資源描述：
《基于KNN方法的森林蓄積量遙感估計(jì)和反演概述》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、第25卷第3期遙感技術(shù)與應(yīng)用Vol.25No.32010年6月REMOTESENSINGTECHNOLOGYANDAPPLICATIONJun.2010基于KNN方法的森林蓄積量遙感估計(jì)和反演概述12222鄭剛,彭世揆,戎慧,李楊,王妮(1.江蘇省森林資源監(jiān)測中心,江蘇南京210036;2.南京林業(yè)大學(xué)森林資源與環(huán)境學(xué)院,江蘇南京210037)摘要:K鄰近距離法(KNN)作為一種非參數(shù)方法,多適用于非正態(tài)分布和密度函數(shù)未知的遙感數(shù)據(jù)分類和參數(shù)估計(jì),已被廣泛地用于寒帶和亞寒帶地區(qū)的多源林業(yè)
2、調(diào)查和森林蓄積量估計(jì)反演。從KNN方法的基本原理出發(fā),在與傳統(tǒng)蓄積量遙感估計(jì)方法進(jìn)行對比的基礎(chǔ)上,詳細(xì)地介紹了KNN方法的特點(diǎn)以及與Kmean方法的區(qū)別,總結(jié)了KNN法森林蓄積量估計(jì)誤差的評價(jià)模型和度量參數(shù)。還對KNN法森林蓄積量遙感估計(jì)的國內(nèi)外研究動態(tài)進(jìn)行了總結(jié),表明了多源信息在KNN法森林蓄積量遙感估計(jì)中的重要性,總結(jié)出KNN方法進(jìn)行森林蓄積量遙感估計(jì)的兩種方法:基于樣地點(diǎn)級和基于林分級。最后詳細(xì)闡述了影響KNN法森林蓄積量估計(jì)的眾多因素,提出了在低緯度地區(qū)利用KNN法對森林蓄積量遙感估計(jì)和反演進(jìn)行系統(tǒng)研究的建議。關(guān)
3、鍵詞:KNN;森林蓄積量;遙感;估計(jì)和反演中圖分類號:TP79;S79文獻(xiàn)標(biāo)志碼:A文章編號:10040323(2010)030430081引言提高工作效率等,并可實(shí)現(xiàn)森林資源的實(shí)時(shí)監(jiān)測,具有重要的社會意義及經(jīng)濟(jì)意義。森林調(diào)查因子,包括平均直徑、平均樹高、每公傳統(tǒng)的蓄積量遙感估計(jì)方法主要包括多元回歸頃蓄積量、每公頃株數(shù)等參數(shù),是森林資源調(diào)查的主[4][5]方法、數(shù)量化方法、偏最小二乘(PLS)、最優(yōu)回[1]要內(nèi)容之一;其中,森林蓄積量一直是森林資源調(diào)歸方程等,但這些方法都存在一個很大的缺陷,就是查和監(jiān)測的
4、最重要的指標(biāo)之一。森林蓄積量的消長當(dāng)影響蓄積量估計(jì)的RS和GIS信息間存在復(fù)共線動態(tài)是林業(yè)經(jīng)濟(jì)效益的主要標(biāo)志,也是制定計(jì)劃采性時(shí),它們就不適合進(jìn)行蓄積量估計(jì),而KNN方法伐的依據(jù);同時(shí),森林蓄積量也是以森林蓄積量數(shù)據(jù)則能夠有效地克服這種缺陷。本文首先從KNN方[2]為基礎(chǔ)的森林固碳估計(jì)一個重要方法。自20世法的基本原理出發(fā),全面而詳細(xì)地介紹如何利用紀(jì)70年代起,隨著航天遙感技術(shù)開始在森林資源調(diào)KNN方法進(jìn)行森林蓄積量的遙感估計(jì)和反演。[3]查中得到應(yīng)用,參數(shù)和非參數(shù)回歸、神經(jīng)元網(wǎng)絡(luò)、2KNN算法基本原理和特點(diǎn)圖像分割技術(shù)等
5、也逐漸在森林資源調(diào)查中得到應(yīng)用,遙感技術(shù)在森林資源調(diào)查中的作用已越來越被2.1KNN算法基本原理人們認(rèn)可和使用。KNN方法(KNearestNeighbor)又叫參考樣[67]森林蓄積量的遙感估計(jì)和反演是指通過數(shù)學(xué)手本法(ReferenceSamplePlotMethod),其基本段,在遙感、計(jì)算機(jī)技術(shù)和數(shù)學(xué)物理模型推動下,利原理為:記p為目標(biāo)點(diǎn)(targetplot),pi為參考點(diǎn)用衛(wèi)星影像特征判讀數(shù)據(jù),結(jié)合少量的地面調(diào)查資(referenceplot),dp,p為兩點(diǎn)之間光譜距離,其中,i料或地面臨時(shí)樣地資料,建立
6、調(diào)查數(shù)據(jù)和遙感影像參考點(diǎn)pi的森林參數(shù)和森林類型都為已知的。距離之間的數(shù)學(xué)模型,對森林蓄積量的數(shù)量(估計(jì))和分是用來衡量樣本之間的相似度的,距離值越小,表明布(反演)給出表達(dá)的建模技術(shù)。與傳統(tǒng)的森林調(diào)查相似性越大,反之則表明相似性越小。對于目標(biāo)點(diǎn)相比,其優(yōu)勢在于減少野外工作量、降低投入資金、p,找出其光譜空間最鄰近的k個樣地點(diǎn)p1、收稿日期:20091207;修訂日期:20100419作者簡介:鄭剛(1985-),男,碩士,現(xiàn)從事森林經(jīng)理、林業(yè)遙感和地理信息系統(tǒng)研究等工作。Email:nfuzheng@yeah.n
7、et。第3期鄭剛等:基于KNN方法的森林蓄積量遙感估計(jì)和反演概述431p2、...、pk,其中dp,pdp,pdp,p。由于對圖像噪聲、森林蓄積量的林分內(nèi)變化以及樣地點(diǎn)坐12k象受其近鄰的影響是不同的,通常距離越近對象對標(biāo)錯位(相對于影像坐標(biāo)而言)而引起的隨機(jī)變化。其影響越大,因而,為了減少KNN估計(jì)的偏差,目但是KNN方法屬于計(jì)算密集型方法,計(jì)算需要消標(biāo)點(diǎn)p的連續(xù)型森林參數(shù)vp可以通過k個參考點(diǎn)的耗大量時(shí)間是實(shí)際應(yīng)用中存在的主要問題。相應(yīng)的連續(xù)型森林參數(shù)vp(i=1,2,,k)的加權(quán)
8、平2.3KNN與Kmean分類的關(guān)系[8]均法獲得(式1)。其中權(quán)重wpi,p通過光譜空間的傳統(tǒng)的K均值(Kmean)算法是一種基于分[14]反距離函數(shù)獲得(式2)。KNN方法實(shí)質(zhì)上是一個常割、劃分的聚類方法,其思想是將數(shù)據(jù)集X分割用于空間插值的反距離加權(quán)平均法;當(dāng)k=1時(shí),為k個
