论文部分内容阅读
本文以云南省香格里拉市为研究区,以典型森林生态系统高山松林为研究对象。基于实测116株单木生物量数据构建的单木生物量模型,结合实测样地调查数据,计算得出56个高山松样地林分地上生物量;并以Landsat8-OLI为遥感数据源,结合实测林分生物量数据,采用线性逐步回归、非线性回归、线性联立方程组、随机森林回归、Cubist回归五种回归方法对高山松林地上生物量进行遥感估算,分析不同回归方法在高山松林生物量估算的拟合表现及预估能力,选择出最佳的回归模型,并基于最佳回归模型反演了香格里拉市高山松林生物量,基于反演结果分析高山松林生物量的分布。研究表明:(1)高山松单木生物量最佳估算模型的决定系数(R2)为0.992;均方根误差(RMSE)为30.778,预估精度(P)为87.941%。(2)在构建逐步回归模型的过程中,通过改变限制条件(F概率值),逐步回归的最终模型,其决定系数(R2)为0.608,均方根误差(RMSE)为33.388,预估精度(P)为49.521%。(3)非线性回归模型,即生物量的三次项模型。模型的决定系数(R2)为0.727,均方根误差(RMSE)为31.636。从模型的独立性检验来看:总相对误差、平均相对误差和绝对平均相对误差在-1%~49%之间,预估精度为69.613%。(4)郁闭度联立方程组生物量遥感估算模型,结果表明:郁闭度联立方程组模型的决定系数(R2)为0.290,均方根误差(RMSE)为30.378,预估精度(P)为56.408%;逐步回归模型的决定系数(R2)为0.608,均方根误差(RMSE)为33.388,预估精度(P)为49.521%,可以看出,联立方程组模型提高了模型的预估精度。(5)基于决策树算法的随机森林回归模型,随机森林回归模型的决定系数(R2)=0.907,均方根误差(RMSE)=17.738,模型的拟合效果较好。模型的预估精度(P)为81.600%,模型具有较高的预估能力。(6)基于决策树算法的Cubist回归模型,Cubist回归模型的决定系数(R2)为0.324,均方根误差(RMSE)为45.667,模型的拟合效果不理想,预估精度为44.267%,模型的预估能力较差。(7)通过对各模型的决定系数(R2)、均方根误差(RMSE)、预估精度(P),分析得出,随机森林回归模型具有最好的拟合效果和预估精度,是进行生物量反演的最佳模型。(8)不同海拔段高山松林分布情况:高山松林生物量2800~4000m海拔段分布最为集中占总生物量的97.28%,2000~2800m和4000m以上高山松林的生物量分布都较少,占总生物量的2.72%;从均值来看,海拔在4000m以上时,高山松林生物量平均值达到最大为92.6902 t/hm2,2000~2400m最小为79.2764 t/hm2。不同坡度高山松林分布情况:高山松林生物量多分布在坡度6~45°之间,占总生物量的94.44%,在平坡和险坡上高山松林生物量分布则较少,二者之和占总生物量的5.56%。从平均值来看,陡坡的高山松林生物量平均值最大为91.2080 t/hm2,平坡生物量的平均值最小,为75.4577 t/hm2。不同坡向高山松林生物量分布情况:半阳坡和阳坡高山松林生物量占总生物量的比重在12%~17%之间;阴坡、半阴坡高山松林生物量占总生物量的比重在3%~27%之间;从平均值来看,西北坡高山松林生物量平均值最大为113.6955 t/hm2,高山松林生物量在南坡上的平均值最小为76.2036 t/hm2。高山松林总生物量为11719611.90 t,其均值为86.8591 t/hm2,实际平均值为87.7153 t/hm2。预估值与实测值之间仅相差0.86 t/hm2,实测值与预测值之间差异很小,估测的生物量较准确。