论文部分内容阅读
生物多样性是维持生态系统健康和提供服务功能的基础。生物多样性监测是生物多样性保护的重要组成部分,使得各国政府和民间社会发现问题、制定解决方案,评估在实现“生物多样性公约”目标方面的行动和进展。机载高光谱数据具有高光谱和高空间分辨率特点,对估测森林物种多样性的分布具有较大潜力。但是,高空间分辨率的特点有可能成为限制高光谱数据对森林物种多样性估测精度的因素,特别是当像素尺寸小于树种识别尺度(例如树冠)时。机载激光雷达是一种主动遥感方式,由于其具有探测三维植被结构的能力,在生态和生物多样性保护研究方面愈发重要。由于不同物种间的竞争关系,不同的物种趋向于占据森林冠层中不同空间,因此使用LiDAR提取的森林垂直结构参数估测森林物种多样性成为可能。本文的目标是评估高分二号(GF-2)多光谱卫星数据、机载高光谱数据、机载激光雷达点云数据和模拟星载大光斑激光雷达波形数据对研究区森林乔木物种多样性的解释、预测能力。本文探索了森林乔木物种α多样性指数如物种丰富度、Shannon-Wiener和Simpson多样性指数、Pielou均匀性指数与遥感数据提取的森林垂直结构参数、光谱指数和纹理特征的关系。由于多源遥感数据提取的参数众多,本文使用随机森林(Random Forest,RF)方法筛选出与森林乔木物种多样性最相关的变量集,然后比较了四种不同机器学习模型(随机森林、SVR、KNN和Cubist)对森林乔木物种多样性的建模能力。根据各模型表现,选择了SVR算法对研究区森林乔木物种多样性进行估测研究,并使用十折交叉验证的方式考察SVR模型对各物种多样性的估测精度。论文的主要结果与结论如下:(1)机器学习方法有助于从海量多源遥感数据源中选择适合当前试验区的主要特征,并在线性不可分的情况下充分探索样本中各特征值的分布情况,提高多源遥感数据源对森林乔木物种多样性分布的解释能力。(2)高分辨率遥感数据提取的森林冠层光谱异质性特征对两个试验区Shannon-Wiener、Simpson物种多样性指数和Pielou物种均匀性指数的分布均具有较好的解释能力(R~2>0.54),对森林α物种多样性的估测具有重要意义。(3)激光雷达提取的特征从垂直结构层面对云南普洱试验区森林乔木物种多样性分布具有较好的解释能力(R~2>0.54)。激光雷达数据的加入,可以提高高分辨率光学数据对森林乔木物种丰富度、Simpson多样性指数及Pielou均匀性指数的估测精度。其中,结合机载激光雷达数据和高光谱数据提取特征具有最好的估测精度,尤其是对物种丰富度的估测精度(R~2=0.74,RMSE=3.36)高于其他数据源。(4)GF-2号数据对Shannon-Wiener和Simpson物种多样性指数、Pielou物种均匀度指数的估测精度与机载高光谱的估测精度类似。在使用遥感数据对森林乔木物种多样性间接估测时,遥感数据对这三种多样性指数的解释能力并没有随着空间及光谱分辨率的大幅提高而提高。(5)结合模拟大光斑波形数据提取的森林垂直结构参数与GF-2多光谱数据提取的植被指数和纹理信息对普洱试验区森林乔木物种多样性的分布比单一数据源具有较好的估测精度(物种丰富度:R~2=0.58,RMSE=4.2;Shannon-Wiener多样性指数:R~2=0.7,RMSE=0.47;Simpson多样性指数:R~2=0.73,RMSE=0.164;Pielou均匀性指数:R~2=0.68,RMSE=0.15)。对我国陆地生态系统碳监测卫星的生物多样性应用具有参考价值。