基于多源遥感数据的森林生物量估算与空间尺度转换研究

Scientific and accurate estimates of regional forest biomass is significant for studies of global carbon cycle, forest productivity and climate change. The accuracy of regional forest biomass estimation based on multi-source remote sensing still needs to be improved. Firstly, multi-spectral satellite images of SPOT5, large footprint Light Detection and Ranging (LiDAR)- GLAS data , MODIS data , related auxiliary data and the data of simple plots are cellected. Then, the parameters generated from SPOT5 are introduced into models of estimating forest canopy height based on waveform parameters of GLAS footprint to improve the accuracy of estimated forest canopy height. And the retrieval model of regional-scale forest canopy height andadjustment model of forest canopy height within footprint are established by integrating SPOT5 data. Based on the estimated reginal forest canopy height and utilizing Partial Least Squares Regression and Back Propagation Neural Network model, the model of retrieving forest biomass is established by combining the estimated forest canopy height data and SPOT5 data. Spatial distribution data of forest biomass of the study area can be generated by applying the model to to MODIS data and SPOT5 data. Scaling effect of estimating forest biomass based on remote sensing will be analyzed by comparing the two spatial distribution data of forest biomass. Finnally, texture parametrization approaches and Support Vector Machine algorithm approach based on mixed pixels will be checked to establish the spatial scaling model to improve the accuracy of estimated forest biomass based on MODIS data. The results of this study can be referenced for studies of improving the accuracy of estimating a wide range of forest biomass based on remote sensing data.

科学、准确的估测区域森林生物量对研究全球碳循环、森林生产力、气候变化有重要意义，而基于多源遥感数据估算区域森林生物量的精度仍亟待提高。本研究在收集研究区SPOT5多光谱数据、大光斑激光雷达GLAS数据、MODIS数据及相关辅助数据和样地调查基础上，通过引入SPOT5参数提高基于GLAS波形参数的光斑内森林冠顶高估算模型的估算精度；融合SPOT5数据建立区域尺度森林冠顶高反演模型和光斑内冠顶高调整模型；在获取区域森林冠顶高的基础上，联合森林冠顶高数据与SPOT5数据，采用偏最小二乘回归法和BP神经网络建立区域生物量反演模型；将反演模型应用于MODIS数据和SPOT5数据，对比两种尺度下估算结果，分析生物量估算的尺度效应；采用基于混合像元的结构分析方法和支持向量机算法，建立生物量尺度转换模型，提高基于MODIS数据的森林生物量估算精度，为大范围基于遥感数据的森林生物量较高精度估算提供参考。

科学、准确地获取森林生物量信息是森林生态系统与全球气候变化研究的关键，基于多源遥感数据估算区域森林生物量的精度仍亟待提高。本研究围绕这一问题，以吉林省露水河林区为研究区，通过融合样地数据、GLAS、SPOT5、资源三号、MODIS等遥感数据和相关辅助数据，通过对森林冠顶高GLAS光斑内估算模型的优化和区域反演模型的优选，获取了较高精度的森林冠顶高数据，在此基础上，构建了较高精度区域生物量反演模型；将反演模型应用于MODIS数据和SPOT5数据，通过尺度效应分析和生物量尺度转换，提高了基于MODIS数据的森林生物量估算精度。. 本研究主要研究结果和结论包括以下几个方面：（1）采用面向对象分类方法，获取了研究区较高精度的森林覆盖类型图；基于资源三号数据，构建了叶面积指数反演模型，通过对SPOT5数据的相对辐射校正，实现了基于SPOT5数据叶面积指数区域反演；基于像元二分模型，实现了研究区郁闭度数据提取。（2）优选了小波去噪方法完成对GLAS波形数据的去噪处理；在地形指数模型的基础上，构建了基于波形参数、SPOT 5纹理参数的光斑内冠顶高最优估算模型。（3）确定了50m×50 m为冠顶高区域反演最佳尺度，优选BP神经网络模型进行区域尺度的森林冠层高度的较高精度反演；通过构建冠顶高调整模型获取了研究区10 m分辨率的森林冠层高度分布图。（4）融合冠顶高、遥感参数以及LAI和郁闭度等数据，优选神经网络模型构建了森林生物量最佳反演模型，实现了研究区森林生物量较高精度反演。（5）将生物量反演模型应用于MODIS数据和SPOT5数据，分析显示生物量反演的尺度效应明显；分别设置了冠顶高、郁闭度和叶面积指数等尺度转换因子，通过基于支持向量机算法的混合像元结构分析法实现了生物量的空间尺度效应校正，校正后的生物量无论是在相关性还是在误差方面都有很大程度的提高，确定了冠顶高为最有效的生物量尺度效应校正因子。. 本研究构建的基于多源遥感数据森林生物量估算方法体系可为实现大范围基于遥感数据的森林生物量较高精度估算提供借鉴和科学依据。