论文摘要
迅速发展的遥感技术为森林生物量的估算提供了一条快捷、方便而又可靠的途径。在遥感数据中,MODIS (Moderate-resolution Imaging Spectroradiometer)是美国对地观测计划中一种比较重要的传感器。MODIS遥感数据具有宏观性强、周期性短等特点,已逐渐成为自然资源探查、灾害实时预警、国土统计调查、宏观生产管理等方面的重要手段,MODIS数据凭借其稳定、经济等方面的优势在估算大尺度森林生物量上有着广泛的应用。本文以吉林省汪清林区为例,利用MODIS遥感数据的多特种信息提取,统计分析不同森林类型,采用决策树方法对森林类型进行识别,并利用多元回归模型和B-P神经网络模型,结合森林类型估算不同森林生物量,对其评价,制成森林生物量分布图。主要研究内容及结果如下：(1)采用Savizky-Golay (S-G)滤波算法对经过MRT (Modis Reprojection Tool)处理好的MODIS时间序列图像进行去噪处理,通过S-G滤波后,有效地平滑原曲线,在一定程度上减少了时间序列数据存在的噪声问题。(2)基于MODIS影像的多种产品特征信息,结合研究林区的地形分布,在空间维上分析影像的纹理特征信息和地形指标信息,时间维上分析植被的生长规律和地表温度信息,统计分析植被的特征信息差异,利用决策树方法对研究区的森林类型进行分类,并对分类结果进行精度评价。研究结果表明,总体分类精度为86.89%,Kappa系数为0.8216。其中阔叶林、针叶林、混交林和其他用地分类精度分别为94.44%、87.50%、82.35%和80.00%。(3)基于MODIS光谱植被参数,结合森林类型分类,利用多元回归方法建立不同森林生物量模型,并对模型进行评价分析,其阔叶林、针叶林和混交林的生物量预测精度分别为47.7%、37.7%和53.5%,标准误差分别为30.35t·hm-2,31.73t·hm-2和27.78t.hm-2。从结果可以看出,拟合精度并不理想；随后,提出加入二向性反射数据MODIS-BRDF模型参数因子,利用多元回归方法建立不同森林生物量模型,结果表明,加入二向性反射数据的模型,阔叶林、针叶林和混交林的生物量估测精度分别为86.3%、80.0%和76.7%,标准误差分别为15.23t·hm-2、17.78t·hm-2和18.42t.hm-2。(4)基于多元回归的模型参数,利用B-P神经网络方法估测森林生物量。构建B-P网络模型,确定适合该地区的模型参数,对训练样本和验证样本进行模拟仿真,其仿真结果：阔叶林、针叶林和混交林的预测生物量精度分别为95.4%,95.7%和92.8%,相对误差分别为4.59t·hm-2、5.53t·hm-2和7.56t·hm-2,标准误差分别为3.12t·hm-2、5.52t·hm-2和5.14t·hm-2。(5)利用B-P神经网络构建生物量模型,结合模型中所应用的MODIS参数影像,利用B-P神将网络仿真,分别建立B-P神经网络森林生物量模型系统,输出阔叶林、针叶林和混交林生物量的分布图,并整合为整个研究区的森林生物量制图。综上所述,基于MODIS时间序列数据可更好地了解植被在时间和空间上的分布情况,同时MODIS数据还可为大区域尺度的森林生物量估算提供更好的信息,为林地动态信息监测提供更多的科学依据。