基于优化k-NN模型的高山松地上生物量遥感估测

基于优化k鄄NN模型的高山松地上生物量遥感估测

谢福明袁字

李袁舒清态

渊西南林业大学林学院袁云南昆明650224冤

摘要院针对传统k鄄最近邻法渊k鄄nearestneighbor,k鄄NN冤在搜索最近邻单元时赋予特征变量相等的权重袁缺少对特征变量加权优化等不足问题袁在云南省香格里拉市袁以高山松Pinusdensata为研究对象袁基于49块实测标准地袁116株高山松样木和Landsat8/OLI影像袁在前期进行基于遗传算法渊geneticalgorithm,GA冤优化的k鄄NN模型实现的基础上袁对k鄄NN的3个参数渊k袁t和d冤进行反复测试优化组合袁在像元尺度上对研究区高山松地上生物量进行遥感估算遥结果表明院基于遗传算法优化的k鄄NN模型精度优于传统的k鄄NN模型袁优化前均方根误差为30.0t窑hm原2袁偏RMSE为43.7%遥基于优化k鄄NN模型的研究区高山松地上生物量总储量估测结果为0.伊107t遥图7表6参20关键词院森林测计学曰k鄄NN模型曰遗传算法曰Landsat8/OLI曰地上生物量曰高山松中图分类号院S758.5

文献标志码院A

文章编号院2095鄄0756渊2019冤03鄄0515鄄09

差为原0.418t窑hm原2袁相对标准误差百分比渊RMSE冤为54.8%曰优化后均方根误差为24.0t窑hm原2袁偏差为原0.123t窑hm原2袁

Optimizingthek鄄nearestneighborstechniqueforestimatingPinusdensata

abovegroundbiomassbasedonremotesensing

Abstract:Forthetraditionalk鄄nearestneighbor渊k鄄NN冤,thereareinsufficientproblemsthatgivetheweightofthefeaturevariablesequallywhensearchingthenearestneighborpopulationunitsandalackofweightvectorsLandsat8/OperationalLandImager渊OLI冤imaging,ageneticalgorithmwasusedtooptimizethek鄄nearestforthefeaturevariables.Inthisstudy,Shangri鄄laCity,YunnanProvince,wasselectedastheresearcharea,and

渊CollegeofForestry,SouthwestForestryUniversity,Kunming650224,Yunnan,China冤

XIEFuming,ZILi,SHUQingtai

Pinusdensatawastakenastheresearchobject.Basedon49fielddataplots,116P.densatadatasamples,and

neighbormodelintheearlystages,andtheabovegroundbiomassofP.densatainthestudyareawasestimatedshowedthataccuracyofthek鄄NNmodeloptimizedbyageneticalgorithmwasbetterthanthetraditionalk鄄NN

atthepixelscaleafterthek鄄NNthreeparameters渊k,t,andd冤wererepeatedlytestedandoptimized.Resultswas54.8%;afteroptimization,therootmeansquareerrorwas24.0t窑hm原2,deviationwas原0.123t窑hm原2,and窑hm-2,andRMSEmodel.Beforeoptimization,therootmeansquareerrorwas30.0t窑hm原2,deviationwas原0.418t

RMSEwas43.7%.Finally,theestimatedtotalabovegroundbiomassofP.densatainthestudyareawas0.伊107tKeywords:forestmensuration;k鄄NNmodel;geneticalgorithm;Landsat8/OLI;abovegroundbiomass;Pinusdensata

大气中温室气体浓度上升引起的全球气候变化袁导致极端气候事件频发袁严重威胁着人类生存与社会经济的可持续发展袁成为各国和科学家关注的重大环境问题遥在应对全球气候变化背景下袁森林

收稿日期院2018鄄05鄄23曰修回日期院2018鄄09鄄10

basedontheoptimizedk鄄NNmodel.咱Ch,7fig.6tab.20ref.暂

基金项目院国家林业公益性行业科研专项渊201404309冤曰国家自然科学基金资助项目渊31460194袁31060114冤曰云南唐

守正院士工作站资助项目

作者简介院谢福明袁从事地理信息系统与遥感应用研究遥E鄄mail:geoxfming@qq.com遥通信作者院舒清态袁副教

授袁博士袁从事野3S冶技术及森林景观经营研究遥E鄄mail:shuqt@163.com516浙江农林大学学报2019年远月20日

碳汇的相关研究成为科学界关注的热点咱1原3暂遥生物量是森林生态系统碳汇潜力评估的重要基础袁如何快

准确评估森林碳储量的时空变化袁不仅可以为森林资源的经营管理和林业可持续发展提供的科学依据袁而且对碳循环及碳汇研究具有重要的意义遥随着遥感技术的不断发展袁利用数学模型结合实测样地数据进行生物量的大尺度快速估测变得有效可行遥k鄄最近邻法渊k鄄nearestneighbor,k鄄NN冤作为一种非参数方法袁已被广泛用于多源林业调查和森林参数估计的反演遥1990年袁TOMPPO咱5暂首次将k鄄NN技术应用于芬兰森林资源监测中并取得了较好的效果遥MCROBERTS咱6暂记录了该技术在国际范围内被广泛用于林业应用领域袁包括森林调查空间插值预测尧数据库监测尧反演制图尧小区域估测和统计推理遥从数据层面上来讲袁k鄄NN与Landsat影像袁机载激光扫面数据和MODIS数据联合使用估测评价森林属性的研究较多袁并且将机载激光扫描指标等主动遥感变量与光学遥感尧大尺度森林变量等参数结合使用有助于提高调查尧森林参数估测与评价等方面取得了较好的研究成果咱8原10暂遥KATILA等咱11暂和TOMPPO等咱12暂运用数字k鄄NN模型的预测精度咱7暂遥国外研究者在遗传算法的优化下袁利用k鄄NN和机载激光扫描数据对森林资源

速尧准确地获取森林生物量信息袁在20世纪90年代就成了森林生态系统与全球气候变化研究的关键咱4暂遥

地图进行数据分层和使用遗传算法对特征变量进行加权来作为一种提高预测精度的手段后袁该方法得到于单一森林属性变量渊如某个树种冤比同时应用于多变量的精度会提高许多咱13暂遥然而袁国内的研究学者缺法对县市级统计单元森林参数的估测效果明显优于只利用固定样地数据的传统参数估测方法遥郭颖咱15暂利用k鄄NN非参数回归模型对甘肃省西水林场的森林地上生物量进行估测袁并用随机森林算法渊RF冤进行特征选择后估测精度得以提升袁优化后的算法在处理错误样本时具有良好的容错能力遥本研究使用遗传算法对k鄄NN模型进行优化袁使模型预测结果的偏差尧均方根误差等最小化袁以期提高模型的估测精度袁实现对研究区高山松Pinusdensata地上生物量储量估计与空间反演制图遥

了加强遥利用遗传算法对卫星影像数据特征变量加权优化将会提高估测精度袁并且将优化好的模型应用

少对k鄄NN模型算法进行优化改良的研究袁仅局限于将传统的k鄄NN运用于不同的森林参数估计遥如陈尔学等咱14暂运用Landsat数据和传统的k鄄NN法对小面积统计单元森林蓄积量估测袁其结果表明采用k鄄NN

1研究区概况28毅50忆59.57义N袁99毅23忆6.08义~100毅18忆29.15义E冤渊图1冤遥研究区地势高耸袁热量不足袁气温偏低袁海拔为1503~5545m袁多年平均气温为5.5益袁

研究区位于滇西北迪庆藏族自治州香格里拉市境内渊26毅52忆11.44义~

历年平均降水量为618.4mm袁平均降雪日为35.7d袁年日照率为40%~

50%袁属山地寒温带季风气候遥境内密集的金沙江水系支流尧冰雪融水

和高原湖泊等水资源以及以棕壤尧红壤为主的森林土壤类型孕育了丰富的植物资源遥森林植被面积大袁覆盖率高袁南北差异分布明显袁主要分布有10种植被类型袁常见的树种有云杉Piceaasperata袁冷杉Abiesfab鄄ri袁高山松袁云南松Pinusyunnanensis和高山栎Quercussemicarpifolia等遥其中袁高山松适应性广袁更新能力强袁是喜光尧耐旱尧耐瘠薄的优势树种遥一般分布于云杉尧冷杉林下限袁海拔为2800~3500m袁林分外貌整齐袁成片分布袁以同龄单层林常见袁占全市乔木林面积的22.7%遥

22.1

数据与方法遥感数据及信息提取

研究区地理位置示意图

从地理空间数据云渊http://www.gscloud.cn/冤获取Landsat8/OLI影像3132/041曰2015年12月20日渊1景冤袁轨道号为131/041渊图1冤遥并采用景覆盖整个研究区院2015年11月9日渊2景冤袁轨道号分别为132/040和图1

Figure1Locationofthestudyarea

软件ENVI5.3对卫星影像进行辐射定标尧大气校正渊FLAASH冤和几何精校正等预处理后提取单波段尧多波段组合尧主成分变换尧缨帽变换尧植被指数尧纹理和地形特征渊由DEM提取冤等共计123个因子袁作

为建模因子备选参数渊表1冤遥

第36卷第猿期谢福明等院基于优化k鄄NN模型的高山松地上生物量遥感估测517

表1

变量籽BiVIS234AlbedoPCAj,ICAj,MNFjTCB,TCG,TCW

NDVIEVIRVISAVIBi_N_TElevationSlopeDVI

数量61139

VIS234=移籽Bi

i=274

遥感因子一览表

公式及说明

Table1AlistoffactorsderivedfromremotesensingLandsat8/OLI数据第i波段原始发生率籽Bi渊i=2,3,4,5,6,7冤Albedo=移籽i

i=2

11

1

归一化植被指数院NDVI=渊籽NIR-籽R冤/渊籽NIR+籽R冤增强植被指数院EVI=2.5比值植被指数院RVI=渊籽NIR/籽R冤

差值植被指数院DVI=籽NIR-籽R袁籽NIR袁籽R分别为近红外波段尧红波段的反射率

分别为缨穗变换的亮度尧绿度尧湿度分量

分别为主成分分析尧主成分分析尧MNF变换的第j成分渊j=1,2,3冤

196111

蓘渊籽渊籽NIR-籽R冤袁籽BLUE为蓝波段的反射率

NIR+6.0籽R-7.5籽BLUE+1冤蓡纹理特征袁即第i波段N伊N窗口下的纹理滤波T遥i=2,3,4,5曰N=3,5,9曰T为纹理滤波袁依次分为院均值ME袁方差VA袁协同性HO袁对比度CO袁相异性DI袁信息熵EN袁二阶矩SM袁相关性CR海拔

DEM派生的坡度因子土壤调节植被指数院SAVI=渊1+L冤渊籽NIR-籽R冤袁L为土壤调节系数袁因研究区植被覆盖率大袁本研究取0.25

渊籽NIR+籽R+L冤2.2地面实测数据及处理

地面实测数据49块标准地和116株高山松样木数据渊表2冤院实测标准地数据于2014年10原11月袁

在云南省香格里拉市境内的高山松分布范围内采集袁在高山松分布范围布设了49个大小为30m伊30m的样地袁记录了树高尧胸径尧样地差分GPS定位坐标和海拔等遥其中院林分地上生物量依据式渊1冤进行计算遥

W=0.0955渊DBH2H冤0.8329遥

渊1冤

胸径渊DBH冤和树高渊H冤袁并测定了树干尧树皮尧树叶尧树枝尧树冠生物量袁用于拟合高山松地上生物量计生物量测定方法遥

表2生物量实测数据基本信息表

Table2变量均值最大值最小值标准差

树高/m15.06133.004.206.480

样木数据渊N=116冤胸径/cm24.09476.005.6014.082

Basicinformationofbiomassmeasureddata单株地上生物量/kg276.3812058.50

4.03370.847

标准数据渊N=49冤标准树高/m9.27514.775.612.092

标准胸径/cm15.29523.108.623.373

高山松样木数据记录了不同龄组下渊包括幼龄林尧中龄林尧近熟林尧成熟林尧过熟林冤116株高山松

算模型遥本研究中的地上生物量由树干尧树枝和树叶3个部分的生物量构成袁生物量调查参照胥辉等咱16暂首先袁采用随机抽样法将116株样木数据分成2个部分院2/3样本作为建模样本建立生物量估算模型袁1/3作为检验样本对模型进行检验遥其次袁采用相对生长模型渊非线性模型冤袁运用最小二乘法对高等于46.73kg袁模型的验证结果如图2所示袁检验决定系数R2等于0.9957遥2.3.12.3

基于传统和优化k鄄NN模型的生物量估测传统k鄄最近邻法渊k鄄NN冤

山松单木地上生物量渊W冤模型进行拟合袁结果见式渊1冤袁拟合决定系数R2为0.9807袁均方根误差RMSE在k鄄NN的专业术语中袁将待测变量及其特征变量的观测值样本指定为

参考集袁将待测变量的预测集指定为目标集袁特征变量定义的空间成为特征空间遥对于诸如生物量或蓄积量等连续性变量M在像元p上的预测值mp的计算方法如下院

518浙江农林大学学报2019年远月20日

式渊2冤中院皂蚤为变量M参考样地点i上的实测值曰k为计算预测值mp时考虑的近邻个数曰憎蚤责为像元权重值袁其计算如下院

憎蚤责越dpvpj=i渊p冤-t

1皂责越移憎蚤责皂蚤遥

蚤越员噪渊2冤

为常量袁一般通过实验反复测试选取最佳值曰嗓i1渊p冤,噎,ik渊p冤瑟是与待测像元p在特征空间上最相似的k个参考集样本遥特征变量空间相似度由度量dpi,p袁其计算方法如下院

dp,p=

i

-t

式渊3冤中院i是参考集样本曰p是目标集像元曰pj是与参考集样本j对应的样本曰dpvp为距离分解因子曰k,t

扇设

设设设设缮设设设设设墒

0袁其他情况

/移d

ik渊p冤pi,p

-t袁当且仅当i沂嗓i1渊p冤,噎,ik渊p冤瑟遥

渊3冤

式渊4冤中院fl,p和fl,p分别为参考集和目标集样本对应的遥感影像光谱波段及其派生因子等特征变量曰nf为特征变量个数曰p为目标集像元曰pi为参考集样本i对应的像元曰棕l,f为赋予2.3.2

特征空间中第l个特征变量的权值遥

优化k鄄最近邻法渊ik鄄NN冤

ik鄄NN与k鄄NN在方法原

姨移nfl=1棕l,f渊fl,p-fl,p冤遥

渊4冤

理上是一样的袁改进之处在于前者使用遗传算法赋予了特征空间里的所有变量一个评价其重要性指标的权重向量袁的非单位矩阵棕l,f降低了不相关因子对因变量的影响袁间接的起到了因子筛选的作用遥

遗传算法优化棕l,f过程院渊1冤初始化遥便于描述袁将初始即式渊4冤中的棕l,f曰而后者则赋予所有变量相同的权值遥优化

图2

Figure2

高山松单木地上生物量模型验证

biomassmodel

ValidationofPinusdensataaboveground

初始化群体袁运用二进制渊0/1冤对基因进行编码袁并计算每一个染色体的适应度酌袁其计算公式见式渊5冤袁用于对初始染色体及子代染色体选择的评价指标遥渊2冤选择遥采用随机遍历采样袁根据自定义选择概率ps将已有的优良染色体复制后添入新染色体群体中袁删除劣质染色体曰染色体是否被选择的依据是其适应度的大小袁适应度大者被复制袁小者被淘汰袁确保新群体中的基因总数和初始群体相同遥渊3冤交叉遥利用交叉算子对染色体的基因编码进行重组袁发生的概率为pc袁通过交叉操作可以得到新一代染色体袁子代的染色体组合了父辈的特性遥交叉是遗传算法中最主要的操作袁体现了信息交换的思想遥渊4冤变异遥变异首先在染色体群体中随机选择1个个体袁对于选中的个体以突变概率pm随机地改变其基因的编码遥同生物界一样袁遗传算法中变异发生的概率很低袁通常取值很小遥2.4

模型的精度评价方法

留一法交叉验证袁即对于N个样本袁每次从N个样本中抽出1个样本作为测试集袁利用剩余的N原

化权重向量群体比作染色体群体袁权重向量的元素个体比作基因遥随机生成大小为咱npop袁nf暂的数组作为

赞咱式渊7冤暂及相对标准误差百分比赞咱式渊6冤暂和偏差e应样本的实测值渊yi冤进行统计分析袁利用均方根误差滓RMSE咱式渊8冤暂来检验模型的精度遥

赞冤=移滓赞,e赞j渊棕冤+酌渊棕,滓

赞=滓

nf1个样本作为参考集袁重复N次循环袁直至结束遥本研究将N个样本的模型预测值赠赞蚤越渊i=1,噎,N冤与对

姨j=1N赞-y冤移渊赠i=1蚤i赞渊棕冤移ej=1jnf曰渊5冤渊6冤渊7冤

2N赞=e赞-y冤移渊赠i=1蚤iN曰曰

N第36卷第猿期谢福明等院基于优化k鄄NN模型的高山松地上生物量遥感估测519

赞RMSE=滓伊100%遥

y赞为模型预测值的平均值遥个样本的实测值与模型预测值曰y渊8冤

式渊5冤~渊8冤中院酌为遗传算法适应度曰棕为赋予特征变量的权值曰nf为特征变量个数曰yi和赠赞蚤分别为第i

33.1

结果与分析建模特征变量的筛选

筛选特征变量的目的在于院淤降低特征空间的维数提高算法的运行速率袁保证研究的可行性曰于排除不相干变量尧选择相关性显著的特征变量来提高模型的精度遥在SPSS软件中分析特征变量与生物量之间的相关性显著水平袁综合考虑特征空间的维度和模型精度后袁从123个特征变量中选取16个与生物量极显著相关的特征变量作为建模变量遥表3是将特征变量分为原始尧显著相关和极显著相关3个等级后逐一评价的结果袁客观地反映了不同特征变量等级下的模型精度遥

表3不同特征变量等级下的模型精度对比

特征变量等级原始显著相关极显著相关显著或极显著相关

Table3数量123351651

Comparisonofmodelaccuracyunderdifferentlevelfeaturevariables赞/渊t滓窑hm原2冤33.9633.3429.9534.52

赞/渊t窑hm原2冤e0.03-2.70-0.420.01

RMSE/%61.663.654.862.6

参数dp,p曰计算待测像元p的预测值时考虑的在特征空间上最相似的参考集样本个数k及其加权方案wip遥

i

3.2.1

3.2模型参数优化配置

k鄄NN模型参数优化配置k鄄NN模型需要确定3个重要的参数院评估特征变量空间相似度的距离

依据CHIRICI等咱17暂和谢福明等咱18暂的研究袁在k鄄NN模型距离参数指标度量方式中袁最常用的是欧氏距离

渊70%冤袁其次是马氏距离渊3.5%冤袁以及典型相关分析度量渊1.9%冤袁故本研究选取欧氏距离作为特征变量空间相似度的评价标准遥k的选择通常介于1~10袁本研究结合相应的实验数据选取的k=5袁如图3A院k臆5时袁模型精度随k的增大而提高袁并在k=5时达最佳精度曰k＞5时袁模型的精度逐渐降低遥t即距离分解因子袁在模型中的应用见式渊3冤袁t通常取0~2内的值袁其对模型精度的影响较小渊图3B冤袁本研究t取2遥

kt

图3

Figure3

k鄄NN模型精度随k和t的变化曲线

Changecurveofmodelaccuracywiththevalueofkandt

3.2.2

模型来提高生物量的预测精度遥算法中的主要函数调用于Sheffield遗传算法工具箱袁其中的参数值在实赞,e赞冤随着遗传迭代次数渊10袁30或50冤的验中反复测试尧调试后确定遥其中袁图4表明了适应度酌渊棕,滓录了算法的最佳初始参数值和调用的主要算子遥

遗传算法参数说明遗传算法最终的目的是为每一个特征变量计算出权重袁并将其运用于k鄄NN

增加呈缓慢下降袁当迭代次数大于50时袁适应度随迭代次数的变化比较平稳袁并趋向于稳定遥表4记

520浙江农林大学学报2019年远月20日

表4遗传算法有效参数值与主要算子汇总

自定义有效参数值

遗传迭代次数ngen院30~80

Table4Parametersandmainfunctionsofgeneticalgorithm主要算子渊算法调用于Sheffield遗传算法工具箱冤

bs2rv.m袁二进制串到实值的转换crtbp.m袁创建任意离散随机种群初始化染色体群体个数npop院50优化权重上限值院0.5

染色体变异操作概率Pm院0.01

染色体基因交叉操作概率pc院0.7

染色体选择操作概率ps院0.95

reins.m袁一致随机和基于适应度的重插入

xovsp.m袁单点交叉曰mut.m袁离散变异

sus.m袁随机遍历采样选择方式

ranking.m袁基于排序的适应度分配

3.3模型效果分析

k鄄NN模型及其优化算法在MATLAB环境下调

试尧运行袁算法给予每个特征变量初始化的权重值均相等渊第0代冤袁表5为第50代优化的特征变量权重值渊算法的参数设置同2.2所述冤袁表5数据为标准化后的数值袁其和为1遥

本研究的主要目标是通过优化方法降低像元尺度下模型的估测误差袁提高对高山松地上生物量的估测精准度遥表6和图5表明院渊1冤基于传统k鄄NN均值为54.7t窑hm原2袁模型均方根误差为30.0t窑hm原2,图4偏差为原0.418t窑hm原2袁RMSE为54.8%渊图5A冤曰渊2冤遗根误差为24.0t窑hm原2袁偏差为原0.123t窑hm原2袁RMSE模型的样本生物量预测结果为16.2~92.6t窑hm原2袁平

遗传代数

遗传算法优化中适应度值随遗传代数的降低曲线

generationsinoptimizationofgeneticalgorithm

传算法优化后的ik鄄NN模型精度得到了提升袁均方Figure4Reductionoffitnessvaluecurvewiththenumberof降比例达75.6%袁模型精度RMSE提高了11.1%曰渊3冤ik鄄NN模型的样本估计值为23.3~95.2t窑hm原2袁在均值低估袁低值高估的现象遥3.4

生物量估计与反演

像元尺度下的定量反演是一项极其密集的任务袁需要逐一计算研究区内的每一个像元袁对计算机内存需求大袁故本研究把研究区分成多块区域后再逐一估测反演遥图6为k鄄NN和ik鄄NN2个模型局部反

表5第50代优化的特征变量权重值渊遗传代数为50袁上限值为0.5冤

Table5

项目权重项目权重

generations冤Valuesoftheelementsoftheweightvectorforfeaturevariablesforthe50thoptimization渊withupperbounds0.5and50

B2B2_3_MEB2_3_HOB3_5_MEB2_3_DIB3_3_HOB3_5_SMB3_3_DIB3_3_ENB3_3_SM为43.7%渊图5B冤遥与传统k鄄NN模型相比袁ik鄄NN模型的精度均方根误差值降低了约6.0t窑hm原2袁偏差下

上与实测值比较相近袁约55.0t窑hm原2遥但对于高生物量或低生物量区域的估测残差仍较大袁均出现高值

2.10伊10原32.42伊10原2B4_3_ME2.50伊10原22.88伊10原2B2_5_ME7.53伊10原22.29伊10原21.41伊10原12.75伊10原2B3_5_EN1.14伊10原19.52伊10原21.24伊10原12.59伊10原2B4_5_ME1.16伊10原14.04伊10原2B2_9_ME6.12伊10原27.50伊10原2B3_9_ME说明院Bi_N_T为纹理特征袁即第i波段N伊N窗口下的纹理滤波T遥纹理滤波依次分为院均值ME袁方差VA袁协同性HO袁对比

依次类推

度CO袁相异性DI袁信息熵EN袁二阶矩SM袁相关性CR遥如B2_3_ME袁即第2波段3伊3窗口下的均值渊ME冤纹理滤波袁

表6高山松地上生物量实测值与模型预测值统计结果

Table6变量样地实测k鄄NN预测ik鄄NN预测

StatisticsofobservationsandmodelpredictionsofabovegroundbiomassofPinusdensata最小值10.216.223.3

最大值141.292.695.2

生物量/渊t窑hm原2冤均值55.154.755.0

标准差34.918.920.1

第36卷第猿期谢福明等院基于优化k鄄NN模型的高山松地上生物量遥感估测

521图5模型优化前后生物量的估测精度对比

NN模型的预测值则为18.4~113.7t窑hm原2袁平均值为49.3t窑hm原2袁标准差为13.5t窑hm原2渊图6B冤遥模型的反演结果中离散分布的像元较少袁近邻相关性好袁更好地体现了变量的区域相关性遥依据森林资源二类为ik鄄NN模型的高山松地上生物量空间分布等级图袁生物量等级在16.8~108.9t窑hm原2之内袁主要分布在45~75t窑hm原2遥

调查统计数据袁研究区高山松分布区面积为1.74伊105hm2袁其地上总生物量估测结果为0.伊107t遥图7

演结果院k鄄NN模型的预测为20.0~97.5t窑hm原2袁平均值为49.5t窑hm原2袁标准差为13.1t窑hm原2渊图6A冤曰ik鄄

Figure5ComparisonofestimationaccuracyofabovegroundbiomassofPinusdensatabetweenk鄄NNandik鄄NNmodel

高山松地上生物量/渊t窑hm-2冤

＜3030~4545~5555~65

65~75＞75

高山松地上生物量/渊t窑hm-2冤

＜3030~4545~5555~65

65~75＞75

图6像元尺度下的k鄄NN/ik鄄NN模型局部反演对比

Figure6Comparisonoflocalinversionofk鄄NN/ik鄄NNmodelonpixelscale

4结论与讨论本研究使用遗传算法实现对k鄄NN模型中的特征变量赋予相应的权重值后袁构建加权欧氏距离袁结

合卫星数据和地面实测样地数据建立了优化的k鄄NN估测回归模型袁估算出香格里拉高山松地上生物量储量袁反演出地上生物量分布等级图遥结果显示院k鄄NN算法参数k和t分别取值为5和2时袁模型的预测效果最佳曰基于遗传算法优化的ik鄄NN模型预测精度优于传统的k鄄NN模型袁均方根误差为24.0t窑108.9t窑hm原2袁总估计值为0.伊107t遥

hm原2袁偏差为原0.123t窑hm原2袁RMSE为43.7%遥研究区像素级水平下高山松地上生物量的预测值为16.8~

CHIRICI等咱17暂研究显示院使用卫星光谱数据作为特征变量时袁需要大量的样本来获取较小的相对标

准误差百分比袁这与本研究结果相符合遥本研究k鄄NN模型的参考样本偏少袁且参考样本在空间分布上相对集中渊图1冤袁所以生物量的预测结果残差较大袁出现高值低估袁低值高估的现象曰造成这一现象的另一个原因是k鄄NN法本身存在的缺陷袁即只能局限于实测值范围内对未知单元进行估测袁预测值不会超出实测值的范围袁模型算法中k个参考样本间的加权求和降低了估计值的方差袁从而产生了更大的估

522浙江农林大学学报2019年远月20日

测误差遥但k鄄NN在大尺度区域上的森林资源监测中有很大的潜力袁不仅适用于森林参数的估测反演袁还适用于森林调查空间插值预测尧数据库监测尧小区域估测和统计做出突破可以有效提升其预测能技术借鉴院淤k鄄NN在搜索最近邻个体时应搜寻的范围袁如一个搜寻半径或在指定的图斑区域袁而不是全局搜索袁充分利用区域化变量的特性来提高模型的估测精度遥于利用地物光谱的差异性袁结合星载尧机载高光谱数据和地面实测高光谱数据或者其他能够区分地物的单波段袁利用最近邻法或其他机器学习算法实现对地物的精细识别袁提高区域尺度上的地物分类精度袁进而提高对其生理生化参数定量估测的准确性遥

图7

Figure7

推理等研究咱19-20暂袁并且从以下方面力袁为生活生产实践提供更好的

像元尺度下香格里拉市高山松地上生物量反演结果示意图

pixelscale

SpatialdistributionofPinusdensataabovegroundbiomassinShangri鄄laatthe

5参考文献咱1暂

王效科袁冯宗炜.中国森林生态系统中植物固定大气碳的潜力咱J暂.生态学杂志袁2000袁19渊4冤院72原74.ChinJEcol,2000,19渊4冤:72原74.

胡会峰袁刘国华.中国天然林保护工程的固碳能力估算咱J暂.生态学报袁2006袁26渊1冤院291原296.Sin,26渊1冤:291原296.

WANGXiaoke,FENGZongwei.ThepotentialtosequesteratmosphericcarbonthroughforestecosystemsinChina咱J暂.HUHuifeng,LIUGuohua.CarbonsequestrationofChina爷sNationalNaturalForestProtectionProject咱J暂.ActaEcol胡会峰袁刘国华.森林管理在全球CO2减排中的作用咱J暂.应用生态学报袁2006袁17渊4冤院709原714.2006,17渊4冤:709原714.1318.

HUHuifeng,LIUGuohua.Rolesofforestmanagementinglobalcarbondioxidemitigation咱J暂.ChinJApplEcol,汤旭光袁刘殿伟袁王宗明袁等.森林地上生物量遥感估算研究进展咱J暂.生态学杂志袁2012袁31渊5冤院1311原

咱2暂咱3暂咱4暂

咱5暂咱6暂咱7暂咱8暂咱9暂

渊7/1冤:419原424.

TOMPPOE.Satelliteimagery鄄basednationalinventoryofFinland咱J暂.IntArchPhotogrammRemoteSensing,1991,28MCROBERTSRE.Estimatingforestattributeparametersforsmallareasusingnearestneighborstechniques咱J暂.ForEcolManage,2012,272渊3冤:3原12.

MCROBERTSRE,N覷SSETE,GOBAKKENT.Optimizingthek鄄NearestNeighborstechniqueforestimatingforestabovegroundbiomassusingairbornelaserscanningdata咱J暂.RemoteSensingEnviron,2015,163:13原22.

sensingdata:areview咱J暂.ChinJEcol,2012,31渊5冤:1311原1318.

TANGXuguang,LIUDianwei,WANGZongming,etal.Estimationofforestabovegroundbiomassbasedonremote

MURAM,MCROBERTSRE,CHIRICIG,etal.Statisticalinferenceforforeststructuraldiversityindicesusingair鄄MCROBERTSRE,DOMKEGM,CHENQ,etal.Usinggeneticalgorithmstooptimizek鄄NearestNeighborsconfigu鄄bornelaserscanningdataandthek鄄NearestNeighborstechnique咱J暂.RemoteSensingEnviron,2016,186:678原686.

第36卷第猿期谢福明等院基于优化k鄄NN模型的高山松地上生物量遥感估测523

咱10暂咱11暂咱12暂咱13暂咱14暂

rationsforusewithairbornelaserscanningdata咱J暂.RemoteSensingEnviron,2016,184:387原395.laserscanningdata咱J暂.ForEcolManage,2017,401:295原303.

MCROBERTSRE,CHENQ,WALTERSBF.Multivariateinferenceforforestinventoriesusingauxiliaryairborne

borestimation咱J暂.CanJForRes,2002,32渊9冤:1548-1561.

KATILAM,TOMPPOE.Stratificationbyancillarydatainmultisourceforestinventoriesemployingk鄄nearestneigh鄄TOMPPOE,HALMEM.Usingcoarsescaleforestvariablesasancillaryinformationandweightingofvariablesink鄄

陈尔学袁李增元袁武红敢袁等.基于k鄄NN和Landsat数据的小面积统计单元森林蓄积量估测方法咱J暂.林业科学研究袁2008袁21渊6冤院745原750.

CHENErxue,LIZengyuan,WUHonggan,etal.Forestvolumeestimationmethodforsmallareasbasedonk鄄NNandLandsatdata咱J暂.ForRes,2008,21渊6冤:745原750.

郭颖.森林地上生物量的非参数遥感估测方法优化咱D暂.北京院中国林业科学研究院袁2011.Data咱D暂.Beijing院ChineseAcademyofForestry,2011.

胥辉袁张会儒.林木生物量模型研究咱M暂.昆明院云南科技出版社袁2002.294.

GUOYing.OptimumNon鄄ParametricMethodforForestAbovegroundBiomassEstimationbasedonRemoteSensingCHIRICIG,MURAM,MCINEMEYD,etal.Ameta鄄analysisandreviewoftheliteratureonthek鄄NearestNeighborstechniqueforforestryapplicationsthatuseremotelysenseddata咱J暂.RemoteSensingEnviron,2016,176渊2冤:282原2018袁40渊4冤院743原750.

谢福明袁舒清态,字李袁等.基于k鄄NN非参数模型的高山松生物量遥感估测研究咱J暂.江西农业大学学报袁

NeighbourestimatorandLandsatimagery咱J暂.RemoteSensingEnviron,2009,113渊3冤:500原517.

TOMPPOE,GAGLIANOC,NATALEFD,etal.Predictingcategoricalforestvariablesusinganimprovedk鄄Nearest

NNestimation:ageneticalgorithmapproach咱J暂.RemoteSensingEnviron,2004,92渊1冤:1原20.

咱15暂咱16暂

咱17暂

咱18暂

XIEFuming,SHUQingtai,ZILi,etal.RemotesensingestimationofPinusdensataabovegroundbiomassbasedon

咱19暂咱20暂

k鄄NNnonparametricmodel咱J暂.ActaAgricUnivJiangxi,2018,40渊4冤:743原750.throughk鄄NNandMODISimagery咱J暂.CanJForRes,2014,44渊5冤:521原532.

BEAUDOINA,BERNIERPY,GUINDONL,etal.MappingattributesofCanada爷sforestsatmoderateresolution

EcolManage,2012,272渊3冤:3原12.

MCROBERTSRE.Estimatingforestattributeparametersforsmallareasusingnearestneighborstechniques咱J暂.For