机载高分辨率遥感影像的傅氏纹理因子估测温带森林地上生物量
宁夏哈巴湖国家级自然保护区植物群落遥感分类研究
宁夏农林科技，Ningxia Journal of Agri.and Fores.Sci.&Tech.2024，65（01）：17-22基金项目：国家自然科学基金“多源遥感信息融合的宁夏东部湿地演变规律研究”（31400619）。
作者简介：任成宝（1975—），男，宁夏吴忠人，高级林业工程师，主要从事自然保护区管理与野生动植物资源保护。
*通信作者：边振（1983—），男，山东济南人，副教授，主要从事水土保持与生态遥感应用研究。
收稿日期：2022-02-24修回日期：2022-08-24植被是陆地生态系统中最重要的组分，在陆地表面能量交换和水分循环过程中起着至关重要的作用[1-2]，因此开展植被及其变化的相关研究具有非常重要的现实意义。
近些年来，国内外很多研究人员借助遥感影像数据，对植被类型及其空间分布进行研究[3-4]。
随着高分辨率航空影像和卫星影像的发展，对陆地植被的遥感分类也逐渐趋于大范围、高精度和高时效[5]。
FUY Y 等[6]结合光谱与空间特征提出一种改进的植被分类方法，研究表明通过同时利用图像光谱和空间信息能够进一步提高植被分类精度。
COLEMAN R W 等[7]利用Sentinel-2和国家农业影像计划（NAIP ）光学影像对城市和非城市区域的不透水地表乔木、灌木、草本、裸露土壤/非光合植被和水体进行分类，得到了较好的结果。
付伟等[8]选取2010年Landsat5和2010年宁夏哈巴湖国家级自然保护区植物群落遥感分类研究任成宝1，余殿1，庞海威2，边振2*，桑国庆21.宁夏回族自治区哈巴湖国家级自然保护区管理局，宁夏吴忠7511002.济南大学水利与环境学院，山东济南250022摘要：为准确监测宁夏哈巴湖国家级自然保护区植物资源，以2017年Landsat8遥感影像、高分卫星遥感影像结合实地调查和无人机多光谱影像，分析保护区9种典型植物群落的光谱特征，并利用2种分类方法对保护区植被进行分类。
森林火灾碳排放估算方法与研究进展
与燃 烧产 物 的碳 含 量之 问 的关 系进行 推 算 。根据 研 究 需 要 ， 可表 示 为 不 同树 种 （ ： 叶松 、 如 落 白 桦 、 古 栎等 ）不 同林 型 （ 叶松林 、 蒙 、 落 蒙古 栎林 、 白 桦 林 等 ）不 同植 被 型 （ 林 、 丛 、 原 、 甸 、 、 森 灌 草 草 沼 泽 等 ）可 燃物 不 同层 次 （ 、 乔木 层 、 灌木 层 、 草本 层 、 枯 落 物 层 、 分 解层 、 机 质层 等 ） 烧 时 的所 排 半 有 燃
摘
要： 森林 生态 系统在全球碳循 环 中起 着不可替代的作 用 ， 火灾是 森林生 态系统的重要 干扰 因子 ， 因火灾导 致的碳排放对全球碳循环具有重要影响。森林 火灾碳排放是 当前林火领域研 究的热 点问题之一。本文
综 述 了森 林 火 灾碳 排 放 的 研 究 方 法 、 森椿 火 灾 碳 排 放 的研 究 结 果 ， 讨 论 了碳 排 放 量数 据 不 确 定 性 产 并
第 １ 期
赵凤君 ， ： 等 森林火灾碳排放估算方法与研究进展
Ｍｃ Ｍ × Ｃ ＝
（） ３
量 的差 异 主要 来源 于火 灾 烧毁 不 同林 型面 积 的差
式 中 ： 为火 灾损 失 的总 生 物量 ；ｃ ｃ 为烧掉生 异 。 物质 的含碳率 ，国际通 用 的生物 质含碳率 为 ０ ５ｌ ３３ 不 同植被 型 的碳排 放量 ． ￣ ４ｓ 。 ． 不 同生物 质含 碳率 不 同 ，通过 室 内实 验 可测 定 出 当前 已开展 的研 究 较 多关 注森林 类 型 可燃 物
２— ５
第 １期
遥感影像判读在洮河国家级自然保护区森林资源二类调查中的应用
杨 帆. 遥感影像判读在洮河国家级自然保护区森林资源二类调查中的应用[J].南方农业，2023，17（24）：111-113.遥感影像判读在洮河国家级自然保护区森林资源 二类调查中的应用杨帆（甘肃洮河国家级自然保护区管护中心，甘肃卓尼 747600）摘 要森林资源二类调查对于生态环境保护和林业的可持续发展至关重要。
遥感影像判读技术因具有全面、高效的特点成为森林资源调查的有力工具。
因此，以甘肃洮河国家级自然保护区为例，运用高分辨率的遥感影像，通过植被指数的提取，系统地研究不同植被类型的植被分类情况、精度评估与验证、植被生态学参数提取结果。
通过这一方法，旨在为森林资源的科学管理和保护提供更准确、全面的数据支持。
关键词遥感影像；影像判读；森林资源；二类调查中图分类号：S771.8 文献标志码：A DOI：10.19415/ki.1673-890x.2023.24.035森林是地球上最重要的生态系统之一，不仅为生物提供了栖息地，还对全球碳循环和气候调节起到关键作用[1]。
为了更好地实现森林资源的可持续管理和生态环境保护，深入了解森林结构、植被类型、生态系统的动态变化显得至关重要[2]。
传统的野外调查工作耗时、费力，而遥感技术能够在较短时间内完成对广大地区的植被监测，为科学家和决策者提供及时的数据支持。
在这个背景下，遥感影像判读技术在森林资源二类调查中崭露头角，为科学研究和管理提供了高效、全面的工具[3-4]。
遥感影像判读技术的应用优势在于其高度自动化及可以进行大范围覆盖的特性[5]。
笔者聚焦甘肃洮河国家级自然保护区，运用遥感影像判读技术，旨在深入了解该地区森林资源的空间分布、植被类型和动态变化。
1 研究区概况甘肃洮河国家级自然保护区位于甘肃省南部（东经102°46′02″～103°44′40″，北纬34°10′07″～34°42′05″），涵盖卓尼县、临潭县、迭部县、碌曲县及合作市的部分地区，总面积为287 760 hm2。
森林生物量遥感估算与应用分析
森林生物量遥感估算与应用分析一、本文概述《森林生物量遥感估算与应用分析》一文旨在探讨利用现代遥感技术对森林生物量进行有效、精确估算的方法及其在实际林业管理、碳循环研究及气候变化应对等领域的广泛应用。
本文首先梳理了遥感技术在森林生物量估测方面的理论基础和最新进展，包括不同遥感平台（如卫星、无人机等）获取的多光谱、高光谱、雷达等数据源在生物量模型构建中的作用机理与适用性分析。
接着，本文详细介绍了目前国内外常用的遥感生物量估算模型，比较其性能优劣，并结合实地调查数据验证了各类模型在不同森林类型、不同尺度下的精度与稳定性。
研究中特别关注了遥感指数的选择、地表特征参数提取、生物量遥感变量关系建模以及不确定性分析等关键技术环节。
本文还深入剖析了遥感估算森林生物量的实际应用价值，通过实例展示如何将遥感估算成果应用于森林资源清查、碳汇计量、生态系统服务评估以及森林可持续经营策略制定等多个层面。
针对现有研究存在的问题与挑战，提出了未来遥感估算森林生物量的研究方向和技术改进策略，力求为推进我国乃至全球的森林资源精细化管理和生态环境保护工作提供科学依据和技术支撑。
二、森林生物量遥感估算的理论基础森林生物量遥感估算技术是一种结合现代遥感技术与生态学原理，对森林生态系统中植被固有的有机物质总量进行非接触式、大范围精确估计的方法。
这一技术的理论基础涵盖了遥感科学、生态计量学、森林生态学以及地理信息系统等多个学科领域。
遥感科学提供了从空间获取森林结构与状态信息的核心手段。
遥感卫星及航空器搭载的多光谱、高光谱和雷达等传感器能够捕捉到地表森林冠层的电磁波辐射特征，这些特征与森林生物量的相关性已被大量科学研究证实。
例如，近红外波段反映叶绿素含量及叶片面积指数，短波红外则可以指示水分状况和生物化学成分，雷达数据可用于提取森林高度和结构参数，这些都是估算生物量的关键参数。
生态计量学构建了生物量与遥感指标之间的定量关系模型。
通过对地面实测生物量数据与遥感数据的相关分析，科学家们建立了多元线性回归、机率密度函数模型、人工神经网络、随机森林等多种数学模型，用于模拟和预测大面积森林生物量分布。
生产建设项目水土保持信息化监管技术规定(试行)
5 项目监管 ...................................................................................................................... 31 5.1 资料准备 ............................................................................................................................ 31
4.3 成果整编与审核评价 ...................................................................................................... 27
4.3.1 成果整理分析.......................................................................................................................................... 27 4.3.2 审核与入库 .............................................................................................................................................. 28
利用TM遥感影像和林分因子估测森林可燃物载量
区域性估测 ,在建立实际估测方程时 ,参选因子无需进行中心
标准化 。可燃物载量与因子间岭估计估测模型为 :
Y = Xγ( k) + e 。
(1)
(1)式中 , Y是样地的实测可燃物载量组成的观测向量 ; X 为 影响因子观测阵 ,γ( k)为岭回归系数 , e为样地植被盖度观测
误差 ,并根据所绘岭迹图求解岭参数 k,根据岭估计原理可确
1 研究地区概况
本研究采用 2002年 5月 24日美国 Landsat - 7陆地资源 卫星 TM 数据 ,其轨道号分别是 121 /23,覆盖了塔河县整个地 区 。塔河县位于黑龙江省北部 ,大兴安岭伊勒呼里山北坡 ,东 经 123°～125°,北纬 52°～53°,边境线长 171 km ,是我国重要 的木材生产基地和大兴安岭北部重要交通枢纽 。境内多低山 丘陵 ,地势西高东低 ,呼玛河 、盘古河 、西尔根河流经县境汇入 黑龙江 ,在黑龙江境内流长 75 km ,属寒温带大陆性季风气 候 ,冬季漫长而寒冷 ,夏季短暂而温热 ,全年的平均气温为 - 2～
以下自变量 :归一化差值植被指数 ND = TM ( 4 - 3) / TM ( 4 +
3) ( TM3指 TM 图像 3波段的像素灰度值 , TM4 - 3 指两个波
段的像素灰度值的差 , TM4 /3 指 TM 图像 4波段和 3 波段的
像素灰度值的商 ;其它依此类推 ) ;比值植被指数 RV I = TM4 /
2 研究方法
2. 1 外业调查
林下可燃物载量的测定是在样地内一条对角线上隔一定
距离机械设置 3块 2 m ×2 m 的小样方 ,测量每个样方内可燃
物和灌木的质量 ,同时取样带回实验室测定含水率 。
森林冠层高度的遥感估算：进展、挑战与未来方向
森林冠层高度的遥感估算：进展、挑战与未来方向在地球的陆地生态系统中，森林扮演着至关重要的角色。
森林冠层高度作为描述森林结构的关键参数之一，对于理解和监测森林生态系统的功能和健康状态至关重要。
近年来，随着遥感技术的发展，如何利用遥感数据高效、准确地获取森林冠层高度信息，已成为林业研究和森林管理中的热点问题。
遥感技术在森林监测中的应用遥感技术通过不同的传感器和平台，提供了一种大范围、快速获取森林信息的手段。
从早期的光学影像到现在的激光雷达（LiDAR）技术，遥感技术在森林监测中的应用不断深化。
光学影像由于受大气条件和季节变化的影响较大，往往难以获取森林的垂直结构信息。
而LiDAR技术能够穿透森林冠层，获取更为精确的森林高度和生物量信息。
LiDAR技术：穿透森林的“激光眼”LiDAR技术通过发射激光脉冲并接收其反射回来的信号，计算地面和植被的高度信息。
这项技术在森林垂直结构监测中显示出了巨大潜力。
然而，LiDAR数据的获取成本较高，且数据处理复杂，这限制了其在更大范围森林监测中的应用。
地理统计学：森林监测的得力助手为了克服LiDAR数据成本高和覆盖范围有限的问题，研究者们开始尝试将地理统计学方法与遥感数据相结合，以提高森林监测的效率和精度。
回归克里金（Regression Kriging, RK）技术就是其中一种有效的手段。
通过将遥感数据与地面实测数据相结合，RK技术能够在考虑空间自相关性的基础上，对森林冠层高度进行更为准确的估算。
森林冠层高度的不确定性量化在进行森林冠层高度估算时，不确定性的量化同样重要。
这不仅涉及到模型本身的精度，还包括数据采集、处理过程中的各种误差。
通过对不确定性的评估，可以更好地理解模型的可靠性，为森林管理提供更科学的决策支持。
未来展望：技术融合与智能化随着技术的不断进步，未来森林监测将朝着技术融合和智能化的方向发展。
无人机（UAV）搭载的小型化LiDAR设备、合成孔径雷达（SAR）以及更高分辨率的光学影像，将为森林监测提供更为丰富和精细的数据源。
应用PROSAIL模型对森林冠层叶面积指数遥感估测
面积指数 ［９］ ） 。 尽管该方法可以应用于各种植被类
第 １１ 期 何金有，等：应用 ＰＲＯＳＡＩＬ 模型对森林冠层叶面积指数遥感估测
型和背景环境，由于其需要的输入参数较多，并且模
精度进行验证。
型结构复杂，因此，目前使用该方法来反演叶面积指
ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ （ Ｒ２ ） ｏｆ ｔｈｅ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｅｓｔｉｍａｔｅｄ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ ｉｓ ０．３３３ ８． Ｔｈｅ ＰＲＯＳＡＩＬ ｍｏｄ⁃
ｅｌ ｈａｓ ａ ｈｉｇｈ ａｃｃｕｒａｃｙ ｉｎ ｉｎｖｅｒｔｉｎｇ ｔｈｅ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ， ａｎｄ ｔｈｅ ｅｓｔｉｍａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ＰＲＯＳＡＩＬ ｍｏｄｅｌ ａｒｅ ｃｏｎｓｉｓｔｅｎｔ ｗｉｔｈ
ｔａｎｃｅ， ａｎｄ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ｗａｓ ｕｓｅｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｃｏｓｔ ｆｕｎｃｔｉｏｎ． Ｔｈｅ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ ｗａｓ ｓｉｍｕｌａｔｅｄ ｂｙ ａｄｊｕｓｔｉｎｇ ｔｈｅ ｋｅｙ ｐａ⁃
ｒａｍｅｔｅｒ ｖａｌｕｅｓ ｏｆ ｔｈｅ ＰＲＯＳＡＩＬ ｍｏｄｅｌ ｗｉｔｈ ｈｉｇｈ ｓｅｎｓｉｔｉｖｉｔｙ． Ｔｈｅ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ （ ＡＮＮ） ｗａｓ ｕｓｅｄ ｔｏ ｍａｐ ｔｈｅ ｒｅｌａ⁃
Ｉｎ ｏｒｄｅｒ ｔｏ ｏｂｔａｉｎ ｔｈｅ ｌｅａｆ ａｒｅａ ｉｎｄｅｘ （ ＬＡＩ） ｏｆ ｆｏｒｅｓｔ ｃａｎｏｐｙ ｉｎ ａ ｔｉｍｅｌｙ ａｎｄ ａｃｃｕｒａｔｅ ｍａｎｎｅｒ， ｍｏｎｉｔｏｒ ｆｏｒｅｓｔ ｇｒｏｗｔｈ
地形因子对暖温带森林群落物种丰富度-地上生物量关系的影响
化 。以后在探讨森林群落物种 丰富度． 生产 力关 系时 ，地形 因子 的修正作用应该 受到重视 。
关键词 ：地形 因子 ；物种丰 富度 ；初级 生产 力 ；东灵 山
中 图 分 类 号 ：Ｑ ４ ９８ 文 献 标 志 码 ：Ａ 文 章 编 号 ： １７ —９ ６（ ０ ２）０。４ ３０ ６４５ ０ ２ １ ８１０ ５
题 ： （ ）局 域 尺 度 上 哪些 地 形 因子 影 响群 落 地 １ 上 生物量 的分配格局 ？其相对 贡献率是 多少？ （ ２）局 域尺 度上 哪些 地形 因子对 群 落物 种 丰 富度 有 影 响 ？其 相 对 贡 献 率 是 多 少 ？ （ ３）地 形 因子 是 如 何 修 正 地 上 生 物 量 ． 种 丰 富 度 两 者 关 系 物 的 ？ 以此 为 探 索 森林 物 种 丰 富 度 ． 产 力 关 系 提 生 供 理论 依 据 。
测 该地 区森林 格 局 的动 态 ，研 究森 林 的物种 共存 与 生物 多 样性 维 持 机制 ，为该 地 区森 林 恢复 提供 理论 依 据 。 …
本 研究 利用 东灵 山 ２ ｍ 地 的 ＤＥ 地 图 ０ｈ 样 Ｍ
形 、气 候 、群落形 成历史 及尺度等诸 多 因素的 影响 ［１ ３ ，这 使 两 者 的关 系 可 能 表 现 为单 调 、驼 － ９ 峰 等 多 种 类 型 ［ｌ 增 加 了 两 者 关 系 的 不 确 定 １， Ｏ
性 ，甚 至研 究 者 们 开始 质 疑物 种 丰 富度 与生 产 力 是 否存 在 一 定 的关 系Ｌ －１ 界 条 件对 物 种 丰 ３ １。外 —１３
富 度 ． 产 力 关 系 的修 正 效 应 已 是 两 者关 系 研 究 生 中的 一个 重 点 Ｌ １ 。在 草 地 生 态 系统 中 ，相 关 ２ ４ ， ］
基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法
江西农业学报㊀２０２１，３３（０２）：１１６ １２０ＡｃｔａＡｇｒｉｃｕｌｔｕｒａｅＪｉａｎｇｘｉ㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀ｈｔｔｐ：／／ｗｗｗ．ｊｘｎｙｘｂ．ｃｏｍＤＯＩ：１０．１９３８６／ｊ．ｃｎｋｉ．ｊｘｎｙｘｂ．２０２１．０２．１９基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法任枫荻，陈圣波∗，陈彦冰㊀㊀收稿日期：２０２０－０７－１３基金项目：吉林省省校共建计划专项；国家高分专项省（自治区㊁市）域产业化应用项目（７１－Ｙ４０Ｇ０４－９００１－１５／１８）㊂作者简介：任枫荻（１９９６─），女，吉林长春人，硕士研究生，研究方向为农业遥感㊂∗通信作者：陈圣波㊂（吉林大学地球探测科学与技术学院，吉林长春１３００２６）摘㊀要：以花粒期玉米为研究对象，利用美国ＰＬ高分辨率卫星遥感数据，对比６种常用植被指数与叶面积指数（ＬＡＩ）的相关性，最终选取ＥＶＩ㊁ＳＡＶＩ这两种植被指数，采用线性和非线性共６种回归模型，分别与实测玉米花粒期叶面积指数建立估算模型；通过判定系数（Ｒ２）筛选出最佳模型，并以均方根误差（ＲＭＳＥ）和相对误差（ＲＥ）作为验证指标判断所建模型的适用性㊂结果表明：利用ＳＡＶＩ植被指数所建立的二次曲线回归模型估算花粒期玉米叶面积指数的效果最佳㊂关键词：花粒期；玉米；植被指数；叶面积指数；估算中图分类号：Ｓ５１３．０１㊀文献标志码：Ａ㊀文章编号：１００１－８５８１（２０２１）０２－０１１６－０５ＥｓｔｉｍａｔｉｏｎＭｅｔｈｏｄｏｆＭａｉｚｅＬｅａｆＡｒｅａＩｎｄｅｘａｔＡｎｔｈｅｓｉｓＳｔａｇｅＢａｓｅｄｏｎＨｉｇｈ－ＲｅｓｏｌｕｔｉｏｎＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅＲＥＮＦｅｎｇ－ｄｉ，ＣＨＥＮＳｈｅｎｇ－ｂｏ∗，ＣＨＥＮＹａｎ－ｂｉｎｇ（ＣｏｌｌｅｇｅｏｆＧｅｏｅｘｐｌｏｒａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＪｉｌｉｎＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｃｈｕｎ１３００２６，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｔｈｅｍａｉｚｅａｔｔｈｅｆｌｏｗｅｒｉｎｇｓｔａｇｅｗａｓｔａｋｅｎａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ，ａｎｄｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｓｉｘｃｏｍｍｏｎｌｙｕｓｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｅｓａｎｄｌｅａｆａｒｅａｉｎｄｅｘ（ＬＡＩ）ｗａｓｃｏｍｐａｒｅｄｂｙｔｈｅＰＬｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｓａｔｅｌｌｉｔｅｒｅｍｏｔｅｓｅｎｓｉｎｇｄａｔａｏｆｔｈｅＵｎｉｔｅｄＳｔａｔｅｓ．Ｆｉｎａｌｌｙ，ｔｗｏｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｅｓｏｆＥＶＩａｎｄＳＡＶＩｗｅｒｅｓｅｌｅｃｔｅｄ，ａｎｄａｔｏｔａｌｏｆ６ｌｉｎｅａｒａｎｄｎｏｎｌｉｎｅａｒｒｅｇｒｅｓｓｉｏｎｓｗｅｒｅｕｓｅｄｔｏｅｓｔａｂｌｉｓｈａｎｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｗｉｔｈｔｈｅｍｅａｓｕｒｅｄｌｅａｆａｒｅａｉｎｄｅｘｏｆｃｏｒｎａｔｔｈｅａｎｔｈｅｓｉｓｓｔａｇｅ．Ｔｈｅｂｅｓｔｍｏｄｅｌｗａｓｓｅｌｅｃｔｅｄｔｈｒｏｕｇｈｔｈｅｊｕｄｇｍｅｎｔｃｏｅｆｆｉｃｉｅｎｔ（Ｒ２），ａｎｄｔｈｅｒｏｏｔｍｅａｎｓｑｕａｒｅｅｒｒｏｒ（ＲＭＳＥ）ａｎｄｒｅｌａｔｉｖｅｅｒｒｏｒ（ＲＥ）ｗｅｒｅｕｓｅｄａｓｔｈｅｖｅｒｉｆｉ⁃ｃａｔｉｏｎｉｎｄｉｃａｔｏｒｓｔｏｊｕｄｇｅｔｈｅａｐｐｌｉｃａｂｉｌｉｔｙｏｆｔｈｅｍｏｄｅｌ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｑｕａｄｒａｔｉｃｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌｅｓｔａｂｌｉｓｈｅｄｂｙＳＡ⁃ＶＩｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｗａｓｔｈｅｂｅｓｔｍｏｄｅｌｔｏｅｓｔｉｍａｔｅｔｈｅｍａｉｚｅｌｅａｆａｒｅａｉｎｄｅｘａｔａｎｔｈｅｓｉｓｓｔａｇｅ．Ｋｅｙｗｏｒｄｓ：Ａｎｔｈｅｓｉｓｓｔａｇｅ；Ｍａｉｚｅ；Ｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ；Ｌｅａｆａｒｅａｉｎｄｅｘ（ＬＡＩ）；Ｅｓｔｉｍａｔｉｏｎ０㊀引言叶面积指数（ＬｅａｆＡｒｅａＩｎｄｅｘ，ＬＡＩ）反映单位土地面积上植物叶片的总面积，是反映作物群体特征的重要指标，是表征植被冠层结构和反映植被长势的重要生理参数［１，２］㊂目前进行ＬＡＩ测量的方法有直接法和间接法两种㊂直接法是指使用仪器实地测量叶面积指数，结果较为准确，但是耗时耗力，并会造成叶片组织的损伤，且测量结果并不具有普遍代表性，因此，仅仅适用于部分地区的验证性测量㊂间接法是指采用遥感手段进行大范围的植被指数估算㊂遥感技术具有时空分辨率高㊁数据采集成本低以及可以实现大面积㊁宽领域㊁实时动态监测等优势［３－４］，为估算大范围植被的ＬＡＩ提供了有效的技术手段㊂利用间接法获取叶面积指数的模型方法分为经验模型和物理模型两类㊂经验模型是以ＬＡＩ为因变量，以光谱数据或其变换形式（例如植被指数）作为自变量建立的估算模型，是目前国内外利用遥感技术来估算叶面积指数的主要方法［５］㊂随着遥感卫星数据的普及，前人利用ＨＪ卫星影像生成了ＨＪＶＩ㊁ＮＤＶＩ㊁ＥＶＩ等７种数据，构造了夏玉米ＬＡＩ的估算模型［６］㊂还有人采用ＧＦ－１和Ｌａｎｄｓａｔ８遥感影像，开展了叶面积指数的估算研究［７］㊂根据遥感影像可以提取植被指数，建立植被指数与叶面积指数间的关系模型，从而估测ＬＡＩ㊂有学者对比研究了１０个常见植被指数与不同生育时期ＬＡＩ的相关性及预测性，筛选出预测ＬＡＩ的最佳植被指数和最优模型［８］㊂在众多植被指数中，利用ＥＶＩ建立的叶面积指数估算模型的精度优于同类植被指数模型［９］㊂对多种常见植被指数的估算效果进行简单的回归分析后得出，用ＥＶＩ估算ＬＡＩ是具有较高精度的［１０］㊂物理模型法需要利用大量的物理参数模拟农作物的生长过程，适用性比较好，多应用于农作物物理数据丰富㊁参数齐全情况下的ＬＡＩ建模㊂物理模型方法种类较多，利用ＰＲＯＳＡＬ辐射传输模型［１１］㊁建立神经网络估算模型［１２］㊁采用随机森林算法［１３］都可以准确估算所研究作物的ＬＡＩ㊂但由于物理模型法需要测量作物的许多生理物理参数用作输入，模型过于复杂，难以推广应用㊂目前遥感卫星影像具有高空间分辨率㊁高清晰度㊁信息量丰富及数据时效性强等优点，可以提供更多地物的细节信息，因此针对卫星数据的ＬＡＩ估算模型优选和真实性检验日益得到重视［１４］㊂前人对于估算玉米叶面积指数的研究多为整个玉米生长期的综合研究，而单独对某一时期针对性的研究较少，并且适于玉米不同生育期的叶面积指数估算模型应是不同的，鉴于此，我们主要对玉米花粒期的叶面积指数估算进行了研究㊂本研究基于吉林省中部地区玉米花粒期的多种植被指数与实测ＬＡＩ数据，提取相关性较好的植被指数，进行线性和非线性相关分析，构建回归分析模型，最终对模型进行了验证分析，检验所建模型的适用性和可靠性㊂１㊀研究区域和数据源１．１㊀研究区域概况本研究的５个实验地区位于吉林省中部，其在吉林省的位置如图１㊂吉林省平均每年日照时数为２２５９ ３０１６ｈ，年平均降水量为４００ ６００ｍｍ，冬季平均气温在－１１ħ以下，夏季平原平均气温在２３ħ以上㊂吉林省具有优质的土壤和丰富的土地资源，光㊁热㊁水分条件可以满足作物生长需要，农作物以玉米为主㊂根据吉林省玉米生长时期和气候条件，玉米于５月初播种，８月上旬进入玉米的花粒期，９月下旬逐步进入成熟期㊂图１㊀研究区的相对位置图１．２㊀影像数据源本文所用的卫星遥感数据来自美国ＰｌａｎｅｔＬａｂｓ遥感卫星群，ＰｌａｎｅｔＬａｂｓ（ＰＬ）影像有蓝（４８５ｎｍ）㊁绿（５４５ｎｍ）㊁红（６３０ｎｍ）㊁近红外（８２０ｎｍ）４个标准光谱波段，空间分辨率为３ｍ㊂本文采用的遥感影像数据对应地区和日期分别是蛟河市２０１９年９月１１日㊁永吉县２０１９年８月２８日和２０１９年９月１４日㊁舒兰市２０１９年９月１日㊁德惠市２０１９年９月１日和２０１９年９月１１日，以及农安县２０１９年９月１１日㊂１．３㊀实测数据本研究采用地面安装的农情监测设备传输的数据，数据于２０１９年８月１７日开始采集，于２０１９年９月１７日结束采集㊂农情监测设备分布在５个实验地区的玉米地块内㊂该设备可在每１个样点测量记录作物的株高㊁冠层大小㊁叶片面积等物候７１１㊀２期㊀㊀㊀㊀㊀㊀㊀㊀㊀任枫荻等：基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法信息，后期设备传输的数据计算出叶面积指数，作为该样点的有效ＬＡＩ值㊂同时利用ＧＰＳ定位仪记录每１个设备位置的经纬度㊂２㊀研究方法针对ＰＬ卫星遥感数据，应用ＥＮＶＩ５．３软件计算出多种广泛使用的植被指数，结合实验地区玉米的地面实测ＬＡＩ数据，利用ＳＰＳＳＳｔａｔｉｓｔｉｃｓ２０软件采用多种回归模型进行ＬＡＩ估算，对比不同模型的输出结果，并分析不同模型的估算精度，最后筛选出最佳估算模型㊂２．１㊀植被指数的选取植被指数（ＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ，ＶＩ）是用两个或多个波长范围内的地物反射率进行线性或非线性组合运算，产生某些对植被长势㊁生物量等有一定指示意义的专题数值［１５］㊂本文在建立ＬＡＩ－ＶＩ关系时，为了探讨不同因素对于估算ＬＡＩ的影响，选取了比较常见且被广泛使用的植被指数：增强植被指数ＥＶＩ［１６］㊁归一化植被指数ＮＤＶＩ［１７］㊁比值植被指数ＲＶＩ［１８］㊁优化土壤调节植被指数ＯＳＡＶＩ［１９］以及土壤调节植被指数ＳＡＶＩ［２０］，以ＬＡＩ为因变量，以不同类型的植被指数为自变量，建立ＬＡＩ估算回归模型㊂在进行回归分析之前，首先在ＳＰＳＳＳｔａｔｉｓｔｉｃｓ２０软件中依次分析选取的植被指数与ＬＡＩ之间的相关关系㊂依据统计学中的相关规定，当相关系数的绝对值在０．６ ０．８时为强相关㊂本文分析了各类植被指数与实测叶面积指数间的相关性㊂由表１可知，玉米的ＬＡＩ与各植被指数间的相关系数均高于０．６，说明这几种植被指数均与ＬＡＩ呈强相关，其中ＥＶＩ与ＬＡＩ的相关性最强，ＳＡＶＩ与ＬＡＩ的相关性较强，因此本文只选取增强植被指数ＥＶＩ和土壤调节植被指数ＳＡＶＩ进行研究㊂选取的植被指数对玉米ＬＡＩ的变化较灵敏，适合构建经验回归模型㊂其中，ＥＶＩ对基础数据进行了全面的大气校正，并对土壤背景的影响作了处理，因此它是综合处理土壤㊁大气㊁饱和问题的植被指数，是对ＮＤＶＩ的继承和改进㊂另一植被指数ＳＡＶＩ的提出主要是用来减少植被指数对不同土壤反射变化的敏感性，有效地降低了土壤背景的影响，改善了植被指数与叶面积指数间的关系㊂２．２㊀植被指数回归模型的构建将玉米实测ＬＡＩ与ＥＶＩ和ＳＡＶＩ这２种植被指数进行相关分析后，分别应用线性㊁对数㊁二次曲线㊁幂函数㊁Ｓ曲线以及指数形式模型与对应的ＬＡＩ进行回归拟合，利用判定系数Ｒ２筛选出拟合ＬＡＩ精度最高的回归模型㊂判定系数的结果如表２所示㊂表１㊀植被指数与ＬＡＩ间的相关系数植被指数相关系数ＥＶＩ０．７３７ＮＤＶＩ０．６０９ＲＶＩ０．６８３ＯＳＡＶＩ０．６９３ＳＡＶＩ０．７２８表２㊀不同回归模型的判定系数回归模型自变量ＥＶＩＳＡＶＩ线性模型０．４８００．４０８对数模型０．３９１０．３１８二次曲线模型０．８２４０．９６３幂函数模型０．３８７０．３１２Ｓ曲线模型０．２９６０．２３２指数模型０．４７６０．４０１㊀㊀从表２中可以看出：两种植被指数作自变量时拟合效果最好的模型均是二次曲线模型，其次是线性模型；两种植被指数相对比，采用以ＳＡＶＩ作自变量的二次曲线模型的拟合效果又优于以ＥＶＩ作自变量的二次曲线模型㊂所以在这６种模型中，玉米ＬＡＩ拟合效果最佳的回归模型是以ＳＡＶＩ作自变量的二次曲线模型㊂各植被指数最优的回归方程如图２所示㊂３㊀结果与分析由表２可以看出，在ＬＡＩ－ＶＩ二次曲线回归模型建立中，二次曲线回归模型的Ｒ２都大于０．５，具有较好的拟合效果㊂本文选取５个实测的玉米ＬＡＩ数据作为回归模型的建模样本，用剩余的两个数据作为验证数据，并利用最优回归模型计算出样本点的估测ＬＡＩ值㊂３．１㊀模型估算结果用于验证的两个ＬＡＩ数据分别为４．４７６和４．５２４㊂对第１个验证数据，利用ＥＶＩ建立的模型估测的ＬＡＩ值为４．５８１，用ＳＡＶＩ建立的模型估测的ＬＡＩ值为４．５６５；对第２个验证数据，利用ＥＶＩ建立的模型估测的ＬＡＩ值为４．６８０，用ＳＡＶＩ建立的模型估测的ＬＡＩ值为４．６４７㊂说明用ＳＡＶＩ估算的玉米ＬＡＩ值比其他植被指数的估算结果更加接近于地面实测的ＬＡＩ值㊂８１１江㊀西㊀农㊀业㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀３３卷３．２㊀精度验证结果本文采用均方根误差（ＲｏｏｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒ，ＲＭＳＥ）和相对误差（ＲｅｌａｔｉｖｅＥｒｒｏｒ，ＲＥ）这两个指标对所建立的回归模型进行精度验证㊂其中ＲＭＳＥ是衡量观测值与真实值之间的偏差，常用来作为模型预测结果衡量的标准㊂而ＲＥ指测量所造成的绝对误差与被测量真值之比乘以１００％所得的数值，以百分数表示㊂一般来说，ＲＥ更能反映测量的可信程度㊂精度验证结果：以ＥＶＩ建立的回归模型验证的ＲＭＳＥ为０．１３３，ＲＥ为２．８９６％；基于ＳＡＶＩ回归模型验证的ＲＭＳＥ为０．１０７，ＲＥ为２．３５２％㊂在物理意义上当ＲＥ小于５％时证明所建模型的估测精度较高，因此这两个模型的估测精度均较高㊂各植被指数模型的ＲＭＳＥ值都小于０．３，说明各模型的估测精度均较高，其中ＳＡＶＩ模型的ＲＭＳＥ最低，只有０．１０７，故此模型的估测效果最好㊂因此，在吉林省中部的这５个地区可以利用ＳＡＶＩ植被指数所建立的二次曲线回归模型来估算花粒期玉米的叶面积指数㊂ａ为ＥＶＩ估算的最佳回归方程㊂ｂ为ＳＡＶＩ估算的最佳回归方程㊂图２㊀ＥＶＩ和ＳＡＶＩ估算ＬＡＩ的最佳回归方程４㊀小结与讨论本次研究以吉林省中部５个地区为研究区，选取５种常用植被指数进行分析，根据相关系数筛选相关性较好的两种植被指数ＳＡＶＩ和ＥＶＩ，分别建立６种线性与非线性统计回归模型，最终利用判定系数指标来选取估算叶面积指数的最优回归模型㊂结果表明，拟合精度最高的模型是以ＳＡＶＩ为自变量的二次曲线回归模型，其估算值与地面实测值较为一致，这进一步为农作物遥感理论研究和应用提供了理论依据㊂本研究结果如下：５种常用植被指数与ＬＡＩ间的相关系数均大于０．６，其中ＳＡＶＩ和ＥＶＩ与ＬＡＩ间的相关系数居前２位；在以ＳＡＶＩ和ＥＶＩ这２个植被指数作自变量所建立的１２种模型中，采用以ＳＡＶＩ作自变量的二次曲线模型估算花粒期玉米叶面积指数的效果最佳，其方程式为ｙ＝１７．９８６ｘ２－１４．１０９ｘ＋７．３２４，相关系数为０．７２８，相对误差为２．３５２％，均方根误差为０．１０７，其拟合精度和适用性较强，可用于获取高精度的玉米ＬＡＩ信息㊂参考文献：［１］翟羽娟．基于高光谱影像的玉米ＬＡＩ估算模型研究［Ｊ］．江西农业学报，２０１５，２７（１０）：５８－６１．［２］刘新杰，魏云霞，焦全军，等．基于时序定量遥感的冬小麦长势监测与估产研究［Ｊ］．遥感技术与应用，２０１９，３４（４）：７５６－７６５．［３］郭云开，刘雨玲，张晓炯，等．利用辐射传输模型和随机森林回归估算ＬＡＩ［Ｊ］．测绘工程，２０１９，２８（６）：１７－２１，２９．［４］李晓彤，覃先林，刘树超，等．基于ＧＦ－１ＷＦＶ数据森林叶面积指数估算［Ｊ］．国土资源遥感，２０１９，３１（３）：８０－８６．［５］郭琳，裴志远，张松龄，等．基于环境星ＣＣＤ图像的甘蔗叶面积指数估算方法［Ｊ］．农业工程学报，２０１０，２６（１０）：２０１－２０５．［６］刘珺，庞鑫，李彦荣，等．夏玉米叶面积指数遥感估算研究［Ｊ］．农业机械学报，２０１６，４７（９）：３０９－３１７．［７］徐晓雨，孙华，王广兴，等．基于ＧＦ－１与Ｌａｎｄｓａｔ－８的康保县叶面积指数遥感估算研究［Ｊ］．中南林业科技大学学报，２０１８，３８（１）：４３－４８．［８］谭昌伟，黄义德，黄文江，等．夏玉米叶面积指数的高光谱遥感植被指数法研究［Ｊ］．安徽农业大学学报，２００４，３１（４）：３９２－３９７．［９］张瀛，孟庆岩，武佳丽，等．基于环境星ＣＣＤ数据的环境植被指数及叶面积指数估算研究［Ｊ］．光谱学与光谱分９１１㊀２期㊀㊀㊀㊀㊀㊀㊀㊀㊀任枫荻等：基于高分辨率遥感影像的花粒期玉米叶面积指数估算方法析，２０１１，３１（１０）：２７８９－２７９３．［１０］ＬｉｕＪ，ＥｌｉｚａｂｅｔｈＰ，ＧｕｉｌｌａｕｍｅＪ．ＡｓｓｅｓｓｍｅｎｔｏｆｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓｆｏｒｒｅｇｉｏｎａｌｃｒｏｐｇｒｅｅｎＬＡＩｅｓｔｉｍａｔｉｏｎｆｒｏｍＬａｎｄｓａｔｉｍａｇｅｓｏｖｅｒｍｕｌｔｉｐｌｅｇｒｏｗｉｎｇｓｅａｓｏｎｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２０１２，１２３（８）：３４７－３５８．［１１］张明政，苏伟，朱德海．基于ＰＲＯＳＡＩＬ模型的玉米冠层叶面积指数及叶片叶绿素含量估算方法研究［Ｊ］．地理与地理信息科学，２０１９，３５（５）：２８－３３．［１２］宋开山，张柏，王宗明，等．基于人工神经网络的大豆叶面积高光谱估算研究［Ｊ］．中国农业科学，２００６，３９（６）：１１３８－１１４５．［１３］刘振波，邹娴，葛云健，等．基于高分一号ＷＦＶ影像的随机森林算法估算水稻ＬＡＩ［Ｊ］．遥感技术与应用，２０１８，３３（３）：４５８－４６４．［１４］陆坤，孟庆岩，孙云晓，等．基于ＧＦ－２卫星数据的孕穗期小麦叶面积指数估算：以河北省廊坊市为例［Ｊ］．国土资源遥感，２０１８，３０（１）：１９６－２０２．［１５］骆社周，程峰，王方建，等．基于ＴＭ遥感数据的西藏林芝地区叶面积指数估算［Ｊ］．遥感技术与应用，２０１２，２７（５）：７４０－７４５．［１６］ＨｕｅｔｅＡＲ，ＤｉｄａｎＫ，ＭｉｕｒａＴ，ｅｔａｌ．Ｏｖｅｒｖｉｅｗｏｆｔｈｅｒａ⁃ｄｉｏｍｅｔｒｉｃａｎｄｂｉｏｐｈｙｓｉｃａｌｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅＭＯＤＩＳｖｅｇ⁃ｅｔａｔｉｏｎｉｎｄｉｃｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００２，８３：１９５－２１３．［１７］ＲｏｕｓｅＪＷ，ＨａｓｓＲＨ，ＳｃｈｅｌｌＪＡ，ｅｔａｌ．Ｍｏｎｉｔｏｒｉｎｇｔｈｅｖｅｒｎａｌａｄｖａｎｃｅｍｅｎｔｏｆｒｅｔｒｏｇｒａｄａｔｉｏｎｏｆｎａｔｕｒａｌｖｅｇｅｔａｔｉｏｎ［Ｃ］／／ＮＡＳＡＧＳＦＣ．ＴｙｐｅⅢ，ＦｉｎａｌＲｅｐｏｒｔ，Ｇｒｅｅｎｂｅｌｔ，ＭＤ，ＵＳＡ，１９７４：１－３７１．［１８］ＲｏｎｄｅａｕｘＧ，ＳｔｅｖｅｎＭ，ＢａｒｅｔＦ．Ｏｐｔｉｍｉｚａｔｉｏｎｏｆｓｏｉｌ－ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｉｃｅｓ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉ⁃ｒｏｎｍｅｎｔ，１９９６，５５：９５－１０７．［１９］ＨｕｅｔｅＡＲ．Ａｓｏｉｌ－ａｄｊｕｓｔｅｄｖｅｇｅｔａｔｉｏｎｉｎｄｅｘ（ＳＡＶＩ）［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，１９８８，２５（３）：２９５－３０９．（责任编辑：黄荣华）０２１江㊀西㊀农㊀业㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀３３卷。
遥感测绘论文题目GIS测绘学论文题目测绘工程论文题目选题大全毕业论文开题报告参考文献
耕地土壤有机质与速效氮磷钾含量高光谱遥感反演研究 经验模态分解在高光谱遥感数据处理中的应用 面向对象的高分辨率遥感影像的分割与分类研究 多极化星载 SAR 森林覆盖变化检测方法研究 多特征融合的遥感影像变化检测方法研究 近 30 年上海海岸带土地利用变化分析与建模预测 基于矩阵对数累积量和非局部均值方法的极化 SAR 噪声抑制 基于高光谱数据的最大羧化速率遥感定量反演 高分辨率遥感影像道路网提取及变化检测 基于高分辨率遥感影像的城区建筑物提取方法研究 基于高分辨率遥感影像的团场小城镇土地利用变化分析与预测研究 面向对象的草原植被参数反演方法及应用 基于多特征的面向对象高分辨率遥感图像分类 定标缺失情况下的高光谱图像分类研究 基于多波段多极化 SAR 数据的草原地表土壤水分反演方法研究 粒子群优化算法在多时相遥感影像变化检测中的应用研究 基于 Sentinel-1 和 Landsat 8 数据的潮间带盐沼湿地分类研究 高分辨率遥感影像面向对象的绿地信息提取方法研究 基于 HJ-1A HSI 高光谱遥感数据的湟水流域典型植被分类 多源遥感图像融合技术研究 基于 CVA 与光谱解混的高光谱图像变化检测研究 小麦茎基腐与全蚀病高光谱遥感识别研究 基于 Sentinel-1 的近岸海表风场反演研究 雷达卫星 TerraSAR-X 精准测距高原湿地水位反演研究 基于数据挖掘技术的航摄影像土地利用变化检测研究 基于深度神经网络的遥感图像变化检测 基于多空间分辨率遥感数据的山区土地利用/土地覆被分类及变化检测 基于图谱理论的遥感图像分类方法研究 高光谱遥感协同处理黑刺沟岩矿蚀变信息方法研究 基于多核学习的高光谱遥感影像分类方法研究
遥感测绘论文题目 GIS 测绘学论文题目测绘工程论文题目选
题大全毕业论文开题报告参考文献 目录
一、选题技巧............................................................................................................................................1 二、热词分布............................................................................................................................................2 三、测绘学论文题目大全....................................................................................................................... 2 四、知网万方等如何利用................................................................................................................... 104
武汉大学遥感技术与应用历年真题及答案解析(适应于资环院人文地理学和自然地理学专业)
学长学姐们对大家网上购买资料的几点忠告
1、考研不易，资料的作用显而易见，只要经济允许，大家还是要找个信得过的 提供者。 2、买资料注意，首先，一定要和对方聊聊，看对方是什么出身，如果一个人连 地域分异规律、新仙女木事件、中心地理论、空间分析、遥感影像分辨率都不知 道是什么，那他是无法保证质量的。有时候，对方会狡辩说是找人编写的，那大 家扪心自问下，如果有人出钱让你编资料，但对方对这块也不懂，也就是说质量 上是没人把关的，你会十二分的用心吗？其次，要让对方截图，任意指定版块进 行截图，很多资料描述的都很美，但实际拿到后会大失所望。随机性的截图可以 避免这一点。 3、考研是个过程，买资料只是第一步。后续专业课备考和解答、面试技巧等内 容也都是很重要的。 而一个地学门外汉的卖家， 显然他是很难给大家提供这些的。 4、资料一直是动态更新的过程。每年的出题都会有新变化、新特点。如武大遥 感院，以前从来没考过定量遥感和混合象元相关内容，但2012年考了，并且以 后还有可能会侧重遥感新技术的考察，所以资料每年也应该是不断更新的，这样 才能把握最新出题趋势、保证资料的全面性。如果有人无法给大家提供当年最新 资料，比如真题答案只到2012年份，这就要小心了。
2、资料使用方法
1）非地理相关专业，流程如下 a、提早进行专业课复习，前期可通阅《遥感概论》彭望禄等遥感基础书籍，获取遥感基本概念； b、书本全面，但笔记明确了重点和考点，所以根据笔记对应权重，结合课本，逐章节掌握《遥感导论》 各 章节内容，进一步普及遥感常识和概念。时间允许，可多进行几遍； c、理解本资料《学长学姐们对科目的总结》和《历年真题答案》版块； d、自己尝试做历年真题答案；与本资料提供的答案进行比较，再次记忆并总结答题思路； e、熟记历年真题答案，笔记部分的重点部分，特别是专业术语要完全记忆（用以专业化答题和表达） ； f、临考前，了解附录中遥感趋势、发展现状、卫星基本情况等资料； 2）地理相关专业，除去 a 步骤即可；
森林地上生物量遥感估算研究进展
森林地上生物量遥感估算研究进展一、本文概述Overview of this article随着全球生态环境问题的日益突出，对森林地上生物量的准确估算已成为生态学、林学和地球科学等领域的研究热点。
森林地上生物量是指森林生态系统中乔木层、灌木层、草本层等所有地上部分的生物量总和，其估算对于理解森林生态系统的碳循环、能量流动以及生物多样性保护等方面具有重要意义。
遥感技术以其高效、快速、无损的特点，在森林地上生物量估算中发挥了越来越重要的作用。
本文旨在对森林地上生物量遥感估算的研究进展进行全面梳理和评价，以期为未来的研究提供借鉴和参考。
With the increasingly prominent global ecological and environmental issues, accurate estimation of forest aboveground biomass has become a research hotspot in fields such as ecology, forestry, and earth science. Forest aboveground biomass refers to the total biomass of all aboveground parts of a forest ecosystem, including the tree layer, shrub layer, and herbaceous layer. Its estimation is ofgreat significance for understanding the carbon cycle, energy flow, and biodiversity conservation of forest ecosystems. Remote sensing technology has played an increasingly important role in estimating aboveground biomass in forests due to its efficient, fast, and non-destructive characteristics. This article aims to comprehensively review and evaluate the research progress of remote sensing estimation of forest aboveground biomass, in order to provide reference and inspiration for future research.文章首先回顾了遥感技术在森林地上生物量估算中的应用历程，分析了不同遥感数据源和方法在生物量估算中的优缺点。
森林资源监测与评估技术考核试卷
8.森林火灾的监测完全依赖于遥感技术。（）
9.森林资源评估结果可以直接用于森林资源的市场交易。（）
10.无人机航拍技术不适合大规模的森林资源监测。（）
五、主观题（本题共4小题，每题10分，共40分）
1.请简述森林资源监测的主要目的和意义，并列举至少三种常用的监测方法。
D.评估结果不能用于森林资源管理
16.下列哪种技术可用于获取森林资源的三维信息？（）
A.多光谱遥感
B.红外遥感
C. LiDAR
D.无人机航拍
17.在森林资源监测中，以下哪个环节不需要使用遥感技术？（）
A.数据获取
B.数据处理
C.成果展示
D.野外实地调查
18.下列哪种方法不适合评估森林的生态价值？（）
一、单项选择题
1. D
2. A
3. D
4. D
5. C
6. B
7. D
8. B
9. D
10. C
11. C
12. D
13. A
14. B
15. C
16. C
17. D
18. A
19. D
20. C
二、多选题
1. ABC
2. ABCD
3. ABCD
4. ABC
5. ABCD
6. ABCD
7. ABCD
5.科学性动态性可比性
6.高度结构生物量
7.遥感技术气象数据分析人工巡护
8.直接市场法替代成本法生态服务功能法
9.预处理解译成果输出
10.森林资源现状森林资源变化趋势森林资源利用历史
四、判断题
1. ×
2. ×
3. √
无人机航空摄影遥感湿地植物生物量的估测方法[发明专利]
![无人机航空摄影遥感湿地植物生物量的估测方法[发明专利]](https://img.taocdn.com/s3/m/bcf1e03849649b6649d74759.png)
专利名称：无人机航空摄影遥感湿地植物生物量的估测方法专利类型：发明专利
发明人：张志明,杨琅,王彬,耿宇鹏,李泞吕,姚扬,金海珍,杨天翔
申请号：CN201711248362.2
申请日：20171201
公开号：CN108007438A
公开日：
20180508
专利内容由知识产权出版社提供
摘要：本发明公开了一种无人机航空摄影遥感湿地植物生物量的估测方法，采用无人机作为遥感摄影平台，通过无人机连续拍摄待估测湿地的影像，同时对待估测湿地植物生物量样本进行实地采集并计算生物量，利用数字摄影测量技术对待估测湿地影像进行处理，获取高分辨率的待估测湿地地面正射影像；进而建立待估测湿地地表植物群落高度变化模型影像和可见光植被指数模型影像；根据采样点植物生物量、地表植物群落高度值和可见光植被指数值，建立植物生物量与植物群落高度、可见光植被指数VDVI的回归模型，通过回归模型对湿地植物生物量进行估测；本发明方法能快速估测出大面积的湿地植物的生物量，大大提高了工作效率和质量，并且更准确，成本更低。
申请人：云南大学
地址：650091 云南省昆明市翠湖北路2号
国籍：CN
代理机构：昆明大百科专利事务所
代理人：苏芸芸
更多信息请下载全文后查看。
基于Landsat的香格里拉市高山松地上生物量动态研究
第48卷第6期 林 业 调 查 规 划Vol.48 No.6 doi:10.3969/j.issn.1671⁃3168.2023.06.002基于Landsat的香格里拉市高山松地上生物量动态研究罗利彬1,张加龙2(1.迪庆州林草种苗和国有林场管理工作站,云南迪庆674499;2.西南林业大学,云南昆明650224)摘要:采用不同时期的Landsat5TM卫星遥感影像数据和1987—2007年5期云南省香格里拉市森林资源连续清查样地调查数据,通过数据筛选,应用随机森林算法(RF)、梯度提升回归树算法(GBRT)等相关性分析模型,估测1987—2007年间云南省香格里拉市高山松地上生物量动态变化规律。
结果表明,GBRT算法的估测模型效果最好,决定系数R2为0.99,预估精度P为70.07%;RF算法次之,决定系数R2为0.89,预估精度P为66.10%。
1987—2007年的20年间,香格里拉高山松地上生物量总量经历了先减又增的过程,1987、1992、1997、2002、2007年地上生物量分别为1023.29、1022.38、1011.73、1018.02、1019.33万t。
但截至2007年,高山松地上生物量仍然未恢复到1987年水平。
结合20年的林业发展过程,对高山松地上生物量动态变化原因进行简要分析,对后续研究提出了建议。
关键词:高山松;地上生物量;动态变化;梯度提升回归树算法(GBRT);香格里拉市中图分类号:S791.2594;S718.556;S771.8 文献标识码:A 文章编号:1671-3168(2023)06-0007-06引文格式:罗利彬,张加龙.基于Landsat的香格里拉市高山松地上生物量动态研究[J].林业调查规划,2023,48(6):7-12.doi:10.3969/j.issn.1671⁃3168.2023.06.002LUO Libin,ZHANG Jialong.Aboveground Biomass Dynamics of Pinus densata in Shangri-La Based on Landsat[J].Forest Inventory and Planning,2023,48(6):7-12.doi:10.3969/j.issn.1671⁃3168.2023.06.002Aboveground Biomass Dynamics of Pinus densata inShangri-La Based on LandsatLUO Libin1,ZHANG Jialong2(1.Deqen Administration of Forest and Grass Seedling and State-owned Forest Farm,Deqen,Yunnan674499,China;2.Southwest Forestry University,Kunming650224,China)Abstract:Based on Landsat5TM satellite remote sensing image data from different periods and forest re⁃source inventory data of five periods from1987to2007in Shangri-La City,Yunnan Province,the dy⁃namic change law of aboveground biomass of Pinus densata in Shangri-La was estimated by using correla⁃tion analysis models such as random forest algorithm(RF)and gradient boost regression tree algorithm (GBRT).The results showed that the estimation model of GBRT algorithm had the best effect,with the determination coefficient R2of0.99and the estimation accuracy P of70.07%;secondly,RF algorithm, the determination coefficient R2was0.89,and the prediction accuracy P was66.10%.In the past twen⁃ty years,the total aboveground biomass of Pinus densata in Shangri-La experienced a process of first de⁃creasing and then increasing,with10.2329million tons,10.2238million tons,10.1173million tons,收稿日期:2022-06-23;修回日期:2022-12-27.第一作者:罗利彬(1987-),男,云南迪庆人,硕士,工程师.从事森林保护、林草种苗管理工作.Email:447332433@责任作者:张加龙(1981-),男,云南昆明人,博士,教授.主要研究方向为基于遥感的森林生物量建模、土地利用与覆盖变化、森林覆盖分类、森林资源信息管理、时空GIS等.Email:38398764@10.1802million tons and10.1933million tons in1987,1992,1997,2002and2007respectively.But by2007,the aboveground biomass of Pinus densata had not yet recovered to the level of1987.Based on the20-year forestry development process,this paper analyzed the reasons for the dynamic changes in aboveground biomass of Pinus densata,and put forward suggestions for further research.Key words:Pinus densata;aboveground biomass;dynamic changes;gradient boost regression tree algo⁃rithm;Shangri-La City 森林生物量是衡量森林生态系统物质积累与物质循环的重要指标。
遥感技术在森林资源清查与评估中的应用考核试卷
13. A
14. D
15. A
16. A
17. A
18. A
19. D
20. C
二、多选题
1. ABCD
2. ABCD
3. AB
4. ABC
5. B
6. AD
7. ABCD
8. ABCD
9. ABC
10. ABCD
11. ABCD
12. BD
13. ABCD
14. AD
15. ABC
16. ABC
C.实时性监测
D.能够评估树木个体年龄
9.使用遥感技术进行森林火灾监测通常采用哪种传感器？（）
A.可见光传感器
B.红外传感器
C.微波传感器
D.光学传感器
10.以下哪种方法不常用于遥感图像中森林资源的分类？（）
A.监督分类
B.非监督分类
C.神经网络分类
D.遗传算法分类
11.遥感技术中，哪个参数可以用来评估森林生物量？（）
17. ______
18. ______
19. ______
20. ______
三、填空题（本题共10小题，每小题2分，共20分，请将正确答案填到题目空白处）
1.在遥感技术中，用于描述遥感图像中每个像素亮度值的参数称为______。（）
2.森林资源清查中，通常使用______遥感数据来进行植被分类和生物量估算。（）
2.遥感技术通过探测热辐射异常来监测森林火灾。优势在于快速大面积监测，实时性强，减少人员风险，可追踪火势蔓延。
3.遥感数据通过植被指数、LiDAR高度信息等估算生物量。常用模型有物理模型和统计模型，如经验模型和机器学习模型。
4.数据融合将不同传感器数据结合，提高信息量和精度。方法有像素级、特征级和决策级融合。优点是提高信息利用率，缺点是增加数据处理复杂性和成本。
遥感技术在森林资源清查与监测中的应用考核试卷
B.火灾范围的估算
C.火势蔓延速度的预测
D.火灾危险区域的评估
7.以下哪些指数可以用于森林健康状态的评估？（）
A. NDVI
B. EVI
C. SAVI
D. BIOME-BGC模型
8.在遥感影像分类中，以下哪些方法可以用于特征提取？（）
A.主成分分析
B.纹理分析
C.波段组合
D.光谱变换
1.遥感技术在森林资源清查中的应用主要包括哪些方面？（）
A.森林覆盖面积的估算
B.森林生物量的计算
C.森林火灾的监测
D.森林病虫害的预测
2.下列哪些因素会影响遥感影像的质量？（）
A.摄影时的光照条件
B.遥感传感器的高度
C.地球的曲率
D.森林植被的密度
3.以下哪些遥感传感器可用于森林资源的立体监测？（）
A.自动化处理技术
B.机器学习算法
C.云计算服务
D.人工目视解译
17.以下哪些遥感技术可以用于森林土壤湿度监测？（）
A.微波遥感
B.热红外遥感
C.光学遥感
D.雷达遥感
18.在森林资源遥感监测中，以下哪些指标可以反映森林生态系统的生产力？（）
A.植被指数
B.光合有效辐射
C.地表温度
D.土壤湿度
19.以下哪些因素可能会影响遥感技术在森林病虫害监测中的应用效果？（）
A.数据同化
B.数据滤波
C.数据融合
D.数据插值
16.遥感监测中，哪一项技术可以用于提高森林资源监测的空间分辨率？（）
A.超分辨率技术
B.亚像元分解技术
C.遥感影像分类技术
D.遥感影像镶嵌技术
17.关于雷达遥感在森林监测中的应用，以下哪项描述是错误的？（）
无人机遥测技术在黄河滩区植被群落监测中的需求分析与引进模式探讨
仅依靠传统的方法和技术手段对黄河生态修复建 设进行规划和设计，就会出现对实际情况掌握有偏 差，对一些规划编制基础资料掌握不够详细，不够准 确，从而导致规划设计可能出现不合理的现象。利用 无人机和遥感技术可快速准确获取影像数据， 再通过 计算机及后期的软件处理，可实现水文水资源、地形 地貌、植被、土地利用类型等自然环境地表信息的提 取，为黄河(开封段)生态修复规划、设计、建设提 供第一手前期调研基础资料数据，以便于更好地进行 森林景观三维重建、植被物候变化分析和树种分 类⑷，增强林业生态工程的预见性、计划性和目标 性，为更好地编制立地类型表、林业生态工程典型设 计和森林经营类ቤተ መጻሕፍቲ ባይዱ表提供可靠的数据支撑。
算法自动识别树冠以及树木周围地面点高程估测树木 高度，且树高估测误差较小基于无人机可以获取 林冠幅度面积、胸径、林分树高等数据信息，通过建 立树冠面积和地上生物量回归模型，可精确算出单木 地上生物量， 间接得到总生物量。 2.2.4滩区植被病虫害监测
黄河(开封段)滩区高滩以林木为主，中低滩除 了湿地以水草为主外，大面积都种植农作物，包括小 麦、油菜、豌豆、花生等。无论哪种生态系统每年都 面临着病虫害的侵扰，因此滩区植被病虫害监测特别 是农林作物是滩区植被病虫害防治的基础。 病虫害发 生期，受影响的农林作物会表现出相应的病理变化, 如黑斑、叶枯、萎蔫、倒伏、黄化以及冠层异常反射 特征变化等。对于这些病虫害监测通常采用地面人工 调查方法，费时费力费钱，采用无人机遥感通过搭载 高分辨率相机和多种传感器，可精确及时地捕捉到这 些异常影像，及时采取治疗措施，既达到了防治效果 又节约了人力资源。 2.3为林业生态工程规划和设计提供数据支撑
东北地区两个主要树种地上生物量通用方程构建
东北地区两个主要树种地上生物量通用方程构建符利勇;唐守正;张会儒;张则路;曾伟生【摘要】目前,东北落叶松地上生物量方程主要采用分树种或把不同树种归为一体的方法,但是,既能反映落叶松生物量与自变量的平均关系,又能反映不同树种间生物量差异程度的通用性落叶松生物量方程迄今尚未构建.因此,以东北地区兴安落叶松和长白落叶松地上生物量数据为研究对象,构建一元(自变量为胸径)、二元(自变量为胸径和树高)和三元(自变量为胸径、树高和冠幅)的不同树种生物量通用方程.由于起源和地域的不同,生物量可能会存在一定程度差异,进而,在所构建的不同树种生物量通用方程的基础上,考虑起源和地域的差异,利用哑变量方法构建既能考虑不同树种又能考虑林分起源和不同地域的东北落叶松地上生物量通用方程,并利用加权最小二乘法剔除方程异方差.结果表明:通过哑变量方法构建不同树种生物量模型方法可行;不论是传统的生物量方程,还是只考虑树种或同时考虑树种、起源和地域的通用生物量方程,增加自变量能提高方程预测效果,即,三元生物量方程预测精度最高,二元生物量方程次之,一元生物量方程最低;当同时考虑树种、起源和地域时,方程预测精度最高,只考虑树种的生物量通用方程次之,传统生物量方程最低.因此,如果数据允许,建议构建考虑不同树种、起源和地域的三元生物量方程估计东北地区长白落叶松和兴安落叶松地上生物量.【期刊名称】《生态学报》【年(卷),期】2015(035)001【总页数】8页(P150-157)【关键词】兴安落叶松;长白落叶松;地上生物量;通用方程【作者】符利勇;唐守正;张会儒;张则路;曾伟生【作者单位】中国林业科学研究院资源信息研究所,北京100091;中国林业科学研究院资源信息研究所,北京100091;中国林业科学研究院资源信息研究所,北京100091;吉林省和龙林业局 133500;国家林业局调查规划设计院,北京 100714【正文语种】中文兴安落叶松和长白落叶松是东北地区两个主要落叶松用材树种，以兴安落叶松为例，其面积和蓄积分别占我国寒温带有林地面积和蓄积的55%和70%。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
因 子 作 为 自变 量 与 激 光 雷 达 反 演 的 参 考 生 物 量 进 行 拟 合 ， 利 用 多 元 逐 步 回归 方 法 建 立 生 物 量 模 型 ， 并 采 用 十 折 交
叉验证评估预测模型的泛化能力 。【 结果 】 Ｆ Ｏ Ｔ Ｏ纹 理 因子 与 森 林 生 物 量 的 相 关 性 较 高 ， Ｃ Ｃ Ｄ影 像 ３个 波 段 的 ９个
Ｆ Ｏ Ｔ Ｏ纹理因子 与生 物 量 的 Ｒ 均 高 于 ０ ． ６ ７ ， 窗口 ６ ０ ｍ ｘ ６ ０ ｎ， Ｉ ８ ０ ｎ Ｉ Ｘ ８ ０ ｍ， ｉ ０ ０ ｎ ×１ Ｉ Ｏ ０ ｎ， Ｉ ｌ ２ ０ ｎ ×１ Ｉ ２ ０ ｉ ｎ和 １ ５ ０ ｎ ×１ Ｉ ５ ０ ｎ的估 测 精 度 分 别 为 ６ Ｉ ７ ． ３ ％， ７ ３ ． ４ ％， ７ ４ ． ４ ％， ７ ８ ． ３ ％ 和 ８ ０ ． ９ ％ 。Ｃ Ｃ Ｄ影 像 波 段 平 均 影像 的 ３ 个 Ｆ Ｏ Ｔ Ｏ
间 分辨 率 ０ ． ５ ｍ） 为例 ， 通过提取 Ｃ Ｃ Ｄ影 像 的 Ｆ Ｏ Ｔ Ｏ纹 理 参 数 ， 采 用 多 元 逐 步 回 归 方 法 对 森 林 地 上 生 物 量 进 行 参 数 反演 ， 并对 Ｃ Ｃ Ｄ ３个 波 段 影 像 提 取 的 ９个 Ｆ Ｏ Ｔ Ｏ纹 理 因子 以及 波段 平 均 影 像 提 取 的 ３个 Ｆ Ｏ Ｔ Ｏ纹 理 因 子 ２种 方 法 的 生 物 量 估 测 结 果 进 行 比较 。 同 时 ， 在 研 究 中 尝 试 采 用 ５种 不 同 尺 寸 （ ６ ０ ｍ× ６ ０ Ｉ Ｔ Ｉ ， ８ ０ Ｉ ｎ×８ ０ Ｉ ｎ ， １ ０ ０ ｎ ×１ Ｉ ０ ０ ｎ， Ｉ
Ｆ Ｏ Ｔ Ｏ纹 理 因子 在 温 带 森 林 生 物 量 估 测 上 的 潜 力 ， 为提 取新 型 纹 理 参数 估 算 森林 生 物 量提 供 新 的参 考 途 径。
【 方法 】 以２ ０ ０ ９年 ９月 获 取 的 小 兴 安 岭 地 区 凉 水 国 家 自然 保 护 区 （ ４ ７ 。 １ １ Ｎ， １ ２ ８ 。 ５ ３ Ｅ ） 高分 辨率机载航 空影像 （ 空
第 ５ ３卷 第 ３期
２ ０ １ ７年 ３ 月 ｄ ｏ ｉ ： １ ０ ． １ １ ７ ０ ７ ／ ｊ ． １ ０ ０ １ — ７ ４ ８ ８ ． ２ ０ １ ７ ０ ３ １ １
林
业
科
学
Ｖｏ １ ． ５３． ＮＯ ． ３
ＳＣＩ ＥＮＴＩ Ａ
Ｓ Ｉ ＬＶＡＥ
Ｓ Ｉ ＮＩ ＣＡＥ
Ｒｅ ｓ ｏ ｌ ｕｔ ｉ ｏ ｎ Ａｅ ｒ ｉ ａ ｌ Ｏｐｔ ｉ ｃ ａ ｌ Ｉ ｍａ ｇ ｅ
Ｐａ ｎ ｇ Ｙｏ ｎ ｇ Ｍｅ ｎ ｇ Ｓ ｈ ｉ ｌ ｉ ・ Ｌ ｉ Ｚｅ ｎ ｇ ｙ ｕ ａ ｎ
Ｔｅ ｍｐ ｅ ｒ ａ ｔ ｅ Ｆｏ ｒ ｅ ｓ ｔ Ａｂ ｏ ｖ ｅ ｇ ｒ ｏ ｕｎｄ Ｂｉ ｏ ｍａ ｓ ｓ Ｅｓ ｔ ｉ ｍａ ｔ ｉ ｏ ｎ Ｕｓ ｉ ｎ ｇ
Ｆ ｏ ｕ ｒ ｉ ｅ ｒ － Ｂ ａ ｓ ｅ ｄ Ｔ ｅ ｘ ｔ ｕ ｒ ａ ｌ Ｏｒ ｄ ｉ ｎ ａ ｔ ｉ ｏ ｎ（ Ｆ ＯＴ Ｏ）Ｉ ｎ ｄ ｉ ｃ ｅ ｓ ｆ ｒ ｏ ｍ Ｈｉ ｇ ｈ
摘
要： 【 目的 】 从反映森林冠层大小 的树冠纹理结构 发 ， 利用高空间分辨率遥感影像 中树 冠纹理 的周期 性信
息， 提取基于傅里叶变换纹理序列 的纹理 指数 （ Ｆ Ｏ Ｔ Ｏ， Ｆ ｏ ｕ ｒ ｉ ｅ ｒ — ｂ ａ ｓ ｅ ｄ ｔ ｅ ｘ ｔ ｕ ｒ ａ ｌ ｏ ｒ ｄ ｉ ｎ ａ ｔ ｉ ｏ ｎ ） 估测 森林地 上生 物量 ， 探 究
Ｍａ ｒ ．． ２ ０ １ ７
机 载 高 分 辨率 遥 感 影 像 的傅 氏纹 理 因子 估 测 温 带森 林 地 上生 物 量
庞 勇 蒙 诗 栎
（ １ ． 中 国林 业科 学 研 究 院资 源 信 息 研 究 所
李增 元
北京 １ ０ ０ ８ ７ ５ ）
北京 １ ０ ０ ０ ９ １ ； ２ ． 北 京师 范 大 学 信 息 科 学 与 技 术 学 院
４６． ７ ８ ｔ ・ ｈ ｍ～ 。
关键词 ： 温 带 森 林 ；高分 辨 率 遥 感 影 像 ； 森 林 地 上 生 物 量 ；Ｆ Ｏ Ｔ Ｏ算 法 ；纹理 因子
中 图分 类 号 ： ￥ ７ ５ ７ 文献标识码 ： Ａ 文 章 编 号 ：１ ０ ０ １ —７ ４ ８ ８ Ｉ ２ ０ １ ７ ） ０ ３— ０ ０ ９ ４—１ １
纹 理 因 子 与 生 物 量 的
均高于 ０ ． ５ ７ ， ５种 窗 口尺 寸 的 估 测 精 度 分 别 为 ５ ８ ． ２ ％， ６ ２ ． １ ％， ６ ４ ． ３ ％， ６ ７ ． ４ ％和 ７ ０ ． ９ ％。
根据最优预测模型获得分辨率 １ ０ ０ ｍ 的 凉 水 试 验 区全 覆 盖 生 物 量 结 果 图 ， 精 度为 ７ ４ ． ４ １ ％， Ｒ ＭＳ Ｅ为 ５ Ｏ ． ５ ５ ｔ ・ ｈ ｒ ａ ～。
【 结论 】 基于 Ｆ Ｏ Ｔ Ｏ算 法 提 取 的 纹 理 因子 与 森 林 地 上 生 物 量 密 切 相 关 且 无 明显 饱 和 现 象 ， 对 我 国 北 方 温 带 混 交 林 区
的生 物 量 反 演 有 极 大 潜 力 。Ｆ Ｏ Ｔ Ｏ纹理 因子 与 森林 地上 生 物量 的 多元线 性 逐步 回归模 型 Ｒ 达 ０ ． ８ １ ， Ｒ Ｍ Ｓ Ｅ 为