大兴安岭地区森林生物量遥感模型的研究

论文摘要

森林生物量既表明森林的经营水平和开发利用的价值,同时又能反映森林与其环境在物质循环和能量流动上的复杂关系。生物量数据是研究许多林业问题和生态问题的基础,因此,研究森林生物量无论在生产上,还是在理论研究上都有着十分重要的意义。本论文以2002年Landsat 5 TM遥感影像为数据源,以大兴安岭地区的塔河林业局和阿木尔林业局为研究区域,在外业调查数据和固定样地数据的基础上,确定了研究区域内7个主要优势树种的单木生物量模型,并尝试应用多元线性回归和BP神经网络建立该地区TM遥感影像与森林固定样地数据之间的生物量遥感模型,通过对包括遥感因子和地形因子在内的20个变量利用逐步回归的方法进行筛选,初步确定了t452和pcal两个变量作为模型的自变量,同时利用独立样本数据进行检验。结果表明,建立的多元线性回归模型R=0.764,并通过了F检验、D-W检验、多重共线性检验。在独立样地估测中,多元线性回归模型的拟合精度为81.02%,而BP神经网络的拟合精度为91.25%,明显优于线性回归模型。可见应用神经网络的“暗箱”操作,虽然难以归纳出明确的解析式,但是可以获得很高的精度,可以应用其对大区域内的生物量进行估测。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 森林生物量研究的历史原因
• 1.2 森林生物量研究的意义
• 1.3 国内外森林生物量的研究概况
• 1.4 森林生物量的研究方法
• 1.4.1 现地调查法
• 1.4.2 模型模拟法
• 1.4.3 遥感估测法
• 1.5 课题来源与研究内容及技术路线
• 1.5.1 课题来源
• 1.5.2 研究内容
• 1.5.3 技术路线
• 2 研究区概况及数据预处理
• 2.1 研究区域概况
• 2.1.1 塔河林业局概况
• 2.1.2 阿木尔林业局概况
• 2.2 数据获取
• 2.2.1 遥感影像数据资料
• 2.2.2 野外调查及样地数据资料
• 2.3 数据预处理
• 2.3.1 几何校正
• 2.3.2 辐射校正
• 2.3.3 大气校正
• 2.3.4 镶嵌裁切
• 3 基于森林调查的单木生物量模型的选择
• 3.1 生物量的测定方法
• 3.1.1 单木生物量的测定方法
• 3.1.2 林分生物量的测定
• 3.2 各树种独立生物量模型的建立
• 3.2.1 模型选择及拟合
• 3.2.2 精度评价
• 3.3 林分生物量的计算
• 4 RS与GIS技术支持下森林生物量线性遥感模型的研究
• 4.1 基于RS和GIS森林生物量模型设计思想
• 4.2 遥感因子与地形因子提取
• 4.2.1 植被指数提取
• 4.2.2 主成分提取（PC-Principle Components）
• 4.2.3 缨帽变换（TC-Tasseled Cap）
• 4.2.4 地形因子提取
• 4.3 遥感图像分类分析
• 4.3.1 分类方法的选择
• 4.3.2 遥感影像分类
• 4.4 生物量遥感模型的建立
• 4.4.1 自变量的选择
• 4.5 生物量多元线性回归模型建立
• 4.5.1 回归方程的显著性检验
• 4.5.2 回归系数的显著性检验
• 4.5.3 误差的独立性
• 4.5.4 等方差性检验
• 4.5.5 残差的正态性检验
• 4.5.6 多元共线性诊断
• 4.6 模型精度验证
• 4.7 生物量反演图
• 5 研究区域森林生物量B-P神经网络模型的研究
• 5.1 神经网络模型
• 5.1.1 生物神经元
• 5.1.2 神经元结构模型
• 5.1.3 神经网络的互联模式
• 5.1.4 神经网络的学习方式
• 5.1.5 神经网络的学习规则
• 5.2 BP神经网络的基本原理
• 5.3 基于MATLAB的B-P神经网络系统的构建方法
• 5.4 研究区域森林生物量BP神经网络模型的拟合
• 5.4.1 模型样本数据预处理
• 5.4.2 模型结构及参数确定
• 5.5 研究区域森林生物量分布图
• 结论
• 参考文献
• 附录
• 攻读学位期间发表的学术论文
• 致谢