基于Landsat-8遥感影像的森林蓄积量估测

摘要

森林蓄积量是林业调查中的重要因子，也是评价森林数量和质量的重要指标。本研究以浙江省龙泉市为研究区域，以数字高程模型（DEM）、Landsat-8遥感影像和森林资源二类调查数据作为基础数据。通过提取运用遥感影像的光谱信息、植被指数、纹理特征以及其他地形和实测数据组合，采用多元线性回归、偏最小二乘法和广义回归神经网络方法建立适用于森林蓄积量估测的模型，并进行预测和检验，获取具有更高可靠性和稳定性的方法。主要研究内容和结果如下：　　（1）以单位蓄积量为因变量，通过ENVI 5.3、ArcGIS 10.2以及其他数据处理软件，以小班为单位提取地形数据（DEM）、Landsat-8遥感影像数据和森林资源二类调查数据作为基础数据，其中包括：高程、坡度、坡向，波段2（B2）、波段3（B3）、波段4（B4）、波段5（B5）、波段6（B6）、波段7（B7）、归一化植被指数（NDVI）、比值植被指数（RVI）、差值植被指数（DVI）、增强型植被指数（EVI）、红色指数（RI），土层厚度、腐殖厚度、年龄、郁闭度等18个自变量因子。　　（2）通过多元线性回归、偏最小二乘法、广义回归神经网络三种方法在SPSS 20和MATLAB R2012a中建立模型，对龙泉市森林蓄积量进行全局预测，估测精度为69.73%、71.13%、74.42%依次递增。在广义回归神经网络模型中加入以3×3纹理窗口提取B8全色波段的8个纹理特征因子，估测精度达到了74.96%，为本研究的最佳模型。　　（3）研究表明良好的数据预处理对于后期建模具有重要作用，而筛选恰当的指标因子能使得模型更稳定；广义回归神经网络模型在研究中具有良好的效果，纹理因子的加入进一步提升了实验结果，其估测结果在以龙泉市为尺度不区分植被类型的情况下取得了进步。

目录

声明

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1森林资源调查的发展

1.2.2遥感影像在森林资源监测中的应用

1.2.3森林蓄积量估测方法研究进展

1.3 研究内容和技术路线

1.4.1研究方法

1.4.2章节安排

2 区域概况和研究数据

2.1研究区域

2.1.1地理位置与行政区划

2.1.2自然环境状况

2.1.3社会经济状况

2.1.4森林资源状况

2.2研究数据

2.2.1 地形数据

2.2.2 遥感数据

2.2.3 森林资源二类调查数据

2.3本章小结

3 数据预处理

3.1地形数据预处理

3.1.1 DEM图像拼接剪裁

3.1.2 DEM地形因子提取

3.2.1 影像预处理

3.2.2 遥感因子提取

3.3信息因子提取整合

3.4相关性分析

3.5本章小结

4 森林蓄积量建模估测

4.1多元线性回归

4.1.1 多元线性回归原理

4.1.2 多元线性回归模型预测

4.1.3 多元线性回归模型精度检验

4.2偏最小二乘法

4.2.1 偏最小二乘回归原理

4.2.2 偏最小二乘回归模型预测

4.2.3 偏最小二乘回归模型精度检验

4.3广义回归神经网络

4.3.1 广义回归神经网络原理

4.3.2 广义回归神经网络模型预测

4.3.3 广义回归神经网络模型精度检验

4.4.1 模型评价指标

4.4.2 模型预测精度评估

4.4.3 三种模型对比及分析

4.5本章小结

5 纹理因子对森林蓄积量估测的影响

5.1纹理因子提取

5.2纹理窗口选择

5.3基于3×3纹理窗口的森林蓄积量估测

5.4本章小结

6 总结

6.1结论与讨论

6.2本文创新点

6.3不足与展望

参考文献

个人成果

致谢