目錄
第1章 基于Sentinel-1/2時序數(shù)據(jù)的普洱市優(yōu)勢樹種分類與時空變化研究 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 隨機森林算法 8
1.3.2 支持向量機算法 8
1.3.3 梯度提升樹算法 8
1.4 分層分類法 9
1.5 精度評價 10
1.6 基于GEE的普洱市優(yōu)勢樹種分類 10
1.6.1 基于隨機森林的優(yōu)勢樹種分類 11
1.6.2 基于支持向量機的優(yōu)勢樹種分類 16
1.6.3 基于梯度提升樹的優(yōu)勢樹種分類 21
1.6.4 2018～2022年分類結(jié)果對比分析 27
1.6.5 特征重要性分析 28
1.7 普洱市優(yōu)勢樹種時空變化分析 28
1.7.1 優(yōu)勢樹種時空分布 29
1.7.2 優(yōu)勢樹種時空變化分析 30
1.8 應用實踐 31
1.8.1 利用GEE進行隨機森林分類原理 31
1.8.2 GEE進行樹種分類 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 遙感估測模型 48
2.4.1 隨機森林 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 精度評價方法 50
2.5 基于單頻SAR數(shù)據(jù)的森林AGB 估測 50
2.5.1 散射機制分析 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 模型精度驗證與評價 54
2.6 基于多頻SAR數(shù)據(jù)的森林AGB 估測 58
2.6.1 特征選擇結(jié)果 58
2.6.2 模型精度驗證與評價 59
2.7 應用實踐 63
2.7.1 SNAP軟件SAR數(shù)據(jù)預處理 63
2.7.2 SNAP軟件SAR數(shù)據(jù)極化預處理 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軟件V2.1進行估測 81
第3章 基于GOSAT 碳衛(wèi)星的普洱市森林碳儲量變化估測研究 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 相關性分析 96
3.3.2 強相關因子的決策與優(yōu)選 98
3.4 普洱市森林碳儲量估測模型構建 99
3.4.1 GEOS-Chem模型運行機理介紹 99
3.4.2 GEOS-Chem模型評價體系 100
3.5 普洱市森林碳儲量估測模型構建與評價 100
3.5.1 普洱市森林CO2濃度同化反演 101
3.5.2 普洱市森林碳儲量模型估測 101
3.5.3 模型構建結(jié)果 102
3.6 普洱市森林碳儲量變化估測結(jié)果分析 103
3.6.1 普洱市森林碳儲量十年間的變化估測結(jié)果統(tǒng)計 103
3.6.2 普洱市2009～2014年的森林碳儲量分布制圖 103
3.6.3 普洱市2015～2018年的森林碳儲量分布制圖 106
3.6.4 普洱市森林碳儲量空間差異性分析 106
3.7 估測誤差驗證與分析 109
3.8 應用實踐 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 碳通量與碳儲量估測模型編譯 124
3.8.7 估測結(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量模型構建及空間特征分析 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 模型精度評價 135
4.3 地統(tǒng)計分析方法 136
4.3.1 空間自相關性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 相關性分析 138
4.4.3 共線性診斷 141
4.4.4 模型構建結(jié)果 142
4.4.5 模型精度評價 145
4.5 引入環(huán)境變量的高山松地上碳儲量建模結(jié)果對比及分析 147
4.5.1 碳儲量和環(huán)境變量相關性 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量反演結(jié)果 151
4.6 香格里拉高山松地上碳儲量空間統(tǒng)計分析 153
4.6.1 基于Moran’s Ι指數(shù)的空間自相關性特征 153
4.6.2 高山松地上碳儲量的空間自相關分析 153
4.7 應用研究 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 163
4.7.5 變量篩選 164
4.7.6 RF 模型構建 167
4.7.7 地上碳儲量反演 167
4.7.8 地統(tǒng)計分析方法 167
第5章 基于Landsat8影像的香格里拉市高山松地上碳儲量估測及不確定性分析 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 簡單比值植被指數(shù) 173
5.2.4 信息增強因子 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 機器學習模型 178
5.4.1 隨機森林（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 利用遙感技術評估植被碳儲量的不確定性分析 183
5.7 樣地尺度不確定性分析 183
5.7.1 樣地測量不確定性計算 183
5.7.2 單木碳儲量模型的不確定性計算 184
5.7.3 樣地尺度上的綜合不確定性 184
5.8 遙感估測模型的不確定性 185
5.8.1 遙感變量因子選擇 185
5.8.2 碳儲量模型構建及不確定性分析 186
5.8.3 不同機器學習模型的不確定性對比與分析 196
5.9 應用實踐 197
5.9.1 實驗數(shù)據(jù) 197
5.9.2 地上碳儲量計算 198
5.9.3 影像預處理 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 蒙特卡羅模擬計算碳儲量不確定性 213
第6章 基于Sentinel-1/2時間序列數(shù)據(jù)的香格里拉市高山松地上碳儲量估測研究 215
6.1 概述 215
6.2 Sentinel-1/2多時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)估測模型變量構建 222
6.2.4 同一變量不同時段重要性評估 222
6.2.5 遙感變量優(yōu)選 223
6.3 Sentinel-1/2多時間尺度的地上碳儲量模型的建模方法 224
6.3.1 梯度提升回歸樹 224
6.3.2 隨機森林 225
6.4 模型精度評估方法 225
6.5 Sentinel-1/2 估測地上碳儲量的能力評估 226
6.5.1 變量貢獻度分析 226
6.5.2 對比S-1、S-2 和S-1S-2的地上碳儲量模型精度 227
6.6 Sentinel-1/2多時間尺度遙感估測地上碳儲量的季節(jié)特性 229
6.6.1 變量季節(jié)特性 229
6.6.2 S-1/2多時間尺度地上碳儲量模型建模結(jié)果 230
6.6.3 考慮變量季節(jié)性特征的S-1S-2 地上碳儲量模型估測能力評估 235
6.7 香格里拉市高山松地上碳儲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量反演制圖 238
6.7.2 香格里拉市高山松地上碳儲量空間分布特征分析 240
6.8 應用研究 242
6.8.1 樣地數(shù)據(jù)上傳及導入 242
6.8.2 遙感數(shù)據(jù)調(diào)用及篩選 242
6.8.3 數(shù)據(jù)預處理 243
6.8.4 變量提取 247
6.8.5 建模估測和反演 250
第7章 基于時空濾波數(shù)據(jù)的區(qū)域高山松地上碳儲量估測研究 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)量評價指標 264
7.3.1 平均絕對誤差 264
7.3.2 峰值信噪比 264
7.3.3 結(jié)構相似性 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 碳儲量建模方法 275
7.7.1 多元線性回歸建模 275
7.7.2 隨機森林回歸建模 276
7.7.3 梯度提升回歸樹建模 276
7.7.4 地上碳儲量估測模型評價指標 277
7.8 碳儲量建模精度對比 278
7.8.1 多元線性回歸樹建模精度對比 278
7.8.2 隨機森林回歸建模精度對比 280
7.8.3 梯度提升回歸樹建模精度對比 280
7.9 香格里拉高山松地上碳儲量反演 281
7.9.1 結(jié)合紋理因子的高山松地上碳儲量估測模型構建 282
7.9.2 高山松地上碳儲量反演結(jié)果 283
7.9.3 1987～2017年高山松地上碳儲量區(qū)間分布統(tǒng)計 287
7.10 應用研究 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 實現(xiàn)ATC算法 290
7.10.6 將點轉(zhuǎn)換成影像 290
7.10.7 ATC算法完整代碼 290
參考文獻 295