南京林业大学学报(自然科学版)

作者：巨一琳,姬永杰,黄继茂,张王菲

单位：1.西南林业大学林学院,云南 昆明 650224,2.西南林业大学地理与生态旅游学院,云南 昆明 650224

关键词：机载激光雷达(LiDAR),Landsat8 OLI,森林地上生物量,偏最小二乘法,线性多元逐步回归,最近邻算法

基金：国家自然科学基金项目(31860240),国家自然科学基金项目(32160365),国家自然科学基金项目(42161059),云南省万人计划青年拔尖人才项目(80201444),云南省教育厅科学研究基金(2020Y0393)

【目的】森林地上生物量的准确估测对于实时掌握全球碳储量变化及应对气候变化有着重要的意义。组合多种遥感数据特征优选,分类建模反演森林地上生物量,是提高森林地上生物量精度的有效方法。【方法】以根河市大兴安岭生态观测站寒温带天然林为研究对象,以机载激光雷达(LiDAR)、Landsat8 OLI两种遥感数据源结合55块地面调查数据,采用偏最小二乘算法优化筛选变量,再以线性多元逐步回归和快速迭代特征选择的最近邻算法(KNN-FIFS)构建模型,在两种数据源的不同组合方式下进行森林地上生物量反演。【结果】①基于线性多元逐步回归模型下的单一LiDAR数据反演精度决定系数(R2)为 0.76,均方根误差(RMSE)为 21.78 t/hm2;单一Landsat8 OLI数据的反演精度R2为 0.24,RMSE为39.27 t/hm2;LiDAR和Landsat8 OLI联合反演精度R2 为 0.84,RMSE为18.16 t/hm2;②基于KNN-FIFS模型下的单一LiDAR数据反演精度R2为 0.74,RMSE为23.83 t/hm2;单一Landsat8 OLI数据的反演精度R2为0.60,RMSE为 29.63 t/hm2;LiDAR和Landsat8 OLI联合反演精度R2为0.80,RMSE为21.15 t/hm2。【结论】①特征优选支持下的3种组合方式中,LiDAR和Landsat8 OLI两种数据的组合在两种模型中反演精度均最高,其中线性多元逐步回归模型的反演精度最高,说明LiDAR和Landsat8 OLI数据组合,激光雷达与光学数据优势特征互补,协同反演可有效提高森林地上生物量的反演精度;②单一数据源反演森林地上生物量精度中,LiDAR数据比Landsat8 OLI数据在两种模型反演精度中均较高,这与LiDAR数据空间分辨高、可获得垂直结构特征参数有关。

来源：2022年第1期

《南京林业大学学报(自然科学版)》期刊编辑部

查看南京林业大学学报(自然科学版)杂志2022年第1期