基于光学多光谱与SAR遥感特征快速优化的大区域森林地上生物量估测
1.
2.
3.
Estimation of Large-scale Forest Above-ground Biomass based on Fast Optimizing Remotely Sensed Features from Pptical Multi-spectral and SAR Data
1.
2.
3.
通讯作者:
收稿日期: 2018-10-28 修回日期: 2019-09-25
基金资助: |
|
Received: 2018-10-28 Revised: 2019-09-25
作者简介 About authors
张少伟(1981-),男,河南安阳人,博士,副教授,主要从事森林资源变化监测与经营研究E⁃mail:
关键词:
Keywords:
本文引用格式
张少伟, 惠刚盈, 韩宗涛, 孙珊珊, 田昕.
Zhang Shaowei, Hui Gangying, Han Zongtao, Sun Shanshan, Tian Xin.
1 引 言
森林不仅具有改善和维护区域生态环境的功能,而且在全球碳平衡中的作用至关重要。据Pan等[1]估算,全球森林生态系统碳储量为861±66 Pg,其中约44%存储于1 m深度内的土壤中,约43%存储于森林地上/地下活枝部分。Schimel等[2]研究指出,森林地上生物量占陆地生态系统总量的90%。可见,森林地上生物量(AGB)是森林生态系统固碳能力的直观表达,是评估森林生态系统碳收支的重要指标,是森林生态系统发挥其他生态功能的物质基础。同时,国家生态环境建设明确了对遥感的三大需求:大区域、动态和精准。林业作为生态环境建设的主体,履行着建设和保护的重要职能。大区域森林AGB动态信息遥感精准监测是林业生态可持续发展、森林科学经营与规划等必然需求。
高分一号(GF-1)卫星是国产高分专项天基系统(民用部分)中具备兼顾普查与详查能力、高度机动灵活性的高分辨率光学卫星。其8 m、16 m多光谱数据可补充替代ASTER、Landsat8/OLI、SPOT-2、SPOT4、TM、AWiFS等;2 m多光谱数据可替代EROS、SPOT6、QuickBird、WorldView等;可有效弥补国内外已有卫星资源在行业中空间分辨率、幅宽等指标不足,提升国产中分辨率遥感卫星数据的自给率,满足大区域森林AGB动态监测的需求[25]。
但光学被动遥感易受森林植被物候、天气等影响,存在“同谱异物”、“同物异谱”现象;光谱信号仅反映森林植被冠层水平信息造成AGB饱和点较低。主动遥感如合成孔径雷达(Synthetic Aperture Radar, SAR)除了具有全天时全天候特点外,还具有一定森林植被穿透深度(随波长增加而增加),可作用于树干与主枝,从而反映森林植被的垂直结构信息,因此具有更高AGB饱和点[26-29]。极化合成孔径雷达(Polarimetric SAR, PolSAR)的后向散射特征对森林植被散射体的形状和位置敏感;干涉合成孔径雷达(Interferometric SAR, InSAR)通过相位信息反映林木空间分布和高度;极化干涉合成孔径雷达(Polarimetirc Interferometric SAR, PolInSAR)兼备二者特性,在森林结构信息反演方面具有较大优势[30-32]。SAR的极化[33-35]、极化干涉[30,39-42]等信息已被广泛用于森林AGB定量反演。然而,目前难以获取到高质量的星载SAR干涉信息,限制了SAR在大区域森林AGB定量反演方面的应用[43]。
作为主动光学遥感手段,激光雷达(Light Detection And Ranging, LiDAR)通过发射激光能量和接收返回信号的方式,相对其他遥感手段,其具备更直接、更精准的森林结构和林下地形信息探测能力,在局部区域的森林参数(树高、郁闭度等)定量反演方面具有明显优势[44-46]。LiDAR受地形和森林结构影响相对较小,但易受天气影响。星载激光雷达,如ICESat(Ice,Cloud and land Elevation Satellite)GLAS(Geoscience Laser Altimeter System),数据时空连续性较低(时间:2003~2009年;空间:轨道间空隙大);机载LiDAR数据昂贵,获取及处理过程繁琐[47];因此,LiDAR目前难以在大区域进行森林AGB无缝动态监测应用[48]。
充分结合主被动多模式遥感的“立体”融合(数据融合、特征融合、决策融合)手段,可提高森林AGB定量反演精度[38,49-58]。然而多模式遥感必定伴随着数据维度高,计算量大,时空尺度不匹配,从而降低森林AGB模型预测效率。针对高维度数据,相对于参数化方法(如逐步多元回归),非参数化(如最近邻法(k-NN))可有效抑制过拟合现象,因此反演的森林AGB精度更高,并且基于留一法验证的结果更可靠[59-61],适用于大区域森林AGB估测[62]。但问题在于,后者的反演精度很大程度依赖于学习机结构体的优化处理(如特征向量组合、模型结构参数选择等),特别是特征组合的优化处理依赖于先验知识,如遥感植被指数与森林AGB的敏感性分析等[63]。因此,基于多模式遥感数据的区域森林AGB的非参数化方法反演的首要问题是解决如何高效地选择特征组合:①减少估测预算的复杂度和运算量;②在可控精度内移除冗余信息;③尽可能降低过拟合风险;④算法结构体清晰,易于解析。
作为一种重要的特征选择工具,RF被广泛用于遥感分类识别与定量反演,RF可针对每一特征变量的重要性(敏感性)进行分析、评分。依据评分对特征变量的重要性进行排序。但由于其“黑箱”运算,模型稳健性不强,尤其在当参与建模的输入特征不平衡、噪声较多的情况下;而k-NN算法简单、明晰,可解译性高;通常情况下,当输入特征向量较少而训练样本较多,则预测结果较稳健。然而,在森林AGB遥感定量反演的实际应用中,往往森林样地数据较少,遥感信息高维度化。Tian等[64]利用RF挑选后的特征向量组合,用于优化k-NN模型结构体。结果表明,利用RF挑选的特征组合能够大大提高森林AGB反演效率。然而,该研究将RF与其他两种非参数化方法分离使用,并没有将RF与他们从算法上进行耦合。Li等[65]提出了随机k-NN算法(RKNN),即在RF的第一级节点上,基于Bootstrap抽取的样本,利用k-NN进行一系列建模、优化,直到分类结果最佳。结果表明,RKNN可大幅提高基因识别效率,在一定程度上解决了“小样本&高维度信息”问题。该算法思想值得借鉴到遥感定量反演森林AGB应用中,目前国内外未见相关报道。在此思想基础上,韩宗涛[66]提出了一种基于快速迭代特征选择的k-NN方法(k-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS),可以在数量级上提高多模式遥感及辅助因子的特征优化组合挑选的效率,针对大区域的多模式遥感定量反演(如森林AGB)方面具有很好的应用潜力。
考虑到大区域遥感数据的可用性(如连续性、可获取性)、时空尺度等问题,采用2009年Landsat TM5(TM)与L波段ALOS-1 PALSAR,以及2014年国产高分一号(GF-1)(宽幅相机,WFV)与L波段ALOS-2 PALSAR数据,利用KNN-FIFS算法实现高维度遥感特征快速优选,以期提高大区域森林AGB反演效率、降低遥感监测评估成本;根据KNN-FIFS反演的两期内蒙古大兴安岭地区森林AGB反演结果,为了揭示森林AGB时空变化格局、科学评估地区生态环境保护(如天然林保护)、提升国家生态环境遥感连续动态监测与预警能力提供保障。
2 研究区概况与数据
2.1 研究区
选取内蒙古大兴安岭林区作为研究区(图1),该地区(119° 36′ 26″~125° 24′10″ E,47° 03′ 26″~53° 20′ 00″ N)位于内蒙古自治区东北部,是我国四大国有林区之一;主体生态功能区总面积为1.067×105 km2(约占整个大兴安岭46%),森林覆盖率79.56%,森林总面积、蓄积量居全国国有林区之首。该地区在涵养水源、制氧固碳、保育土壤、保护生物、遗传多样性等方面发挥着不可替代的重要作用,被誉为“北疆的绿色长城”。该地区属欧亚大陆北方森林带,是我国北方国土安全体系的重要屏障,是国家重点森林碳库,生态建设战略地位极其重要。该地区以兴安落叶松(Larix gemelinii)构成的明亮针叶林为主要森林类型,优势树种为兴安落叶松,伴生白桦(Betula platylla),山杨(Polulus davidaana)、樟子松(Pinus sylvestris var. mongolica Litv)、柞树(puercusmongolica)、山杨(Populus davldiana)、黑桦(Betula davurica)和蒙古栎(Quercus mongolica)等。
图1
内蒙古大兴安岭林区地处高纬、高寒地带,海拔400~1 500 m,属寒温带大陆性季风气候,年平均气温-3.5 ℃,极端气温达-50.2 ℃,年降水量300~450 mm,且多集中在7~9月份,是全球对气候变化反应最敏感地区之一(佟健, 2017);该地区土层贫瘠,生态环境脆弱,遭受人为/自然灾害后恢复较慢,且易不可逆。
2.2 数据
2.2.1 遥感数据及产品
获取了研究区以2009年生长季(5~9月)时相为主的TM数据(
从日本宇宙航空研究开发机构(JAXA)网站(
从地理空间数据云平台获取了ASTER-GDEM V2(advanced spaceborne thermal emission and reflection radiometer global digital elevation model version2)产品(以下简称GDEM)(30 m),用于生产辅助特征(高程、坡度、坡向等)。
2.2.2 森林资源连续清查数据
利用第七次(2004~2008年)和第八次(2009~2013年)内蒙古森林资源连续清查数据的调查因子(树种、胸径及树高),根据样地各优势树种的生长方程,利用森林资源清查数据计算了样地尺度的森林AGB[67],经过分区、分层抽样后,用作KNN-FIFS训练和检验。
3 数据处理
3.1 遥感数据处理
3.1.1 土地利用分类
基于2009年TM影像、2014年GF-1影像,采用IDL版的影像随机森林(ImageRF)分类器(
3.1.2 SAR影像处理
针对SAR影像,首先根据定标函数进行辐射定标。另外,SAR影像是侧视成像,其回波信号受地形起伏影响严重,在用于森林AGB定量反演研究时存在不可避免的地形效应,对反演结果造成较大不确定性,甚至是“无效”值(如叠掩、阴影区)。本研究采用半经验地形校正(角度效应)方法[69],对研究区ALOS-1、ALOS-2 PALSAR数据进行了校正。该校正方法有效地消除了迎坡面与背坡面的后向散射强度差异,可望提高模型的定量反演精度。在地形效应校正完后,采用Lee滤波器,5×5窗口,对SAR影像进行滤波处理。
3.1.3 影像配准
利用多模式遥感进行应用研究,首先需解决各类型传感器影像间配准问题;再者,由于森林资源连续清查数据属于林业保密数据,样地投影信息不公开;为保证样地与影像像素位置吻合,需根据林业生产部门(如国家林业局调查规划设计院)的高分辨率遥感基准图(如SPOT-5等)进行影像间配准。将TM、GF-1;ALOS-1、ALOS-2 PALSAR影像与SPOT-5基准图进行配准,并统一重采样到30 m分辨率。
3.1.4 遥感特征提取
除了获取的遥感数据及产品外,还进行了波段运算、植被指数、纹理和地形因子等特征提取,包括TM的缨帽变换(K-T变换)、波段比值运算(TM的b3/b4、PALSAR的HH/HV等);植被指数包括了归一化植被指数(NDVI)、大气阻抗指数(ARVI)、红外指数(IRI)、差值植被指数(DVI)、垂直植被指数(PVI)、比值植被指数(RVI)等。影像纹理采用灰度共生矩阵(GLCM),提取窗口大小为5×5,计算得到方差、均值、对比度、同质性、相异性、熵、二阶矩以及相关性等纹理信息;地形因子则通过ASTER GDEM V2计算得到,包括高程、坡度和坡向。以上处理得到TM+ALOS-1共144个特征,GF-1+ALOS-2共120个特征;运算均利用ENVI或IDL进行。
植被覆盖度(VFC)是衡量森林植被状况的重要指标,可在一定程度上反映森林植被水平信息。本研究试图结合光学的水平信息表征与L波段SAR的垂直穿透特征,从而提高森林AGB反演。因此,采用像元二分法进行了两期(2009、2014年)研究区植被覆盖度反演,作为KNN-FIFS反演模型输入特征。
3.2 样地数据抽取
KNN-FIFS是针对k-NN输入特征优化组合的快速迭代选取,在继承了k-NN的优势时也存在着相同的不足。即,该模型反演精度在很大程度上依赖于训练样本值域的均一分布[61,64]。内蒙古大兴安岭幅员辽阔,森林资源连续清查样地数较多(其中有林地1 500余个),森林AGB值域分布不均一,低值(<50 t/hm2)和高值(>120 t/hm2)样本较少,大部分集中于50~120 t/hm2。为尽量避免低值、高值区域的欠采样和中值密集区域过采样现象,另外考虑到研究区纬度跨度大,本研究在纬度分区(0.5°)的基础上,采取分层抽样策略(10 t/hm2一层)对样地进行筛选,尽量保证样本的全局代表性;另外去除落在云遮掩区域的样本。经过分区、分层抽样后,分别保留了909(2009年)和1 020个(2014年)样本。
4 KNN-FIFS模型
k-NN不依赖于特定的函数分布,从而在用于森林参数定量估测时更为灵活,可适用于多模式遥感、及其他辅助信息(气象、土壤、地形、环境因子等)的特征融合。待估像元的属性值
其中:
其中:
马氏距离:
其中:C为协方差矩阵。
模糊距离:
其中:C* 为模糊协方差矩阵[61]。
k⁃NN算法明晰,范化能力强,采用留一法(LOO)进行训练和验证,从而不依赖于训练和检验样本的。但是当特征维数较高时(比如多模式遥感特征因子),从而造成特征组合优选效率低下,降低模型预测效率。
韩宗涛[66]提出的KNN-FIFS方法(具体算法流程见图2)可在数量级上提高多模式遥感及辅助特征因子优化组合效率,提高森林AGB估测效率。KNN-FIFS的特征因子组合优化基本原理是分别抽取特征组合子集
图2
关于KNN-FIFS方法,两个重要的特性需要在此说明:
(1)设特征数为m,则共计产生可能的特征组合数为
图3
图3
KNN-FIFS方法特征选择与特征组合遍历对比
Fig. 3
The comparison between the traversal of feature combinations and the feature selection using KNN-FIFS
(2)KNN-FIFS通过留一法交叉验证:首先,排除了实验过程中分配训练/检验样本带来的随机误差;其次,保证了实验过程的可重复性性,进而保证了KNN-FIFS特征选择结果的稳定性;再次,每次验证过程中皆有S-1个样本(S为原始样本个数)用于模型训练,使得训练样本最接近原始样本分布,由此得到的估测结果更为可信。
5 结果与分析
5.1 森林植被覆盖度
基于像元二分法,内蒙古大兴安岭地区植被覆盖度反演结果如图4所示,该地区植被覆盖度的值主要分布在60% ~ 100%之间。因此,为便于展示,本研究将植被覆盖度分为5个等级,即低覆盖度(0 ~ 60%),较低覆盖度(60% ~ 70%),中覆盖度(70% ~ 80%),较高覆盖度(80% ~ 90%)和高覆盖度(90% ~ 100%)。本文以这两期植被覆盖度反演结果作为KNN-FIFS模型输入特征之一。
图4
图4
内蒙古大兴安岭地区2009年和2014年植被覆盖度
Fig.4
Fractional vegetation coverage of the Great Khingan within the Inner Monolia
5.2 KNN-FIFS优化
根据前述提取的2009年TM+ALOS-1的144个特征、2014年GF-1+ALOS-2的120个特征以及ASTER GDEM V2的3个特征,根据分区分层抽样后的两期森林资源连续清查样地计算的AGB样本,采用LOO法进行了KNN-FIFS特征组合优选;同时,在确定最优特征组合后,也完成了对k-NN基本结构体的优化(k值、距离函数、信息提取窗口)。
2009年特征优化组合为:TM植被覆盖度(fTM)、穗帽变换的绿度(K-TG)、亮度(K-TB),第4波段二阶矩(S4TM)、IRITM,ALOS-1的HH/HV极化比信息(σhh-1 /σhv-1 )以及GDEM高程(Hdem)。2014年特征优化组合为:GF-1植被覆盖度(fGF)、近红外波段二阶矩S4GF、IRIGF,ALOS-2 HH/HV极化比信息(σhh-2 /σhv-2 )以及GDEM高程(Hdem)。
图5
图5
内蒙古大兴安岭地区2009~2014年植被覆盖度变化图
Fig. 5
Change of fractional vegetation coverage of the Great Khingan within the Inner Monolia from 2009 to 2014
5.3 森林地上生物量反演及变化格局
利用上述优化特征组合输入到相应的最佳k-NN结构体(k=5、距离函数为马氏距离、信息提取窗口为5×5)。在像元尺度上(30 m),基于清查样地AGB,采用LOO进行了检验。图6展示了基于森林资源清查样地结果与LOO法检验的两期森林AGB反演结果,其中2009年的AGB反演结果R2=0.56,RMSE=25.95 t/hm2;2014年R2=0.64;RMSE=24.55 t/hm2。可以看出,在低值区域(<50 t/hm2)存在较严重(点密度大,偏离1∶1线程度大)的高估现象;在高值区域(>100 t/hm2)存在较严重的低估现象;并且从图6(b)看出,在140 t/hm2左右出现饱和(反演结果最大值为138 t/hm2;实测值最大值为187 t/hm2)。总体来看,2014年反演结果好于2009年;两期反演结果均集中于50~120 t/hm2。从反演结果统计均值与实测均值对比来看,2009年反演均值为81.59 t/hm2,实测均值为78.64 t/hm2,相对均值误差为3.75%;2014年反演均值为79.63 t/hm2,实测均值为82.48 t/hm2,相对误差为3.45%。
图6
图6
基于森林资源清查样地结果与LOO法检验两期森林AGB反演结果及散点密度分布图
(灰色虚线为1∶1线;黑色点划线为拟合线)
Fig.6
Validations and scatter density patterns of two-temporal forest AGB estimates based on the NFI data and LOO
(the gray dash line is 1∶1 line and the black dot dash is the fitting line )
2009年和2014年两期研究区森林AGB空间分布如图7所示。从影像统计值来看,2009年研究区的森林AGB的平均值为88.33 t/hm2;2014年为94.61 t/hm2。从空间分布来看,两期结果的高值(>100 t/hm2)均主要分布在中部和西北部。
图7
图7
内蒙古大兴安岭地区两期森林AGB反演结果
Fig.7
Two temporal forest AGB estimates over the Great Khingan within the Inner Monolia
两期森林AGB变化如图8所示,2009~2013年间森林AGB总体呈增加趋势(平均AGB增长了6.28 t/hm2;最大值为23.50 t/hm2);负增长主要出现在火灾干扰区(最大为-78.03 t/hm2)与过熟林区。从空间分布上看,东南及东北部增长明显,东部,南部及西南部增长缓慢,这些区域受到自然干扰、人为干扰(靠近农牧区)影响。
图8
图8
2009~2014年间内蒙古大兴安岭地区森林AGB变化格局
Fig.8
Change pattern of two temporal forest AGB estimates over the Great Khingan within the Inner Monolia from 2009 to 2014
6 讨 论
特征选择是机器学习研究的热点问题,如正向/反向搜索、封装模型特征选择算法、过滤特征选择算法的研究已用于支持向量机(SVM)、随机森林(RF)等模型。但这些算法计算量大,或容易造成输出结果的随机误差,或属于“黑箱”操作,或在一定程度上受训练、检验样本的选取、或假设服从一定的概率分布。因此难以适用于基于LOO的k-NN基本算法。
采用韩宗涛[66]所提出的KNN-FIFS,具有算法更明晰、结构更明晰、运算效率高等特点,适用于基于高维度特征组合的森林AGB定量反演。KNN-FIFS所用到的马氏距离是基于样本的协方差,考虑了特征向量的离散度,样本协方差矩阵可以有效排除变量之间的相关性干扰,适用于大样本(总体样本数>样本维数)的模型训练。欧式距离是将样本的不同属性的差别等同看待,易出现自相关现象,在异质性较强(尤其是地形复杂的)森林覆盖区域难以满足AGB定量反演需求[62]。模糊距离是对马氏距离的补充,即方差、协方差矩阵以模糊理论进行计算,但其假设服从一定的概率分布;与KNN-FIFS不服从任何概率分布的基本思想相悖,不适于基于KNN-FIFS定量反演森林AGB。
TM与GF-1的植被覆盖度产品均参与到了KNN-FIFS的特征优化组合中。覆盖度虽然可反映一定的森林结构(包括林木冠层及冠层下灌木、草本等),但同生境条件下的森林AGB敏感性不如郁闭度[80]。若能将覆盖度产品分离出纯冠层覆盖(如采用LiDAR点云分离林木与冠层下植被),可望进一步提高森林AGB反演精度。
在样地尺度来看,2009年反演均值较样地计算结果均值偏高(预测:81.59 t/hm2,实测:78.64 t/hm2),主要是因为样地AGB高值区(>平均值)样本较少,造成模型总体估测偏低。而2014年反演均值较样地计算结果偏低(预测:79.63 t/hm2 vs 实测:82.48 t/hm2),可以解释为第八次连续清查结果表明该地区适当的出现了高AGB值域(>平均值),模型预测结果总体偏高。总体精度2014年结果优于2009年,可解释为国产GF-1数据在数据可获取性、时空分辨率等更具有优势,可保障遥感数据质量(云量、时相等)。
从区域尺度来看,本研究反演的2009年平均森林AGB为88.33 t/hm2;2014年的为94.61 t/hm2;平均AGB增长量为6.28 t/hm2;与前期基于森林资源连续清查数据计算的结果较为接近。如伏鸿峰等[81]基于第六次(2004~2008)森林资源连续清查数据,利用生物量扩展因子法(BEF)计算出乔木林碳密度结果为43.57 t/hm2,考虑到其以0.5的碳含率(AGB/碳密度)计算,平均AGB为87.14 t/hm2。佟健[82]根据第七次森林资源连续清查数据,基于BEF法得到乔木林的碳密度为(46.10 t/hm2),以0.5碳含率计,则平均AGB为92.20 t/hm2。本研究两期反演结果较上述两项基于BEF法研究结果均偏高,但本研究与上述两项研究均有1 a延迟。
针对本文的大区域森林AGB反演结果,依然存在4方面不确定性。①数据时相不匹配:森林资源连续清查要求是在5 a内完成,但并未标注各样地调查年月时间信息;遥感数据的获取尽管考虑了时相的一致性,但由于研究区域较大,星载光学遥感数据之间及其与样地调查的时相难以严格吻合;并且,自天然林保护工程实施以来,人为干扰逐渐转向以森林保护、培育为主的经营活动,中分辨率遥感影像(30 m)对于幼林、疏林和灌木林等的识别能力有限,造成反演结果存在一定不确定性。②基于森林资源连续清查样本在低值(<50 t/hm2)和高值区(>120 t/hm2)较少,造成了模型低值高估,高值低估现象。③研究区森林遭受干扰频繁,森林资源样地清查资料难以针对人为(如管理经营、植树造林等)、自然干扰事件(如森林火灾、病虫害、冰雪灾害等)提供详实的训练/检验样本支持。④尽管针对ALOS-1、ALOS-2数据进行了角度效应地形校正,但二者均存在阴影与叠掩现象,在这些区域森林AGB结果偏差较大。
7 结 语
本文所采用的基于快速迭代的KNN-FIFS方法,可有效地提高多模式遥感特征优选效率。充分融合主、被动遥感的多维观测特征,可提高森林AGB反演精度及饱和点。由于低值、高值域样本相对较少,两期估测结果均存在低值高估,高值低估现象。本研究在像素级上(30 m)利用LOO法对KNN-FIFS反演结果进行了验证,具有更强鲁棒性,避免了由于训练、检验样本抽选造成的随机误差。样地尺度精度上,2014年结果优于2009年,国产GF-1遥感数据在定量反演能力方面可替代TM,并且具有更强数据质量保障能力。
2009~2014年期间,内蒙古大兴安岭林区植被覆盖度整体呈现了明显的增长趋势;森林AGB也相应的增加。自天然林保护工程实施以来,尽管森林火灾造成了局部较为严重的森林退化(覆盖度、AGB),但整体森林资源状况得到有效改善。
参考文献
A Large and Persistent Carbon Sink in the World’s Forests
[J].,
Recent Patterns and Mechanisms of Carbon Exchange by Terrestrial Ecosystems
[J]. ,
Mapping Forest Biomass in India through Aerial Photographs and Nondestructive Field Sampling
[J]. .
Remote Sensing Forest Biomass: an Evaluation Using Gigh Resolution Remote Sensor Data and Loblolly Pine Plots
[J]. ,
Tropical Forest Biomass and Successional Age Class Relationships to a Vegetation Index Derived from Landsat TM Data
[J]. ,
Remote Estimation of Crown Size, Stand Density, and Biomass on the Oregon Transect
[J]. ,
A New Methodology for the Estimation of Biomass of Coniferdominated Boreal Forest Using NOAA AVHRR Data
[J]. ,
The Relationship between the Biomass of Cameroonian Tropical Forests and Radiation Reflected in Middle Infrared Wavelengths (3.0~5.0 um)
[J]. ,
Improvement in Predicting Stand Growth of Pinus Radiata (D. Don) Across Landscapes Using NOAA AVHRR and Landsat MSS Imagery Combined with a Forest Growth Process Model (3-PGS)
[J]. ,
Predictive Relations of Tropical Forest Biomass from Landsat TM Data and Their Transferability between Regions
[J]. ,
Estimation of Biomass of a Mountainous Tropical Forest Using Landsat TM Data
[J]. ,
Stand Biomass Estimation Method by Canopy Coverage for Application to Remote Sensing in an Arid Area of Western Australia
[J]. ,
Forest Biomass Estimated from MODIS and FIA Data in the Lake States: MN, WI and MI, USA
[J]. ,
Estimating Aboveground Forest Biomass from Canopy Reflectance Model Inversion in Mountainous Terrain
[J]. ,
Improved Biomass Estimation Using the Texture Parameters of Two High-resolution Optical Sensors
[J]. ,
Estimation of Aboveground Biomass in Mangrove Forests Using High-resolution Satellite Data
,
Toward a General Tropical Forest Biomass Prediction Model from Very High Resolution Optical Satellite Images
[J]. ,
Extraction of Forest Biomass in West Guangdong by TM Data
[J]. ,
利用TM数据提取粤西地区的森林生物量
[J]. ,
Estimating Forest Biomass based on Remote Sensing Information
[J]. ,
基于遥感信息估测森林的生物量
[J]. ,
Estimating Forest Above-ground Biomass in the Upper Reaches of Heihe River Basin Using Multi-spectral Remote Sensing
[J]. ,
甘肃黑河流域上游森林地上生物量的多光谱遥感估测
[J]. ,
Monitoring and Estimating Tropical Forest Carbon Stocks: Making REDD a Reality
[J]. ,
Quantification of Live Aboveground Forest Biomass Dynamics with Landsat Time-series and Field Inventory Data: A Comparison of Empirical Modeling Approaches
[J]. ,
Forest Biomass Carbon Dynamics (1980-2009) in Western Himalaya in the Context of REDD+ Policy
[J]. ,
Dynamic Monitoring of Picea schrenkiana Forest Biomass in West Tianshan Mountain Region of Xinjiang
[J]. ,
Improved Model for Estimating the Biomass of Populus Euphratica Forest Using the Integration of Spectral and Textural Features from the Chinese High-resolution Remote Sensing Satellite GaoFen-1
[J]. ,
Dependence of Radar Backscatter on Coniferous Forest Biomass
[J]. ,
Radar Backscatter and Biomass Saturation: Ramifications for Global Biomass Inventory
[J]. ,
Average Tree Height Extraction based on Polarimetric Synthetic Aperture Radar Interferometry
[J]. ,
基于极化合成孔径雷达干涉测量的平均树高提取技术
[J]. ,
A Review on Forest Height and Above-ground Biomass Estimation based on Synthetic Aperture Radar
[J]. ,
合成孔径雷达森林树高和地上生物量估测研究进展
[J]. ,
Forest Canopy Height and carbon estimation at Monks Wood National Nature Reserve, UK, Using Dual-wavelength SAR Interferometry
[J]. ,
The Compact Polarimetry Alternative for Spaceborne SAR at Low Frequency
[J]. ,
Research Status and Inspiration of Polarimetric Interferometric SAR
[J]. ,
极化干涉SAR的研究现状与启示
[J].,
Relating Forest Biomass to SAR Data
[J]. ,
Mapping Biomass of a Northern Forest Using Multifrequency SAR Data
[J]. ,
A Three-component Scattering Model for Polarimetric SAR Data
[J]. ,
C-band Repeat-pass Interferometric SAR Observations of the Forest
[J]. ,
Forest Mapping and Monitoring with Interferometric Synthetic Aperture Radar (InSAR)
[J]. ,
Forest Attributes from Radar Interferometric Structure and Its Fusion with Optical Remote Sensing
[J]. ,
Multi-baseline Polarimetric SAR Interferometry-first Experimental Spaceborne and Airborne Results
[J]. ,
Tropical-Forest-Parameter Estimation by Means of Pol-InSAR: The INDREX-II Campaign
[J]. ,
Assessing Performance of L-and P-Band Polarimetric Interferometric SAR Data in Estimating Boreal Forest Above-Ground Biomass
[J]. ,
The BIOMASS Mission: Mapping Global Forest Biomass to Better Understand the Terrestrial Carbon Cycle
[J]. ,
Large-scale Mapping of Boreal Forest in SIBERIA Using ERS Tandem Coherence and JERS Backscatter Data
[J]. ,
Waveform Length Extraction from ICEsat GLAS Data and Forest Application Analysis
[J]. ,
星载激光雷达波形长度提取与林业应用潜力分析
[J]. ,
Estimation of Forest Tree Heights and Biomass from GLAS Data
[J]. ,
利用大光斑激光雷达数据估测树高和生物量
[J]. ,
Review on Forest Parameters Inversion Using LiDAR
[J]. ,
激光雷达森林参数反演研究进展
[J]. ,
A Study on Typical Forest Biomass Mapping Technology of Great Khingan Using Airborne Laser Scanner Data
[J]. ,
基于激光雷达的大兴安岭典型森林生物量制图技术研究
[J]. ,
New Development of Forest Canopy Height Remote Sensing
[J]. ,
林分平均高卫星遥感新进展
[J]. ,
Forest Variable Estimation from Fusion of SAR and Multispectral Optical Data
[J]. ,
Structure-based Forest Biomass from Fusion of Radar and Hyperspectral Observations
[J]. ,
Employing a Method on SAR and Optical Images for Forest Biomass Estimation
[J]. ,
Biomass Estimation of a Temperate Deciduous Forest Using Wavelet Analysis
[J]. ,
Improved Mapping of Tropical Forests with Optical and SAR Imagery, Part II: Above Ground Biomass Estimation
[J]. ,
Regional Distribution of Forest Height and Biomass from Multisensor Data Fusion
[J]. ,
Mapping Tropical Forest Biomass by Combining ALOS-2, Landsat 8, and Field Plots Data
[J]. ,
Estimating Forest Aboveground Biomass by Combining Optical and SAR Data: A Case Study in Genhe, Inner Mongolia, China
[J]. ,
Developing Synergy Regression Models with Space-borne ALOS PALSAR and Landsat TM Sensors for Retrieving Tropical Forest Biomass
[J]. ,
Estimating Aboveground Woody Biomass Change in Kalahari Woodland: Combining Field, Radar, and Optical Data Sets
[J]. ,
Use of Remotely Sensed and Ancillary Data for Estimating Forest Gross Primary Productivity in Italy
[J]. ,
Non-parametric and Parametric Methods Using Satellite Images for Estimating Growing Stock Volume in Alpine and Mediterranean Forest Ecosystems
[J]. ,
Estimation of Forest Above-ground Biomass Using Multi-parameter Remote Sensing Data over a Cold and Arid Area
[J]. ,
Estimating Montane Forest Above-ground Biomass in the Upper Reaches of the Heihe River Basin Using Landsat TM Data
,
Feature Extraction and Forest Biomass Estimation based on Landsat 8 OLI
[J]. ,
基于Landsat 8 OLI的特征变量优化提取及森林生物量反演
[J]. ,
Modeling Forest Above-ground Biomass Dynamics Using Multi-source Data and Incorporated Models: A Case Study over the Qilian Mountains
[J]. ,
Random KNN Feature Selection - A Fast and Stable Alternative to Random Forests
[J]. ,
Forest Above-ground Biomass Estimation Using Feature Selection based on Remote Sensing Data
[D].
Forest Carbon Storage in China Estimated Using Forestry Inventory Data
[J]. ,
基于森林清查资料的中国森林植被碳储量
[J]. ,
ImageRF - A User-oriented Implementation for Remote Sensing Image Analysis with Random Forests
[J]. ,
Three-Step Semi-Empirical Radiometric Terrain Correction Approach for PolSAR Data Applied to Forested Areas
[J]. ,
Distribution of Aboveground Live Biomass in the Amazon Basin
[J]. ,
Aboveground Biomass Assessment in Colombia: a Remote Sensing Approach
[J]. ,
A Physically-based Transformation of Thematic Mapper Data-The TM Tasseled Cap
[J]. ,
Estimating Structural Attributes of Douglas-fir/Western Hemlock Forest Stands from Landsat and SPOT imagery
[J]. ,
Mapping Forest Growth and Decline in a Temperate Mixed Forest Using Temporal Trend Analysis of Landsat Imagery, 1987-2010
[J]. ,
Texture in Airborne SAR Imagery of Tropical Forest and Its Relationship to Forest Regeneration Stage
[J]. ,
Relating SAR Image Texture to the Biomass of Regenerating Tropical Forests
[J]. ,
Growth Response and Spectral Characteristics of a Short Spartina Alterniflora Salt Marsh Irrigated with Freshwater and Sewage Effluent
[J]. ,
An Evaluation of the ALOS PALSAR L-Band Backscatter-Above Ground Biomass Relationship Queensland, Australia: Impacts of Surface Moisture Condition and Vegetation Structure
[J]. ,
PALSAR 50 m Mosaic Data based National Level Biomass Estimation in Cambodia for Implementation of REDD+ Mechanism
[J]. ,
Forest Biomass Estimation Using Remote Sensing based on Canopy Density Simultaneous Equations Model
[J]. ,
基于郁闭度联立方程组模型的森林生物量遥感估测
[J]. ,
Forest Carbon Storage and It’s Dynamics in Da-Xing Mountains of Inner Mongolia
[J]. ,
内蒙古大兴安岭林区森林碳储量及其动态变化研究
[J]. ,
/
〈 | 〉 |