抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
[目的]リモートセンシング方法を利用して、高山松固定地の地上バイオマス推定のパラメーターモデルを構築し、今後、前期のサンプル地に基づいて、直接快速、正確にバイオマスを推定できるか、あるいは少量の外業調査を展開すれば、地上バイオマスを獲得できる。[方法]リモートセンシング因子と地上バイオマス変化量および線形混合モデルに基づき,バイオマス推定精度を向上し,1987,1992,1997,2002,2007,2012,および2007年,2006年,42017年7期の国家森林資源調査の固定サンプルと対応年LandsatTM、OLIのLevel-1データを基に、まずリモートセンシングデータに対して前処理を行った。放射較正,大気補正,幾何補正,および地形補正を含む,原バンド,比因子,植生指数,画像強調情報,テクスチャ指数,混合画素分解後の豊度および葉面積指数を抽出し,530年間隔の対応するリモートセンシング因子の変化を計算した。森林資源の2種類の調査による高山松の分布特徴に基づき、地形因子を線形混合モデルの固定とランダム効果として選択し、多重線形回帰、非線形回帰、地理加重回帰、線形混合モデルを採用して、高山松地上バイオマス推定の静的モデルを構築した。リモートセンシングスペクトル情報量の変化に基づいて,樹高と樹高のない動的モデルを構築した。最後に,異なるモデリング方法および検証結果を比較し,そして,最適結果を,推定モデルとして選択し,そして,検証した。【結果】(1)静的データモデリングと検証の結果,固定因子と勾配等級がランダム因子であった線形混合モデルの適合R2は0.75であったが,訓練データセットと2017年データで検証し,その精度は低かった。(2)変化量データのモデリングと検証の結果,固定因子,勾配等級,およびリモートセンシング因子の変化の変数は,それぞれ,R2,0.70,および(68.86±11.93)%であった。平均樹高変化量は増加し,R2の最高値は0.79であり,予測P値は(73.39±6.18)%であった。(3)有り、無樹高関与の変化量モデルのフィッティングと予測精度はいずれも80%に達し、その予測精度はノンパラメトリックモデルの予測精度に達した。[結論]変化量に基づく推定モデルのフィッティングと予測精度は静的モデルより向上した。リモートセンシング因子と地形因子を総合して構築した高山松地上バイオマスの推定線形混合モデルは、その精度が大幅に向上した。リモートセンシング因子の変化量により構築した高山松地上バイオマスの推定モデルは、静的光学リモートセンシングデータによるバイオマスの不足を有効的に補償し、他の年期の推定に用いることができる。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】
