摘要
1 绪论
1.1 研究的目的与意义
1.2 国内外研究现状
1.2.1 光学遥感技术在森林树高和生物量估算方面的应用
1.2.2 雷达遥感技术在森林树高和生物量估算方面的应用
1.2.3 激光雷达遥感技术在森林树高和生物量估算方面的应用
1.2.4 多源遥感技术在森林树高和生物量估算方面的应用
1.3 研究内容与技术路线
1.3.1 研究内容
1.3.2 技术路线
2 研究区域概况与数据收集处理
2.1 研究区域概况
2.1.1 小兴安岭研究区域
2.1.2 凉水实验林场研究区域
2.2 ICESat/GLAS激光雷达数据
2.2.1 ICESat/GLAS介绍
2.2.2 ICESat/GLAS测高原理
2.2.3 GLAS数据介绍
2.3 MISR数据
2.3.1 MISR数据介绍
2.3.2 MISR数据预处理
2.4 Landsat时间序列数据
2.4.1 Landsat卫星数据介绍
2.4.2 Landsat时间序列数据预处理
2.4.3 扰动监测指数
2.5 森林资源调查数据
2.6 其他数据
2.6.1 高程数据
2.6.2 分类数据
2.7 本章小结
3 GLAS激光点冠层高度的提取
3.1 ICESat/GLAS激光点冠层高度计算
3.1.1 ICESat/GLAS波形数据计算
3.1.2 研究区GLAS激光点冠层高度
3.2 GLAS激光点冠层高度验证
3.2.1 机载激光雷达数据
3.2.2 机载激光雷达数据处理
3.2.3 地面调查与测量
3.2.4 机载雷达树高反演
3.2.5 机载雷达树高反演精度评价
3.2.6 ICESat/GLAS冠层高度验证
3.3 本章小结
4 区域森林冠层高度无缝估算
4.1 模型输入变量
4.2 模型计算方法
4.2.1 随机森林回归原理
4.2.2 随机森林回归模型性能评价
4.2.3 随机森林变量重要性度量
4.2.4 随机森林回归算法的实现流程
4.3 随机森林树高反演模型
4.4 模型评价指标
4.5 结果与分析
4.5.1 模型参数评价
4.5.2 模型性能评价
4.6 本章小结
5 GLAS激光点森林地上生物量模型
5.1 ICESat/GLAS波形参数
5.2 基于野外调查数据的森林地上生物量计算
5.3 逐步回归模型
5.3.1 多元线性回归原理
5.3.2 逐步回归
5.4 Erf-BP神经网络模型
5.4.1 BP神经网络
5.4.2 Erf-BP神经网络
5.5 GLAS生物量模型比较
5.6 本章小结
6 区域生物量无缝估算
6.1 MISR数据森林地上生物量反演
6.1.1 建模与分析
6.1.2 结论
6.2 Landsat提取森林扰动参数及对森林参数估算的影响研究
6.2.1 影像选择
6.2.2 Landtrendr计算方法
6.2.3 扰动参数计算
6.2.4 森林冠层高度和生物量模型
6.2.5 结果与讨论
6.2.6 结论
6.3 本章小结
结论与讨论
参考文献
攻读学位期间发表的学术论文
致谢
声明
东北林业大学;