论文部分内容阅读
森林生物量是森林生态系统长期生产与代谢过程中积累的结果,是森林生态系统运转的能量基础和物质来源。包括林木的生物量和林下植被层的生物量,林木生物量包含根、茎、叶、花果、种子和凋落物等的总重量。通常以单位面积或单位时间积累的干物质量或能量来表示。其大小受光合作用、呼吸作用、死亡、收获和人类活动等因素的影响,是森林演替、人类活动、自然干扰、气候变化和大气污染等因素的综合结果,是评价森林生态系统结构和功能的重要指标。森林生物量的估测手段有很多,本文所采用的是利用多源遥感数据从大区域尺度上对森林生物量进行遥感估测,该方法具有先进性和实用性。对森林生物量的准确估测有利于人们及时监测森林的生长状态和掌握森林的变化规律,为合理保护、管理、利用森林资源、创造稳产高产的森林生态系统提供理论依据。准确估算大区域尺度的森林生物量对于了解森林生态系统状况和科学指导林业经营与管理具有非常重要的指导意义。本文旨在利用RADARSAT-2 SAR图像结合LANDSAT5TM图像定量估算大区域尺度的森林生物量。首先,通过极化分解方法处理SAR数据获得46个极化分解参数,然后将这46个极化分解参数加上LANDSAT5 TM数据的6个波段参数共计51个参数作为自变量,森林生物量W用作因变量来构建统计回归模型。模型构造使用两种方法:1)逐步回归法,此方法共筛选出两个参数,分别为TM Band4和FreeMan3 Odd两个参数,建立回归模型,模型R2为0.534,拟合精度为67.51%,RMSE为43.21 t/ha;2)最优子集方法,使用Bootstrap方法过滤51个自变量,共过滤剩余9个参数参与建模,然后用这9个构造最优子集模型,共有5个参数选入模型。模型建立后,使用交叉验证法对模型进行验证,结果模型R2为0.7682,拟合精度为88.32%,拟合RMSE为14.98 t/ha,验证精度为86.21%,验证RMSE为19.14t/ha,CP指数为5.2495,赤池信息量为256.5045。经比较,最优子集方法构建的回归模型具有更高的精度,更小的误差,本文最终采用最优子集方法构建反演模型,得到研究区森林生物量分布图。本文的研究结果表明:将全极化的C波段SAR数据与LANDSAT5 TM光学数据相结合形成多源数据来构建遥感信息模型,可以准确地反演森林生物量。