导读:本文包含了蓄积估测论文开题报告文献综述及选题提纲参考文献，主要关键词:森林蓄积量,自变量,聚类分析,岭估计
蓄积估测论文文献综述
涂云燕,彭道黎[1]（2019）在《基于聚类分析与岭估计模型的森林蓄积量遥感估测》一文中研究指出为提高森林蓄积量遥感估测的可靠性及解决自变量间相关性问题,本研究拟采用基于聚类分析与岭估计模型对密云县森林蓄积量进行估测。选取对森林蓄积量有影响的遥感、地形因子作为分类刻画因子进行聚类分析。根据聚类结果选取建模样本,采用岭估计模型对森林蓄积量进行估测,并对其进行适用性评价与精度验证。用离差平方和进行聚集得到3种分类结果,按个数权重抽取建模样本,用30个独立预留样本对模型进行验证。结果表明,预留样本实测值与估测值的R2为0.5311,均方根误差为1.4553,相对偏差为8.9%,实测值为90.942 m3,估测值为82.842 m3。模型适用性一般,估测精度达到91.1%,总体估测精度高。(本文来源于《中国农学通报》期刊2019年35期）
蒋馥根,孙华,ZHAO,Feng,林辉,龙江平[2]（2019）在《基于方差优化k最近邻法的森林蓄积量估测》一文中研究指出森林资源调查是数字森林资源监测的基础,遥感技术可以克服传统方法如抽样调查的局限性,有效地缩短作业时间,提高效率。虽然目前森林蓄积量遥感估测方法很多,但随着样本数量的增加,这些方法无法保证估算的准确性。本研究拟提出一种基于方差速率优化的k最近邻法(kNN),以2017年10月Planet Labs影像为数据源,结合赤峰市旺业甸林场蓄积量实测数据建立反演模型,并与地理加权回归(GWR)模型、随机森林(RF)模型、普通kNN模型和距离加权kNN模型进行对比分析。在建立的森林蓄积量反演模型中,方差优化kNN模型得到最优精度[决定系数(R~2)为0.69,均方根误差(RMSE)为67.6 m~3·hm~(-2),相对均方根误差(RRMSE)为32.04%],显着优于其他模型。结果表明,方差优化kNN模型相比其他模型更适用于森林蓄积量遥感估测,森林蓄积量遥感反演空间分布符合实际分布情况,可以满足建立反演模型的需求。同时,由于Planet Labs影像的鲜明特征(即具有高时间分辨率),该数据的时间序列数据对于森林季节变化有丰富的记录,在反演森林蓄积量方面有着很大潜力。(本文来源于《森林与环境学报》期刊2019年05期）
张翔雨,王瑞瑞[3]（2019）在《基于资源叁号卫星遥感影像的森林蓄积量估测》一文中研究指出以宁波市北仑区新路林场作为研究区域,选用主成分回归法、偏最小二乘法和逐步回归法3种不同方法,基于资源叁号卫星影像建立蓄积量反演模型,并对比不同估测模型的精度得出逐步回归模型为最优模型,相对精度为95.2%,满足林业调查的需要。(本文来源于《湖北农业科学》期刊2019年12期）
李世波,林辉,王光明,程韬略[4]（2019）在《基于GF-1的森林蓄积量遥感估测》一文中研究指出森林蓄积量是评价森林资源数量的一个重要指标。结合遥感影像和地面调查数据估测森林蓄积量受遥感影像、遥感因子、预处理方法、估测方法等多方面的影响。为研究国产GF-1遥感影像估测森林蓄积量的最佳遥感因子组合方式和较优估测方法,并绘制森林蓄积量空间分布图,为我国森林蓄积量的研究提供理论基础和科学依据。为研究GF-1遥感影像估测森林蓄积量的遥感因子和估测方法,以湖南省醴陵市为研究对象,以国产GF-1遥感影像为数据源,通过对遥感图像预处理,获取光谱信息、纹理因子、植被指数作为特征变量,结合同时期的二类调查样地数据,从GF-1遥感影像像元与样地不匹配角度出发,应用移动窗口的方法解决像元与样地的对应关系,采用多元逐步回归、偏最小二乘回归和随机森林模型对研究区森林蓄积量进行估测,采用建模精度和估测精度进行分析评价。实验结果表明:1)3个模型选择的因子都包含了NDVI、 Band2、DI3、CO1和DVI等5个遥感因子,说明其对森林蓄积量的估测比较敏感;2)随机森林模型优于偏最小二乘回归和多元逐步回归,其决定系数R2为0.73、估测精度为83.69%。利用GF-1遥感影像结合随机森林模型应用于森林蓄积量的估测结果趋于真实分布,效果较理想;采用移动窗口法,利用国产GF-1遥感影像并结合随机森林进行森林蓄积量估测具有较好的应用前景。(本文来源于《中南林业科技大学学报》期刊2019年08期）
张苏,周小成,黄洪宇,冯芝清[5]（2019）在《基于SVR的GF1号遥感影像森林蓄积量估测》一文中研究指出国产高分辨率卫星遥感影像已成为森林资源调查和监测的重要数据源。基于国产卫星遥感的森林蓄积量估算成为重要的研究方向之一。本研究以福建省将乐县为研究区,选择国产高分辨率高分一号卫星2 m分辨率遥感影像为主要数据源,加以辅助野外实地调查数据,分别采用多元线性回归和SVM(support vector machine)回归方法开展亚热带针叶林蓄积量估算效果评价研究。首先,从融合影像中提取遥感因子,包括11个光谱因子和10个纹理因子等;其次,对21个遥感因子进行相关性分析,选取皮尔森相关系数较大的6个遥感因子;第叁,应用多元线性回归和支持向量机回归(support vector regression,SVR)对所选遥感因子建立模型,选取最优模型反演将乐县蓄积量分布图。结果表明:支持向量机回归(SVR)估测蓄积量的模型预估精度达到98. 22%。(本文来源于《贵州大学学报(自然科学版)》期刊2019年03期）
罗蜜,孙玉军,张博,周来[6]（2019）在《应用衍生纹理指数对杉木林分蓄积量的估测》一文中研究指出以福建省叁明市将乐国有林场的杉木纯林为研究对象,利用高分2号遥感影像数据,将光谱因子、地形因子分别与全色波段纹理特征、融合数据纹理特征、衍生纹理指数组合为自变量,样地蓄积量为因变量,采用多元逐步回归算法构建不同窗口下的蓄积量估测模型。结果表明:全色波段纹理特征模型和融合数据纹理特征模型最佳窗口为3×3窗口,衍生纹理指数模型最佳窗口为7×7窗口;以最优窗口建立的蓄积量回归模型,拟合效果最优的是衍生纹理指数模型(R~2=0.705,R_(MSE)=37.183 m3/hm2),其估测精度为80.67%,而融合数据纹理特征模型和全色波段纹理特征模型的估测精度分别为72.89%、60.35%,说明衍生纹理指数能够有效地提升高分2号影像数据对杉木林分蓄积量估测的精度。(本文来源于《东北林业大学学报》期刊2019年07期）
刘恒[7]（2019）在《基于多源数据的森林资源二类调查蓄积量估测研究》一文中研究指出森林资源规划设计调查(简称二类调查)主要任务是查清森林资源种类和森林类型识别以及获取定量化的林分参数等。传统的森林资源二类调查方法和调查技术手段落后,调查周期长(10年一次),费时费力,无法形成年度动态数据,难以满足新形势下森林资源动态监测需求。因此,急需通过现代化物联网信息技术、大数据遥感技术和3S技术,实现森林资源二类调查的快速监测,提高调查和监测效率。本文在前人研究的基础上,结合多元统计学相关理论算法,利用克旗2014年森林资源二类调查小班数据和2018年一类调查样地数据,重点围绕高分一号、高分二号和Landsat8卫星数据,针对森林资源二类调查的实际需要,采用3S技术等现代化手段研究森林资源二类调查主要林分因子提取算法,主要是小班蓄积量和小班森林类别估测;在此基础上运用C#语言、ArcGIS Engine和插件式技术的支持下,开发出配套的小班属性信息提取系统,并对系统进行实验验证,同时利用已建立的KNN模型对托河林场进行反演,并将反演结果与实测值进行精度对比分析。通过对克旗2194块小班数据进行系统验证,得出小班蓄积量提取结果加权平均相对精度为81.8%,小班森林类型提取结果相对平均精度为72.65%,并生成小班蓄积量和森林类别空间分布专题图;在将反演结果与实测数据进行精度比对时,得出托河林场1101个有林地小班蓄积量提取结果平均相对精度88.04%,小班森林类型提取结果相对平均精度为70.91%,提取效果良好,满足二类调查技术规程要求,可广泛应用于全国森林资源二类调查生产实践。(本文来源于《西安科技大学》期刊2019-06-01）
杨明星,徐天蜀,牛晓花,霍鹏,岳彩荣[8]（2019）在《基于Sentinel-1A雷达影像的思茅松林蓄积量估测》一文中研究指出探讨C波段雷达影像估测森林蓄积量的应用潜力,建立思茅松林蓄积量遥感估测模型,为利用遥感技术快速、准确、大面积的估测森林蓄积量提供参考。以云南省普洱市思茅区思茅松林为研究对象,采用C波段双极化合成孔径雷达Sentinel-1A影像为数据源,提取影像不同极化方式下的后向散射系数,并分别计算4个窗口(5×5、7×7、9×9、11×11)下的9种纹理特征,共计提取75维影像特征作为备选自变量,结合45块地面蓄积量调查样地,采用随机森林算法,进行建模因子重要性分析,选择最优特征,即选取VH极化方式、5×5窗口下VH极化方式的均值和异质性、7×7和9×9窗口下VH极化方式的最大概率、11×11窗口下VH极化方式的最大概率和协同性,共7个特征因子,建立随机森林蓄积量估测模型,R~2达到0.64,RMSE为30.35m~3/hm~2,模型的估测精度达到75.46%,森林蓄积量估测效果较好。研究表明,基于C波段双极化雷达影像提取纹理特征,利用随机森林算法进行特征选择,建立的森林蓄积量估测模型具有一定的可行性和推广性。(本文来源于《西部林业科学》期刊2019年02期）
刘唐,江涛,李昂,郭连杰[9]（2019）在《基于神经网络和不同立地质量的森林蓄积量遥感估测》一文中研究指出运用BP神经网络技术建立区分立地质量等级森林蓄积量遥感估测模型并探讨其适用性。以2009年黑龙江省伊春市凉水自然保护区森林资源二类调查数据为基础数据划分森林的立地质量等级,以森林蓄积量为研究对象,基于该地区LANDSAT-TM影像以及DEM数据提取遥感因子,采用BP神经网络方法构建区分立地质量的森林蓄积量遥感估测模型,并引入回归分析方法和不区分立地质量的模型予以比较。结果表明,基于不同立地质量等级的模型明显好于不区分立地质量等级的估测模型,且BP神经网络模型较回归分析模型可以更好地预测森林的蓄积量。经过对比检验,基于不同立地质量等级的BP神经网络模型性能优异,验证总体预测精度高达97%以上、实测值与预测值的R~2在0.94左右;不区分立地质量等级的BP神经网络模型的R~2为0.89,预测精度95%左右。同等条件下,BP神经网络模型较多元线性回归模型的预测精度约提高了3%～5%,R~2值提高了0.1左右。(本文来源于《山东科技大学学报(自然科学版)》期刊2019年02期）
李亚东,曹明兰,李长青,明海军[10]（2019）在《无人机森林航摄影像叁维点云估测林分蓄积量研究》一文中研究指出森林蓄积量能够评估林地生产力的高低及经营措施的效果,为森林经营与采伐提供重要依据。目前,大多基于无人机影像的蓄积量估算,均建立在测绘标准所生成的DOM、DSM、DEM等测绘成果基础上,而未充分利用原始影像数据上的林业特征,无法从点云层面上加入林业业务逻辑产生成果数据。获取无人机影像后,利用特征点提取与匹配方法自动相对定向,结合控制点和光束法平差的迭代求解,解算出精确的相机姿态数据,并沿核线方向一维搜索特征点进行影像密集匹配生成密集点云。对原始叁维点云过滤后进行树冠分割,在聚类后的林冠点云中提取了树顶点和树高因子估测了森林蓄积量。研究结果表明,冠幅的提取精度85.15%,树高的提取精度83.69%,林分蓄积量估算的精度达到了82.46%。(本文来源于《中南林业科技大学学报》期刊2019年03期）
蓄积估测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
森林资源调查是数字森林资源监测的基础,遥感技术可以克服传统方法如抽样调查的局限性,有效地缩短作业时间,提高效率。虽然目前森林蓄积量遥感估测方法很多,但随着样本数量的增加,这些方法无法保证估算的准确性。本研究拟提出一种基于方差速率优化的k最近邻法(kNN),以2017年10月Planet Labs影像为数据源,结合赤峰市旺业甸林场蓄积量实测数据建立反演模型,并与地理加权回归(GWR)模型、随机森林(RF)模型、普通kNN模型和距离加权kNN模型进行对比分析。在建立的森林蓄积量反演模型中,方差优化kNN模型得到最优精度[决定系数(R~2)为0.69,均方根误差(RMSE)为67.6 m~3·hm~(-2),相对均方根误差(RRMSE)为32.04%],显着优于其他模型。结果表明,方差优化kNN模型相比其他模型更适用于森林蓄积量遥感估测,森林蓄积量遥感反演空间分布符合实际分布情况,可以满足建立反演模型的需求。同时,由于Planet Labs影像的鲜明特征(即具有高时间分辨率),该数据的时间序列数据对于森林季节变化有丰富的记录,在反演森林蓄积量方面有着很大潜力。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
蓄积估测论文参考文献
[1].涂云燕,彭道黎.基于聚类分析与岭估计模型的森林蓄积量遥感估测[J].中国农学通报.2019
[2].蒋馥根,孙华,ZHAO,Feng,林辉,龙江平.基于方差优化k最近邻法的森林蓄积量估测[J].森林与环境学报.2019
[3].张翔雨,王瑞瑞.基于资源叁号卫星遥感影像的森林蓄积量估测[J].湖北农业科学.2019
[4].李世波,林辉,王光明,程韬略.基于GF-1的森林蓄积量遥感估测[J].中南林业科技大学学报.2019
[5].张苏,周小成,黄洪宇,冯芝清.基于SVR的GF1号遥感影像森林蓄积量估测[J].贵州大学学报(自然科学版).2019
[6].罗蜜,孙玉军,张博,周来.应用衍生纹理指数对杉木林分蓄积量的估测[J].东北林业大学学报.2019
[7].刘恒.基于多源数据的森林资源二类调查蓄积量估测研究[D].西安科技大学.2019
[8].杨明星,徐天蜀,牛晓花,霍鹏,岳彩荣.基于Sentinel-1A雷达影像的思茅松林蓄积量估测[J].西部林业科学.2019
[9].刘唐,江涛,李昂,郭连杰.基于神经网络和不同立地质量的森林蓄积量遥感估测[J].山东科技大学学报(自然科学版).2019
[10].李亚东,曹明兰,李长青,明海军.无人机森林航摄影像叁维点云估测林分蓄积量研究[J].中南林业科技大学学报.2019