[目的]基于无人机数据采用3种分层方案构建冠层盖度-乔灌木地上部分生物量模型以及基于Landsat8 OLI数据采用3种分层方案构建不同光谱指数-乔灌木地上部分生物量模型,对比分析不同分层方案的乔灌木地上部分生物量模型精度,以期为基于遥感数据的干旱区人工林乔灌木地上部分生物量高精度反演提供理论依据.[方法]在毛乌素沙地实地调查102块30 m×30 m样地,基于高分辨率无人机影像,利用面向对象的机器学习算法获取乔灌草植被覆盖度信息,采用3种分层方案(不分层、基于乔木和灌木2种植被类型分层、基于5个树种分层)构建冠层覆盖度-乔灌木地上部分生物量模型.基于Landsat8 OLI影像,使用6种光谱指数(NDVI、RVI、MSAVI、TCG、NDMI、NIRv),结合无人机影像解译草本植被覆盖度,采用3种分层方案(不分层、有无草本植被样地分层、3个草本植被覆盖度等级样地分层)构建不同光谱指数-乔灌木地上部分生物量模型.[结果]不分层的冠层覆盖度-乔灌木地上部分生物量模型鲁棒性最差(R2=0.22,n=102),且估算精度最低(RMSE=14.98 t·hm-2);考虑乔木和灌木2种植被类型分层建模(RMSE=7.44 t·hm-2)和5个树种分层建模(RMSE=5.82 t·hm-2)的反演误差分别减少了50.32％和61.1％.在光谱指数-乔灌木地上部分生物量模型中,NIRv反演乔灌木地上部分生物量精度最高(3种分层方案平均RMSE=7.25 t·hm-2),NDVI反演乔灌木地上部分生物量精度最低(3种分层方案平均RMSE=9.43 t·hm-2).不同光谱指数对稀疏乔灌木地上部分生物量变异的解释能力表现为NIRv>NDMI>TCG>MSAVI>RVI>NDVI.木本植被类型对光谱指数-乔灌木地上部分生物量模型精度的影响小于对冠层覆盖度-乔灌木地上部分生物量模型精度的影响.考虑草本植被覆盖度背景分层建模可使光谱指数-乔灌木地上部分生物量模型RMSE减少8.13％～16.62％,不同光谱指数-乔灌木地上部分生物量模型精度对草本植被覆盖度背景的敏感性排序为NIRv>TCG>NDVI>MSAVI>RVI>NDMI.[结论]无人机高空间分辨率遥感可用于获取稀疏乔灌混交林树种类型及其草本植被信息等先验知识.在稀疏乔灌混交林区域,木本植被类型对冠层覆盖度-乔灌木地上部分生物量模型精度影响较大,至少需区分乔木和灌木两类植被才可保证该方法反演精度满足实用需求.基于Landsat-8 OLI卫星数据的考虑草本覆盖度的NIRv-乔灌木地上部分生物量模型分层建模方案适用于大区域稀疏乔灌木地上部分生物量遥感估算.

稀疏乔灌木;地上生物量;分层建模;光谱指数;冠层覆盖度

石永磊;王志慧;李世明;李春意;肖培青;张攀;常晓格

河南理工大学测绘与国土信息工程学院 焦作 454003;黄河水利科学研究院水利部黄土高原水土保持重点实验室 郑州 450003;中国林业科学研究院资源信息研究所 北京 100091

林业科学

[1]石永磊;王志慧;李世明;李春意;肖培青;张攀;常晓格-.基于光学遥感的稀疏乔灌木地上部分生物量反演方法)[J].林业科学,2022(02):13-22

稀疏乔灌木,NIRv

光学遥感,地上部分生物量,生物量反演,反演方法,分层方案,方案构建,生物量模型,Landsat8,OLI,光谱指数,模型精度,遥感数据,干旱区,人工林,毛乌素沙地,实地调查,样地,高分辨率无人机影像,面向对象,机器学习算法,植被覆盖度,不分,乔木,植被类型,树种,冠层覆盖度,NDVI,RVI,MSAVI,TCG,NDMI,影像解译,草本,模型鲁棒性,估算精度,RMSE,hm,分层建模,反演误差,指数对,能力表现,木本,高空间分辨率,混交林,植被信息,先验知识,林区,精度影响,反演精度,卫星数据,模型分层,大区域,遥感估算,地上生物量

0.141335