謝福明，字 李，舒清態(tài)

（西南林業(yè)大學(xué) 林學(xué)院，云南 昆明650224）

大氣中溫室氣體濃度上升引起的全球氣候變化，導(dǎo)致極端氣候事件頻發(fā)，嚴(yán)重威脅著人類(lèi)生存與社會(huì)經(jīng)濟(jì)的可持續(xù)發(fā)展，成為各國(guó)政府和科學(xué)家關(guān)注的重大環(huán)境問(wèn)題。在應(yīng)對(duì)全球氣候變化背景下，森林碳匯的相關(guān)研究成為科學(xué)界關(guān)注的熱點(diǎn)［1-3］。生物量是森林生態(tài)系統(tǒng)碳匯潛力評(píng)估的重要基礎(chǔ)，如何快速、準(zhǔn)確地獲取森林生物量信息，在20世紀(jì)90年代就成了森林生態(tài)系統(tǒng)與全球氣候變化研究的關(guān)鍵［4］。準(zhǔn)確評(píng)估森林碳儲(chǔ)量的時(shí)空變化，不僅可以為森林資源的經(jīng)營(yíng)管理和林業(yè)可持續(xù)發(fā)展提供的科學(xué)依據(jù)，而且對(duì)碳循環(huán)及碳匯研究具有重要的意義。隨著遙感技術(shù)的不斷發(fā)展，利用數(shù)學(xué)模型結(jié)合實(shí)測(cè)樣地?cái)?shù)據(jù)進(jìn)行生物量的大尺度快速估測(cè)變得有效可行。k-最近鄰法（k-nearest neighbor,k-NN）作為一種非參數(shù)方法，已被廣泛用于多源林業(yè)調(diào)查和森林參數(shù)估計(jì)的反演。1990年，TOMPPO［5］首次將k-NN技術(shù)應(yīng)用于芬蘭森林資源監(jiān)測(cè)中并取得了較好的效果。MCROBERTS［6］記錄了該技術(shù)在國(guó)際范圍內(nèi)被廣泛用于林業(yè)應(yīng)用領(lǐng)域，包括森林調(diào)查空間插值預(yù)測(cè)、數(shù)據(jù)庫(kù)監(jiān)測(cè)、反演制圖、小區(qū)域估測(cè)和統(tǒng)計(jì)推理。從數(shù)據(jù)層面上來(lái)講，k-NN與Landsat影像，機(jī)載激光掃面數(shù)據(jù)和MODIS數(shù)據(jù)聯(lián)合使用估測(cè)評(píng)價(jià)森林屬性的研究較多，并且將機(jī)載激光掃描指標(biāo)等主動(dòng)遙感變量與光學(xué)遙感、大尺度森林變量等參數(shù)結(jié)合使用有助于提高k-NN模型的預(yù)測(cè)精度［7］。國(guó)外研究者在遺傳算法的優(yōu)化下，利用k-NN和機(jī)載激光掃描數(shù)據(jù)對(duì)森林資源調(diào)查、森林參數(shù)估測(cè)與評(píng)價(jià)等方面取得了較好的研究成果［8-10］。KATILA等［11］和TOMPPO等［12］運(yùn)用數(shù)字地圖進(jìn)行數(shù)據(jù)分層和使用遺傳算法對(duì)特征變量進(jìn)行加權(quán)來(lái)作為一種提高預(yù)測(cè)精度的手段后，該方法得到了加強(qiáng)。利用遺傳算法對(duì)衛(wèi)星影像數(shù)據(jù)特征變量加權(quán)優(yōu)化將會(huì)提高估測(cè)精度，并且將優(yōu)化好的模型應(yīng)用于單一森林屬性變量（如某個(gè)樹(shù)種）比同時(shí)應(yīng)用于多變量的精度會(huì)提高許多［13］。然而，國(guó)內(nèi)的研究學(xué)者缺少對(duì)k-NN模型算法進(jìn)行優(yōu)化改良的研究，僅局限于將傳統(tǒng)的k-NN運(yùn)用于不同的森林參數(shù)估計(jì)。如陳爾學(xué)等［14］運(yùn)用Landsat數(shù)據(jù)和傳統(tǒng)的k-NN法對(duì)小面積統(tǒng)計(jì)單元森林蓄積量估測(cè)，其結(jié)果表明采用k-NN法對(duì)縣市級(jí)統(tǒng)計(jì)單元森林參數(shù)的估測(cè)效果明顯優(yōu)于只利用固定樣地?cái)?shù)據(jù)的傳統(tǒng)參數(shù)估測(cè)方法。郭穎［15］利用k-NN非參數(shù)回歸模型對(duì)甘肅省西水林場(chǎng)的森林地上生物量進(jìn)行估測(cè)，并用隨機(jī)森林算法（RF）進(jìn)行特征選擇后估測(cè)精度得以提升，優(yōu)化后的算法在處理錯(cuò)誤樣本時(shí)具有良好的容錯(cuò)能力。本研究使用遺傳算法對(duì)k-NN模型進(jìn)行優(yōu)化，使模型預(yù)測(cè)結(jié)果的偏差、均方根誤差等最小化，以期提高模型的估測(cè)精度，實(shí)現(xiàn)對(duì)研究區(qū)高山松Pinus densata地上生物量?jī)?chǔ)量估計(jì)與空間反演制圖。

1 研究區(qū)概況

研究區(qū)位于滇西北迪慶藏族自治州香格里拉市境內(nèi)（26°52′11.44″～28°50′59.57″N， 99°23′6.08″～100°18′29.15″E）（圖 1）。 研究區(qū)地勢(shì)高聳，熱量不足，氣溫偏低，海拔為1 503～5 545 m，多年平均氣溫為5.5℃，歷年平均降水量為618.4 mm，平均降雪日為35.7 d，年日照率為40%～50%，屬山地寒溫帶季風(fēng)氣候。境內(nèi)密集的金沙江水系支流、冰雪融水和高原湖泊等水資源以及以棕壤、紅壤為主的森林土壤類(lèi)型孕育了豐富的植物資源。森林植被面積大，覆蓋率高，南北差異分布明顯，主要分布有10種植被類(lèi)型，常見(jiàn)的樹(shù)種有云杉Picea asperata，冷杉Abies fabri，高山松，云南松Pinus yunnanensis和高山櫟Quercus semicarpifolia等。其中，高山松適應(yīng)性廣，更新能力強(qiáng)，是喜光、耐旱、耐瘠薄的優(yōu)勢(shì)樹(shù)種。一般分布于云杉、冷杉林下限，海拔為2 800～3 500 m，林分外貌整齊，成片分布，以同齡單層林常見(jiàn)，占全市喬木林面積的22.7%。

圖1 研究區(qū)地理位置示意圖Figure 1 Location of the study area

2 數(shù)據(jù)與方法

2.1 遙感數(shù)據(jù)及信息提取

從地理空間數(shù)據(jù)云（http：//www.gscloud.cn/）獲取 Landsat 8/OLI影像 3景覆蓋整個(gè)研究區(qū)：2015年11月9日（2景），軌道號(hào)分別為132/040和132/041；2015年12月20日（1景），軌道號(hào)為 131/041（圖 1）。 并采用軟件ENVI 5.3對(duì)衛(wèi)星影像進(jìn)行輻射定標(biāo)、大氣校正（FLAASH）和幾何精校正等預(yù)處理后提取單波段、多波段組合、主成分變換、纓帽變換、植被指數(shù)、紋理和地形特征 （由DEM提取）等共計(jì)123個(gè)因子，作為建模因子備選參數(shù)（表1）。

表1 遙感因子一覽表Table 1 A list of factors derived from remote sensing

2.2 地面實(shí)測(cè)數(shù)據(jù)及處理

地面實(shí)測(cè)數(shù)據(jù)49塊標(biāo)準(zhǔn)地和116株高山松樣木數(shù)據(jù)（表2）：實(shí)測(cè)標(biāo)準(zhǔn)地?cái)?shù)據(jù)于2014年10-11月，在云南省香格里拉市境內(nèi)的高山松分布范圍內(nèi)采集，在高山松分布范圍布設(shè)了49個(gè)大小為30 m×30 m的樣地，記錄了樹(shù)高、胸徑、樣地差分GPS定位坐標(biāo)和海拔等。其中：林分地上生物量依據(jù)式（1）進(jìn)行計(jì)算。

高山松樣木數(shù)據(jù)記錄了不同齡組下（包括幼齡林、中齡林、近熟林、成熟林、過(guò)熟林）116株高山松胸徑（DBH）和樹(shù)高（H），并測(cè)定了樹(shù)干、樹(shù)皮、樹(shù)葉、樹(shù)枝、樹(shù)冠生物量，用于擬合高山松地上生物量計(jì)算模型。本研究中的地上生物量由樹(shù)干、樹(shù)枝和樹(shù)葉3個(gè)部分的生物量構(gòu)成，生物量調(diào)查參照胥輝等［16］生物量測(cè)定方法。

表2 生物量實(shí)測(cè)數(shù)據(jù)基本信息表Table 2 Basic information of biomass measured data

首先，采用隨機(jī)抽樣法將116株樣木數(shù)據(jù)分成2個(gè)部分：2/3樣本作為建模樣本建立生物量估算模型，1/3作為檢驗(yàn)樣本對(duì)模型進(jìn)行檢驗(yàn)。其次，采用相對(duì)生長(zhǎng)模型（非線(xiàn)性模型），運(yùn)用最小二乘法對(duì)高山松單木地上生物量（W）模型進(jìn)行擬合，結(jié)果見(jiàn)式（1），擬合決定系數(shù)R2為0.980 7，均方根誤差RMSE等于46.73 kg，模型的驗(yàn)證結(jié)果如圖2所示，檢驗(yàn)決定系數(shù)R2等于0.995 7。

2.3 基于傳統(tǒng)和優(yōu)化k-NN模型的生物量估測(cè)

2.3.1 傳統(tǒng)k-最近鄰法（k-NN） 在k-NN的專(zhuān)業(yè)術(shù)語(yǔ)中，將待測(cè)變量及其特征變量的觀測(cè)值樣本指定為參考集，將待測(cè)變量的預(yù)測(cè)集指定為目標(biāo)集，特征變量定義的空間成為特征空間。對(duì)于諸如生物量或蓄積量等連續(xù)性變量M在像元p上的預(yù)測(cè)值mp的計(jì)算方法如下：

式（2）中：mi為變量M參考樣地點(diǎn)i上的實(shí)測(cè)值；k為計(jì)算預(yù)測(cè)值mp時(shí)考慮的近鄰個(gè)數(shù)；wip為像元權(quán)重值，其計(jì)算如下：

式（3）中：i是參考集樣本；p是目標(biāo)集像元；pj是與參考集樣本j對(duì)應(yīng)的樣本；為 距離分解因子；k,t為常量，一般通過(guò)實(shí)驗(yàn)反復(fù)測(cè)試選取最佳值是與待測(cè)像元p在特征空間上最相似的k個(gè)參考集樣本。特征變量空間相似度由度量dpi,p，其計(jì)算方法如下：

式（4）中：fl,pj和fl,p分別為參考集和目標(biāo)集樣本對(duì)應(yīng)的遙感影像光譜波段及其派生因子等特征變量；nf為特征變量個(gè)數(shù)；p為目標(biāo)集像元；pi為參考集樣本i對(duì)應(yīng)的像元；ωl,f為賦予特征空間中第l個(gè)特征變量的權(quán)值。

2.3.2 優(yōu)化k-最近鄰法（ik-NN）ik-NN與k-NN在方法原理上是一樣的，改進(jìn)之處在于前者使用遺傳算法賦予了特征空間里的所有變量一個(gè)評(píng)價(jià)其重要性指標(biāo)的權(quán)重向量，即式（4）中的ωl,f；而后者則賦予所有變量相同的權(quán)值。優(yōu)化的非單位矩陣ωl,f降低了不相關(guān)因子對(duì)因變量的影響，間接的起到了因子篩選的作用。

圖2 高山松單木地上生物量模型驗(yàn)證Figure 2 Validation ofPinus densata aboveground biomass model

遺傳算法優(yōu)化ωl,f過(guò)程：（1）初始化。便于描述，將初始化權(quán)重向量群體比作染色體群體，權(quán)重向量的元素個(gè)體比作基因。隨機(jī)生成大小為［npop，nf］的數(shù)組作為初始化群體，運(yùn)用二進(jìn)制（0/1）對(duì)基因進(jìn)行編碼，并計(jì)算每一個(gè)染色體的適應(yīng)度γ，其計(jì)算公式見(jiàn)式（5），用于對(duì)初始染色體及子代染色體選擇的評(píng)價(jià)指標(biāo)。（2）選擇。采用隨機(jī)遍歷采樣，根據(jù)自定義選擇概率ps將已有的優(yōu)良染色體復(fù)制后添入新染色體群體中，刪除劣質(zhì)染色體；染色體是否被選擇的依據(jù)是其適應(yīng)度的大小，適應(yīng)度大者被復(fù)制，小者被淘汰，確保新群體中的基因總數(shù)和初始群體相同。（3）交叉。利用交叉算子對(duì)染色體的基因編碼進(jìn)行重組，發(fā)生的概率為pc，通過(guò)交叉操作可以得到新一代染色體，子代的染色體組合了父輩的特性。交叉是遺傳算法中最主要的操作，體現(xiàn)了信息交換的思想。（4）變異。變異首先在染色體群體中隨機(jī)選擇1個(gè)個(gè)體，對(duì)于選中的個(gè)體以突變概率pm隨機(jī)地改變其基因的編碼。同生物界一樣，遺傳算法中變異發(fā)生的概率很低，通常取值很小。

2.4 模型的精度評(píng)價(jià)方法

留一法交叉驗(yàn)證，即對(duì)于N個(gè)樣本，每次從N個(gè)樣本中抽出1個(gè)樣本作為測(cè)試集，利用剩余的N-1個(gè)樣本作為參考集，重復(fù)N次循環(huán)，直至結(jié)束。本研究將N個(gè)樣本的模型預(yù)測(cè)值（i＝1,…,N）與對(duì)應(yīng)樣本的實(shí)測(cè)值（yi）進(jìn)行統(tǒng)計(jì)分析， 利用均方根誤差σ＾［式（6）］和偏差e＾［式（7）］及相對(duì)標(biāo)準(zhǔn)誤差百分比RMSE［式（8）］來(lái)檢驗(yàn)?zāi)Ｐ偷木取?/p>

式（5）～（8）中：γ為遺傳算法適應(yīng)度；ω為賦予特征變量的權(quán)值；nf為特征變量個(gè)數(shù)；yi和y＾i分別為第i個(gè)樣本的實(shí)測(cè)值與模型預(yù)測(cè)值；為模型預(yù)測(cè)值的平均值。

3 結(jié)果與分析

3.1 建模特征變量的篩選

篩選特征變量的目的在于：①降低特征空間的維數(shù)提高算法的運(yùn)行速率，保證研究的可行性；②排除不相干變量、選擇相關(guān)性顯著的特征變量來(lái)提高模型的精度。在SPSS軟件中分析特征變量與生物量之間的相關(guān)性顯著水平，綜合考慮特征空間的維度和模型精度后，從123個(gè)特征變量中選取16個(gè)與生物量極顯著相關(guān)的特征變量作為建模變量。表3是將特征變量分為原始、顯著相關(guān)和極顯著相關(guān)3個(gè)等級(jí)后逐一評(píng)價(jià)的結(jié)果，客觀地反映了不同特征變量等級(jí)下的模型精度。

表3 不同特征變量等級(jí)下的模型精度對(duì)比Table 3 Comparison of model accuracy under different level feature variables

3.2 模型參數(shù)優(yōu)化配置

3.2.1k-NN模型參數(shù)優(yōu)化配置k-NN模型需要確定3個(gè)重要的參數(shù)：評(píng)估特征變量空間相似度的距離參數(shù)dpi,p；計(jì)算待測(cè)像元p的預(yù)測(cè)值時(shí)考慮的在特征空間上最相似的參考集樣本個(gè)數(shù)k及其加權(quán)方案wip。依據(jù)CHIRICI等［17］和謝福明等［18］的研究，在k-NN模型距離參數(shù)指標(biāo)度量方式中，最常用的是歐氏距離（70%），其次是馬氏距離（3.5%），以及典型相關(guān)分析度量（1.9%），故本研究選取歐氏距離作為特征變量空間相似度的評(píng)價(jià)標(biāo)準(zhǔn)。k的選擇通常介于1～10，本研究結(jié)合相應(yīng)的實(shí)驗(yàn)數(shù)據(jù)選取的k＝5，如圖3A：k≤5時(shí)，模型精度隨k的增大而提高，并在k＝5時(shí)達(dá)最佳精度；k＞5時(shí)，模型的精度逐漸降低。t即距離分解因子，在模型中的應(yīng)用見(jiàn)式（3），t通常取0～2內(nèi)的值，其對(duì)模型精度的影響較小（圖3B），本研究t取 2。

圖3 k-NN模型精度隨k和t的變化曲線(xiàn)Figure 3 Change curve of model accuracy with the value of k and t

3.2.2 遺傳算法參數(shù)說(shuō)明 遺傳算法最終的目的是為每一個(gè)特征變量計(jì)算出權(quán)重，并將其運(yùn)用于k-NN模型來(lái)提高生物量的預(yù)測(cè)精度。算法中的主要函數(shù)調(diào)用于Sheffield遺傳算法工具箱，其中的參數(shù)值在實(shí)驗(yàn)中反復(fù)測(cè)試、調(diào)試后確定。其中，圖4表明了適應(yīng)度隨著遺傳迭代次數(shù)（10，30或50）的增加呈緩慢下降，當(dāng)?shù)螖?shù)大于50時(shí)，適應(yīng)度隨迭代次數(shù)的變化比較平穩(wěn)，并趨向于穩(wěn)定。表4記錄了算法的最佳初始參數(shù)值和調(diào)用的主要算子。

表4 遺傳算法有效參數(shù)值與主要算子匯總Table 4 Parameters and main functions of genetic algorithm

3.3 模型效果分析

k-NN模型及其優(yōu)化算法在MATLAB環(huán)境下調(diào)試、運(yùn)行，算法給予每個(gè)特征變量初始化的權(quán)重值均相等（第0代），表5為第50代優(yōu)化的特征變量權(quán)重值（算法的參數(shù)設(shè)置同2.2所述），表5數(shù)據(jù)為標(biāo)準(zhǔn)化后的數(shù)值，其和為1。

本研究的主要目標(biāo)是通過(guò)優(yōu)化方法降低像元尺度下模型的估測(cè)誤差，提高對(duì)高山松地上生物量的估測(cè)精準(zhǔn)度。表6和圖5表明：（1）基于傳統(tǒng)k-NN模型的樣本生物量預(yù)測(cè)結(jié)果為16.2～92.6 t·hm-2，平均值為54.7 t·hm-2， 模型均方根誤差為 30.0 t·hm-2,偏差為-0.418 t·hm-2，RMSE為 54.8%（圖 5A）；（2）遺傳算法優(yōu)化后的ik-NN模型精度得到了提升，均方根誤差為 24.0 t·hm-2， 偏差為-0.123 t·hm-2，RMSE為43.7%（圖5B）。與傳統(tǒng)k-NN模型相比，ik-NN模型的精度均方根誤差值降低了約6.0 t·hm-2，偏差下降比例達(dá)75.6%，模型精度RMSE提高了11.1%；（3）ik-NN模型的樣本估計(jì)值為23.3～95.2 t·hm-2，在均值上與實(shí)測(cè)值比較相近，約55.0 t·hm-2。但對(duì)于高生物量或低生物量區(qū)域的估測(cè)殘差仍較大，均出現(xiàn)高值低估，低值高估的現(xiàn)象。

圖4 遺傳算法優(yōu)化中適應(yīng)度值隨遺傳代數(shù)的降低曲線(xiàn)Figure 4 Reduction of fitness value curve with the number of generations in optimization of genetic algorithm

表5 第50代優(yōu)化的特征變量權(quán)重值（遺傳代數(shù)為50，上限值為0.5）Table 5 Values of the elements of the weight vector for feature variables for the 50th optimization （with upper bounds 0.5 and 50 generations）

表6 高山松地上生物量實(shí)測(cè)值與模型預(yù)測(cè)值統(tǒng)計(jì)結(jié)果Table 6 Statistics of observations and model predictions of aboveground biomass of Pinus densata

3.4 生物量估計(jì)與反演

像元尺度下的定量反演是一項(xiàng)極其密集的任務(wù)，需要逐一計(jì)算研究區(qū)內(nèi)的每一個(gè)像元，對(duì)計(jì)算機(jī)內(nèi)存需求大，故本研究把研究區(qū)分成多塊區(qū)域后再逐一估測(cè)反演。圖6為k-NN和ik-NN 2個(gè)模型局部反演結(jié)果：k-NN 模型的預(yù)測(cè)為 20.0～97.5 t·hm-2， 平均值為 49.5 t·hm-2， 標(biāo)準(zhǔn)差為 13.1 t·hm-2（圖 6A）；ik-NN 模型的預(yù)測(cè)值則為 18.4～113.7 t·hm-2， 平均值為 49.3 t·hm-2， 標(biāo)準(zhǔn)差為 13.5 t·hm-2（圖 6B）。 模型的反演結(jié)果中離散分布的像元較少，近鄰相關(guān)性好，更好地體現(xiàn)了變量的區(qū)域相關(guān)性。依據(jù)森林資源二類(lèi)調(diào)查統(tǒng)計(jì)數(shù)據(jù)，研究區(qū)高山松分布區(qū)面積為1.74×105hm2，其地上總生物量估測(cè)結(jié)果為0.89×107t。圖7為ik-NN模型的高山松地上生物量空間分布等級(jí)圖，生物量等級(jí)在16.8～108.9 t·hm-2之內(nèi)，主要分布在45～75 t·hm-2。

圖5 模型優(yōu)化前后生物量的估測(cè)精度對(duì)比Figure 5 Comparison of estimation accuracy of aboveground biomass of Pinus densata between k-NN and ik-NN model

圖6 像元尺度下的k-NN/ik-NN模型局部反演對(duì)比Figure 6 Comparison of local inversion of k-NN/ik-NN model on pixel scale

4 結(jié)論與討論

本研究使用遺傳算法實(shí)現(xiàn)對(duì)k-NN模型中的特征變量賦予相應(yīng)的權(quán)重值后，構(gòu)建加權(quán)歐氏距離，結(jié)合衛(wèi)星數(shù)據(jù)和地面實(shí)測(cè)樣地?cái)?shù)據(jù)建立了優(yōu)化的k-NN估測(cè)回歸模型，估算出香格里拉高山松地上生物量?jī)?chǔ)量，反演出地上生物量分布等級(jí)圖。結(jié)果顯示：k-NN算法參數(shù)k和t分別取值為5和2時(shí)，模型的預(yù)測(cè)效果最佳；基于遺傳算法優(yōu)化的ik-NN模型預(yù)測(cè)精度優(yōu)于傳統(tǒng)的k-NN模型，均方根誤差為24.0 t·hm-2，偏差為-0.123 t·hm-2，RMSE為43.7%。研究區(qū)像素級(jí)水平下高山松地上生物量的預(yù)測(cè)值為16.8～108.9 t·hm-2， 總估計(jì)值為 0.89×107t。

CHIRICI等［17］研究顯示：使用衛(wèi)星光譜數(shù)據(jù)作為特征變量時(shí)，需要大量的樣本來(lái)獲取較小的相對(duì)標(biāo)準(zhǔn)誤差百分比，這與本研究結(jié)果相符合。本研究k-NN模型的參考樣本偏少，且參考樣本在空間分布上相對(duì)集中（圖1），所以生物量的預(yù)測(cè)結(jié)果殘差較大，出現(xiàn)高值低估，低值高估的現(xiàn)象；造成這一現(xiàn)象的另一個(gè)原因是k-NN法本身存在的缺陷，即只能局限于實(shí)測(cè)值范圍內(nèi)對(duì)未知單元進(jìn)行估測(cè)，預(yù)測(cè)值不會(huì)超出實(shí)測(cè)值的范圍，模型算法中k個(gè)參考樣本間的加權(quán)求和降低了估計(jì)值的方差，從而產(chǎn)生了更大的估測(cè)誤差。但k-NN在大尺度區(qū)域上的森林資源監(jiān)測(cè)中有很大的潛力，不僅適用于森林參數(shù)的估測(cè)反演，還適用于森林調(diào)查空間插值預(yù)測(cè)、數(shù)據(jù)庫(kù)監(jiān)測(cè)、小區(qū)域估測(cè)和統(tǒng)計(jì)推理等研究［19-20］，并且從以下方面做出突破可以有效提升其預(yù)測(cè)能力，為生活生產(chǎn)實(shí)踐提供更好的技術(shù)借鑒：①k-NN在搜索最近鄰個(gè)體時(shí)應(yīng)限制搜尋的范圍，如限制一個(gè)搜尋半徑或在指定的圖斑區(qū)域，而不是全局搜索，充分利用區(qū)域化變量的特性來(lái)提高模型的估測(cè)精度。②利用地物光譜的差異性，結(jié)合星載、機(jī)載高光譜數(shù)據(jù)和地面實(shí)測(cè)高光譜數(shù)據(jù)或者其他能夠區(qū)分地物的單波段，利用最近鄰法或其他機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)對(duì)地物的精細(xì)識(shí)別，提高區(qū)域尺度上的地物分類(lèi)精度，進(jìn)而提高對(duì)其生理生化參數(shù)定量估測(cè)的準(zhǔn)確性。

圖7 像元尺度下香格里拉市高山松地上生物量反演結(jié)果示意圖Figure 7 Spatial distribution of Pinus densata aboveground biomass in Shangri-la at the pixel scale