森林资源遥感监测是遥感的重要应用方向之一。 传统的统测方法花费大量的人力、 物力, 科学的森林资源预测可以提升工作效率并降低测算成本。 森林蓄积量是评价森林生态系统质量的重要指标。 蓄积量反演模型是用来估测蓄积量的数学模型, 具有学习和预测的功能。 同样的地物在不同光照或阴影区域有较大的差别, 利用波段比值可以在一定程度上减小光照和阴影区域在建模时得出结果的误差。 森林蓄积量的预测模型通常选取光谱信息和纹理特征作为主要建模因子, 但未充分考虑选取波段比值、 植被指数、 地形因子等多特征变量时不同模型对预测精度的影响。 针对不同模型的精度问题, 以西藏自治区米林县为研究区域, 以Landsat OLI影像、 DEM数据以及森林资源二类调查数据为数据源, 对光谱信息、 纹理特征和地形因子等进行提取与分析, 并建立了三种基于多特征的森林蓄积量的反演模型, 分别是多元逐步回归模型、 BP神经网络模型和随机森林模型。 旨在研究不同模型对森林蓄积量反演的影响。 采用可决系数(R2)、 平均绝对误差(MAE)和均方根误差(RMSE)来对模型进行拟合度和精度的评价。 结果显示随机森林模型的拟合度和精度均为最优(R2=0.739, MAE=55.352 m3·ha-1, RMSE=63.195 m3·ha-1), 高于多元逐步回归模型(R2=0.541, MAE=58.317 m3·ha-1, RMSE=71.562 m3·ha-1)和BP神经网络模型(R2=0.477, MAE=67.503 m3·ha-1, RMSE=73.226 m3·ha-1)。 模型预测值的范围为121.3~372.8 m3·ha-1, 与实际值较为接近。 结果表明基于多特征的森林蓄积量反演在实际应用中是有效的, 且不同的模型对森林蓄积量的反演精度有一定的影响。 随机森林回归模型的反演精度最高, 能够较好地应用于森林资源的遥感监测中。 该研究可以为森林蓄积量反演方法的选取提供参考和借鉴, 有助于森林资源遥感监测体系的不断完善。
蓄积量反演 多元逐步回归 BP神经网络 随机森林 Inversion of stock volume Multiple Stepwise Regression BP Neural Network Random Forest Landsat OLI Landsat OLI 光谱学与光谱分析
2022, 42(10): 3263
核工业北京地质研究院遥感信息与图像分析技术国家级重点实验室, 北京 100029
土壤钾元素含量是评价土壤营养程度重要的指标之一。 利用热红外发射率(TASI)数据对钾元素的反演研究较少且模型精度较低。 利用在黑龙江海伦地区采集的热红外航空成像光谱仪TASI数据, 经过预处理和温度与发射率分离后, 探究黑土土壤热红外发射率与钾元素含量关系。 在对比了常规的多元逐步回归与偏最小二乘建模方法后, 使用了一种新的逐步回归方法-全二次多元逐步回归建立模型, 相对于常规多元逐步回归, 引入了更多的参数进行模型的建立, 有效提高反演精度。 研究发现, 土壤发射率数据对于选用有效特性波段建立的模型对钾元素具有较高的反演精度, 所选特征波段均为负相关, 波段分别为6（8.602 μm）, 11（9.150 μm）, 15（9.588 μm）, 23（10.464 μm）, 相关系数依次为-0.658, -0.673, -0.645和-0.627。 钾元素通过多元逐步回归建模与预测的均方根误差RMSE: 0.027和0.032, 判定系数R2: 0.667和0.82, 相比于常规多元逐步回归建模与预测的均方根误差RMSE: 0.031和0.031, 判定系数R2: 0.569和0.78与偏最小二乘法建模与预测的均方根误差RMSE: 0.033和0.037, 判定系数R2: 0.45和0.51评价指标精度均有所提高, 说明该方法有效提高了利用发射率数据对钾元素的反演精度。 在利用学生化残差对模型进行去除异常值的改进后发现, 建模精度有了明显提高但是测试精度却有所降低, 过度拟合训练集数据导致模型泛化性下降, 因此不建议对模型过度拟合。
黑土土壤 热红外航空成像光谱仪发射率 全钾含量 全二次多元逐步回归 Black soil Emissivity of the thermal airborne hyperspectral i Total potassium content Quadratic multiple stepwise regression 光谱学与光谱分析
2020, 40(9): 2862
1 中国科学院地理科学与资源研究所, 陆地水循环及地表过程重点实验室, 北京 100101
2 中国科学院大学, 北京 100049
3 中国农业大学农业部设施农业工程重点开放实验室, 北京 100083
通过对全国十几个地区共26个土壤样品进行元素含量和红外光谱测定, 分析了土壤中红外发射率光谱特征, 研究了土壤发射率光谱与土壤的硝态氮（NO3-N)、 磷（P)、 钾（K)、 钙（Ca)、 镁（Mg)、 铜（Cu)、 铁（Fe)、 锰（Mn)、 锌（Zn)等元素以及pH值和有机质（OM)含量的相关性, 并利用偏最小二乘回归和多元逐步回归建立了利用发射率光谱估算土壤各种元素含量的回归模型。 由此找到了土壤元素含量与土壤发射率相关性最大的特征波段, 并遴选出了不同波段哪些土壤元素与发射率的相关性最紧密, 为开展土壤发射率的影响因素研究和由土壤中红外光谱预测土壤元素含量奠定了理论基础。 研究结果显示: （1)在8～10 μm波段范围内, 土壤发射率与土壤元素相关性从高到低依次为Ca, Mg, Mn和Fe , 相关系数最高为085, 最低为-05; 另外K, Fe, NO3-N和Zn与发射率的相关性在6～8 μm波段范围内依次减小, 相关系数最高为075, 最低为048; 而在10～14 μm波段内, Mn和K与发射率有较强的相关性, 相关系数约为05; （2)土壤发射率与土壤pH值之间大致呈抛物线关系, 在土壤的pH值为7时, 发射率最高, 随着土壤越酸或越碱, 发射率逐渐降低; （3)在建立土壤各元素含量的预测模型时发现, 偏最小二乘回归估算土壤各元素含量的精度要高于多元逐步回归, 尤其是Ca, Cu和Fe这些元素, 建模和交叉验证的R2分别能达到09、 08以上; 利用观测的土壤发射率光谱根据传感器波谱响应函数模拟得到的MODIS和ASTER传感器红外波段的发射率数据, 通过多元逐步回归模型对土壤各元素含量进行估算发现, 利用ASTER的热红外波段发射率估算土壤Ca含量时建模和验证的决定系数为0774和0892; 用MODIS的红外波段发射率估算土壤Ca和Fe含量的建模和验证的决定系数都在085以上, 估算Mg和K的建模和验证的决定系数都在05以上; 并且ASTER的第10和11波段和MODIS的第28, 29和30波段对土壤各元素有较高的敏感性, 更适合用于土壤各元素的估算。
土壤发射率 中红外波段 土壤元素 偏最小二乘回归 多元逐步回归 Soil emissivity Mid-infrared spectra Soil elements Partial least squares regression Multiple stepwise regression ASTER ASTER MODIS MODIS
