留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于混合效应模型的迪庆云冷杉林地上生物量遥感估测

卢腾飞 周律 胡中岳 欧光龙 胥辉

卢腾飞, 周律, 胡中岳, 欧光龙, 胥辉. 基于混合效应模型的迪庆云冷杉林地上生物量遥感估测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20200327
引用本文: 卢腾飞, 周律, 胡中岳, 欧光龙, 胥辉. 基于混合效应模型的迪庆云冷杉林地上生物量遥感估测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20200327
LU Tengfei, ZHOU Lü, HU Zhongyue, OU Guanglong, XU Hui. Remote sensing estimation of aboveground biomass of spruce-fir forests in Diqing based on mixed effect models[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20200327
Citation: LU Tengfei, ZHOU Lü, HU Zhongyue, OU Guanglong, XU Hui. Remote sensing estimation of aboveground biomass of spruce-fir forests in Diqing based on mixed effect models[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20200327

本文已在中国知网网络首发,可在知网搜索、下载并阅读全文。

基于混合效应模型的迪庆云冷杉林地上生物量遥感估测

doi: 10.11833/j.issn.2095-0756.20200327
基金项目: 国家自然科学基金资助项目(31770677,31760206,31660202);云南省王广兴专家工作站资助项目(2018IC100);云南省唐守正院士工作站资助项目(2018IC066);云南省万人计划青年拔尖人才专项(YNWR-QNBJ-2018-184)
详细信息
    作者简介: 卢腾飞(ORCID: 0000-0003-1591-1926),从事森林生物量遥感估测研究。E-mail: lutf1008@163.com
    通信作者: 胥辉(ORCID: 0000-0002-2252-5372),教授,博士,博士生导师,从事森林生物量模型研究。E-mail: swfc213@126.com
  • 中图分类号: S757.2

Remote sensing estimation of aboveground biomass of spruce-fir forests in Diqing based on mixed effect models

  • 摘要:   目的  确定云冷杉林生物量光学遥感估测饱和值,探索提高生物量遥感估测精度。  方法  以云南省迪庆藏族自治州云冷杉林为研究对象,根据森林资源二类调查数据,结合同时期Landsat 8 OLI遥感影像,利用随机选取的小班样本数据提取遥感因子反射率统计值,并与生物量进行曲线拟合,求解云冷杉林生物量饱和值,建立云冷杉生物量回归估测模型、BP神经网络模型。同时基于回归模型构建考虑区域、龄组效应的单水平和嵌套两水平(区域+龄组)混合效应模型,反演研究区云冷杉林地上生物量。  结果  利用幂函数拟合迪庆藏族自治州云冷杉林生物量饱和值为233 t∙hm−2;最优回归估测模型调整决定系数(Ra2)为0.606,高于BP神经网络模型的Ra2(0.542),各个效应水平混合模型的拟合精度与独立性检验指标均优于回归模型。考虑两水平的混合效应模型有最优的拟合精度,而考虑龄组效应水平的混合模型有最优的独立性检验指标。混合效应模型在低生物量段(<100 t∙hm−2)和高生物量段(>233 t∙hm−2)均显著降低了回归模型和BP神经网络模型的估测平均残差。  结论  混合效应模型有更宽的估测范围,在一定程度上减小低值高估与数据饱和造成的高值低估影响,提高了预估精度。图3表12参28
  • 图  1  幂函数拟合云冷杉林生物量饱和曲线

    Figure  1  Power function fitting curve of spruce-fir forest biomass saturation

    图  2  基于回归模型和混合效应模型生物量估测残差分布

    A.基本模型;B. 区域效应混合模型;C. 龄组效应混合模型;D. 两水平混合效应模型

    Figure  2  Biomass estimation residual distribution based on regression model and mixed effect model

    图  3  研究区云冷杉林地上生物量反演示意图

    A. 回归模型;B. BP神经网络模型;C. 区域效应混合模型;D. 龄组效应混合模型;E. 两水平混合效应模型

    Figure  3  Biomass inversion of spruce-fir forests in the study area

    表  1  研究区Landsat 8 OLI影像基本信息

    Table  1.   Basic information of Landsat 8 OLI images in study area

    影像ID获取时间条带号太阳方位角/(°)太阳高度角/(°)平均云量/%
    LC81310412016341LGN002016-12-06131/041 56.52436.3131.04
    LC81320402016348LGN002016-12-13132/040156.67734.2200.73
    LC81320412016348LGN002016-12-13132/041156.00135.4430.76
    下载: 导出CSV

    表  2  云冷杉蓄积量—生物量转换因子信息指数

    Table  2.   Spruce and fir storage—biomass conversion factor information index

    树种模型公式FBEDSV
    幼龄林中龄林近熟林成熟林过熟林乔木层
    云杉MA=VFBEDSV2.326 51.516 41.473 01.427 41.264 20.342
    冷杉1.327 91.339 31.333 61.309 71.285 90.366
      说明:MA为单位面积生物量;V为单位面积蓄积量;FBE为蓄积生物量转换系数;DSV为木材基本密度
    下载: 导出CSV

    表  3  建模及检验数据基本情况

    Table  3.   Modeling and testing data

    统计量建模/训练数据(n=983)检验数据(n=245)
    单位面积蓄积
    量/(m3∙hm−2)
    单位面积生物
    量/(t∙hm−2)
    单位面积蓄积
    量/(m3∙hm−2)
    单位面积生物
    量/(t∙hm−2)
    最小值 8.33 5.74 28.57 14.37
    最大值651.82314.83598.92287.88
    平均值294.73141.66298.78143.57
    标准差137.54 65.43122.51 58.65
    下载: 导出CSV

    表  4  建模变量因子

    Table  4.   Modeling variable factors

    遥感因子光谱变量变量数目获取方式
    原始波段   B1、B2、B3、B4、B5、B6、B77影像直接获取
    植被指数   ALBEDO、ARVI、DVI、MSAVI、MSR、MVI5、MVI7、NLI、PVI、
    RVI、SARV、SAV12、SAVI、SR、TVI、B、G、W
    18文献[19]
    归一化植被指数ND43、ND563、ND67、NDVI4文献[20]
    信息增强因子 KT、PC-A、PC-B、PC-P4×3文献[1920]
    下载: 导出CSV

    表  5  生物量与遥感因子各统计值相关性

    Table  5.   Significant Pearson correlation coefficients between remote sensing factors and AGB

    遥感因子MEANMAXMIN遥感因子MEANMAXMIN
    ALBEDO−0.555**−0.065*−0.449**ND670.439**0.160**0.317**
    ARVI0.469**0.251**0.193**NDVI0.329**0.216**0.069*
    B−0.540**−0.055−0.430**NLI0.165**0.207**0.091**
    B1−0.168**0.010−0.092**PC1-A−0.682**−0.154**0.323**
    B2−0.187**0.008−0.097**PC1-B−0.711**−0.165**0.337**
    B3−0.238**0.001−0.095**PC1-P0.616**0.383**−0.180**
    B4−0.334**−0.018−0.096**PC2-A0.440**0.172**−0.110**
    B5−0.296**0.003−0.100**PC2-B0.099**0.040−0.097**
    B6−0.762**−0.333**−0.101**PC2-P0.670**0.349**0.085**
    B7−0.705**−0.345**−0.219**PC3-A−0.094**0.016−0.004
    DVI−0.0500.036−0.220**PC3-B−0.0390.049−0.470**
    G0.0570.051−0.203**PC3-P−0.197**0.006−0.531**
    KT1−0.555**−0.060*−0.203**PVI−0.237**0.0040.163**
    KT20.070*0.053−0.521**RVI0.102**−0.0020.325**
    KT30.534**0.126**−0.523**SARV−0.036−0.0410.176**
    MSAVI0.326**0.215**−0.430**SAV120.326**0.215**0.361**
    MSR0.269**0.009−0.430**SAVI0.329**0.216**0.043
    MVI50.626**0.436**−0.057*SR0.102**−0.002−0.016
    MVI70.619**0.363**−0.018TVI0.329**0.217**−0.052
    ND43−0.490**−0.251**−0.441**W0.497**0.114**−0.174**
    ND563−0.075*0.010−0.015
      说明:**表示极显著相关(P<0.01);*表示显著相关(P<0.05)
    下载: 导出CSV

    表  6  基于不同曲线拟合饱和值结果

    Table  6.   Results of fitting saturation values based on different curves

    函数R2显著性(P)
    对数函数 0.5550.000
    二次项函数0.5830.000
    三次项函数0.5840.000
    幂函数  0.5900.000
    下载: 导出CSV

    表  7  基于单水平混合参数选择拟合结果

    Table  7.   Selection of fitting results based on single-level mixing parameters

    模型混合参数区域效应龄组效应
    AICBIClogLikAICBIClogLik
    基础模型10 129.5710 154.04−5 059.78710 129.5710 154.04−5 059.787
    模型1a110 093.9910 133.10−5 038.99310 011.6110 050.73−4 997.806
    模型2a210 102.1210 141.24−5 043.06210 016.0710 055.18−5 000.034
    模型3a3不收敛10 023.8910 063.00−5 003.943
    模型4a1, a210 099.9910 153.78−5 038.99610 017.6210 071.41−4 997.812
    模型5a1, a310 100.0110 153.80−5 039.00710 017.6610 071.44−4 997.829
    模型6a2, a310 108.1310 161.92−5 043.06610 022.2110 075.99−5 000.105
    模型7a1, a2, a310 108.0010 181.34−5 038.99810 023.6710 053.00−5 005.834
    下载: 导出CSV

    表  8  基于两水平混合参数选择拟合结果

    Table  8.   Selection of fitting results based on two levels of mixing parameters

    模型区域效应龄组效应AICBIClogLik
    a1a2a3a1a2a3
    模型19 956.5010 010.29−4 967.250
    模型29 958.9310 012.71−4 968.464
    模型39 957.8310 045.84−4 960.915
    模型49 963.7510 066.43−4 960.872
    模型59 971.7210 093.96−4 960.862
      说明:带√的变量表示模型包含这个随机参数
    下载: 导出CSV

    表  9  基于随机参数不同组间方差-协方差结构混合模型拟合结果

    Table  9.   Mixed model fitting results of variance-covariance structure between groups based on random parameters

    方差-协方差结构自由度AICBIClogLik似然比检验(LRT)P
    广义正定矩阵(UN)119 956.5010 010.29−4 967.250
    复合对称(CS)109 958.3410 012.24−4 969.17018.396 56<0.000 1
    对角矩阵(UN1) 99 965.6910 009.70−4 973.84613.190 810.001 4
    下载: 导出CSV

    表  10  考虑组内协方差结构矩阵后各个效应混合模型比较结果

    Table  10.   Comparison results of mixed effects models considering intra-group covariance matrix

    随机效应协方差结构AICBIClogLikLRTP
    区域效应10 093.9910 133.10−5 038.993    −    −
    指数函数10 095.7510 139.76−5 038.8770.233 10.629 0
    高斯函数10 095.9910 139.99−5 038.9930.000 80.999 3
    球面函数10 093.7010 137.71−5 037.8502.287 10.130 4
    龄组效应10 011.6110 050.73−4 997.806
    指数函数10 000.5210 044.53−4 991.26213.088 0<0.000 1
    高斯函数10 002.2210 046.23−4 992.1100.040 20.841 0
    球面函数10 002.2310 046.24−4 992.11711.378 00.000 7
    两水平效应 9 956.5010 010.29−4 967.250
    指数函数 9 956.4310 015.10−4 966.2132.074 60.149 8
    高斯函数 9 958.4710 017.15−4 967.2370.027 30.870 1
    球面函数 9 956.4910 015.17−4 966.2482.003 70.156 9
      说明:−表示无此项
    下载: 导出CSV

    表  11  生物量混合效应模型拟合参数及独立性检验结果

    Table  11.   Biomass mixed effect model fitting parameters and independence test results

    变量区域效应混合模型龄组效应混合模型两水平混合效应模型
    估计值P估计值P估计值P
    常量278.430<0.000 1208.410<0.000 1220.590<0.000 1
    a1−0.259<0.000 1−0.187<0.000 1−0.208<0.000 1
    a20.201<0.000 10.143<0.000 10.164<0.000 1
    a3132.054<0.000 1107.874<0.000 1120.942<0.000 1
    残差39.88338.17236.526
    总相对误差−4.564−1.609−7.539
    平均相对误差−0.462−0.163−0.765
      说明:区域效应D矩阵(组间方差-协方差结构)为0.0010;龄组效应D矩阵为0.0007,R矩阵(组内方差-协方差结构)为0.465;两水平     D矩阵分别为0.0003和0.0002
    下载: 导出CSV

    表  12  生物量分段残差检验

    Table  12.   Biomass segmentation residual test

    生物量分段/(t∙hm−2)拟合模型
    回归模型BP神经网络模型区域效应混合模型龄组效应混合模型两水平混合效应模型
    0~50−25.77−26.39−27.14−25.34−23.43
    50~100−15.35−15.15−13.87−15.47−14.85
    100~150−17.76−10.69−13.62−12.63−10.33
    150~2002.684.265.341.122.41
    200~23342.2741.2036.7740.1333.55
    >23379.3972.3770.6968.6555.43
    下载: 导出CSV
  • [1] 魏殿生. 造林绿化与气候变化-碳汇问题研究[M]. 北京: 中国林业出版社, 2003.
    [2] 刘茜, 杨乐, 柳钦火, 等. 森林地上生物量遥感反演方法综述[J]. 遥感学报, 2015, 19(1): 62 − 74. doi:  10.11834/jrs.20154108

    LIU Qian, YANG Le, LIU Qinhuo, et al. Review of forest above ground biomass inversion methods based on remote sensing technology [J]. J Remote Sensing, 2015, 19(1): 62 − 74. doi:  10.11834/jrs.20154108
    [3] 于艳梅, 徐俊增, 彭世彰, 等. 不同水分条件下水稻光合作用的光响应模型的比较[J]. 节水灌溉, 2012(10): 30 − 33.

    YU Yanmei, XU Junzeng, PENG Shizhang, et al. Evaluation of photosynthesis light response model for rice leaf under different water conditions [J]. Water Sav Irrig, 2012(10): 30 − 33.
    [4] XIE Yichun, SHA Zongyao, YU Mei, et al. A comparison of two models with Landsat data for estimating above ground grassland biomass in Inner Mongolia, China [J]. Ecol Modelling, 2009, 220(15): 1810 − 1818. doi:  10.1016/j.ecolmodel.2009.04.025
    [5] POWELL S L, COHEN W B, HEALEY S P, et al. Quantification of live aboveground forest biomass dynamics with Landsat time-series and field inventory data: a comparison of empirical modeling approaches [J]. Remote Sensing Environ, 2010, 114(5): 1053 − 1068. doi:  10.1016/j.rse.2009.12.018
    [6] 国庆喜, 张锋. 基于遥感信息估测森林的生物量[J]. 东北林业大学学报, 2003, 31(2): 13 − 16. doi:  10.3969/j.issn.1000-5382.2003.02.006

    GUO Qingxi, ZHANG Feng. Estimation of forest biomass based on remote sensing [J]. J Northeast For Univ, 2003, 31(2): 13 − 16. doi:  10.3969/j.issn.1000-5382.2003.02.006
    [7] 欧光龙, 胥辉, 王俊峰, 等. 思茅松天然林林分生物量混合效应模型构建[J]. 北京林业大学学报, 2015, 37(3): 101 − 110.

    OU Guanglong, XU Hui, WANG Junfeng, et al. Building mixed effect models of stand biomass for Simao pine(Pinus kesiya var. langbianensis) natural forest [J]. J Beijing For Univ, 2015, 37(3): 101 − 110.
    [8] 姜立春, 李凤日. 混合效应模型在林业建模中的应用[M]. 北京: 科学出版社, 2014.
    [9] 曾伟生, 唐守正, 夏忠胜, 等. 利用线性混合模型和哑变量模型方法建立贵州省通用性生物量方程[J]. 林业科学研究, 2011, 24(3): 285 − 291.

    ZENG Weisheng, TANG Shouzheng, XIA Zhongsheng, et al. Using linear mixed model and dummy variable model approaches to construct generalized single-tree biomass equations in Guizhou [J]. For Res, 2011, 24(3): 285 − 291.
    [10] 董利虎, 李凤日, 贾炜玮. 基于线性混合效应的红松人工林枝条生物量模型[J]. 应用生态学报, 2013, 24(12): 3391 − 3398.

    DONG Lihu, LI Fengri, JIA Weiwei. Linear mixed modeling of branch biomass for Korean pine plantation [J]. Chin J Appl Ecol, 2013, 24(12): 3391 − 3398.
    [11] 胥喆, 舒清态, 杨凯博, 等. 基于非线性混合效应的高山松林生物量模型研究[J]. 江西农业大学学报, 2017, 39(1): 101 − 110.

    XU Zhe, SHU Qingtai, YANG Kaibo, et al. A study on biomass model of Pinus densata forest based on nonlinear mixed effects [J]. Acta Agric Univ Jiangxi, 2017, 39(1): 101 − 110.
    [12] 胥辉, 张子翼, 欧光龙, 等. 云南省森林生物量和碳储量估算及分布研究[M]. 昆明: 云南科技出版社, 2019.
    [13] 周小成, 庄海东, 陈铭潮, 等. 面向小班对象的森林资源变化遥感监测方法: 以福建省厦门市为例[J]. 资源科学, 2013, 35(8): 1710 − 1718.

    ZHOU Xiaocheng, ZHUANG Haidong, CHEN Mingchao, et al. A method to extract forest cover change by object-oriented classification [J]. Resour Sci, 2013, 35(8): 1710 − 1718.
    [14] MOZGERIS G. Estimation and use of continuous surfaces of forest parameters: options for lithuanian forest inventory [J]. Baltic For, 2008, 14(2): 176 − 184.
    [15] FERNÁNDEZ-MANSO O, FERNÁNDEZ-MANSO A, QUINTANO C. Estimation of aboveground biomass in Mediterranean forests by statistical modelling of ASTER fraction images [J]. Int J Appl Earth Obs Geoinf, 2014, 31(31): 45 − 56.
    [16] 郎晓雪, 许彦红, 舒清态, 等. 香格里拉市云冷杉林蓄积量遥感估测非参数模型研究[J]. 西南林业大学学报, 2019, 39(1): 146 − 151.

    LANG Xiaoxue, XU Yanhong, SHU Qingtai, et al. Nonparametric model for remote sensing estimating the volume of spruce-fir forest in Shangri-La [J]. J Southwest For Univ, 2019, 39(1): 146 − 151.
    [17] 陆驰, 张加龙, 王爱芸, 等. 基于森林小班的香格里拉市高山松生物量遥感建模[J]. 西南林业大学学报, 2017, 37(3): 158 − 164.

    LU Chi, ZHANG Jialong, WANG Aiyun, et al. Building the model on the estimation of Pinus densata’s biomass in Shangri-La City based on forest subcompartment and remote sensing images [J]. J Southwest For Univ, 2017, 37(3): 158 − 164.
    [18] 董宇. 基于遥感信息估测将乐县森林生物量的研究[D]. 北京: 北京林业大学, 2012.

    DONG Yu. Estimate Forest Biomass in Jiangle based on Remote Sensing[D]. Beijing: Beijing Forestry University, 2012.
    [19] 孙雪莲. 基于Landsat 8-OLI的香格里拉高山松林生物量遥感估测模型研究[D]. 昆明: 西南林业大学, 2016.

    SUN Xuelian. Biomass Estimation Model of Pinus densata Forests in Shangri-La City based on Landsat 8-OLI by Remote Sensing[D]. Kunming: Southwest Forestry University, 2016.
    [20] 岳彩荣. 香格里拉县森林生物量遥感估测研究[D]. 北京: 北京林业大学, 2012.

    YUE Cairong. Forest Biomass Estimation in Shangri-La County based on Remote Sensing[D]. Beijing: Beijing Forestry University, 2012.
    [21] 邱布布, 徐丽华, 张茂震, 等. 基于Landsat OLI和ETM+的杭州城市绿地地上生物量估算比较研究[J]. 西北林学院学报, 2018, 33(1): 225 − 232.

    QIU Bubu, XU Lihua, ZHANG Maozhen, et al. Estimation of above-ground biomass of urban green land in Hangzhou based on Landsat OLI and ETM+ data [J]. J Northwest For Univ, 2018, 33(1): 225 − 232.
    [22] 李春明. 基于两层次线性混合效应模型的杉木林单木胸径生长量模型[J]. 林业科学, 2012, 48(3): 66 − 73. doi:  10.11707/j.1001-7488.20120311

    LI Chunming. Individual tree diameter increment model for Chinese fir plantation based on two-level linear mixed effects models [J]. Sci Silv Sin, 2012, 48(3): 66 − 73. doi:  10.11707/j.1001-7488.20120311
    [23] 符利勇, 李永慈, 李春明, 等. 利用2种非线性混合效应模型(2水平)对杉木林胸径生长量的分析[J]. 林业科学, 2012, 48(5): 36 − 43. doi:  10.11707/j.1001-7488.20120506

    FU Liyong, LI Yongci, LI Chunming, et al. Analysis of the basal area for Chinese fir plantation using two kinds of nonlinear mixed effects model(two levels) [J]. Sci Silv Sin, 2012, 48(5): 36 − 43. doi:  10.11707/j.1001-7488.20120506
    [24] PINHEIRO J C, BATES D M. Mixed Effects Models in S and S-Plus[M]. New York: Springer Verlag, 2000.
    [25] VONESH E F, CHINCHILLI V M. Linear and Nonlinear Models for the Analysis of Repeated Measurements[M]. New York: Marcel Dekker Inc, 1997.
    [26] 王磊, 徐晓岭. 统计学[M]. 北京: 人民邮电出版社, 2015.
    [27] 赵盼盼. 基于Landsat TM和ALOS PALSAR数据的森林地上生物量估测研究[D]. 杭州: 浙江农林大学, 2016.

    ZHAO Panpan. Aboveground Forest Biomass Estimation based on Landsat TM and ALOS PALSAR Data[D]. Hangzhou: Zhejiang A&F University, 2016.
    [28] 周律, 欧光龙, 王俊峰, 等. 基于空间回归模型的思茅松林生物量遥感估测及光饱和点确定[J]. 林业科学, 2020, 56(3): 38 − 47. doi:  10.11707/j.1001-7488.20200305

    ZHOU Lü, OU Guanglong, WANG Junfeng, et al. Light saturation point determination and biomass remote sensing estimation of Pinus kesiya var. langbianensis forest based on spatial regression models [J]. Sci Silv Sin, 2020, 56(3): 38 − 47. doi:  10.11707/j.1001-7488.20200305
  • [1] 谢福明, 字李, 舒清态.  基于优化k-NN模型的高山松地上生物量遥感估测 . 浙江农林大学学报, 2019, 36(3): 515-523. doi: 10.11833/j.issn.2095-0756.2019.03.012
    [2] 向安民, 刘凤伶, 于宝义, 李崇贵.  基于k-NN方法和GF遥感影像的森林蓄积量估测 . 浙江农林大学学报, 2017, 34(3): 406-412. doi: 10.11833/j.issn.2095-0756.2017.03.004
    [3] 王明初, 孙玉军.  基于混合效应模型及EBLUP预测杉木树高生长过程 . 浙江农林大学学报, 2017, 34(5): 782-790. doi: 10.11833/j.issn.2095-0756.2017.05.003
    [4] 冉啟香, 邓华锋, 黄国胜, 王雪军, 陈振雄.  云南松地上生物量模型研究 . 浙江农林大学学报, 2016, 33(4): 605-611. doi: 10.11833/j.issn.2095-0756.2016.04.008
    [5] 季蕾, 亢新刚, 张青, 郭韦韦, 周梦丽.  吉林金沟岭林场不同密度天然云冷杉林林下主要灌木生物量模型 . 浙江农林大学学报, 2016, 33(3): 394-402. doi: 10.11833/j.issn.2095-0756.2016.03.004
    [6] 张丽景, 葛宏立.  利用MODIS数据估测毛竹林总初级生产力 . 浙江农林大学学报, 2014, 31(2): 178-184. doi: 10.11833/j.issn.2095-0756.2014.02.003
    [7] 王致民, 周伯煌.  森林资源物权价值饱和路径的整合与创新 . 浙江农林大学学报, 2013, 30(2): 274-279. doi: 10.11833/j.issn.2095-0756.2013.02.019
    [8] 高士增, 张怀清, 刘闽, 何清平, 罗立平.  树木枝干点云数据的等值线提取 . 浙江农林大学学报, 2013, 30(5): 648-654. doi: 10.11833/j.issn.2095-0756.2013.05.003
    [9] 王金亮, 程鹏飞, 徐申, 王小花, 程峰.  基于遥感信息模型的香格里拉森林生物量估算 . 浙江农林大学学报, 2013, 30(3): 325-329. doi: 10.11833/j.issn.2095-0756.2013.03.003
    [10] 王晓宁, 徐天蜀, 李毅.  利用ALOS PALSAR双极化数据估测山区森林蓄积量模型 . 浙江农林大学学报, 2012, 29(5): 667-670. doi: 10.11833/j.issn.2095-0756.2012.05.005
    [11] 张梦弢, 亢新刚, 蔡烁.  长白山云冷杉林下主要树种幼树生物量 . 浙江农林大学学报, 2012, 29(5): 655-660. doi: 10.11833/j.issn.2095-0756.2012.05.003
    [12] 杨前宇, 谢锦忠, 张玮, 林振清.  椽竹各器官生物量模型 . 浙江农林大学学报, 2011, 28(3): 519-526. doi: 10.11833/j.issn.2095-0756.2011.03.027
    [13] 张茂震, 唐小明, 谢阳生, 丁丽霞.  森林资源数据库系统查询效率分析 . 浙江农林大学学报, 2009, 26(2): 149-154.
    [14] 曾松伟, 李光辉, 胡海根, 唐建锋.  基于PDA的森林资源数据采集系统的设计与实现 . 浙江农林大学学报, 2009, 26(1): 111-115.
    [15] 楼雄伟, 方陆明, 徐爱俊, 叶祥根.  多源数据融合下的森林防火本底数据库建立 . 浙江农林大学学报, 2008, 25(4): 405-410.
    [16] 张茂震, 唐小明, 王亚欣, 张怀清, 吴东亮.  基于Oracle DBMS的森林资源空间数据库存储优化策略 . 浙江农林大学学报, 2008, 25(4): 411-416.
    [17] 林新春, 方伟, 俞建新, 余学军, 胡超宗, 周林.  苦竹各器官生物量模型 . 浙江农林大学学报, 2004, 21(2): 168-171.
    [18] 吴达胜, 方陆明, 唐丽华, 刘丽娟.  XML 技术在森林资源管理信息系统异构数据集成中的应用 . 浙江农林大学学报, 2003, 20(4): 403-407.
    [19] 项小强, 王金治, 查印水, 李月清.  变时相生长模型技术及其在小班数据更新中的应用 . 浙江农林大学学报, 1999, 16(3): 279-282.
    [20] 贺东北, 骆期邦, 曾伟生.  立木生物量线性联立模型研究 . 浙江农林大学学报, 1998, 15(3): 298-303.
  • 加载中
  • 链接本文:

    http://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20200327

    http://zlxb.zafu.edu.cn/article/zjnldxxb/2021/3/1

计量
  • 文章访问数:  26
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-05-14
  • 修回日期:  2021-01-11

基于混合效应模型的迪庆云冷杉林地上生物量遥感估测

doi: 10.11833/j.issn.2095-0756.20200327
    基金项目:  国家自然科学基金资助项目(31770677,31760206,31660202);云南省王广兴专家工作站资助项目(2018IC100);云南省唐守正院士工作站资助项目(2018IC066);云南省万人计划青年拔尖人才专项(YNWR-QNBJ-2018-184)
    作者简介:

    卢腾飞(ORCID: 0000-0003-1591-1926),从事森林生物量遥感估测研究。E-mail: lutf1008@163.com

    通信作者: 胥辉(ORCID: 0000-0002-2252-5372),教授,博士,博士生导师,从事森林生物量模型研究。E-mail: swfc213@126.com
  • 中图分类号: S757.2

摘要:   目的  确定云冷杉林生物量光学遥感估测饱和值,探索提高生物量遥感估测精度。  方法  以云南省迪庆藏族自治州云冷杉林为研究对象,根据森林资源二类调查数据,结合同时期Landsat 8 OLI遥感影像,利用随机选取的小班样本数据提取遥感因子反射率统计值,并与生物量进行曲线拟合,求解云冷杉林生物量饱和值,建立云冷杉生物量回归估测模型、BP神经网络模型。同时基于回归模型构建考虑区域、龄组效应的单水平和嵌套两水平(区域+龄组)混合效应模型,反演研究区云冷杉林地上生物量。  结果  利用幂函数拟合迪庆藏族自治州云冷杉林生物量饱和值为233 t∙hm−2;最优回归估测模型调整决定系数(Ra2)为0.606,高于BP神经网络模型的Ra2(0.542),各个效应水平混合模型的拟合精度与独立性检验指标均优于回归模型。考虑两水平的混合效应模型有最优的拟合精度,而考虑龄组效应水平的混合模型有最优的独立性检验指标。混合效应模型在低生物量段(<100 t∙hm−2)和高生物量段(>233 t∙hm−2)均显著降低了回归模型和BP神经网络模型的估测平均残差。  结论  混合效应模型有更宽的估测范围,在一定程度上减小低值高估与数据饱和造成的高值低估影响,提高了预估精度。图3表12参28

English Abstract

卢腾飞, 周律, 胡中岳, 欧光龙, 胥辉. 基于混合效应模型的迪庆云冷杉林地上生物量遥感估测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20200327
引用本文: 卢腾飞, 周律, 胡中岳, 欧光龙, 胥辉. 基于混合效应模型的迪庆云冷杉林地上生物量遥感估测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20200327
LU Tengfei, ZHOU Lü, HU Zhongyue, OU Guanglong, XU Hui. Remote sensing estimation of aboveground biomass of spruce-fir forests in Diqing based on mixed effect models[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20200327
Citation: LU Tengfei, ZHOU Lü, HU Zhongyue, OU Guanglong, XU Hui. Remote sensing estimation of aboveground biomass of spruce-fir forests in Diqing based on mixed effect models[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20200327

返回顶部

目录

    /

    返回文章
    返回