论文部分内容阅读
森林蓄积量是指一定林地面积上的林木材积的总和。本文以高分一号（GF-1）卫星影像为数据源，对覆盖湖南省黄丰桥的两景8m多光谱影像和2m全色影像进行了辐射定标、大气校正、正射校正、影像融合、几何校正、影像裁剪镶嵌及地形校正等预处理，消除了原始影像的大气影响、噪音、位置偏差及地形等影响，为后续的实验提供了良好的基础数据源。为了探索不同纹理提取窗口大小对反演精度的影响，本文设置了9组不同的纹理提取窗口(3×3、5×5、7×7、9×9、11×11、13×13、15×15、17×17、19×19)进行试验，以得出GF-1影像反演杉木人工林蓄积量的最佳纹理窗口;然后通过对遥感影像的光谱信息、纹理信息、改进纹理信息、地理信息等进行提取，利用随机森林的方法对其进行变量筛选;最后利用多元逐步分析、主成分分析、KNN的方法分别构建森林蓄积量估测模型，研究估测了试验区覆盖范围内的杉木人工林蓄积量。通过对研究区杉木人工林蓄积量估测的精度分析，探究了各方法的优劣，得到结论如下: (1)杉木人工林的最优纹理窗口为15×15。本文设置了9组不同的纹理提取窗口(3×3、5×5、7×7、9×9、11×11、13×13、15×15、17×17、19×19)进行试验，分别对其采用多元逐步回归构建森林蓄积量的反演模型，结果表明基于GF-1影像的杉木人工林的最优纹理窗口为15×15。 (2)加入改进纹理特征因子后能有效提高模型反演蓄积量的精度。在利用从原始影像提取的植被指数信息和从DEM提取的地理信息的基础上，加入了纹理因子及改进纹理因子，实验表明，加入改进纹理因子后，蓄积量反演模型精度有较大提高。 (3)分别采用多元逐步回归、主成分分析及KNN的方法构建黄丰桥杉木人工林的蓄积量反演模型。结果表明:采用KNN算法对杉木人工林进行蓄积量反演的精度最优，R2为0.786，RMSE为18.425 m3/hm2;主成分分析次之，R2为0.710，RMSE为25.356 m3/hm2;多元逐步回归最差，R2为0.684，RMSE为28.214m3/hm2。