基于PSO-SVM的森林地上生物量遙感估測與空間分析——以泰山景區(qū)為例.pdf

1、開展碳源/匯估算和核查研究有利于推動形成資源節(jié)約、環(huán)境友好的生產(chǎn)方式、生活方式和消費模式，實現(xiàn)可持續(xù)發(fā)展。而森林生態(tài)系統(tǒng)作為陸地生態(tài)系統(tǒng)的最大碳庫，是研究的主要對象。傳統(tǒng)的森林地上生物量估測存在破壞性強、費時、費力等缺點，基于遙感的森林地上生物量估測越來越被重視。由于采用線性方程的遙感估測方式不能有效地表現(xiàn)出森林地上生物量與遙感參數(shù)等之間的非線性關(guān)系，國內(nèi)外研究者提出了非參數(shù)化方法，主要包括神經(jīng)網(wǎng)絡(luò)模型以及支持向量機模型等，其中支持向量

2、機模型以其具有能較好地解決小樣本、過學習、局部極小點等優(yōu)點，成為非參數(shù)化生物量遙感估測研究的熱點。
　　本文重點分析了基于PSO算法的支持向量回歸機模型的森林地上生物量遙感估算算法，從遙感參數(shù)擇優(yōu)選取以及支持向量回歸機參數(shù)尋優(yōu)等過程方面，通過卷積計算樣地參數(shù)以及對比分析歸一化等方法擇優(yōu)進行估測以提高模型的穩(wěn)定性以及精確度，并與多元線性回歸、KNN以及神經(jīng)網(wǎng)絡(luò)等常見模型進行對比分析和精度評估。本文的主要研究內(nèi)容如下:
　　(1

3、)泰山景區(qū)47樣地地上生物量獲取
　　利用2013年5月13日實地調(diào)查的泰山景區(qū)內(nèi)47個樣地的林種、樹高以及胸徑數(shù)據(jù)，通過查閱相關(guān)文獻以及進行試驗，獲取各林種單木胸徑樹高模型，并利用單木地上生物量模型，最終獲取47樣地內(nèi)的地上生物量值。
　　(2)采用PSO-SVM模型對泰山景區(qū)森林地上生物量進行估測
　　對47樣地地上生物量數(shù)據(jù)和經(jīng)過處理的2013年5月21日的Landsat8數(shù)據(jù)以及DEM數(shù)據(jù)參數(shù)進行分析，采用PS

4、O-SVM模型對泰山景區(qū)森林地上生物量進行估測。并從參數(shù)選取、卷積計算樣地參數(shù)以及對比分析歸一化方法、林種分類、核函數(shù)選擇、留一法交叉驗證等方法擇優(yōu)選取以提高模型的速度、穩(wěn)定性以及精確度。
　　(3)模型對比分析
　　采用多元線性回歸模型、KNN模型以及GA-BP神經(jīng)網(wǎng)絡(luò)等模型分別對研究區(qū)的森林地上生物量進行估測，并與本文中采用的模型進行對比分析和估測精度評估。
　　(4)泰山景區(qū)森林地上生物量空間分布分析
　　

5、對采用PSO-SVM模型估測得到的泰山景區(qū)森林地上生物量進行空間分布分析，主要從高程、坡度和坡向三個方面分析研究區(qū)地上生物量的空間分布特征。
　　本文通過采用卷積計算樣地參數(shù)、留一法交叉驗證等方法優(yōu)化PSO-SVM模型對泰山景區(qū)森林地上生物量進行估測，估測結(jié)果精度明顯優(yōu)于多元線性回歸、KNN以及神經(jīng)網(wǎng)絡(luò)等模型，為進一步研究高精度的森林地上生物量估測奠定了基礎(chǔ);基于PSO-SVM估測結(jié)果開展森林地上生物量空間分布特征分析，成果可為森