基于glas和misr数据的森林冠层高度和地上生物量遥感估算研究

《基于glas和misr数据的森林冠层高度和地上生物量遥感估算研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、‘．＇：．：学校代码１〇２２５；气满｜／‘作‘．＇、．心巧；‘．Ｂ１５１０２：／柩％声．学号：媒‘、‘、、‘户户’．’卢＇ｖ裹．；，‘．ｆ，沒若斬．心祐碎外站九嗦＾＇一林－＾ｒＶ．ｖ，寇二片葦為冷义嗦：－砖齋分—＇，，＇—‘‘：＇‘；於＞六，，：、．．：：或．．成六ｒ軒公苟户香Ｐ，／次游一一＂一ｖ．ｒｘ１一ｆｃ？、ｖ足ｊ＊＊＊ｔＷ＂、－、、’＂＇＊．心、Ｔ．Ｊ＊＜？？９■■‘，，Ｉ－、＊＊Ｖ．Ｓ、＊？准子ＧＬ

2、ＡＳ和ＭＫ民数据的森林冠层高度和；沪地上生補継估旨臟於治ｇ—，二？户吴＂巧、趣？Ｊ辜吗其方少ｒ＃ｖ＂户’某唤‘’－．；’，Ｖ兮於．．；Ｉ．产＇．：巧式：心、ｒ謀资＾％Ｖ＇＂－＇嫁．夕Ｖ＇／沪．穿＇锭＇二靡。，，；．．．ｋ吟．．ｆ麥Ｃ每咕‘．‘．卢＇．一＜二；＇■■：：％指导教师姓名：范文义教授东北林业大学坏；；；：申请学位级别：博±学科专业：森林经理学？‘论文提交曰期：２〇１５年３月论文答辩曰期；２〇！５年６月八是含或－＂业大学授予学位６＞

3、＾己＞、投予学位单位：东北林日期：２０１５年月＃；．丈＇心护化文评閒人吟、羞；＞％护。献，暮，＇雜＇：敏＞．娘ｎｊ：－蕾；多＇－、一■．八，Ｖ，／；；＾，公．．ｉ遷安祭．泰从如毒大聲ｒｆ！：：霉鶏：：．成誘诗營顏．可／＾一，．；７；變衫齊努巧．論．．．巧１細巧職…二务ｆｘ货起二ＵｎｉｖｅｒｓｉｔｙＣｏｄｅ：１０２２５民ｅｉｓｔｅｒＣｏｄｅ：Ｂ１５１０２ｇＤｉｓｓｅｒｔａｔｉｏｎｆｏｒ化ｅＤｅｒｅｅｏｆＤｏｃｔｏｒｇＦｏｒｅｓｔｃａｎ

4、ｏｈｅｉｈｔａｎｄａｂｏｖｅｒｏｕｎｄｂｉｏｍａｓｓｐｙｇｇｅｓｔｉｍａｔｉｏｎｂａｓｅｄｏ打ＧＬＡＳａｎｄＭＩＳ民ｄａｔａＣａｎ化ｄａｔｅ：ＷＵＤｉＳｕｅｒｖｉｓｏｒ：ＦＡＮＷｅｎｉｐｙＡｓｓｏｃｉａｔｅＳｕｐｅｒｖｉｓｏｒ：ＡｃａｄｅｍｉｃＤｅｇｒｅｅＡｐｐｌｉｅｄｆｏｒ：Ｄｏｃ化ｒＳｐｅｃｉａｌｉｔｙ：ＦｏｒｅｓｔｍａｎａｇｅｍｅｎｔＤａｔｅｏｆＯｒａｌＥｘａｍｉｎａｔｉｏｎ：２０１５．０６Ｕｎｉｖｅｒｓｉｔｙ：Ｎｏｒ

5、ｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ摘要摘要森林是陆地生态系统的重要组成部分，通过光合作用和蒸散作用与大气进行着物质和能量的交换，，。它可Ｗ调节空气中的二氧化碳含量控制气候变化对碳循环平衡起着至关重要的作用。随着全球变化与碳循环研究的持续升温，获取大范围、准确、详细的森林冠层高度和生物量信息逐渐成为全球变化和生态建设的迫切需要。森林冠层高度和生物量是碳循环研巧的必要信息。常规的森林参数获取是通过野外调查，这种方法劳动一强度大，仅能获得些点上的数据，，不能够

6、及时获取大范围森林参数的空间分布信息遥感技术弥扑了传统森林资源调查的不足，实现了大范围时空尺度的森林参数信息提取。本研究小兴安岭地区为研究区域，在ＩＣＥＳａｔ／ＧＬＡＳ波形数据的处理的基础上提取了大量的波形参数，利用这些参数信息实现森林冠层高度和森林地上生物量的估算。由于ＩＣＥＳａｔ／ＧＬＡＳ波形数据在空间分布上表现为离散的点不具有成像性＾＾＾，所研究使用光学遥感数据对ＧＬＡＳ激光点森林参数信息进行空间扩展，应用随机森林计算方法建立多角度ＭＩＳ艮反射率数据、ＬａｎｄｓａｔＴＭ化ＴＭ

7、＋森林扰动数据与森林参数（树高和森林地上生物量）之间的关系模型，获取不同空间分辨率的森林参数空间分布信息。多源遥感数据协同应用提升了森林参数信息提取的能力。主要研究结论如下：（１）对小兴安岭地区的ＧＬＡＳ数据进行波形计算获取森林冠层高度值，使用中等°°？￣点云密度的机载雷达数据对ＧＬＡＳ森林冠层高度按累积坡度组（０５、５１０、°？１０１５）进行精度评价，研究发现化ＡＳ数据能够较为准确的描述森林冠层高度信息，￣对森林冠层高度的解释精度为７４．７％８７．１％。随坡度的增大ＧＬＡＳ波形数据

8、的解释能力降低，坡度校正可Ｗ明显提高ＧＬＡＳ参数准确度，但是随着坡度增大，坡度校正的修正°。？￣效果下降（５１０．４％，１５。提同２１０提局０．３％）（２）在ＧＬＡＳ波形数据处理的基础上提取波形参数，分别使用线性逐步回归算法ｆ－ＢＰ神经网络算法建立ＧＬＡＳ光斑生物量模型ｒｆ－和拉。对两个模型性能进行叱较，Ｅ＝＝＝ＢＰ神经网络模型预测能力Ｐ０，Ｒ．１ｔ／，．９６５ＭＳＥ３８ｈａ优于线性逐