基于Sentinel-2与机载激光雷达数据的误差变量联立方程组森林蓄积量反演研究

作者：陈松; 孙华^*; 吴童; 蒋馥根

来源：中南林业科技大学学报, 2020, 40(12): 44-53.

DOI：10.14067/j.cnki.1673-923x.2020.12.006

• 蓄积量
• 遥感反演
• 联立方程组
• 机载激光雷达
• Sentinel-2影像

【目的】研究通过提取Sentinel-2中的特征变量与机载激光雷达(Light detection and ranging, LiDAR)中的冠层高度模型(Canopy height model, CHM),探索使用误差变量联立方程组反演森林蓄积量制图的新方法。【方法】以广西壮族自治区国有高峰林场的界牌与东升分场为研究区,机载LiDAR和Sentinel-2影像为数据源,利用皮尔森相关系数与方差膨胀因子(Variance inflation factor, VIF)结合线性逐步回归进行遥感特征变量筛选。通过VIF判断和线性逐步回归保留后的遥感特征变量与LiDAR提取的CHM,分别选用普通回归模型(多元线性逐步回归与Logistic模型)、误差变量联立方程组、随机森林(Random forest, RF)、kNN(k-Nearest Neighbor, kNN)4种反演方法开展森林蓄积量反演,并利用地面实测数据对反演结果进行验证。【结果】1)在普通回归模型中,Logistic模型的反演精度(RRMSE=30.41%)优于MLR模型的反演精度(RRMSE=30.53%);2)在误差变量联立方程组反演方法中,MLR-Logistic联立模型精度(RRMSE=29.29%)优于Logistic-Logistic、MLR-MLR与Logistic-MLR联立模型(RRMSE分别为29.40%、29.60%与29.66%);3)在4种反演方法中,误差变量联立方程组反演结果精度最高(R2=0.60),显著优于普通回归模型方法、随机森林与kNN反演方法(R2分别为0.56、0.39与0.28)。【结论】误差变量联立方程组反演方法更适用于森林蓄积量遥感估测,其反演精度最高,且获得的蓄积量空间连续分布结果与实际接近,制图效果最好,表明误差变量联立方程组反演森林蓄积量制图方法是可行的。

• 单位
  中南林业科技大学