本书深入探讨了利用遥感技术，特别是多源遥感数据和时间序列遥感数据，在森林优势树种分类、生物量及碳储量估算中的最新进展与应用。通过对云南省普洱市思茅松和香格里拉市高山松两个典型区域的优势树种研究，本书不仅展示了遥感技术在树种分类中的高精度实现，还构建了多种生物量与碳储量估测模型，为区域乃至全球森林资源的可持续管理提供了科学依据。书中详细阐述了从数据收集、处理到模型构建、验证的全过程，并对比了不同方法的优劣，最终实现了森林地上生物量和碳储量的精确分析与空间制图。

更多科学出版社服务，请扫码获取。

(1) 2015-09 至 2019-06, 西南林业大学, 森林经理学, 博士 (2) 2004-09 至 2007-07, 昆明理工大学, 地图学与地理信息系统, 硕士(推免) (3) 2001-09 至 2005-07, 昆明理工大学, 国际经济与贸易, 学士（第二学士学位） (4) 2000-09 至 2004-07, 昆明理工大学, 测绘工程, 学士(1) 2021-12 至 今, 西南林业大学, 林学院, 教授，教研室主任，学科负责人 (2) 2013-09 至 2021-11, 西南林业大学, 林学院林学系森林经理室, 副教授 (3) 2012-09 至 2013-09, McGill University, 地理系, 访问学者 (4) 2009-09 至 2011-09, 西南林业大学, 林学院林学系森林经理室, 讲师 (5) 2007-07 至 2009-09, 西南林学院, 资源学院森林经理教研室, 助教在国内外核心期刊上发表论文60余篇，授权发明专利2项，获得软件著作权8项。出版专著2部，出版教材2部。SCI检索7篇。

目录
第1章 基于Sentinel-1/2时序数据的普洱市优势树种分类与时空变化研究 1
1.1 概述 1
1.2 特征提取与特征组合 2
1.2.1 雷达特征提取 2
1.2.2 光谱特征提取 3
1.2.3 植被特征提取 4
1.2.4 纹理特征提取 5
1.2.5 环境特征提取 6
1.2.6 特征组合 7
1.3 分类算法 8
1.3.1 随机森林算法 8
1.3.2 支持向量机算法 8
1.3.3 梯度提升树算法 8
1.4 分层分类法 9
1.5 精度评价 10
1.6 基于GEE的普洱市优势树种分类 10
1.6.1 基于随机森林的优势树种分类 11
1.6.2 基于支持向量机的优势树种分类 16
1.6.3 基于梯度提升树的优势树种分类 21
1.6.4 2018～2022年分类结果对比分析 27
1.6.5 特征重要性分析 28
1.7 普洱市优势树种时空变化分析 28
1.7.1 优势树种时空分布 29
1.7.2 优势树种时空变化分析 30
1.8 应用实践 31
1.8.1 利用GEE进行随机森林分类原理 31
1.8.2 GEE进行树种分类 32
第2章 结合多频偏振SAR数据估算思茅松地上生物量 44
2.1 概述 44
2.2 特征提取 45
2.2.1 后向散射系数 45
2.2.2 纹理特征 45
2.3 特征筛选 47
2.4 遥感估测模型 48
2.4.1 随机森林 48
2.4.2 K最近邻 48
2.4.3 极化分解参数 49
2.4.4 梯度提升回归树 49
2.4.5 精度评价方法 50
2.5 基于单频SAR数据的森林AGB 估测 50
2.5.1 散射机制分析 50
2.5.2 特征重要性分析 52
2.5.3 特征选择结果 53
2.5.4 模型精度验证与评价 54
2.6 基于多频SAR数据的森林AGB 估测 58
2.6.1 特征选择结果 58
2.6.2 模型精度验证与评价 59
2.7 应用实践 63
2.7.1 SNAP软件SAR数据预处理 63
2.7.2 SNAP软件SAR数据极化预处理 71
2.7.3 特征筛选 78
2.7.4 利用基于非参数模型的森林地上生物量估测软件V2.1进行估测 81
第3章 基于GOSAT 碳卫星的普洱市森林碳储量变化估测研究 92
3.1 概述 92
3.2 特征因子提取 93
3.2.1 遥感因子提取 93
3.2.2 坡度、坡向及海拔的提取与分析 95
3.2.3 GEOS通量数据库整理 95
3.3 因子优选 96
3.3.1 相关性分析 96
3.3.2 强相关因子的决策与优选 98
3.4 普洱市森林碳储量估测模型构建 99
3.4.1 GEOS-Chem模型运行机理介绍 99
3.4.2 GEOS-Chem模型评价体系 100
3.5 普洱市森林碳储量估测模型构建与评价 100
3.5.1 普洱市森林CO2浓度同化反演 101
3.5.2 普洱市森林碳储量模型估测 101
3.5.3 模型构建结果 102
3.6 普洱市森林碳储量变化估测结果分析 103
3.6.1 普洱市森林碳储量十年间的变化估测结果统计 103
3.6.2 普洱市2009～2014年的森林碳储量分布制图 103
3.6.3 普洱市2015～2018年的森林碳储量分布制图 106
3.6.4 普洱市森林碳储量空间差异性分析 106
3.7 估测误差验证与分析 109
3.8 应用实践 110
3.8.1 数据获取方式 110
3.8.2 碳卫星数据查看方式 111
3.8.3 数据预处理及解译 113
3.8.4 GEOS-Chem模型的安装与调试 120
3.8.5 CO2浓度反演模型编译 123
3.8.6 碳通量与碳储量估测模型编译 124
3.8.7 估测结果读取与保存 129
第4章 结合遥感和环境变量的高山松地上碳储量模型构建及空间特征分析 130
4.1 概述 130
4.1.1 遥感变量提取 131
4.1.2 遥感变量筛选 132
4.2 建模方法原理及介绍 134
4.2.1 多元线性回归模型 134
4.2.2 非参数模型 134
4.2.3 模型精度评价 135
4.3 地统计分析方法 136
4.3.1 空间自相关性Moran’s Ι指数 136
4.3.2 半方差分析 136
4.4 基于不同遥感变量组合建模结果分析 137
4.4.1 遥感变量筛选结果 137
4.4.2 相关性分析 138
4.4.3 共线性诊断 141
4.4.4 模型构建结果 142
4.4.5 模型精度评价 145
4.5 引入环境变量的高山松地上碳储量建模结果对比及分析 147
4.5.1 碳储量和环境变量相关性 147
4.5.2 引入不同环境变量的建模结果 148
4.5.3 引入地表温度的高山松地上碳储量反演结果 151
4.6 香格里拉高山松地上碳储量空间统计分析 153
4.6.1 基于Moran’s Ι指数的空间自相关性特征 153
4.6.2 高山松地上碳储量的空间自相关分析 153
4.7 应用研究 156
4.7.1 数据处理 156
4.7.2 环境变量数据 160
4.7.3 遥感变量提取 160
4.7.4 遥感变量提取至点 163
4.7.5 变量筛选 164
4.7.6 RF 模型构建 167
4.7.7 地上碳储量反演 167
4.7.8 地统计分析方法 167
第5章 基于Landsat8影像的香格里拉市高山松地上碳储量估测及不确定性分析 171
5.1 概述 171
5.2 遥感因子提取 172
5.2.1 原始波段因子 172
5.2.2 植被指数因子 173
5.2.3 简单比值植被指数 173
5.2.4 信息增强因子 173
5.2.5 纹理信息特征因子 175
5.2.6 地形因子 175
5.2.7 植被生长因子 176
5.2.8 变量汇总及筛选 177
5.3 递归特征消除 178
5.4 机器学习模型 178
5.4.1 随机森林（RF） 178
5.4.2 极端梯度提升（XGBoost） 179
5.4.3 CatBoost 179
5.5 蒙特卡罗模拟方法 180
5.6 不确定性量化方法 181
5.6.1 测量不确定性 181
5.6.2 参数不确定性 182
5.6.3 残差不确定性 182
5.6.4 不确定性合成 183
5.6.5 利用遥感技术评估植被碳储量的不确定性分析 183
5.7 样地尺度不确定性分析 183
5.7.1 样地测量不确定性计算 183
5.7.2 单木碳储量模型的不确定性计算 184
5.7.3 样地尺度上的综合不确定性 184
5.8 遥感估测模型的不确定性 185
5.8.1 遥感变量因子选择 185
5.8.2 碳储量模型构建及不确定性分析 186
5.8.3 不同机器学习模型的不确定性对比与分析 196
5.9 应用实践 197
5.9.1 实验数据 197
5.9.2 地上碳储量计算 198
5.9.3 影像预处理 198
5.9.4 遥感因子提取 212
5.9.5 因子优选 212
5.9.6 模型选择 212
5.9.7 蒙特卡罗模拟计算碳储量不确定性 213
第6章 基于Sentinel-1/2时间序列数据的香格里拉市高山松地上碳储量估测研究 215
6.1 概述 215
6.2 Sentinel-1/2多时间尺度遥感变量提取 216
6.2.1 Sentinel-1变量提取 217
6.2.2 Sentinel-2变量提取 219
6.2.3 多季节估测模型变量构建 222
6.2.4 同一变量不同时段重要性评估 222
6.2.5 遥感变量优选 223
6.3 Sentinel-1/2多时间尺度的地上碳储量模型的建模方法 224
6.3.1 梯度提升回归树 224
6.3.2 随机森林 225
6.4 模型精度评估方法 225
6.5 Sentinel-1/2 估测地上碳储量的能力评估 226
6.5.1 变量贡献度分析 226
6.5.2 对比S-1、S-2 和S-1S-2的地上碳储量模型精度 227
6.6 Sentinel-1/2多时间尺度遥感估测地上碳储量的季节特性 229
6.6.1 变量季节特性 229
6.6.2 S-1/2多时间尺度地上碳储量模型建模结果 230
6.6.3 考虑变量季节性特征的S-1S-2 地上碳储量模型估测能力评估 235
6.7 香格里拉市高山松地上碳储量制图及空间分布特征分析 238
6.7.1 香格里拉市高山松地上碳储量反演制图 238
6.7.2 香格里拉市高山松地上碳储量空间分布特征分析 240
6.8 应用研究 242
6.8.1 样地数据上传及导入 242
6.8.2 遥感数据调用及筛选 242
6.8.3 数据预处理 243
6.8.4 变量提取 247
6.8.5 建模估测和反演 250
第7章 基于时空滤波数据的区域高山松地上碳储量估测研究 259
7.1 概述 259
7.2 ATC算法 262
7.2.1 算法原理 262
7.2.2 算法步骤 263
7.3 滤波后影像质量评价指标 264
7.3.1 平均绝对误差 264
7.3.2 峰值信噪比 264
7.3.3 结构相似性 265
7.4 ATC算法滤波后结果分析 265
7.5 基于不同滤波方法的时间序列数据滤波 269
7.5.1 Land-Trendr滤波 269
7.5.2 Savitzky-Golay滤波 269
7.5.3 中值滤波 270
7.5.4 不同滤波方法结果对比 270
7.6 遥感特征因子的提取 272
7.6.1 地形因子 272
7.6.2 遥感因子 272
7.6.3 纹理因子 274
7.7 碳储量建模方法 275
7.7.1 多元线性回归建模 275
7.7.2 随机森林回归建模 276
7.7.3 梯度提升回归树建模 276
7.7.4 地上碳储量估测模型评价指标 277
7.8 碳储量建模精度对比 278
7.8.1 多元线性回归树建模精度对比 278
7.8.2 随机森林回归建模精度对比 280
7.8.3 梯度提升回归树建模精度对比 280
7.9 香格里拉高山松地上碳储量反演 281
7.9.1 结合纹理因子的高山松地上碳储量估测模型构建 282
7.9.2 高山松地上碳储量反演结果 283
7.9.3 1987～2017年高山松地上碳储量区间分布统计 287
7.10 应用研究 288
7.10.1 空间插值 288
7.10.2 提取TPI 288
7.10.3 TPI重分类 289
7.10.4 按照空间位置的匹配 289
7.10.5 实现ATC算法 290
7.10.6 将点转换成影像 290
7.10.7 ATC算法完整代码 290
参考文献 295