本书通过集成时空滤波、空间抽样优化、机器学习建模及多源遥感协同技术，解决了高噪声时序数据重建、碳储量模型鲁棒性提升、监测成本优化、不确定性机理解析四大核心科学问题，构建了适用于研究区的碳储量遥感监测技术体系，为西南林区碳汇能力评估提供了方法论支撑，也为高海拔生态脆弱区碳计量提供了可复制的范式。
样章试读
目录
- 目录
第1章 基于时空滤波数据的区域高山松林碳储量估测研究 1
1.1 研究区概况与数据来源 3
1.1.1 研究区概况 3
1.1.2 数据来源 3
1.2 地形感知时空滤波算法 6
1.2.1 地理探测器 6
1.2.2 Vondrak平滑 7
1.2.3 双边滤波 7
1.2.4 时间差项双边滤波 8
1.2.5 算法流程 9
1.2.6 滤波后影像质量评价指标 11
1.2.7 应用TP-STF算法重建时间序列遥感数据 11
1.2.8 基于不同滤波方法的Landsat时间序列数据滤波 16
1.3 基于时空滤波数据的森林地上碳储量估测研究 19
1.3.1 用于建模的遥感特征因子 19
1.3.2 碳储量建模方法 21
1.3.3 基于不同数据集的优势树种碳储量建模特征因子提取 23
1.3.4 不同数据集下森林地上碳储量建模精度对比 24
1.4 香格里拉森林地上碳储量反演 26
1.4.1 优势树种的地上碳储量反演制图 27
1.4.2 森林地上碳储量反演结果 28
1.4.3 反演结果与现有研究成果的比较 28
1.5 本章 小结 29
第2章 基于遥感影像和空间抽样的高山松碳储量估算研究 31
2.1 研究方法 33
2.1.1 数据处理 33
2.1.2 抽样方案设计 36
2.1.3 抽样效率评价 43
2.1.4 模型建立与评估 43
2.2 结果与分析 44
2.2.1 不同分层标志的抽样效率评估 44
2.2.2 空间分层方法的对比研究 50
2.3 碳储量估测的不同空间布局优化方法对比 58
2.3.1 不同空间布局优化方法的优化结果 59
2.3.2 不同空间布局优化方法的抽样精度对比 63
2.3.3 基于空间布局优化方法的碳储量估测结果 65
2.4 本章 小结 67
第3章 结合林分和时间序列遥感因子的高山松碳储量估测模型构建 69
3.1 研究方法 71
3.1.1 样地筛选和地上碳储量计算 71
3.1.2 遥感影像预处理 71
3.1.3 提取遥感因子 72
3.1.4 碳储量及遥感因子变化量计算 75
3.1.5 遥感因子筛选 75
3.1.6 森林地上碳储量估测模型构建 76
3.1.7 精度评价方法 77
3.1.8 碳储量反演及制图 77
3.2 结果与分析 78
3.2.1 碳储量变化量统计结果 78
3.2.2 遥感因子筛选结果 78
3.2.3 遥感因子建模结果 80
3.2.4 遥感因子结合平均年龄建模结果 82
3.2.5 遥感因子结合郁闭度建模结果 84
3.2.6 精度提升效果评价与分析 86
3.3 香格里拉市高山松地上碳储量反演 88
3.3.1 碳储量反演及制图 88
3.3.2 与其他结果的对比 89
3.4 本章 小结 90
第4章 引入地形与气候因子的高山松林地上碳储量估测研究 93
4.1 研究方法 95
4.1.1 数据尺度转换 95
4.1.2 遥感因子提取 96
4.1.3 各组合下的遥感因子筛选 96
4.1.4 地形、气候因子提取及其与遥感数据的组合 97
4.1.5 模型建立与评价 98
4.2 基于单源遥感数据的模型构建 99
4.2.1 基于Landsat 8 OLI数据的建模结果 99
4.2.2 基于Sentinel-1数据的建模结果 100
4.2.3 基于Sentinel-2A数据的建模结果 101
4.3 基于多源遥感数据的模型构建 102
4.3.1 L+S1数据的建模结果 102
4.3.2 S1+S2数据的建模结果 103
4.3.3 L+S1+S2数据的建模结果 104
4.4 加入地形与气候因子的各数据源模型构建 105
4.4.1 Landsat 8 OLI数据加入地形与气候因子的模型构建 105
4.4.2 Sentinel-1数据加入地形与气候因子的模型构建 108
4.4.3 Sentinel-2A数据加入地形与气候因子的模型构建 111
4.4.4 结合Landsat 8 OLI与Sentinel-1数据加入地形与气候因子的模型构建 116
4.4.5 结合Landsat 8 OLI与Sentinel-2A数据加入地形与气候因子的模型构建 118
4.4.6 结合Sentinel-1/2A数据加入地形与气候因子的模型构建 123
4.4.7 结合Landsat 8 OLI与Sentinel-1/2A数据加入地形与气候因子的模型 构建 125
4.4.8 单源到多源遥感数据的模型改善效果 130
4.5 高山松地上碳储量反演及制图 131
4.5.1 基于RF的L+S1+S2模型的高山松地上碳储量估测结果 132
4.5.2 2021年香格里拉高山松地上碳储量分布反演 132
4.6 本章 小结 133
第5章 基于机器学习和空间插值的高山松林区域地上碳储量估测 137
5.1 分层抽样 139
5.1.1 分层抽样方法的设计 139
5.1.2 分层抽样结果 140
5.2 特征筛选及模型构建 140
5.2.1 数据特征相关性筛选 140
5.2.2 特征筛选评价 143
5.2.3 模型构建方法 143
5.2.4 模型评价方法 145
5.3 残差克里金插值方法及分析 146
5.3.1 残差克里金正态分布检验 147
5.3.2 克里金插值法 148
5.3.3 随机森林残差克里金 149
5.3.4 多元线性回归残差克里金 149
5.3.5 梯度提升回归树残差克里金 150
5.3.6 残差克里金插值结果比较与分析 150
5.3.7 精度验证 151
5.4 香格里拉市高山松地上碳储量制图 152
5.4.1 残差克里金插值结果图 152
5.4.2 高山松地上碳储量图 153
5.5 本章 小结 154
第6章 基于Sentinel-1/2数据的高山松地上碳储量估测的不确定性分析 157
6.1 研究方法 159
6.1.1 遥感数据的处理 159
6.1.2 遥感特征变量的提取 163
6.1.3 相关性分析 165
6.1.4 建模方法 165
6.1.5 精度评价 166
6.2 基于样地尺度的不确定性计算 166
6.2.1 碳储量模型拟合 166
6.2.2 样地尺度的不确定性研究方法 167
6.3 结果与分析 170
6.3.1 碳储量模型的拟合 170
6.3.2 基于一元碳储量模型的森林碳储量估测的不确定性 171
6.3.3 基于二元碳储量模型的森林碳储量估测的不确定性 172
6.3.4 样地尺度的总不确定性 174
6.3.5 建模样本数量对模型不确定性的影响 174
6.3.6 不同分组方式对模型残差不确定性的影响 177
6.4 基于不同建模方法的森林碳储量估测的不确定性 178
6.4.1 遥感估测模型的不确定性计算 178
6.4.2 相关性分析结果 179
6.4.3 MLR模型的精度和不确定性 180
6.4.4 RF模型的精度和不确定性 183
6.5 不同模型估测碳储量的总不确定性 187
6.6 本章 小结 188
第7章 基于遥感特征变量的香格里拉市高山松碳汇估测及驱动力分析 191
7.1 研究方法 193
7.1.1 样地数据处理 193
7.1.2 遥感特征因子提取 195
7.1.3 样地数据和遥感特征因子变化量的计算与筛选 197
7.1.4 模型构建 197
7.1.5 驱动力分析 202
7.2 高山松地上碳汇动态变化估测模型构建 204
7.2.1 样地数据计算结果统计 204
7.2.2 建模因子筛选结果 204
7.2.3 超参数优化结果 204
7.3 香格里拉市高山松地上碳汇反演结果 209
7.3.1 高山松地上碳汇反演结果 209
7.3.2 碳汇反演结果的时空变化分析 210
7.3.3 与其他研究的对比 211
7.4 香格里拉市高山松碳汇驱动力分析 214
7.4.1 地理探测器分析结果 214
7.4.2 单因子探测分析 214
7.4.3 交互探测分析 216
7.4.4 气候因子驱动机制分析 217
7.5 本章 小结 221
参考文献 223
京公网安备 11010102004214号