基于ICESat-2和Sentinel-2A数据的森林蓄积量反演OA北大核心CSTPCD
森林蓄积量是林业调查的重要指标,在衡量森林健康状况和评价森林固碳能力等方面发挥重要作用,协同主被动遥感是当前反演大区域森林蓄积量的主要手段。以云南香格里拉森林为研究区,分别提取ICESat-2/ATLAS和Sentinel-2A影像的特征变量,并通过相关性分析和共线性诊断方法筛选特征变量,构建Sentinel-2A变量集和ICESat-2/ATLAS变量集,以及二者联合的变量集,然后结合样地实测数据与3个特征变量集,采用逐步线性回归和随机森林方法分别建立线性和非线性回归模型,反演森林蓄积量,并对结果进行精度验证及对比分析。研究结果表明:对3个变量集,随机森林方法精度均优于逐步线性回归;ICESat-2/ATLAS变量集在2种回归方法下的反演精度均高于Sentinel-2A变量集;联合Sentinel-2A和ICESat-2/ATLAS变量集,随机森林方法的反演精度最高,其R 2,RMSE和rRMSE分别为0.7034,84.78 m^(3)/hm^(2)和36.46%。整体来说,与Sentinel-2A数据相比,基于ICESat-2/ATLAS数据及其与多源数据联合的反演模型均可以提高森林蓄积量反演精度和模型稳定性。
刘美艳;聂胜;王成;习晓环;程峰;冯宝坤;
云南师范大学地理学部,昆明650500 中国科学院空天信息创新研究院数字地球重点实验室,北京100094中国科学院空天信息创新研究院数字地球重点实验室,北京100094云南师范大学地理学部,昆明650500
林学
森林蓄积量特征变量随机森林多元回归ICESat-2/ATLASSentinel-2A
《自然资源遥感》 2024 (001)
P.210-216 / 7
广西自然科学基金创新研究团队项目“广西森林垂直结构LiDAR反演及生物量监测”(编号:2019GXNSFGA245001);湖湘高层次人才聚集工程—创新团队项目(编号:2019RS1060);中国科学院青年创新促进会项目(编号:2019130)共同资助。
评论