基于多源遥感数据的黄河三角洲人工刺槐林生物量估算

doi:10.14088/j.cnki.issn0439-8114.2023.07.025

湖北农业科学 ›› 2023, Vol. 62 ›› Issue (7): 143-148.doi: 10.14088/j.cnki.issn0439-8114.2023.07.025

基于多源遥感数据的黄河三角洲人工刺槐林生物量估算

汪逸聪

河海大学水文与水资源学院,南京 210098

收稿日期:2023-04-06 出版日期:2023-07-25 发布日期:2023-08-15
作者简介:汪逸聪（1997-）,男,安徽池州人,在读硕士研究生,研究方向为林业遥感,（电话）13866564244（电子信箱）ccrick1997@gmail.com。
基金资助:
国家自然科学基金面上项目（41471419; 31971579）

Biomass estimation of artificial Robinia pseudoacacia forest in Yellow River Delta based on multi-source remote sensing data

WANG Yi-cong

College of Hydrology and Water Resources, Hohai University, Nanjing 210098,China

Received:2023-04-06 Online:2023-07-25 Published:2023-08-15

摘要/Abstract

摘要： 利用哨兵影像、数字地形数据及森林实地样方调查数据,分别构建K-近邻（KNN）模型、随机森林（RF）模型、极值梯度增强（XGBboost）模型、Stacking模型,实现对黄河三角洲人工刺槐（Robinia pseudoacacia）林生物量的估算。结果表明,相较于K-近邻模型、随机森林模型、极值梯度增强模型,集成学习Stacking模型明显提高了生物量估测的精度（R²=0.61、RMSE=13.42 t/hm²）。

关键词: 哨兵, Stacking模型, 刺槐（Robinia pseudoacacia）林, 生物量, 黄河三角洲

Abstract: Using sentinel images, digital terrain data and forest field quadrat survey data, K-nearest neighbor （KNN） model, random forest （RF） model, extreme gradient enhancement （XGBboost） model and Stacking model were constructed respectively to estimate the biomass of artificial Robbin pseudoacacia forest in Yellow River Delta. The results showed that the integrated learning Stacking model significantly improved the accuracy of biomass estimation compared with K-nearest neighbor model, random forest model, and extreme gradient enhancement model （R²=0.61, RMSE=13.42 t/hm²）.

Key words: sentinel, Stacking model, Robbin pseudoacacia forest, biomass, Yellow River Delta

中图分类号:

汪逸聪. 基于多源遥感数据的黄河三角洲人工刺槐林生物量估算[J]. 湖北农业科学, 2023, 62(7): 143-148.

WANG Yi-cong. Biomass estimation of artificial Robinia pseudoacacia forest in Yellow River Delta based on multi-source remote sensing data[J]. HUBEI AGRICULTURAL SCIENCES, 2023, 62(7): 143-148.

参考文献

[1] 马欣. “双碳”背景下零碳园区建设研究[J].合作经济与科技,2023(8):4-7.
[2] 姜克隽,贺晨旻,庄幸,等.我国能源活动CO₂排放在2020—2022年之间达到峰值情景和可行性研究[J].气候变化研究进展,2016,12(3):167-171.
[3] 刘菁婕. “双碳”目标下公众生态意识培养研究[J].湖北经济学院学报(人文社会科学版),2023,20(3):28-32.
[4] BROWN S.Measuring carbon in forests: Current status and future challenges[J]. Environmental pollution, 2002, 116(3): 363-372.
[5] 方精云,陈安平.中国森林植被碳库的动态变化及其意义[J].植物学报,2001(9):967-973.
[6] WANG H, PU R, ZHU Q, et al.Mapping health levels of Robinia pseudoacacia forests in the Yellow River Delta, China, using IKONOS and landsat 8 OLI imagery[J]. International journal of remote sensing, 2015, 36(4): 1114-1135.
[7] 陈幸良,巨茜,林昆仑.中国人工林发展现状、问题与对策[J].世界林业研究,2014,27(6):54-59.
[8] 李兰,陈尔学,李增元,等.合成孔径雷达森林树高和地上生物量估测研究进展[J].遥感技术与应用,2016,31(4):625-633.
[9] 张加龙,胥辉.基于遥感的森林生物量估测样地调查方法的研究动态[J].西南林业大学学报(自然科学),2019,39(4):166-173.
[10] LE TOAN T, BEAUDOIN A, RIOM J, et al.Relating forest biomass to SAR data[J]. IEEE transactions on geoscience and remote sensing, 1992, 30(2): 403-411.
[11] BEAUDOIN A, LE TOAN T, GOZE S, et al.Retrieval of forest biomass from SAR data[J]. International journal of remote sensing, 1994, 15(14): 2777-2796.
[12] ANTI E, PALOSCIA S, PETTINATO S, et al.The potential of multifrequency SAR images for estimating forest biomass in Mediterranean areas[J]. Remote sensing of environment, 2017, 200: 63-73.
[13] 王长委,胡月明,沈德才,等.多源光学遥感数据估算桉树森林生物量[J].测绘通报,2014(12):20-23.
[14] ZHENG D,RADEMACHER J, CHEN J, et al.Estimating aboveground biomass using Landsat 7 ETM+ data across a managed landscape in northern Wisconsin, USA[J]. Remote sensing of environment, 2004, 93(3): 402-411.
[15] LU J, WANG H, QIN S, et al.Estimation of aboveground biomass of Robinia pseudoacacia forest in the Yellow River Delta based on UAV and Backpack LiDAR point clouds[J]. International journal of applied earth observation and geoinformation,2020,86.DOI:10.1016/j.jag.2019.102014.
[16] 吴彤,李勇,葛莹,等.利用Stacking集成学习估算柑橘叶片氮含量[J].农业工程学报,2021,37(13):163-171.
[17] OGUNLEYE A, WANG Q G.XGBoost model for chronic kidney disease diagnosis[J]. IEEE/ACM transactions on computational biology and bioinformatics, 2019, 17(6): 2131-2140.
[18] BELGIU M, DRǍGUŢ L. Random forest in remote sensing: A review of applications and future directions[J]. ISPRS journal of photogrammetry and remote sensing, 2016, 114: 24-31.
[19] FOODY G M, BOYD D S, CUTLER M E J. Predictive relations of tropical forest biomass from landsat TM data and their transferability between regions[J]. Remote sensing of environment, 2003, 85(4): 463-474.
[20] SUN G, RANSON K J, KHARUK V I.Radiometric slope correction for forest biomass estimation from SAR data in the Western Sayani Mountains, Siberia[J]. Remote sensing of environment, 2002, 79(2-3): 279-287.
[21] 宋音,王红,路开宇,等.基于CCA方法的黄河三角洲不同健康刺槐林的土壤属性研究[J].江西农业学报,2017,29(10):48-53.
[22] BIAU G, SCORNET E.A random forest guided tour[J]. Test, 2016, 25: 197-227.
[23] HYDE P, NELSON R, KIMES D, et al.Exploring LiDAR-RaDAR synergy—predicting aboveground biomass in a southwestern ponderosa pine forest using LiDAR, SAR and InSAR[J]. Remote sensing of environment, 2007, 106(1): 28-38.
[24] CHAI T, DRAXLER R R.Root mean square error (RMSE) or mean absolute error (MAE)?-Arguments against avoiding RMSE in the literature[J]. Geoscientific model development,2014,7(3):1247-1250.
[25] 赵玉,王红,张珍珍.基于遥感光谱和空间变量随机森林的黄河三角洲刺槐林健康等级分类[J].遥感技术与应用,2016,31(2):359-367.
[26] 张珍珍,王红.基于卫星IKONOS影像的黄河三角洲人工刺槐林健康状况分类[J].科学技术与工程,2014,14(33):73-79.
[27] WANG H, ZHONG Y, PU R, et al.Dynamic analysis of Robinia pseudoacacia forest health levels from 1995 to 2013 in the Yellow River Delta, China using multitemporal landsat imagery[J]. International journal of remote sensing, 2018, 39(12): 4232-4253.

基于多源遥感数据的黄河三角洲人工刺槐林生物量估算

Biomass estimation of artificial Robinia pseudoacacia forest in Yellow River Delta based on multi-source remote sensing data

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	孙嘉畦, 杨军, 谷海峰, 陈雷, 赵忠放, 李佳星, 尹增强. 王家岛海域菲律宾蛤仔的生长特征及资源合理利用[J]. 湖北农业科学, 2022, 61(8): 95-97.
[2]	蒙鹏宇. 基于无人机激光雷达的刺槐人工林森林健康指标的构建[J]. 湖北农业科学, 2022, 61(3): 156-160.
[3]	朱秀红, 张记钟, 李哲静, 张淑静, 茹广欣. 铅镉胁迫下泡桐1201幼苗的生理机制响应[J]. 湖北农业科学, 2022, 61(20): 82-91.
[4]	石伟, 段杰仁, 邱小琮, 王晓奕. 清水河流域浮游动物种群结构及多样性研究[J]. 湖北农业科学, 2021, 60(6): 100-104.
[5]	赵敏, 刘红玲, 邓錡璋, 杨蕊毓, 戴林, 陈颖, 吴定莲, 王文静. AM真菌对油樟幼苗生长及土壤养分的影响[J]. 湖北农业科学, 2021, 60(17): 74-77.
[6]	周雨亭, 田贵生, 游江峰, 吴海亚, 陈妍, 游绍阳. 绿肥油菜施肥效应及适宜肥料用量研究[J]. 湖北农业科学, 2020, 59(24): 45-47.
[7]	李智荣, 鲁荣海, 潘绍坤, 杨柳, 林立金, 李红艳, 向娟, 吴永枚. 不同茄子材料的镉积累特性研究[J]. 湖北农业科学, 2020, 59(14): 97-100.
[8]	毛心怡, 陈竞楠, 杨祁, 翁郡灵, 卢昕宇, 金秋. 基于¹⁵N同位素技术的白菜水氮耦合效应研究[J]. 湖北农业科学, 2019, 58(24): 76-79.
[9]	姚延轩, 接伟光, 胡崴, 赵冬梅, 姜怡彤, 于海洋, 阎秀峰. 微生物菌肥对大豆生长发育及根际土壤性质的影响综述[J]. 湖北农业科学, 2019, 58(20): 21-24.
[10]	裴丽梅, 屠渺, 杨佩, 罗林峰, 朱莉. 地上竞争和光照对打碗花生长策略的影响[J]. 湖北农业科学, 2019, 58(10): 85-87.
[11]	倪周游, 杨振德, 杨昌儒, 小梅, 玉舒中. 模拟极端石漠化土壤条件对降香黄檀根系空间分布的影响[J]. 湖北农业科学, 2018, 57(5): 67-70.
[12]	赵俊立, 常海滨, 李宁. 黄冈市青贮玉米新品种比较试验[J]. 湖北农业科学, 2018, 57(24): 60-61.
[13]	梁华祖, 尚卫辉, 黄少玲, 李彩群, 叶祥森, 李绵盛, 王瑛华, 陈刚, 任园园. 城市污泥堆肥对锦紫苏生长的影响[J]. 湖北农业科学, 2018, 57(23): 71-75.
[14]	许晖, 陈文辉, 吴芸紫, 史方春, 徐正猛, 文举, 杨洪勇, 谢磊. 油菜还田对机插中稻植株生物量及产量的影响[J]. 湖北农业科学, 2018, 57(16): 27-29.
[15]	李首涵, 杨萍, 李忠德, 杨洁. 基于DEA-SBM模型的黄河三角洲现代农业生态效率评价[J]. 湖北农业科学, 2018, 57(13): 98-103.