融合影像纹理、光谱与地形特征的森林冠顶高反演模型

摘要

针对基于光学遥感数据的区域森林冠顶高反演精度较低的问题,基于SPOT5多光谱影像的纹理、光谱与地形特征参数分别运用多元逐步回归(multiple stepwise regression,MSR)、偏最小二乘回归(partial least squares regression,PLSR)和BP(back-propagation)神经网络模型进行区域森林冠顶高反演,对模型的反演精度进行对比分析,确定研究区最优模型。结果显示,各林型纹理参数与样地实测冠顶高相关性皆优于其他光谱参数,各林型森林冠顶高反演模型中BP神经网络模型估算精度优于其他模型。对于BP神经网络模型,阔叶林、针叶林与混交林模型验证结果的决定系数R^2分别为0.76,0.97和0.92,均方根误差(root mean square error,RMSE)分别为1.6 m,1.35 m和2.29 m。研究表明纹理参数可以很好地反映森林冠层的结构特征,结合影像纹理、光谱与地形特征参数的BP神经网络模型在森林冠顶高反演方面具有良好的应用潜力。