目錄
第1章 基于Sentinel-1/2時(shí)序數(shù)據(jù)的普洱市優(yōu)勢(shì)樹種分類與時(shí)空變化研究 1
1.1 概述 1
1.2 特征提取與特征組合 2
1.2.1 雷達(dá)特征提取 2
1.2.2 光譜特征提取 3
1.2.3 植被特征提取 4
1.2.4 紋理特征提取 5
1.2.5 環(huán)境特征提取 6
1.2.6 特征組合 7
1.3 分類算法 8
1.3.1 隨機(jī)森林算法 8
1.3.2 支持向量機(jī)算法 8
1.3.3 梯度提升樹算法 8
1.4 分層分類法 9
1.5 精度評(píng)價(jià) 10
1.6 基于GEE的普洱市優(yōu)勢(shì)樹種分類 10
1.6.1 基于隨機(jī)森林的優(yōu)勢(shì)樹種分類 11
1.6.2 基于支持向量機(jī)的優(yōu)勢(shì)樹種分類 16
1.6.3 基于梯度提升樹的優(yōu)勢(shì)樹種分類 21
1.6.4 2018～2022年分類結(jié)果對(duì)比分析 27
1.6.5 特征重要性分析 28
1.7 普洱市優(yōu)勢(shì)樹種時(shí)空變化分析 28
1.7.1 優(yōu)勢(shì)樹種時(shí)空分布 29
1.7.2 優(yōu)勢(shì)樹種時(shí)空變化分析 30
1.8 應(yīng)用實(shí)踐 31
1.8.1 利用GEE進(jìn)行隨機(jī)森林分類原理 31
1.8.2 GEE進(jìn)行樹種分類 32
第2章 結(jié)合多頻偏振SAR數(shù)據(jù)估算思茅松地上生物量 44
2.1 概述 44
2.2 特征提取 45
2.2.1 后向散射系數(shù) 45
2.2.2 紋理特征 45
2.3 特征篩選 47
2.4 遙感估測(cè)模型 48
2.4.1 隨機(jī)森林 48
2.4.2 K最近鄰 48
2.4.3 極化分解參數(shù) 49
2.4.4 梯度提升回歸樹 49
2.4.5 精度評(píng)價(jià)方法 50
2.5 基于單頻SAR數(shù)據(jù)的森林AGB 估測(cè) 50
2.5.1 散射機(jī)制分析 50
2.5.2 特征重要性分析 52
2.5.3 特征選擇結(jié)果 53
2.5.4 模型精度驗(yàn)證與評(píng)價(jià) 54
2.6 基于多頻SAR數(shù)據(jù)的森林AGB 估測(cè) 58
2.6.1 特征選擇結(jié)果 58
2.6.2 模型精度驗(yàn)證與評(píng)價(jià) 59
2.7 應(yīng)用實(shí)踐 63
2.7.1 SNAP軟件SAR數(shù)據(jù)預(yù)處理 63
2.7.2 SNAP軟件SAR數(shù)據(jù)極化預(yù)處理 71
2.7.3 特征篩選 78
2.7.4 利用基于非參數(shù)模型的森林地上生物量估測(cè)軟件V2.1進(jìn)行估測(cè) 81
第3章 基于GOSAT 碳衛(wèi)星的普洱市森林碳儲(chǔ)量變化估測(cè)研究 92
3.1 概述 92
3.2 特征因子提取 93
3.2.1 遙感因子提取 93
3.2.2 坡度、坡向及海拔的提取與分析 95
3.2.3 GEOS通量數(shù)據(jù)庫整理 95
3.3 因子優(yōu)選 96
3.3.1 相關(guān)性分析 96
3.3.2 強(qiáng)相關(guān)因子的決策與優(yōu)選 98
3.4 普洱市森林碳儲(chǔ)量估測(cè)模型構(gòu)建 99
3.4.1 GEOS-Chem模型運(yùn)行機(jī)理介紹 99
3.4.2 GEOS-Chem模型評(píng)價(jià)體系 100
3.5 普洱市森林碳儲(chǔ)量估測(cè)模型構(gòu)建與評(píng)價(jià) 100
3.5.1 普洱市森林CO2濃度同化反演 101
3.5.2 普洱市森林碳儲(chǔ)量模型估測(cè) 101
3.5.3 模型構(gòu)建結(jié)果 102
3.6 普洱市森林碳儲(chǔ)量變化估測(cè)結(jié)果分析 103
3.6.1 普洱市森林碳儲(chǔ)量十年間的變化估測(cè)結(jié)果統(tǒng)計(jì) 103
3.6.2 普洱市2009～2014年的森林碳儲(chǔ)量分布制圖 103
3.6.3 普洱市2015～2018年的森林碳儲(chǔ)量分布制圖 106
3.6.4 普洱市森林碳儲(chǔ)量空間差異性分析 106
3.7 估測(cè)誤差驗(yàn)證與分析 109
3.8 應(yīng)用實(shí)踐 110
3.8.1 數(shù)據(jù)獲取方式 110
3.8.2 碳衛(wèi)星數(shù)據(jù)查看方式 111
3.8.3 數(shù)據(jù)預(yù)處理及解譯 113
3.8.4 GEOS-Chem模型的安裝與調(diào)試 120
3.8.5 CO2濃度反演模型編譯 123
3.8.6 碳通量與碳儲(chǔ)量估測(cè)模型編譯 124
3.8.7 估測(cè)結(jié)果讀取與保存 129
第4章 結(jié)合遙感和環(huán)境變量的高山松地上碳儲(chǔ)量模型構(gòu)建及空間特征分析 130
4.1 概述 130
4.1.1 遙感變量提取 131
4.1.2 遙感變量篩選 132
4.2 建模方法原理及介紹 134
4.2.1 多元線性回歸模型 134
4.2.2 非參數(shù)模型 134
4.2.3 模型精度評(píng)價(jià) 135
4.3 地統(tǒng)計(jì)分析方法 136
4.3.1 空間自相關(guān)性Moran’s Ι指數(shù) 136
4.3.2 半方差分析 136
4.4 基于不同遙感變量組合建模結(jié)果分析 137
4.4.1 遙感變量篩選結(jié)果 137
4.4.2 相關(guān)性分析 138
4.4.3 共線性診斷 141
4.4.4 模型構(gòu)建結(jié)果 142
4.4.5 模型精度評(píng)價(jià) 145
4.5 引入環(huán)境變量的高山松地上碳儲(chǔ)量建模結(jié)果對(duì)比及分析 147
4.5.1 碳儲(chǔ)量和環(huán)境變量相關(guān)性 147
4.5.2 引入不同環(huán)境變量的建模結(jié)果 148
4.5.3 引入地表溫度的高山松地上碳儲(chǔ)量反演結(jié)果 151
4.6 香格里拉高山松地上碳儲(chǔ)量空間統(tǒng)計(jì)分析 153
4.6.1 基于Moran’s Ι指數(shù)的空間自相關(guān)性特征 153
4.6.2 高山松地上碳儲(chǔ)量的空間自相關(guān)分析 153
4.7 應(yīng)用研究 156
4.7.1 數(shù)據(jù)處理 156
4.7.2 環(huán)境變量數(shù)據(jù) 160
4.7.3 遙感變量提取 160
4.7.4 遙感變量提取至點(diǎn) 163
4.7.5 變量篩選 164
4.7.6 RF 模型構(gòu)建 167
4.7.7 地上碳儲(chǔ)量反演 167
4.7.8 地統(tǒng)計(jì)分析方法 167
第5章 基于Landsat8影像的香格里拉市高山松地上碳儲(chǔ)量估測(cè)及不確定性分析 171
5.1 概述 171
5.2 遙感因子提取 172
5.2.1 原始波段因子 172
5.2.2 植被指數(shù)因子 173
5.2.3 簡(jiǎn)單比值植被指數(shù) 173
5.2.4 信息增強(qiáng)因子 173
5.2.5 紋理信息特征因子 175
5.2.6 地形因子 175
5.2.7 植被生長(zhǎng)因子 176
5.2.8 變量匯總及篩選 177
5.3 遞歸特征消除 178
5.4 機(jī)器學(xué)習(xí)模型 178
5.4.1 隨機(jī)森林（RF） 178
5.4.2 極端梯度提升（XGBoost） 179
5.4.3 CatBoost 179
5.5 蒙特卡羅模擬方法 180
5.6 不確定性量化方法 181
5.6.1 測(cè)量不確定性 181
5.6.2 參數(shù)不確定性 182
5.6.3 殘差不確定性 182
5.6.4 不確定性合成 183
5.6.5 利用遙感技術(shù)評(píng)估植被碳儲(chǔ)量的不確定性分析 183
5.7 樣地尺度不確定性分析 183
5.7.1 樣地測(cè)量不確定性計(jì)算 183
5.7.2 單木碳儲(chǔ)量模型的不確定性計(jì)算 184
5.7.3 樣地尺度上的綜合不確定性 184
5.8 遙感估測(cè)模型的不確定性 185
5.8.1 遙感變量因子選擇 185
5.8.2 碳儲(chǔ)量模型構(gòu)建及不確定性分析 186
5.8.3 不同機(jī)器學(xué)習(xí)模型的不確定性對(duì)比與分析 196
5.9 應(yīng)用實(shí)踐 197
5.9.1 實(shí)驗(yàn)數(shù)據(jù) 197
5.9.2 地上碳儲(chǔ)量計(jì)算 198
5.9.3 影像預(yù)處理 198
5.9.4 遙感因子提取 212
5.9.5 因子優(yōu)選 212
5.9.6 模型選擇 212
5.9.7 蒙特卡羅模擬計(jì)算碳儲(chǔ)量不確定性 213
第6章 基于Sentinel-1/2時(shí)間序列數(shù)據(jù)的香格里拉市高山松地上碳儲(chǔ)量估測(cè)研究 215
6.1 概述 215
6.2 Sentinel-1/2多時(shí)間尺度遙感變量提取 216
6.2.1 Sentinel-1變量提取 217
6.2.2 Sentinel-2變量提取 219
6.2.3 多季節(jié)估測(cè)模型變量構(gòu)建 222
6.2.4 同一變量不同時(shí)段重要性評(píng)估 222
6.2.5 遙感變量?jī)?yōu)選 223
6.3 Sentinel-1/2多時(shí)間尺度的地上碳儲(chǔ)量模型的建模方法 224
6.3.1 梯度提升回歸樹 224
6.3.2 隨機(jī)森林 225
6.4 模型精度評(píng)估方法 225
6.5 Sentinel-1/2 估測(cè)地上碳儲(chǔ)量的能力評(píng)估 226
6.5.1 變量貢獻(xiàn)度分析 226
6.5.2 對(duì)比S-1、S-2 和S-1S-2的地上碳儲(chǔ)量模型精度 227
6.6 Sentinel-1/2多時(shí)間尺度遙感估測(cè)地上碳儲(chǔ)量的季節(jié)特性 229
6.6.1 變量季節(jié)特性 229
6.6.2 S-1/2多時(shí)間尺度地上碳儲(chǔ)量模型建模結(jié)果 230
6.6.3 考慮變量季節(jié)性特征的S-1S-2 地上碳儲(chǔ)量模型估測(cè)能力評(píng)估 235
6.7 香格里拉市高山松地上碳儲(chǔ)量制圖及空間分布特征分析 238
6.7.1 香格里拉市高山松地上碳儲(chǔ)量反演制圖 238
6.7.2 香格里拉市高山松地上碳儲(chǔ)量空間分布特征分析 240
6.8 應(yīng)用研究 242
6.8.1 樣地?cái)?shù)據(jù)上傳及導(dǎo)入 242
6.8.2 遙感數(shù)據(jù)調(diào)用及篩選 242
6.8.3 數(shù)據(jù)預(yù)處理 243
6.8.4 變量提取 247
6.8.5 建模估測(cè)和反演 250
第7章 基于時(shí)空濾波數(shù)據(jù)的區(qū)域高山松地上碳儲(chǔ)量估測(cè)研究 259
7.1 概述 259
7.2 ATC算法 262
7.2.1 算法原理 262
7.2.2 算法步驟 263
7.3 濾波后影像質(zhì)量評(píng)價(jià)指標(biāo) 264
7.3.1 平均絕對(duì)誤差 264
7.3.2 峰值信噪比 264
7.3.3 結(jié)構(gòu)相似性 265
7.4 ATC算法濾波后結(jié)果分析 265
7.5 基于不同濾波方法的時(shí)間序列數(shù)據(jù)濾波 269
7.5.1 Land-Trendr濾波 269
7.5.2 Savitzky-Golay濾波 269
7.5.3 中值濾波 270
7.5.4 不同濾波方法結(jié)果對(duì)比 270
7.6 遙感特征因子的提取 272
7.6.1 地形因子 272
7.6.2 遙感因子 272
7.6.3 紋理因子 274
7.7 碳儲(chǔ)量建模方法 275
7.7.1 多元線性回歸建模 275
7.7.2 隨機(jī)森林回歸建模 276
7.7.3 梯度提升回歸樹建模 276
7.7.4 地上碳儲(chǔ)量估測(cè)模型評(píng)價(jià)指標(biāo) 277
7.8 碳儲(chǔ)量建模精度對(duì)比 278
7.8.1 多元線性回歸樹建模精度對(duì)比 278
7.8.2 隨機(jī)森林回歸建模精度對(duì)比 280
7.8.3 梯度提升回歸樹建模精度對(duì)比 280
7.9 香格里拉高山松地上碳儲(chǔ)量反演 281
7.9.1 結(jié)合紋理因子的高山松地上碳儲(chǔ)量估測(cè)模型構(gòu)建 282
7.9.2 高山松地上碳儲(chǔ)量反演結(jié)果 283
7.9.3 1987～2017年高山松地上碳儲(chǔ)量區(qū)間分布統(tǒng)計(jì) 287
7.10 應(yīng)用研究 288
7.10.1 空間插值 288
7.10.2 提取TPI 288
7.10.3 TPI重分類 289
7.10.4 按照空間位置的匹配 289
7.10.5 實(shí)現(xiàn)ATC算法 290
7.10.6 將點(diǎn)轉(zhuǎn)換成影像 290
7.10.7 ATC算法完整代碼 290
參考文獻(xiàn) 295