1 北京林业大学精准林业北京重点研究室, 北京 100083
2 成都信息工程大学网络空间安全学院, 四川 成都 610200
3 北京林淼生态环境技术有限公司, 北京 100085
水源涵养是生态系统重要的服务功能, 森林作为一种复杂的生态系统, 其组成部分对于水源涵养的贡献率各不相同; 森林枯落物直接覆盖于地表, 既来自于林冠层也抑制土壤层的水分蒸散, 因此枯落物层在水源涵养功能中发挥了重要作用。 遥感和高光谱技术为远距离识别面状区域的水源涵养能力提供了解决方案, 特别在高原地区, 遥感是获取地表信息的快速手段。 以雅鲁藏布大峡谷为研究区, 用ASD(便携式地物)光谱仪测定主要树种(高山松、 林芝云杉和川滇高山栎)的叶片高光谱数据并构建植被指数, 同时, 通过样地采样获取枯落物样本并计算样本的持水拦蓄性能, 然后建立植被指数与有效拦蓄量的多元回归模型。 在此基础上, 基于Sentinel-2影像反演大峡谷主要树种枯落物的水源涵养能力分布情况, 最后结合验证点对反演模型进行精度评价。 结果显示: (1)三类树种的叶片反射率趋势相似, 川滇高山栎的反射率最高, 高山松次之, 林芝云杉最低; (2)枯落物的有效拦蓄量从大到小排序为: 林芝云杉(48.36 t·ha-1)>川滇高山栎(39.24 t·ha-1)>高山松(32.32 t·ha-1)。 林芝云杉枯落物的分解程度和蓄积量均最高, 因此持水拦蓄能力最强; 川滇高山栎的革质叶片不利于分解堆积, 进而限制蓄水能力; 高山松含有较多油脂, 不易被水浸湿, 导致持水能力较弱。 (3)通过Person相关系数分析和多元线性回归模型得知, 叶片蜡质参数和衰减程度越高, 枯落物的水源涵养能力越弱; 植被生长态势越好、 色素和叶片水分含量越高, 其水源涵养能力越强。 (4)枯落物水源涵养能力反演模型的精度评价结果良好, 高山松、 林芝云杉和川滇高山栎的样本检验点拟合优度R2分别为0.943, 0.815和0.812, 均方根误差RMSE分别为1.597, 2.270和1.953, 表明模型可以用于大峡谷森林枯落物水源涵养能力的预测分布研究。
高光谱 水源涵养 枯落物 遥感反演 雅鲁藏布大峡谷 Hyperspectral Water conservation Litter Remote sensing inversion Yarlung Zangbo Grand Canyon
北京林业大学精准林业北京市重点实验室, 北京 100083
城市森林影响空气中颗粒物的过滤和吸附, 可以最大限度地减少空气中颗粒物污染对人体健康的有害影响。 特别是在冬季, 城市森林中的常绿植物在吸收灰尘和净化空气方面起着重要作用。 本研究以北京市区冬季主要的常绿植被大叶黄杨(Euonymus japonicus)为研究对象, 设置3类的采样空间, 采集1 410个叶片, 测定叶片除尘前后的高光谱数据以及叶片表面的滞尘量。 通过分析不同滞尘程度影响下的叶面光谱响应特性确定敏感波段, 建立滞尘前后植被指数比值与滞尘量之间的回归模型, 利用Sentinel-2遥感影像反演常绿植被的滞尘分布, 并对反演结果进行验证。 结果表明, 在510～700和758～1 480 nm范围内, 除尘前叶片的平均光谱反射比小于洁净叶片。 封闭区域叶片除尘前后平均光谱反射率的变化小于半封闭区域, 开放区域叶片除尘前后的平均光谱反射率变化最大。 研究发现红波段和近红外波段对灰尘影响最敏感, 与滞尘量具有较高的相关性, 利用归一化差异物候指数(NDPI)建立的反演模型: x＝0.939 69y-0.145 04(x为RNDPI的数值, y为滞尘量), 决定系数R2达到0.879。 反演结果表明, 封闭区域的平均滞尘量小于半封闭区域和开放区域, 北京城区植被高滞尘量的区域分布在南部较多, 植被滞尘量从市中心到周边地区有逐渐降低的趋势。 研究叶片滞尘的空间分布, 为快速监测城市区域灰尘污染强度与分布提供参考, 为进一步探索常绿灌木的滞尘效果, 科学指导城市森林建设, 改善冬季城市生活环境具有重要意义。
遥感 高光谱 滞尘量 城市森林 大叶黄杨 冬季 Remote sensing Hyperspectral Amount of dust absorption Urban forests Euonymus japonicus Winter 光谱学与光谱分析
2020, 40(6): 1696
1 北京林业大学精准林业北京市重点实验室, 北京 100083
2 平顶山学院旅游与规划学院, 河南 平顶山 467002
3 中国矿业大学(北京)地球科学与测绘工程学院, 北京 100083
森林蓄积量是林分调查中重要因子, 是评价森林数量和质量的重要指标。 传统森林蓄积量实测方法耗时费力、 效率低下, 多元线性回归遥感反演方法精度较低, 难以达到精准林业要求。 机器学习是一种利用训练数据, 进行自我改进、 自动提升性能的方法, 可以任意逼近非线性系统, 提高模型预测精度。 以鹫峰林场森林为研究对象, 综合考虑影像光谱因子、 纹理因子、 地形因子, 采用机器学习中的BP神经网络、 最小二乘支持向量机、 随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV, LSSVM-FSV和RF-FSV, 并在Matlab2014a中编程实现。 旨在从建模因子选择和模型方法建立两个方面, 优化建模因子特征提取, 提高森林蓄积量模型预测精度。 以角规观测样地实测数据、 森林小班二类调查数据、 林相图数据为基础, 使用以上三种模型结合Landsat8 OLI多光谱数据分林型进行了森林蓄积量反演建模预测。 以决定系数R2和均方根误差RMSE为指标, 分析了三种反演模型的训练能力和预测能力。 研究结果表明: 利用3种机器学习方法构建的结合光谱因子、 地形因子、 纹理因子反演模型能够提高森林蓄积量的预测精度。 以上模型中, RF-FSV模型在针、 阔、 混三种林型中都表现出较强的预测能力, 高于BP-FSV模型, 高于或接近于LSSVM-FSV模型。 RF-FSV模型在训练阶段, R2和RMSE针叶林中为0839和13953 3, 阔叶林中为0924和7634 1, 混交林中为0902和12153 9, 预测阶段R2和RMSE在针叶林中为0816和15630 1, 阔叶林中为0913和4890 2, 混交林中为0865和9344 1。 RF-FSV模型建模精度和预测精度较高, 为森林蓄积量遥感反演估测提供了一种新的方法。
随机森林 遥感反演 森林蓄积量 最小二乘支持向量机 BP神经网络 Random forest Remote sensing inversion Forest stock volume LSSVM BP neural network 光谱学与光谱分析
2017, 37(7): 2140
