含光学特征多元回归模型分别对不同植被类型的地上生物量进行估测,得到的估测地上生物量归一化值与实测地上生物量归一化值的散点图如图7所示。

图7

图7   多元回归方法中不同植被类型的估测地上生物量归一化值与实测地上生物量归一化值散点图

Fig. 7   The scatters between the normalized model-estimated and in-situ above-ground biomass differently


图7中的结果进行反归一化,得到估测地上生物量和实测地上生物量的实际值,并建立二者的回归关系(图8)。其中,各植被类型估测地上生物量与实测地上生物量的决定系数R2与均方根误差RMSE如表1所示。

图8

图8   多元回归方法中不同植被类型的估测地上生物量与实测地上生物量散点图

Fig. 8   The scatters between the different model-estimated and in situ above-ground biomass


表1   3种植被多元回归模型精度评价

Table 1  The accuracy of three different vegetation types

植被类型R2RMSE/(t/hm2)
针叶林0.48329.522
阔叶林0.47021.632
针阔混交林0.35125.253

新窗口打开| 下载CSV


4.3.2 含SAR特征多元因子地上生物量估测结果验证

利用福建省296个实测样点数据,分别采用含SAR特征多元回归模型对不同植被类型的地上生物量进行估测,得到的估测地上生物量归一化值与实测生物量归一化值的散点图如图9所示。

图9

图9   含SAR多元回归方法中各植被类型的估测地上生物量归一化值与实测地上生物量归一化值散点图

Fig. 9   The scatters between the normalized model-estimated and in situ above-ground biomass (SAR)


图9中的结果进行反归一化,得到实际的地上生物量估测值和实测值,并建立二者的回归关系(图10)。其中,各植被类型估测地上生物量与实测地上生物量的决定系数R2与均方根误差RMSE如表2所示。

图10

图10   含SAR多元回归方法中各植被类型的估测地上生物量与实测地上生物量散点图

Fig. 10   The scatters between the model-estimated and in-situ above-ground biomass


表2   3种植被含SAR多元回归模型精度评价

Table 2  The accuracy of three different vegetation types (SAR)

植被类型R2RMSE/(t/hm2)
针叶林0.39128.352
阔叶林0.35318.991
针阔混交林0.28126.637

新窗口打开| 下载CSV


以上两种方法中,使用“含光学特征多元因子”模型先估测叶生物量,进而间接地估测地上生物量,可以避免光学影像只能记录植被冠层反射信息的缺陷,提高了森林生物量估测精度。SAR影像的L波段由于波长较长可穿透植被冠层,获取整个树木生长积累的信息,为森林生物量的直接估算提供了可靠的数据源。精度验证表明,采用光学特征间接估测地上生物量的方法比SAR特征直接估测地上生物量的方法精度更高,这可能与SAR的HH、HV极化方式和森林发生作用时的散射方式复杂(与植被发生体散射,与地面和树干反射二面角散射)有关,同时森林地面的介电常数和表面粗糙度都会对SAR的生物量估测精度造成影响。

5 结 语

本文以福建省为研究区,结合Landsat-8 OLI影像数据,对实测样地进行混合像元分解,获得“纯净”植被像元,并分别获取这些“纯净”像元对应光学影像的NDVI和RVI与对应SAR影像的HH和HV极化方式的后向散射系数。结合“纯净”植被像元对应的光学与SAR特征因子及树高、林龄和坡度属性信息,采用多元回归方法,分别建立两种不同的生物量估算模型,并进行估测精度验证与对比。结果表明含光学特征的回归模型的估测结果与实测地上生物量具有较好的相关性,说明该模型的估测精度较高。而含SAR特征的回归模型估测精度略低,这可能与SAR的散射机制、穿透能力及林下地面物理特征有关。

本文在多元回归模型中综合考虑了遥感因子、植被因子及地形因子,为森林地上生物量估测提供了一种切实可行的新方法。由于实测样地数量有限且可用自变量因子较少,对估测精度会造成一定的影响。将在后续研究中获取更多的实测数据,并考虑其他影响因子,更准确估测福建省森林生物量,绘制更高精度的福建省森林生物量分布图。

参考文献

ZhaoYingshi.

Remote Sensing Application Analysis Principles and Methods

[M].Beijing: Sciences Press,2013.

[本文引用: 1]

赵英时.

遥感应用分析原理与方法

[M]. 北京科学出版社, 2013.

[本文引用: 1]

HeQ, ChenE, AnR, et al.

Above-ground Biomass and Biomass Components Estimation Using LiDAR Data in a Coniferous Forest

[J]. Forests, 2013, 4(4):984-1002.

[本文引用: 1]

Fernández-MansoO, Fernández-MansoA, QuintanoC.

Estimation of Aboveground Biomass in Mediterranean Forests by Statistical Modelling of ASTER Fraction Images

[J]. International Journal of Applied Earth Observations and Geoinformation, 2014, 31(31):45-56.

[本文引用: 1]

BasukiT M, SkidmoreA, HussinY, et al.

Estimating Tropical Forest Biomass More Accurately by Integrating ALOS PALSAR and Landsat-7 ETM+ Data

[J]. International Journal of Remote Sensing, 2013, 34(13):4871-4888.

[本文引用: 1]

LiangShunlin, LiXiaowen, WangJindi.

Quantitative Remote Sensing Concept and Algorithm

[M]. Beijing: Sciences Press,2013.

[本文引用: 1]

梁顺林, 李小文, 王锦地.

定量遥感:理念与算法

[M]. 北京科学出版社, 2013.

[本文引用: 1]

MuukkonenP, HeiskanenJ.

Estimating Biomass for Boreal Forests Using ASTER Satellite Data Combined with Standwise Forest Inventory Data

[J]. Remote Sensing of Environment, 2005, 99(4):434-447.

[本文引用: 1]

PflugmacherD, CohenW B, KennedyR E, et al.

Using Landsat-derived Disturbance and Recovery History and Lidar to Map Forest Biomass Dynamics

[J]. Remote Sensing of Environment, 2014, 151(8):124-137.

[本文引用: 1]

ChiH, SunG, HuangJ, et al.

Estimation of Forest Aboveground Biomass in Changbai Mountain Region Using ICESat/GLAS and Landsat/TM Data

[J]. Remote Sensing, 2017, 9(7):707-732.

[本文引用: 1]

LiDeren, WangChangwei, HuYueming, et al.

General Review on Remote Sensing-based Biomass Estimation

[J]. Geomatics and Information Science of Wuhan University , 2012, 37(6):631-635.

[本文引用: 1]

李德仁, 王长委, 胡月明, .

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.

[本文引用: 1]

KumarS, KhatiU G, ChandolaS, et al.

Polarimetric SAR Interferometry based Modeling for Tree Height and Aboveground Biomass Retrieval in a Tropical Deciduous Forest

[J]. Advances in Space Research, 2017, 60(3):571586.

[本文引用: 1]

MinhD H T, ToanT L, RoccaF, et al.

SAR Tomography for the Retrieval of Forest Biomass and Height: Cross-validation at Two Tropical Forest Sites in French Guiana

[J]. Remote Sensing of Environment, 2016, 175:138-147.

[本文引用: 2]

HeLian, QinQiming, RenHuazhong, et al.

Soil Moisture Retrieval Using Multi-temporal Sentinel-1 SAR Data in Agricultural Areas

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(3):142-148.

[本文引用: 1]

何连, 秦其明, 任华忠, .

利用多时相Sentinel-1 SAR数据反演农田地表土壤水分

[J]. 农业工程学报, 2016, 32(3):142-148.

[本文引用: 1]

SuHua, LiJing, ChenXiuzhi,et al.

Forest Biomass based on the Forest Communities and Image Spectral Curve Characteristics: A Remote Sensing Estimation in Fujian Province

[J]. Acta Ecologica Sinica, 2016, 37(17):5742-5755.

[本文引用: 1]

苏华, 李静, 陈修治, .

基于森林群落和光谱曲线特征分异的福建省森林生物量遥感反演

[J]. 生态学报, 2016, 37(17):5742-5755.

[本文引用: 1]

JuCunyong, CaiTijiu.

Forest Volume Estimate based on Bayesian Regularization Back Propagation Neural Network

[J].Scientia Silvae Sinicae, 2006, 42(12):59-62.

[本文引用: 1]

琚存勇, 蔡体久.

用泛化改进的BP神经网络估测森林蓄积量

[J]. 林业科学, 2006, 42(12):59-62.

[本文引用: 1]

ZhengGuang, TianQingjiu, ChenJingminget al.

Combining Remote Sensing Imagery and Forest Age Inventory for Biomass Mapping

[J].Journal of Remote Sensing, 2006, 10(6):932-940.

[本文引用: 1]

郑光, 田庆久, 陈镜明,.

结合树龄信息的遥感森林生态系统生物量制图

[J]. 遥感学报, 2006, 10(6):932-940.

[本文引用: 1]

YouTinggang.

Study on Several Types of Forest Biomass Nonlinear Model and Optimal Cutting Problems

[D]. Harbin: Northeast Forestry University ,2011.

[本文引用: 1]

由廷刚.

几类森林生物量非线性模型及最优采伐问题的研究

[D].哈尔滨东北林业大学, 2011.

[本文引用: 1]

FuLi.

Study on Remote Sensing Estimation and Verification Method of Forest Aboveground Biomass in Miyun Reservoir Area

[D]. Beijing: University of Chinese Academy of Sciences, 2017.

[本文引用: 1]

傅黎.

密云库区森林地上生物量遥感估算与验证方法研究

[D]. 北京中国科学院大学, 2017.

[本文引用: 1]

GuanYuxian.

Analysis and Countermeasure Research of forest Coverage in Fujian Province

[J]. Forestry Prospect and Design, 2015(1):10-13.

[本文引用: 1]

关玉贤.

福建省森林覆盖率影响因素分析及对策研究

[J]. 林业勘察设计, 2015(1):10-13.

[本文引用: 1]

ShimadaM, IsoguchiO, TadonoT, et al.

PALSAR Radiometric and Geometric Calibration

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009,47(12): 3915-3932.

[本文引用: 1]

Li Sudan, Research on Feature Extraction and Targets Recognition in SAR Images

[D]. Changsha: National University of Defense Technology,2001. [郦苏丹. SAR图像特征提取与目标识别方法研究[D]. 长沙:国防科学技术大学, 2001.]

[本文引用: 1]

WangJie, YangLiao, ShenJinxianget al.

Two Endmember Extraction Algorithms with Combined Spatial and Spectral Domain TM Image

[J]. Spectroscopy and Spectral Analysis, 2011, 31(5):1286-1290.

[本文引用: 1]

王杰, 杨辽, 沈金祥, .

两种基于空间与光谱相结合的TM影像端元提取算法

[J]. 光谱学与光谱分析, 2011, 31(5):1286-1290.

[本文引用: 1]

WuC S, MurrayA T.

Estimating Impervious Surface Distribution by Spectral Mixture Analysis

[J]. Remote Sensing of Environment, 2003, 84(4): 493-505.

[本文引用: 1]

PuHanye.

Research on the Theory and Method of Demixing Hyperspectral Remote Sensing Images

[D]. Shanghai: Fudan University,2014.

[本文引用: 1]

普晗晔.

高光谱遥感图像的解混理论和方法研究

[D]. 上海复旦大学, 2014.

[本文引用: 1]

/