论文部分内容阅读
本文以长白山地区的露水河林业局为研究区,利用该区2003年的森林资源二类调查数据和Landsat ETM+影像,充分挖掘遥感光谱信息,运用多元线性回归、k最邻近分类(k-nearest neighbor,kNN)、人工神经网络三种方法,试图在森林小班尺度上建立遥感信息和重要的林分因子--平均树高、平均胸径、平均蓄积和郁闭度之间的经验模型。通过不同方法的比较分析,确定不同条件下每种林分因子的最佳估测模型,为快速、准确地进行林分调查提供理论依据和技术支持。主要研究结论如下:
1)在不分林型的前提下,四个林分因子多元线性回归的判定系数R2都小于0.2。虽然回归方程和回归系数都通过了显著性检验,但从判定系数和回归方程的残差分析结果看,平均树高、平均胸径、平均蓄积和郁闭度四个林分因子均不宜用多元线性回归方法来估测。模型的验证结果表明,平均树高、平均胸径和平均蓄积回归模型的精度较低,相对均方根误差(Relative Root Mean Square Error,RMSEr)都达到了30％以上。
2)不分林型的前提下,对平均树高,kNN方法较神经网络方法估测的精度低;对平均胸径,两种方法的估测精度接近；对平均蓄积和郁闭度,kNN方法的精度都要高于神经网络方法。四个林分因子中,不论用哪种方法,平均树高和平均胸径的估测精度相对较低,平均蓄积和郁闭度的估测精度稍好,用kNN方法估测郁闭度的精度最高,其误差控制在10％以内。
3)如将森林按针叶林、阔叶林、混交林分类,针叶林中4个林分因子用神经网络模型估测的精度都是最高的；阔叶林中平均树高和平均胸径用神经网络模型估测精度较高,平均蓄积和郁闭度用kNN方法精度较高；混交林中平均树高、平均胸径和平均蓄积用神经网络模型估测精度较高,郁闭度用kNN方法精度较高；
4)对于kNN方法和神经网络方法,分林型时所有林分因子的估测精度都有所提高,这可能是由于分林型时遥感影像的混合像元问题得到了部分解决。但对于多元线性回归模型而言,分林型却不一定会提高林分因子的估测精度。