森林蓄积量是反映森林资源变化和增长情况的重要指标,精确估算森林蓄积量是国家实现2060年前碳中和目标的迫切需求,森林类型的精细分类是机型森林蓄积量反演的重要基础。近年来,大量高分辨率数据被用于森林类型的分类,但大多为单期遥感影像且缺少准确的地物高程信息,结合Lidar数据后的多源遥感数据进行分类的精度高于单一遥感数据源,Lidar数据在获取林分高度和垂直结构信息方面的优势,使其成为现阶段估测森林蓄积量的最佳数据源。本研究利用生长季高分一号影像与落叶季资源三号影像结合相同时期Sentinel-2数据和机载Lidar数据对黄山区基于对象分割分类与森林蓄积量反演,比较加入不同遥感数据进行分割后分类精度的差距,并进行相关分析;使用最佳分割对象进行森林蓄积量反演。研究结果表明:(1)使用多时相遥感数据相对于单期遥感数据分类精度有所提高,基于对象的分割加入数字高程模型(DEM)与冠层高度模型(CHM)后相较于仅加入光学影像分割分类精度有明显提高;(2)使用多种变量筛选方法与建模方法进行森林蓄积量建模,结果表明,随机森林(RF)与极端梯度提升(XGBoost)等机器学习算法能在样本量较多的树种中提高建模精度,例如马尾松线性回归建模R
2=0.91,验证R
2=0.89,极端梯度提升算法建模R
2=0.99,验证R
2=0.94,且RMSE也有明显降低,而对于混交树种建模精度则低于线性回归建模;(3)使用最佳基于对象分割结果进行森林蓄积量反演精度高于格网分割反演精度。本研究提供使用多源遥感数据进行森林蓄积量精确估测方案,对快速精确获取森林蓄积量分布、应对气候变化的森林管理策略与森林可持续健康发展有重要意义。
发表评论