论文部分内容阅读
以云南省怒江流域为研究对象，基于2016年森林资源二类调查数据和同时期的Landsat 8OLI遥感数据，提取小班遥感变量的均值统计值，选择蓄积量–生物量转换模型计算研究区9类优势树种或树种组的小班单位面积森林地上生物量，采用半变异函数的球状模型计算9类优势树种或树种组的光学遥感估测的光饱和值，应用逐步回归模型估测和BP神经网络模型对不同优势树种或树种组的森林地上森林生物量进行估测。结果表明：不同优势树种或树种组森林的森林地上生物量光学遥感估测的光饱和值分别为桦木林139 t/hm~2、桤木林181 t/hm~2、桉树林70 t/hm~2、云南松林182 t/hm~2、云冷杉林197 t/hm~2、乔木经济林161 t/hm~2、其他针叶林182 t/hm~2、其他阔叶林147 t/hm~2、常绿栎类林141 t/hm~2;BP神经网络模型的拟合精度以及检验指标均明显优于多元逐步线性回归模型，其中各树种或树种组的BP神经网络模型的R~2比多元逐步线性回归模型的R~2高出0.1～0.2；逐步回归模型中其他阔叶林的R~2最高，达到0.744;BP神经网络模型中其他阔叶林的R~2最高，达0.815，且乔木经济林、常绿栎类林和桤木林的R~2均在0.6以上；分段残差分析表明2个模型均存在低值高估和高值低估的情况，尤其在生物量小于150 t/hm~2时，BP神经网络模型的估测精度较逐步线性回归有明显提高。