公共文化服务平台

搜索到1401篇“ 森林蓄积量“的相关文章

区域森林蓄积量遥感监测方法: 本发明公开一种利用LANDSAT‑8中等分辨率遥感数据进行区域森林蓄积量监测的方法，包括步骤：1)基于遥感数据提取光谱、绿度、湿度、亮度以及主成分变换特征；2)基于遥感影像的特征进行实测样地的扩充；3)基于随机森林算法实...; 徐敏曹春香谢波

基于遥感技术估测森林蓄积量的研究进展: 2025年; 森林蓄积量是评价森林资源的重要指标,准确调查其分布对森林资源开发利用的合理评估和规划至关重要.相较于传统调查方法周期长、工作量大、成本高等问题,遥感技术具有快速、高效和人工成本低等优势,是现如今森林资源监测的主要手段.本文分别基于光学遥感、微波雷达遥感、激光雷达遥感以及多源遥感融合4种主要的遥感技术,综述了目前国内外森林蓄积量的估测方法及其优缺点,并提出了未来森林蓄积量的研究方向.; 段春琴刘富华寇卫利杨坤杨焕芬秦蓁; 关键词：森林蓄积量遥感监测光学遥感微波雷达

基于特征选择和机器学习的森林蓄积量估算: 2025年; 【目的】基于多源遥感数据,评估不同特征选择方法和机器学习算法组合构建的森林蓄积量估算模型的准确性,挖掘其协同互补潜力,以期有效提高森林蓄积量的估算精度。【方法】以河北省第九次国家森林资源连续清查数据为基础,结合GF-1、Sentinel-2、Sentinel-1和ASTER GDEM 4种遥感数据,采用随机森林变量选择(VSURF)、递归特征消除(RFE)和Boruta 3种特征选择方法,以及支持向量回归(SVR)、K-最近邻(KNN)、随机森林(RF)、分类提升(CatBoost)和极端梯度提升(XGBoost)5种机器学习算法,构建蓄积量模型,并筛选出最优模型。此外,通过方差分析量化数据集、特征选择和机器学习算法这3个因素对森林蓄积量估算的影响。【结果】(1)方差分析结果表明,数据集、特征选择和机器学习算法均对蓄积量估算性能有显著影响。(2)多源遥感数据的结合能有效提高森林蓄积量的估算性能。与其他数据集相比,联合GF-1、Sentinel-2、Sentinel-1和ASTER GDEM数据构建的模型表现出更高的估算精度。从整体来看,Boruta特征选择方法优于VSURF和RFE。CatBoost在建模中的表现优于其他算法(SVR、KNN、RF和XGBoost)。(3)基于GF-1、Sentinel-2、Sentinel-1和ASTER GDEM的组合,使用Boruta特征选择方法和CatBoost机器学习算法构建的估算模型实现了最高的准确性(R^(2)=0.6385,RMSE=13.3053 m^(3)/hm^(2))。【结论】基于多源遥感数据估算保定市森林蓄积量时,结合特征选择和机器学习算法可显著优化模型的估算效果,得到更精准的蓄积量估算结果。研究结果不仅改进了当前应用多源遥感数据估算森林蓄积量的方法,还为大范围森林蓄积量监测提供了新的思路和参考依据。; 赵娅冰彭道黎郭发苗王荫黄静娴; 关键词：森林蓄积量多源遥感数据机器学习算法

应用SHAP可解释机器学习模型估测森林蓄积量: 2025年; 森林蓄积量是反映森林资源丰富程度的关键指标,精确估测森林蓄积量对于森林资源管理至关重要。以江西省林区为研究对象,运用谷歌地球引擎(Google Earth Engine)平台从Landsat 8遥感影像中提取多个植被指数、单波段及组合特征,并结合国家森林资源连续清查的地面实测数据,分析不同影像特征参数在森林蓄积量反演中的贡献率。结果表明:对比多元线性回归、神经网络、随机森林和XGBoost模型估测森林蓄积量的精度,随机森林模型估测精度为93.3%,决定系数(R^(2))为0.9337,均方根误差为2.2323,平均绝对误为2.3395;与BP神经网络模型(R^(2)=0.8219)和XGBoost模型(R^(2)=0.7916)相比,模型拟合度和预测效果更佳,比多元线性回归模型(R^(2)=0.688)处理非线性关系的稳定性和可靠性更高。通过解释特征参数的相对重要性,揭示出平均胸径、郁闭度等特征对森林蓄积量影响显著,且随机森林模型中各因子间存在相互作用。; 王元王玥周宇琛陈伏生张绿水刘牧; 关键词：机器学习模型森林蓄积量

基于多源遥感数据决策级融合估测森林蓄积量: 2025年; 以内蒙古自治区赤峰市旺业甸实验林场为研究区,选择高分二号(GF-2)、Landsat-8、哨兵二号(Sentinel-2)遥感数据源,结合79个地面调查样本,提取单波段、植被指数、纹理特征等243个变量,通过Pearson相关系数与前向特征选择方法进行特征筛选,采用多元线性回归、随机森林、k-最近邻、支持向量机等模型,按照GF-2与Landsat-8(G+L)、GF-2与Sentinel-2(G+S)、Sentinel-2与Landsat-8(S+L),以及GF-2、Sentinel-2和Landsat-8(G+S+L)4种组合方式,分别构建多源遥感数据使用特征结合与决策级融合2种不同的方法对森林蓄积量进行估测。结果表明:多源遥感数据在特征结合与决策级融合下较单一数据源均取得了更好的估测精度,其中在特征结合下的G+L组合的随机森林模型拟合程度最好,得到了最高的估测精度,其R2为0.66,相对均方根误差为25.82%;决策级融合中熵法下的S+L组合取得了较好的估测结果,其R2为0.64,均方根误差为61.23m3/hm2,相对均方根误差为25.96%。由此可见,多源遥感数据利用决策级融合策略在森林蓄积量估测反演方面具有一定的潜力。; 舒谜林辉杨旸谷; 关键词：森林蓄积量植被指数纹理特征多源遥感决策级融合

面向森林蓄积量调查的空间抽样方法: 2024年; 全面、科学地掌握森林蓄积量在维持生态平衡方面有着重要意义。基于240个角规控制样地数据和Landsat8影像,分别拟合蓄积量、遥感辅助变量以及两者的交叉变异函数最优模型,以蓄积量空间变异尺度为网格间距设计一种样本独立的空间抽样方法,并与3种传统抽样方法(简单随机抽样、系统抽样、分层抽样)对比分析。结果表明:森林蓄积量的空间变异尺度为7200 m,超出7200 m范围后,两样点间相互独立,不再有空间相关性;拟合的遥感辅助变量变异尺度为6600 m、蓄积量和遥感辅助变量的交叉变异函数的变异尺度为6900 m,与森林蓄积量的变异尺度较为接近。在保证抽样精度的条件下,相较于3种传统抽样方法,空间抽样仅需129个样本便能使抽样精度达到89.46%,样本数量远远少于传统抽样方法样本数量(246个)。在没有充足的样地数据分析森林蓄积量变异函数结构的情况下,可采用少量实测样地结合遥感因子的方法分析蓄积量的空间变异尺度,基于变异尺度的空间抽样方法有效减少了样本信息冗余,样点设计在空间布局上更加高效、合理,代表性更强,研究结果可为森林蓄积量的抽样调查设计提供参考。; 王强舒清态罗洪斌; 关键词：变异函数森林蓄积量

基于光学遥感联合GEDI反演森林蓄积量研究: 2024年; 传统的森林蓄积量调查方法强度大、成本高、耗时长。单纯利用光学遥感影像特征进行森林蓄积量反演时,由于缺乏大量的样地数据支持,加之在森林接近郁闭时光谱反射率易饱和,导致蓄积量反演蓄积精度有限。通过结合光学遥感数据和GEDI足迹点提供的冠层高度信息,可以极低的成本获取大量具有较高蓄积量精度的足迹点,从而通过加密训练样地提升研究区域使用光学遥感反演乔木森林蓄积量的精度。结果显示:(1)当森林高度百分位数(RH)为RH 80时,GEDI提取森林高度特征与机载LiDAR提取树高一致性最高,R^(2)=0.44,RMSE为6.04 m。(2)使用不包含树高特征的光学遥感回归模型预测森林每公顷蓄积量,R^(2)为0.29,RMSE为64.95 m^(3)·hm^(-2);加入树高特征的回归模型预测森林每公顷蓄积的R^(2)为0.59,RMSE为49.53 m^(3)·hm^(-2);样地加密后再使用无树高特征的回归模型预测森林每公顷蓄积的R^(2)为0.46,RMSE为56.55 m^(3)·hm^(-2)。因此,通过结合GEDI足迹点加密样地后可以明显提升研究区域遥感反演乔木森林蓄积量的精度。(3)2020年云南省普洱市思茅区公布的总活立木蓄积量为2629×10^(4)m^(3),使用GEDI足迹点加密训练样地后反演得到的总蓄积量为2289×10^(4)m^(3),整体预测精度为83%。其分布空间格局与森林资源二类调查结果基本相符。; 冷鸿天岳彩荣; 关键词：GEE 光学遥感

典型喀斯特山区的森林蓄积量遥感估算: 2024年; [目的]通过森林蓄积量的遥感监测了解喀斯特地区森林生态系统的健康状况和生态功能,为该地区碳汇监测与评估以及森林管理与决策提供理论依据。[方法]本研究选取典型喀斯特山区为研究对象,基于Sentinel-2A影像和样地调查数据,结合随机森林(RF)、K近邻回归(KNN)和BP神经网络3种机器学习模型,在山地坡度条件约束下开展森林蓄积量反演研究。[结果]①单波段反射率、植被指数和纹理特征等遥感因子在不同地形约束条件下的表现不同,建立模型的最优子集均不同,不同立地条件下建立蓄积量估测模型均有差异。②在喀斯特山区森林蓄积量估算中,RF相比KNN和BP模型鲁棒性和适应性最强。在缓坡、斜坡、陡坡立地条件下,RF模型精度分别达到80.1%,79.0%,80.5%。[结论]喀斯特山区空间异质性强,不同坡度立地条件下参与蓄积量遥感估测的建模自变量因子均不相同。坡度的划分可以细化复杂场景遥感估算模型,提高蓄积量遥感估算精度。; 郑佳佳周忠发朱孟黄登红吴小飘刘荣萍龙洋洋; 关键词：森林蓄积量遥感反演喀斯特山区

基于特征空间法的泰山森林蓄积量遥感估测: 森林是地球生物圈和陆地生态系统的重要组成部分,在维持生态环境、延缓温室效应和保障物种多样性等方面起着重要作用。森林蓄积量（Forest volume stock,FSV）是反映森林生态系统健康状况的重要指标,对衡量森林质...; 盛健洋; 关键词：森林蓄积量遥感估测

基于人工智能的森林蓄积量检测方法及系统: 本申请实施例提供一种基于人工智能的森林蓄积量检测方法及系统，依据候选激光点云数据与各连通激光点云数据之间的树种区域分布信息、树种指标分布信息，以及候选激光点云数据与各连通激光点云数据之间的目标树种的森林蓄积量扩散信息对调...; 曾志慧杨品超

加载更多 ∨

相关作者

用户反馈

相关作者

用户登录

用户反馈