研究目的
利用多模态遥感与最少地面测量数据估算森林林分各树种的平均冠层高度与生物量，扩展至四种树种并在哈佛森林进行验证。
研究成果
所提出的方法有望通过多模态遥感与模拟技术来估算异质林分中的森林参数，计划将其扩展至更多树种，并在哈佛森林等真实环境中进行验证，从而可能增进对碳循环和森林管理的理解。
研究不足
该方法目前最多可验证两种物种，其中高度的均方根误差为1.46米，生物量的均方根误差为1.63千克/平方米，物种组成的误差为20%；扩展到四种物种可能会增加复杂性和误差。该方法依赖于模拟数据和特定传感器模型，可能无法涵盖现实中的所有变异性。
1：实验设计与方法选择：
该方法利用密歇根分形树木模型（MFTM）生成模拟林分数据库（包含同质和异质林分，最多四种树种），通过SAR、IfSAR、激光雷达和光学传感器的模拟器计算特征参数。采用基于均方误差的相似度度量迭代算法，优化树种组成、树高和生物量参数。
2：样本选择与数据来源：
研究区域为马萨诸塞州哈佛森林的前景山地区，具体选取含12个树种的8号林分。数据包括多模态遥感测量值和树干定位测试林分。
3：实验设备与材料清单：
使用MFTM生成的模拟林分，以及AirSAR（L波段和C波段）、LVIS激光雷达、Landsat 7 ETM和类似SRTM的干涉SAR传感器模拟器。
4：实验流程与操作步骤：
生成模拟林分→计算传感器响应→通过相似度度量与输入林分比对→若相似度超过阈值则迭代优化参数→将成功匹配的林分加入数据库。
5：数据分析方法：
采用带权重系数的均方误差函数进行相似度计算，基于雅可比矩阵的迭代优化方法处理树高、生物量和各树种数量参数。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
AirSAR
L-band and C-band
Synthetic Aperture Radar sensor for remote sensing data collection
-
LVIS LiDAR
LiDAR sensor for canopy height and biomass estimation
-
Landsat 7 ETM
Optical sensor for multispectral data collection
-
Interferometric SAR
Similar to SRTM
Interferometric Synthetic Aperture Radar for scattering phase centers
-
Michigan Fractal Tree Model
MFTM
Fractal-based tree geometry generator for simulating forest stands
-
登录查看剩余3件设备及参数对照表
查看全部
