基于偏最小二乘回归的森林蓄积量遥感估测

典型喀斯特山区的森林蓄积量遥感估算郑佳佳;周忠发;朱孟;黄登红;吴小飘;刘荣萍;龙洋洋【期刊名称】《水土保持通报》【年(卷),期】2024(44)2【摘要】[目的]通过森林蓄积量的遥感监测了解喀斯特地区森林生态系统的健康状况和生态功能,为该地区碳汇监测与评估以及森林管理与决策提供理论依据。

[方法]本研究选取典型喀斯特山区为研究对象,基于Sentinel-2A影像和样地调查数据,结合随机森林(RF)、K近邻回归(KNN)和BP神经网络3种机器学习模型,在山地坡度条件约束下开展森林蓄积量反演研究。

[结果]①单波段反射率、植被指数和纹理特征等遥感因子在不同地形约束条件下的表现不同,建立模型的最优子集均不同,不同立地条件下建立蓄积量估测模型均有差异。

②在喀斯特山区森林蓄积量估算中,RF 相比KNN和BP模型鲁棒性和适应性最强。

在缓坡、斜坡、陡坡立地条件下,RF 模型精度分别达到80.1%,79.0%,80.5%。

[结论]喀斯特山区空间异质性强,不同坡度立地条件下参与蓄积量遥感估测的建模自变量因子均不相同。

坡度的划分可以细化复杂场景遥感估算模型,提高蓄积量遥感估算精度。

【总页数】11页(P176-186)【作者】郑佳佳;周忠发;朱孟;黄登红;吴小飘;刘荣萍;龙洋洋【作者单位】贵州师范大学喀斯特研究院/地理与环境科学学院;贵州喀斯特山地生态环境国家重点实验室培育基地;国家喀斯特石漠化防治工程技术研究中心【正文语种】中文【中图分类】S758.4【相关文献】1.南方山地森林蓄积量遥感估算研究2.基于森林蓄积估算鹤立林业局的森林生物量碳储量3.喀斯特山区森林蓄积量的合成孔径雷达遥感估测研究4.利用森林蓄积量生物量模型估算岫岩县森林碳储量5.结合遥感林龄因子的亚热带森林蓄积量估算方法因版权原因，仅展示原文概要，查看原文内容请购买。

基于纹理特征的香格里拉县冷杉林郁闭度遥感估测研究付虎艳;张军;舒清态【摘要】以香格里拉县2006年TM影像、2006年森林资源二类调查小班数据为信息源,结合研究区冷杉林地面实测标准地(30m ×30m)数据,提取香格里拉县冷杉林TM影像分布信息及标准地纹理特征因子(共48个),对各因子进行相关分析;利用主成分法对纹理特征因子进行因子分析,最终选出13个纹理特征因子利用偏最小二乘法进行回归建模并进行模型精度检验.根据回归估测模型以及提取出的冷杉林各波段纹理特征因子,进行研究区冷杉林郁闭度反演.结果表明,基于遥感影像纹理特征建立的郁闭度遥感估测模型,其RE=13.8％,RMSE=10.39,精度为83.3％.研究区冷杉林郁闭度反演可知冷杉林郁闭度多分布在0.6 ～0.7范围内,多为中度郁闭林地.【期刊名称】《云南地理环境研究》【年(卷),期】2014(026)003【总页数】5页(P68-72)【关键词】郁闭度;偏最小二乘法;遥感估测;冷杉林;香格里拉县【作者】付虎艳;张军;舒清态【作者单位】西南林业大学林学院,云南昆明650224;云南大学资源环境与地球科学学院,云南昆明650091;西南林业大学林学院,云南昆明650224【正文语种】中文【中图分类】TP790 引言森林郁闭度是林业综合评价的一个重要指标，对森林资源的经营和管理以及森林生态系统的研究有着重要意义，它是指森林中乔木树冠遮蔽地面的程度，是反映林分密度的重要指标之一[1-3]。

森林郁闭度的测量方法多种多样，传统通过野外实地测量的方法，如样方法、目测法、树冠投影法等，仅能获得一些点上的数据，不利于大范围、快速测定郁闭度的空间分布及变化[4]。

而传统遥感方法主要是依靠从遥感影像中提取各光谱特征，进行线性及非线性组合，结合地形因子对郁闭度进行遥感估测。

但由于影像的光谱特征未能充分利用图像的空间结构、纹理等信息，且遥感影像中“同物异谱”和“异物同谱”现象普遍存在，仅依据光谱特征很难进行郁闭度的准确提取和分析[5]。

基于偏最小二乘回归的土壤有机质含量高光谱估算于雷;洪永胜;耿雷;周勇;朱强;曹隽隽;聂艳【期刊名称】《农业工程学报》【年(卷),期】2015(031)014【摘要】Soil organic matter (SOM) plays an important role in soil fertility and carbon (C) cycle. Soil spectral reflectance provides an alternative method to soil's classical physical and chemical analysis in laboratory for the estimation of a large range of key soil properties. In order to achieve rapid measurement of soil organic matter content (SOMC) based on hyperspectral analysis, in this paper, 46 soil samples at 0-20 cm depth were collected as research objects from Gong'an County in Jianghan Plain, and these samples were highly representative for the SOM. The raw hyperspectral reflectance of soil samples was measured by the standard procedure with an ASD FieldSpec3 instrument equipped with a high intensity contact probe under the laboratory conditions. Meanwhile, physical and chemical properties of these soil samples were analyzed. Twenty-eight of 46 samples were used for building hyperspectral estimation models of SOMC and the other 18 samples were used for model prediction. In the next, the raw spectral reflectance (R) was transformed to 3 spectral indices, i.e. logarithm of reciprocal reflectance (LR), first-order differential reflectance (FDR) and continuum removal reflectance (CR) to analyze the correlation coefficients between the 4spectral indices and their SOMC. Then, the correlation coefficients of the 4 spectral indices by F significant test were got (P<0.01), which could be used to extract significant bands. At last, we used partial least squares regression (PLSR) method to build quantitative inversion model of SOMC based on full bands (400-2 400 nm) and significant bands for this study area, respectively. The prediction accuracies of these optimal models were assessed by comparing determination coefficients (R2), root mean squared error (RMSE) and relative percent deviation (RPD) between the estimated and measured SOMC. The results showed that, after conducting the CR transformation on raw soil spectral data, there were prominent differences among the absorption peaks of spectral curves in different soil samples, and the heterogeneity of different spectral curves was decreased to a certain extent, at the same time, their correlations were also improved by about 0.2 in the range of visible bands. Compared to the significant bands, the full bands using PLSR method could obtain more robust prediction accuracies. Among all of the 4 spectral indices based on processing inversion models in full bands, the prediction accuracy of CR was the best, and its values ofR2, RMSE and RPD between the estimated and measured SOMC for the predicted model were 0.84, 3.86 and 2.58, respectively, which were better than those in significant bands. For the PLSR models based on significant bands, although there was a slight gap in the prediction accuracy with that based on full bands, they also had their own unique advantages: these models were much simpler and thus the model computation was reduced significantly, and they could play an importantrole under the circumstances in which increasing modeling speed and reducing model computation were more important than improving prediction accuracy. At last, it could be concluded that the CR-PLSR model for SOMC was better than R-PLSR, LR-PLSR, FDR-PLSR models not only in full bands but also in significant bands. In the future, the CR-PLSR hyperspectral inversion model can be used as a reference for aerospace hyperspectral remote sensing of soil fertility information in this region, and can realize the timely monitoring of SOMC.%为实现基于光谱分析土壤有机质含量的快速测定,该文以江汉平原公安县的土壤为研究对象,进行室内理化分析、光谱测量与处理等一系列工作,在土壤原始光谱反射率(raw spectral reflectance,R)的基础上,提取了其倒数之对数(inverse-log reflectance,LR)、一阶微分(first order differential reflectance,FDR)和连续统去除(continuum removal, CR) 3种光谱指标,分析4种不同形式的光谱指标与有机质含量的相关性,对相关系数进行P=0.01水平上的显著性检验来确定显著性波段的范围,并基于全波段(400~2 400 nm)和显著性波段运用偏最小二乘回归(partial least squares regression, PLSR)建立了该区域土壤有机质高光谱的预测模型,通过模型精度的比较确定最优模型.结果表明,进行CR变换后,光谱曲线的特征吸收带更加明显,相关系数在可见光波段范围内有所提高;基于全波段的 PLSR 建模效果要优于显著性波段,其中以CR的预测精度最为突出,其模型的决定系数R2和相对分析误差RPD分别为0.84、2.58;显著性波段的PLSR模型与全波段对比在模型精度方面虽有一定差距,但从模型的复杂程度来比较,具有模型简单、运算量小、变量更少的特点;最后,综合比较了全波段和显著性波段 4 种光谱指标的反演精度,发现 CR-PLSR 模型的建模和预测的效果比R-PLSR、LR-PLSR、FDR-PLSR 模型都要显著.该研究可为将 CR-PLSR 高光谱反演模型用于该区域土肥信息的遥感监测提供参考.【总页数】7页(P103-109)【作者】于雷;洪永胜;耿雷;周勇;朱强;曹隽隽;聂艳【作者单位】华中师范大学地理过程分析与模拟湖北省重点实验室,武汉 430079;华中师范大学城市与环境科学学院,武汉 430079【正文语种】中文【中图分类】S127【相关文献】1.基于灰度关联-岭回归的荒漠土壤有机质含量高光谱估算 [J], 王海峰;张智韬;Arnon Karnieli;陈俊英;韩文霆2.基于高光谱特征和偏最小二乘法的春小麦叶绿素含量估算 [J], 尼加提·卡斯木;师庆东;王敬哲;茹克亚·萨吾提;依力亚斯江·努尔麦麦提;古丽努尔·依沙克3.基于连续统去除和偏最小二乘回归的油菜SPAD高光谱估算 [J], 郑煜;常庆瑞;王婷婷;杨景4.基于sCARS-RF算法的高光谱估算土壤有机质含量 [J], 李冠稳;高小红;肖能文;肖云飞5.基于高光谱的不同人类干扰程度下荒漠土壤有机质含量估算模型 [J], 郑曼迪;熊黑钢;乔娟峰;刘靖朝因版权原因，仅展示原文概要，查看原文内容请购买。

应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算近年来，随着环境的变化，土壤的污染和旱涝灾害的增多，农作物的产量变得日益重要。

此外，农业灾害的识别早期预测也越来越重要。

由于植物及其生长状况受环境条件，如土壤质量、气候等影响，因此，对植物的生长状态进行准确识别和早期预测，变得越来越重要。

对植物生长状态的早期预测和评估主要依赖于它的光谱特征。

高光谱技术是一种全波段的光谱技术，可以获得植物的高度光谱特征，从而可以更好地预测植物的生长状态。

所以，研究人员们开发了一种基于高光谱技术的新方法，即应用波段深度分析和偏最小二乘回归，来评估冬小麦的生物量。

研究者对冬小麦样品进行了表征和分析，使用可见和近红外波段的高光谱数据采集系统，获取了不同处理冬小麦样品的光谱特征，将其预处理、归一化以及滤波。

研究人员提出了一种改进的算法，称为波段深度分析和偏最小二乘回归（P-LDA-PLS），它基于光谱特征，使用最小二乘回归模型来预测冬小麦的生物量，并评估其精度。

研究人员们测试了他们的算法，结果表明，使用该方法可以获得较高的预测准确性，其均方误差（RMSE）只有0.11，相对于传统的偏最小二乘回归（PLS）模型，其预测准确性提高了8.7%。

此外，该算法还可以提高对参数的选择精度，从而更准确地预测冬小麦的生物量。

综上所述，基于高光谱技术的应用波段深度分析和偏最小二乘回归方法，是一种准确、高效的冬小麦生物量估算方法，其预测准确度高于传统的偏最小二乘回归方法，同时可以更加准确地预测冬小麦的生物量。

因此，这种方法可以帮助农业工作者准确预测和评估农作物的产量，并有助于减少农作物灾害的发生。

未来，研究者们还可以继续完善此类方法，提高其预测准确性，并应用于其他经济作物，以期获得更精确的预测结果，有助于减少农业灾害的发生，提高作物的产量。

总之，基于高光谱技术的应用波段深度分析和偏最小二乘回归方法可以有效地预测冬小麦的生物量，是一种高精度的冬小麦生物量估算方法，具有重要的应用价值。

偏最小二乘回归分析分解偏最小二乘(PLS)回归是一种常用的多元分析方法，它可以用于建立变量之间的预测模型。

与最小二乘回归(OLS)相比，PLS回归更适用于高维数据集和存在多重共线性的情况。

在本文中，我们将详细介绍PLS回归的分析流程和相关理论。

PLS回归的主要目标是建立一个可以准确预测因变量的回归模型。

它通过最小化因变量的预测误差和解释自变量的协变量来实现。

与OLS回归不同的是，PLS回归是一种自逐步算法，它通过逐步的线性变换来提取自变量中的信息，并用这些信息构建因变量的预测模型。

这种逐步变换的思想使得PLS回归在处理高维数据集时更加有效。

PLS回归的分析流程可以分为以下几个步骤：1.数据准备：将数据集划分为训练集和测试集，并进行预处理。

预处理包括数据标准化、缺失值处理和异常值处理等。

2.模型建立：利用训练集进行PLS回归模型的建立。

PLS回归通过逐步线性变换将自变量中的信息提取出来，并用这些信息来构建因变量的预测模型。

在每一步中，PLS回归选择与残差有最大相关性的自变量进行线性变换，并更新残差。

这个过程一直进行到残差不再显著。

通过这个过程，PLS回归可以自动选择对因变量有更好预测效果的自变量。

3.模型评价：利用测试集评价PLS回归模型的预测效果。

常用的评价指标包括均方根误差(RMSE)和预测偏差百分比(PRESS)等。

这些指标可以评估模型的预测精度和稳定性。

4.模型优化：根据评价结果对模型进行优化。

PLS回归的优化包括选择最优的主成分个数和正则化参数。

主成分个数决定了提取的自变量信息的多少，而正则化参数用于控制模型的复杂度。

5.结果解释：根据模型结果解释自变量与因变量之间的关系。

PLS回归提供了自变量权重和载荷矩阵，可以用于解释变量之间的线性关系和对因变量的影响程度。

PLS回归的分解是指将自变量和因变量的矩阵分解为几个具有特定解释力的组成部分。

通常情况下，PLS回归可以分解为两个矩阵：得分矩阵(T)和载荷矩阵(P)。

基于资源三号影像的森林蓄积量估测遥感因子选择王佳;尹华丽;王晓莹;冯仲科【期刊名称】《中南林业科技大学学报》【年(卷),期】2015(000)012【摘要】以内蒙古旺业甸林场为研究区域，以资源三号（ZY-3）卫星遥感图像为数据源，通过对影像进行处理，获取对应样地的波段光谱值、光谱组合值及地形因子信息等遥感因子。

基于对各遥感因子的信息量分析、多重相关性危害分析及应用残差平方和的方法对遥感因子进行筛选，实验结果表明：ZY-3影像提取的12个遥感因子中，单波段因子中 ZY3的信息量最大，波段组合中 ZY(2-3)/ZY4的信息量最大，地形因子中高程的信息量最大， ZY-3的波段、波段组合和地形因子间存在多重相关性，去掉 ZY(2-3)/(2+3)和坡度因子后，多重相关性的危害大大降低，可以满足进一步建立蓄积量遥感反演模型要求。

【总页数】5页(P29-33)【作者】王佳;尹华丽;王晓莹;冯仲科【作者单位】精准林业北京市重点实验室，北京 100083; 北京林业大学测绘与3S 技术中心，北京 100083;精准林业北京市重点实验室，北京 100083; 北京林业大学测绘与 3S 技术中心，北京 100083;精准林业北京市重点实验室，北京100083; 北京林业大学测绘与 3S 技术中心，北京 100083;精准林业北京市重点实验室，北京 100083; 北京林业大学测绘与 3S 技术中心，北京 100083【正文语种】中文【中图分类】S771.8;S758.5+1【相关文献】1.估测森林蓄积量的遥感因子选择研究 [J], 黄伟平;谭三清;张贵;李珺2.基于k-NN方法和GF遥感影像的森林蓄积量估测 [J], 向安民;刘凤伶;于宝义;李崇贵;3.基于SVR的GF1号遥感影像森林蓄积量估测 [J], 张苏;周小成;黄洪宇;冯芝清4.基于资源三号卫星遥感影像的森林蓄积量估测 [J], ZHANG Xiang-yu;WANG Rui-rui5.基于Landsat8 OLI遥感影像的森林蓄积量估测模型研究 [J], 钟健;郑秋斌因版权原因，仅展示原文概要，查看原文内容请购买。

基于不同立地质量的松树林蓄积量遥感估测刘俊;孟雪;温小荣;林国忠;佘光辉;李赟;刘雪慧;徐达【期刊名称】《林业资源管理》【年(卷),期】2015(000)005【摘要】森林蓄积量遥感估测在林业系统中具有十分重要的意义.以建德市为研究区,基于2007年TM遥感影像和2007年森林资源二类调查数据,对松树林分立地质量等级和不分地位等级两种类型建立蓄积量的遥感估测模型,并进行精度检验.其中立地质量等级依据小班平均高和平均年龄建立的地位级表划分为好、中、差三种类型,以每个小班的总蓄积量为因变量,小班各单个遥感因子信息总量为自变量.研究结果表明:1)以TM遥感影像主成分分析中第一主成分为自变量的模型拟合效果最好,决定系数R2均在0.54以上,最高为0.802;2)利用预留独立样本对模型精度进行验证,不分地位级总体估测精度为87.64％,分立地质量等级好、中、差三种类型总体的估测精度分别为94.14％,95.32％,92.38％,分立地质量类型建模的精度明显优于统一建模的精度.研究结果为森林蓄积量遥感估测提供一种改进的思路,且为提高森林生物量和碳储量遥感估测精度提供一种参考方法.【总页数】7页(P55-60,165)【作者】刘俊;孟雪;温小荣;林国忠;佘光辉;李赟;刘雪慧;徐达【作者单位】南京林业大学南方现代林业协同创新中心,南京210037;南京林业大学林学院,南京210037;南京林业大学南方现代林业协同创新中心,南京210037;南京林业大学林学院,南京210037;南京林业大学南方现代林业协同创新中心,南京210037;南京林业大学林学院,南京210037;南京林业大学南方现代林业协同创新中心,南京210037;南京林业大学林学院,南京210037;南京林业大学南方现代林业协同创新中心,南京210037;南京林业大学林学院,南京210037;南京林业大学南方现代林业协同创新中心,南京210037;南京林业大学林学院,南京210037;南京林业大学南方现代林业协同创新中心,南京210037;南京林业大学林学院,南京210037;浙江省森林资源监测中心,浙江杭州310020【正文语种】中文【中图分类】S791.24;S757;S771.8【相关文献】1.基于不同立地质量的森林蓄积量遥感估测 [J], 刘俊;孟雪;温小荣;林国忠;佘光辉;刘雪慧;徐达2.基于不同立地质量的松树林分生物量遥感估测 [J], 刘俊;孟雪;高媛赟;温小荣;林国忠;佘光辉;刘雪慧3.基于不同立地质量的杉木生物量遥感估测 [J], 温小荣;孟雪;刘俊;陈树;林国忠;佘光辉;刘雪惠;郜昌建4.基于神经网络和不同立地质量的森林蓄积量遥感估测 [J], 刘唐;江涛;李昂;郭连杰5.运用机载激光雷达数据和立地质量分级对亚热带森林蓄积量遥感反演 [J], 张国飞;岳彩荣;王雷光;李春干因版权原因，仅展示原文概要，查看原文内容请购买。