多源光学遥感数据估算桉树森林生物量

为了克服单个传感器影像在估算森林生物量的方面的局限性,采用多传感器遥感影像估算森林生物量成为目前的发展趋势。该研究根据光学遥感数据源比较多的特点,采用Landsat5 TM数据、ALOS AVNIR-2数据和CBERS-02B CCD数据估算东莞市桉树森林生物量,在对比分析单个传感器估算生物量能力的基础上,将3种传感器结合在一起估算东莞市桉树生物量,充分发挥不同光学传感器在光谱分辨率、辐射分辨率、空间分辨率和时间分辨率等方面的优点,避开各自的缺点,提高了遥感估算桉树生物量的精度,其调整系数R2达到0.65。该研究可为进一步研究大范围的森林生物量估算提供参考。     

多源数据支持下的森林地上生物量估算方法

以Landsat8 OLI（operational land imager）为遥感数据源,森林资源二类调查和地理国情数据为主要辅助数据,对森林地上生物量（aboveground biomass,AGB）进行了反演和估算。以安徽省金寨县的天然林为研究对象,通过计算覆盖研究区Landsat8 OLI的光谱、纹理和地形特征,利用森林资源二类调查、地理国情普查与监测和外业调查数据建立AGB定量反演模型,以此为基础分析了不同特征对于AGB估算的影响。结果表明,基于所采用的方法得到的金寨县的森林地上生物量,最优反演模型的实测值与估算值相对误差为0.708 718,均方根误差为1.318 983,精度较高。依据该模型计算得到金寨县的生物总量为4 723 728 530 t,结果与实际情况符合。该研究对AGB定量反演和研究所采用的方法对于大范围监测森林资源具有可用性。     

基于遥感的区域尺度森林地上生物量估算研究

森林是陆地生态系统最大的碳库,精确估算森林生物量是陆地碳循环研究的关键。首先从机载LiDAR数据中提取高度和密度统计量,采用逐步回归模型进行典型样区生物量估算;然后利用机载LiDAR数据估算的生物量作为样本数据,与多光谱遥感数据Landsat8 OLI的波段反射率及植被指数建立回归模型,实现区域尺度森林地上生物量估算。实验结果显示,机载LiDAR数据估算的鼎湖山样区生物量与地面实测生物量的相关性R2达0.81,生物量RMSE为40.85 t/ha,说明机载LiDAR点云数据的高度和密度统计量与生物量存在较高的相关性。以机载LiDAR数据估算的生物量为样本数据,结合多光谱遥感数据Landsat8 OLI估算粤西北地区的森林地上生物量,精度验证结果为:R2为0.58,RMSE为36.9 t/ha;针叶林、阔叶林和针阔叶混交林等3种不同森林类型生物量的估算结果为:R2分别为0.51(n=251)、0.58(n=235)和0.56(n=241),生物量RMSE分别为24.1 t/ha、31.3 t/ha和29.9 t/ha,估算精度相差不大。总体上看,利用遥感数据可以开展区域尺度的森林地上生物量估算,为森林固碳监测提供有力的参考数据。     

净初级生产力遥感估算模型空间尺度转换

采用基于混合像元的结构分析方法和支持向量机(SVM)算法,建立了高分辨率遥感数据(TM)向低分辨率遥感数据(MODIS)的尺度转换模型,实现了由高分辨率遥感数据获得的NPP向低分辨率遥感数据获得的NPP的空间尺度转换。对低分辨率遥感数据(MODIS)估算的NPP结果进行了尺度效应校正。结果表明:SVM回归模型模拟出的尺度效应校正因子Rj_corrected与1-F中覆盖度草地之间的相关性较高,R2达到0.81。尺度效应校正前的NPPMODIS与NPPTM的相关性较低,R2仅为0.69,RMSE为3.47;尺度效应校正后的NPPMODIS_corrected与NPPTM的相关性较高,R2达到0.84,RMSE为1.87。因此,经过尺度效应校正后的NPP无论是在相关性还是在误差方面有了很大程度的提高。     

森林地上生物量遥感估测研究进展

森林生物量是衡量生态系统生产力的重要指标,也是研究森林生态系统物质循环的重要基础,其估测方法可以分为传统地面实测法、遥感监测法和综合模型法.随着生物量估测从样地研究发展到区域应用,空间尺度的增大导致宏观资料和参数的获取存在很多困难.在深入分析目前应用遥感技术估算森林生物量的方法及原理基础上,系统评述了统计模型、物理模型...     

基于无人机影像的农作物净初级生产力估算

基于无人机影像对不同农作物植被在不同生长期的净初级生产力进行估算.本文对试验田区域的可见光植被指数(GRRI、GBRI、NGRDI、NGBDI、VDVI及RGBVI)与NDVI指数进行相关性分析,发现可见光波段差异指数(VDVI)与NDVI指数呈显著相关性.在此基础上,将无人机影像的VDVI指数代入CASA模型,对试验田的农作物的月净初级生产力进行估算.结果表明:1)VDVI指数可以很好地区分水稻、玉米和黄豆等作物.2)碳密度月均值的大小与作物的生长时期有直接关系.处于枯萎期的玉米的碳密度均值小于实验田的碳密度月均值,处于生长期的水稻、黄豆和芋头等作物植被的碳密度值大于实验田的碳密度月均值.3)作物混种的碳密度均值大于单一作物的碳密度均值.     

融合高时空分辨率数据估算植被净初级生产力

植被净初级生产力NPP(Net Primary Production)遥感估算与分析,有赖于高时空分辨率的遥感数据,但目前中高分辨率的遥感数据受卫星回访周期及天气的影响,在中国南方地区难以获取连续时间序列的数据,从而影响了高精度的区域植被净初级生产力的遥感估算。为此,提出一种基于多源遥感数据时空融合技术与CASA模型估算高时空分辨率NPP的方法。首先,利用多源遥感数据,即Landsat8 OLI数据与MODIS13Q1数据,采用遥感数据时空融合方法,获得了时间序列的Landsat8 OLI融合数据;然后,基于Landsat8 OLI时空融合数据,并采用CASA模型,以长株潭城市群核心区为例,进行区域植被NPP的遥感估算。研究结果表明,基于时间序列Landsat融合数据估算的30m分辨率的NPP具有良好的空间细节信息,且估算值与实测值的相关系数达0.825,与实测NPP数据保持了较好的一致性。     

西藏高原典型草地地上生物量遥感估算

准确估算草地地上生物量对合理规划区域畜牧业、评估草地植被的生态效益有重要意义.利用每月两次的野外调查资料和对应的MODIS植被指数,以GIS空间数据处理技术和多元统计分析方法等为手段,建立了西藏高寒草甸、高寒草原和温性草原3个典型草地类型的地上生物量遥感估算模型和方法.结果表明:MODIS植被指数更适合于高寒草甸和高寒草原的地上生物量估算,对于高寒草甸,最佳估算模型是基于归一化植被指数(normalized difference vegetation index,NDVI)的三次多项式,其相关系数为0.82;对高寒草原,则是基于增强型植被指数(enhanced vegetation index,EVI)的三次多项式,相关系数达0.83;由于温性草原存在很强的空间异质性,估算效果较其他2个草地类型差.MODIS植被指数对草地生长期鲜草生物量的估算和模拟效果要优于总地上生物量.在生长期,高寒草甸和高寒草原的鲜草生物量与植被指数之间的相关系数都大于0.8,最高达0.92;对温性草原,两者的相关系数也均大于0.67,其中,NDVI是高寒草甸和温性草原鲜草生物量估算的最佳植被指数,对高寒草原则是EVI.对同一草地类型,由于地上生物量差异较小,使得相比其他模型,线性或多项式回归模型更适合于西藏高原草地地上生物量的估算.     

利用ESAR极化数据的复杂地形区森林地上生物量估算

利用机载E-SAR传感器获取的P-波段全极化SAR数据与实测林分样地数据,分析不同极化方式后向散射系数在地形起伏区与森林地上生物量（AGB）的响应关系,以改进的水云模型为基础,建立了融入地形因子的分析性模型。采用遗传算法确定模型的最优参数,并对模型在不同坡度情况下的可靠性、稳定性进行分析,同时通过与常用模型相对比,确定水云分析模型在复杂地形区估算AGB的优势。结果表明：在森林AGB处于较低值的情况下,后向散射系数（HH、HV、VV）变化趋势与AGB变化趋势保持一致,但随着AGB值的增大,这种一致性仅在HV极化方式下继续保持,因此相比之下,HV极化方式更适用于复杂地形区生物量的估算。地形对森林AGB的估算具有极大的影响,后向散射系数与AGB的相关性随着地形坡度的增加而减小。5种模型估算森林AGB的能力大小排序为：水云分析模型 > 二次模型 > 对数模型 > 指数模型 > 线性模型。地形起伏较小的地区估算稳定性排序为：水云分析模型 > 二次模型 > 对数模型 > 指数模型>线性模型。地形起伏较大的地区估算稳定性排序为。水云分析模型 > 二次模型 > 线性模型 > 指数模型 > 对数模型。利用水云分析模型对研究区AGB估算,其实测AGB与模型估算的生物量值决定系数为0.597,RMSE为30.876 t/hm²,拟合精度为77.40%。     

森林地上生物量遥感反演方法综述

森林地上生物量反演对理解和监测生态系统及评估人类生产生活的影响有着重要作用,日益发展的遥感技术使全球及大区域的生物量估算成为可能。近年来,不同的遥感技术和反演方法被广泛用于估算森林生物量。本文首先总结了现有的全球及区域生物量产品及其不确定性,然后综述了3类方法在森林地上生物量遥感反演中的应用,即基于单源数据的参数化方法、基于多源数据的非参数化方法和基于机理模型的反演方法,阐述了各类反演方法的特点、优势及局限性。最后从机理模型研究、多源遥感数据协同、生物量季节变化研究和遥感数据源不断丰富4个方面对今后的生物量遥感反演研究进行了展望。     

Estimation of aboveground biomass and carbon in a tropical rain forest in Gabon using remote sensing and GPS data

The knowledge of biomass stocks in tropical forests is critical for climate change and ecosystem services studies. This research was conducted in a tropical rain forest located near the city of Libreville (the capital of Gabon), in the Akanda Peninsula. The forest cover was stratified in terms of mature, secondary and mangrove forests using Landsat-ETM data. A field inventory was conducted to measure the required basic forest parameters and estimate the aboveground biomass (AGB) and carbon over the different forest classes. The Shuttle Radar Topography Mission (SRTM) data were used in combination with ground-based GPS measurements to derive forest heights. Finally, the relationships between the estimated heights and AGB were established and validated. Highest biomass stocks were found in the mature stands (223 ± 37 MgC/ha), followed by the secondary forests (116 ± 17 MgC/ha) and finally the mangrove forests (36 ± 19 MgC/ha). Strong relationships were found between AGB and forest heights (R² > 0.85).     

Stratified aboveground forest biomass estimation by remote sensing data

Remote sensing-assisted estimates of aboveground forest biomass are essential for modeling carbon budgets. It has been suggested that estimates can be improved by building species- or strata-specific biomass models. However, few studies have attempted a systematic analysis of the benefits of such stratification, especially in combination with other factors such as sensor type, statistical prediction method and sampling design of the reference inventory data. We addressed this topic by analyzing the impact of stratifying forest data into three classes (broadleaved, coniferous and mixed forest). We compare predictive accuracy (a) between the strata (b) to a case without stratification for a set of pre-selected predictors from airborne LiDAR and hyperspectral data obtained in a managed mixed forest site in southwestern Germany. We used 5 commonly applied algorithms for biomass predictions on bootstrapped subsamples of the data to obtain cross validated RMSE and r² diagnostics. Those values were analyzed in a factorial design by an analysis of variance (ANOVA) to rank the relative importance of each factor. Selected models were used for wall-to-wall mapping of biomass estimates and their associated uncertainty. The results revealed marginal advantages for the strata-specific prediction models over the unstratified ones, which were more obvious on the wall-to-wall mapped area-based predictions. Yet further tests are necessary to establish the generality of these results. Input data type and statistical prediction method are concluded to remain the two most crucial factors for the quality of remote sensing-assisted biomass models.     

利用车载激光扫描的城市森林三维绿量估算

针对城市森林绿量估算研究不足的现状,该文提出了结合高分辨率航空遥感影像和车载激光扫描技术估算城市森林三维绿量的方法:首先从车载激光扫描数据中提取道路两侧单株树的生物物理参数,再结合从航空遥感影像中提取的植被分布,对均质城市森林片区进行三维绿量的拟合计算;最后以上海市滨江森林公园为例进行了方法验证。结果表明,该方法能够拓展车载激光扫描系统应用的领域,为城市绿化信息的获取提供参考。     

基于GeoRaster的多源遥感数据存储研究

遥感数据源极大丰富,影像文件格式多样,组织方式也较复杂,如何采用统一的接口实现异构多源海量遥感数据的存储是一大难题。本文以多源遥感数据的存储为研究对象,在研究Oracle GeoRaster数据模型的基础上,设计了扩展的基于GeoRaster的多源遥感影像存储模型,利用java JAI与GDAL相结合,实现了多源多格式遥感影像数据的统一存储。     

长时间序列多源遥感数据的森林干扰监测算法研究进展

时空意义明确的森林干扰和恢复信息是评价森林生态系统碳动态的关键因素之一。然而由于诸多的现实困难,多尺度的森林干扰定量化时空信息相对缺乏。Landsat数据具备光谱、时间和空间分辨率上的优势,以及可以免费获取的特点,使其成为主要的长时间序列动态监测的遥感数据源之一,为长时间周期内提供具有合适的空间细节和时间频率的森林干扰信息成为可能。特别是基于Landsat时间序列堆栈(LTSS)的森林干扰自动分析算法的出现,更为森林生态系统的近实时监测提供强有力的工具。本文全面评述了长时间序列遥感数据准备和预处理技术以及国内外基于遥感数据源的多时相森林干扰监测方法,重点分析了基于Landsat的多种指数监测和自动化方法的优缺点,并总结了其与多源数据结合的扩展应用,最后就现有方法与国内外新的数据、技术手段的关联进行了展望,以期为推广中国本土卫星影像应用于森林干扰监测提供理论借鉴。     

融合多源时序遥感数据大尺度不透水面覆盖率估算

不透水面信息是监测城市扩张及区域生态环境变化研究的重要指标,基于遥感技术对地表不透水面信息进行快速提取具有重要意义。传统大范围不透水面覆盖率估算模型主要基于单一遥感信息与不透水面比例之间的相关性,通过单因子回归模型实现不透水面覆盖率的估算。受限于单一遥感信息的信息量及普适性等影响,这类方法在大尺度不透水面提取中具有较大局限性,估算结果的区域适应性存在较大差异。针对该问题,本文提出基于多特征遥感信息进行不透水面估算的方法,以弥补单一特征在大范围不透水面提取中的不确定性。该方法首先以多时相MOD13Q1、MOD09A1产品、夜间灯光数据（NPP-VIIRS）和Landsat 8 OLI为遥感数据源,从不同角度构建突出不透水面信息的多个指数特征;在此基础上利用多元回归模型建立多因子不透水面覆盖率估算模型,进而实现大尺度不透水面覆盖率的遥感估算。本研究选择分布于全国范围内13个典型城市作为主要研究区对提出的模型进行了验证,结果表明：该方法能够适应不同区域不透水面覆盖率的估算,在复杂城市区域表现出较传统方法更好的效果,明显改善了城市内部不透水面覆盖率的估算精度。     

数据驱动的多源遥感信息融合研究进展

多源遥感信息融合技术是突破单一传感器的观测局限,实现多平台多模态观测信息互补利用,生成大场景高“时-空-谱”无缝的观测数据的重要手段。随着人工智能理论与技术的日益完善,数据驱动的多源遥感信息融合获得了研究者的广泛青睐,然而,数据驱动算法与生俱来的低物理可解释性,弱泛化能力都阻碍了其在多源遥感信息融合领域的长远发展。因此,本文分别对同质遥感数据融合,异质遥感数据融合,以及点-面融合的有关研究成果进行了系统的梳理和归纳,分析了各融合问题的发展趋势。最后,对算法研究进展进行了总结,剖析了数据驱动的融合算法所面临的挑战,指出了未来多源遥感信息融合领域的研究方向。     

植被光能利用率遥感估算

光能利用率表征植被通过光合作用将所截获/吸收的能量转化为有机碳的效率,是遥感估算植被生产力的关键参数.由于植被分布和气候环境的综合影响,光能利用率表现出显著的空间异质性和时间动态性,光能利用率的不确定性成为后续生产力模型估算精度不高的重要原因.本文以Fluxnet全球通量站点数据和MODIS LAI/fPAR产品为数据...