基于定量遥感的云南松蓄积量精准估测模型构建与分析

基于定量遥感的云南松蓄积量精准估测模型构建与分析一、引言1.1研究背景云南松（Pinusyunnanensis）作为松科松属的常绿乔木，在中国西南地区广泛分布，特别是云南、四川、贵州等地，是该区域森林生态系统的关键组成部分。其树干通直高大，材质优良，是建筑、家具、造纸等行业的重要原材料，具有极高的经济价值。同时，云南松在保持水土、涵养水源、调节气候、维护生物多样性等方面发挥着不可替代的生态作用，对维护区域生态平衡意义重大。例如，在金沙江流域，云南松林有效减少了水土流失，保护了流域的生态环境。随着全球环境变化和人类活动的加剧，森林资源面临着严峻挑战，准确掌握森林资源的数量和质量变得尤为重要。森林蓄积量作为衡量森林资源总量和生长状况的核心指标，直接反映了森林生态系统的生产力和生态功能。传统的森林蓄积量调查主要依靠地面样地实测法，这种方法虽然能够获取较为准确的数据，但存在工作量大、效率低、成本高、周期长等问题，且在地形复杂、交通不便的区域实施难度较大。例如，在云南西部的横断山脉地区，地形崎岖，采用传统方法进行森林蓄积量调查十分困难。遥感技术作为一种高效、快速、大范围获取地表信息的手段，在森林资源监测领域得到了广泛应用。通过搭载不同传感器的卫星、飞机或无人机，能够获取森林的光谱、纹理、地形等多源信息，为森林蓄积量的估测提供了新的途径。利用光学遥感影像的植被指数可以反映森林植被的生长状况，雷达遥感能够穿透云层获取森林的结构信息，激光雷达则可以精确测量树木的高度和三维结构。然而，不同遥感数据源和估测方法在应用于云南松蓄积量估测时，存在各自的优势和局限性。因此，开展云南松蓄积量定量遥感估测模型研究，对于提高森林资源监测的精度和效率，实现森林资源的科学管理和可持续利用具有重要的现实意义。1.2研究目的与意义本研究旨在综合运用多源遥感数据和先进的数据分析方法，构建高精度的云南松蓄积量定量遥感估测模型，为森林资源监测和管理提供科学、准确的技术支持。具体研究目的如下：系统分析不同遥感数据源（如光学遥感、雷达遥感、激光雷达遥感）的特点及其对云南松蓄积量的敏感特征，筛选出对云南松蓄积量估测最具影响力的遥感变量。对比研究多种建模方法（如多元线性回归、机器学习算法等）在云南松蓄积量估测中的应用效果，建立适用于云南松的最优估测模型，提高估测精度和可靠性。将构建的估测模型应用于实际研究区域，实现云南松蓄积量的空间分布制图，为森林资源清查、规划和保护提供决策依据。本研究的意义主要体现在以下几个方面：理论意义：丰富和完善森林蓄积量遥感估测的理论和方法体系，深入探究遥感数据与云南松蓄积量之间的内在关系，为森林生态学、森林经理学等学科的发展提供理论支持。实践意义：改变传统森林蓄积量调查方式的局限性，实现快速、高效、准确的森林资源监测，为林业部门制定科学的森林经营管理策略提供数据支持，促进森林资源的可持续利用。生态意义：准确掌握云南松资源的分布和变化情况，有助于及时发现森林生态系统面临的问题，为生态保护和修复提供科学依据，维护区域生态平衡。1.3国内外研究现状国外在森林蓄积量遥感估测方面开展了大量研究，技术和方法相对成熟。早期主要利用光学遥感影像的光谱信息进行森林分类和蓄积量估算，如利用MSS、TM等中低分辨率影像，通过构建回归模型来建立蓄积量与遥感变量之间的关系。随着高分辨率遥感影像的出现，研究重点逐渐转向利用更丰富的光谱、纹理和空间信息提高估测精度。例如，利用QuickBird、WorldView等卫星影像，结合面向对象分类方法和机器学习算法，实现了森林蓄积量的高精度估测。在雷达遥感方面，由于其具有全天候、全天时的观测能力，且对森林结构信息敏感，成为森林蓄积量估测的重要手段。研究人员利用合成孔径雷达（SAR）数据，通过分析雷达后向散射系数与森林蓄积量的关系，建立了多种估测模型。如利用ALOS-PALSAR数据，结合地形因子和地面调查数据，对森林蓄积量进行了有效估测。激光雷达（LiDAR）技术的发展为森林蓄积量估测带来了新的突破，它能够直接获取森林的三维结构信息，包括树高、冠幅、郁闭度等，基于LiDAR数据的森林蓄积量估测精度得到了显著提高。例如，通过对LiDAR点云数据的处理和分析，提取森林结构参数，进而建立高精度的蓄积量估测模型。国内在森林蓄积量遥感估测领域也取得了一系列成果。在光学遥感方面，众多学者利用国产高分卫星（如GF-1、GF-2等）数据开展了相关研究，通过改进分类方法和模型构建技术，提高了森林蓄积量的估测精度。在雷达遥感方面，随着我国雷达卫星的发展，如高分三号卫星，为森林蓄积量估测提供了更多的数据支持，研究人员针对不同地区的森林类型，开展了基于雷达数据的蓄积量估测研究。在LiDAR技术应用方面，国内也进行了大量的试验和探索，结合地面调查数据，建立了适用于不同森林类型的蓄积量估测模型。然而，现有研究在云南松蓄积量估测方面仍存在一些不足。一方面，云南松分布区域地形复杂、气候多样，不同环境条件下云南松的生长特性和遥感特征存在差异，现有的估测模型通用性和适应性有待提高；另一方面，多源遥感数据融合技术在云南松蓄积量估测中的应用还不够深入，如何充分挖掘不同数据源的优势，提高估测模型的精度和稳定性，是亟待解决的问题。此外，在模型的验证和不确定性分析方面，也需要进一步加强研究，以提高模型的可靠性和实用性。二、研究区域与数据获取2.1研究区域概况本研究选取云南省中部的楚雄彝族自治州作为主要研究区域。楚雄州地处云贵高原中部，地理位置介于东经100°43′～102°30′，北纬24°13′～26°30′之间，是云南松的核心分布区之一。该区域地形复杂多样，以山地和高原为主，地势西北高、东南低，海拔高度在556-3657米之间，山脉纵横交错，河流众多，主要有金沙江、元江两大水系。这种复杂的地形地貌为云南松的生长提供了多样化的生态环境。楚雄州属于亚热带季风气候，受地形和季风影响，气候垂直差异明显。年平均气温在14℃-21℃之间，最冷月（1月）平均气温7℃-12℃，最热月（7月）平均气温20℃-23℃。年降水量在800-1000毫米之间，降水主要集中在5-10月，占全年降水量的80%以上，干湿季分明。充足的热量和降水，以及明显的干湿季变化，有利于云南松的生长和发育。在这样的自然条件下，楚雄州的云南松生长特征明显。云南松为深根性树种，根系发达，能适应山地瘠薄的土壤条件。树干通直高大，一般树高可达20-30米，胸径30-60厘米，部分生长良好的个体树高可达40米以上，胸径超过1米。树冠呈广圆锥形，树皮褐灰色，深裂成不规则较厚的鳞状块片脱落。针叶通常3针一束，柔软，稍下垂，长10-30厘米，横切面扇状三角形或半圆形，树脂道4-5个，中生与边生并存。云南松生长速度较快，尤其是在幼龄期，树高和胸径的生长量较大，随着树龄的增长，生长速度逐渐减缓。在适宜的立地条件下，云南松10年生树高可达5-8米，胸径8-12厘米，20年生树高可达12-15米，胸径18-25厘米。此外，云南松的天然更新能力较强，在林缘、采伐迹地等空旷处，通过种子繁殖能够迅速恢复森林植被。2.2数据获取2.2.1遥感数据高分辨率卫星遥感数据：本研究获取了2023年5月的高分二号（GF-2）卫星遥感影像，其空间分辨率为0.8米（全色）和3.2米（多光谱），包括蓝、绿、红、近红外四个波段。数据来源于中国资源卫星应用中心，覆盖范围涵盖整个楚雄州。GF-2卫星影像具有高空间分辨率和多光谱信息丰富的特点，能够清晰地识别森林植被的类型和分布，为提取云南松的光谱特征和纹理特征提供了良好的数据基础。激光雷达数据：采用2023年6月搭载在小型飞机上的RieglVUX-1UAV激光雷达获取的数据。飞行高度为1000米，点云密度约为10点/平方米，覆盖研究区域内的重点林区。激光雷达数据能够直接获取森林的三维结构信息，包括树高、冠幅、郁闭度等，这些信息对于准确估测云南松蓄积量至关重要。通过对激光雷达点云数据的处理和分析，可以提取出单木的高度、位置等参数，为建立蓄积量估测模型提供关键变量。2.2.2地面调查数据在研究区域内，根据地形、植被分布等因素，采用随机抽样与典型抽样相结合的方法设置了100个样地。样地形状为正方形，边长为30米，面积为0.09公顷。在每个样地内，对所有胸径大于5厘米的云南松进行每木检尺，测量其胸径、树高、冠幅等生长数据。胸径使用围尺在距离地面1.3米处测量，树高采用HaglofVertexIV全站仪进行测量，冠幅通过测量树冠在东西和南北方向的投影长度取平均值得到。同时，记录样地的地理位置、坡度、坡向、海拔等地形信息。此外，为了获取云南松的材积数据，在每个样地中选取3-5株具有代表性的云南松，采用生长锥钻取树干年轮样本，通过年轮分析确定树木年龄，并结合胸径、树高数据，利用当地的云南松二元立木材积表计算单木材积，进而得到样地的蓄积量。通过实地调查获取的这些生长数据和地形信息，为验证和校准遥感估测模型提供了准确可靠的地面真值。三、数据预处理与特征提取3.1遥感数据预处理3.1.1辐射定标与大气校正在获取高分二号卫星遥感影像后，首要任务是进行辐射定标。辐射定标旨在将传感器记录的原始数字量化值（DN值）转化为具有物理意义的辐射亮度值或反射率，其目的在于消除传感器本身的系统误差，使不同时间、不同传感器获取的数据具有可比性。本研究采用基于卫星自带定标参数的方法进行辐射定标，具体步骤如下：通过查阅高分二号卫星的数据手册，获取其在不同波段的增益系数（Gain）和偏移系数（Bias）。利用这些参数，根据辐射定标公式L=Gain\timesDN+Bias，将每个像元的DN值转换为辐射亮度值L。例如，对于蓝光波段，已知其增益系数为0.005，偏移系数为0.1，若某像元的DN值为100，则经过定标后该像元的辐射亮度值为L=0.005\times100+0.1=0.6（单位根据实际情况而定，此处假设为W/(m^2\cdotsr\cdot\mum)）。通过辐射定标，使得影像数据能够真实反映地物对太阳辐射的响应，为后续的分析提供了准确的数据基础。大气校正则是为了消除大气对遥感信号的影响，使影像数据更接近地表真实辐射。大气中的气体分子、气溶胶等会对太阳辐射产生散射和吸收作用，导致传感器接收到的信号发生畸变。本研究选用ENVI软件中的FLAASH模块进行大气校正，该模块基于辐射传输理论，能够有效去除大气效应。在FLAASH参数设置中，首先指定传感器类型为高分二号，根据研究区域的气候和季节特点，选择中纬度夏季的大气模型，气溶胶模型则根据当地的空气质量状况选择乡村气溶胶模型。同时，通过地面实测数据或参考相关研究，估计研究区域的水汽含量为3g/cm²，传感器高度设置为卫星轨道高度。经过大气校正后，影像的色彩更加真实，地物的边界和细节更加清晰，有利于后续的特征提取和分类。例如，校正前云南松的光谱特征可能受到大气散射的影响，与其他植被类型的区分度不明显，校正后其独特的光谱特征得以凸显，为准确识别云南松提供了可能。3.1.2几何校正与图像配准由于卫星在运行过程中受到多种因素的影响，如卫星姿态变化、地球曲率、地形起伏等，获取的遥感影像往往存在几何畸变，导致影像上的地物位置与实际地理位置不一致。为了使遥感影像具有准确的地理位置信息，需要进行几何校正。本研究采用多项式拟合模型结合地面控制点（GCPs）的方法进行几何校正。首先，在研究区域内选择分布均匀、易于识别的地物特征点作为地面控制点，如道路交叉口、建筑物拐角等。利用高精度的GPS设备对这些控制点进行实地测量，获取其真实的地理坐标（经纬度或平面坐标）。在ENVI软件中，通过“Map-Registration-SelectGCPs:ImagetoMap”工具，将影像上的控制点与实际地理坐标进行匹配，建立控制点对。选择二阶多项式作为几何校正的数学模型，该模型能够较好地拟合影像的几何畸变。根据控制点对的坐标信息，利用最小二乘法求解多项式的系数，从而建立起影像坐标与地理坐标之间的转换关系。例如，经过计算得到的二阶多项式系数为a_{00}、a_{01}、a_{10}、a_{11}、a_{20}、a_{02}等，对于影像上任意一个像元(x,y)，其校正后的地理坐标(X,Y)可通过公式X=a_{00}+a_{01}x+a_{10}y+a_{11}xy+a_{20}x^2+a_{02}y^2，Y=b_{00}+b_{01}x+b_{10}y+b_{11}xy+b_{20}x^2+b_{02}y^2计算得到（其中b_{ij}为另一组多项式系数）。经过几何校正后，影像的地理精度得到显著提高，能够与其他地理信息数据进行准确的空间分析和叠加。图像配准是将不同时间、不同传感器获取的影像进行空间对齐，以便进行对比和分析。在本研究中，需要将高分二号卫星影像与激光雷达数据进行配准。由于激光雷达数据本身具有高精度的地理坐标信息，因此以激光雷达数据为基准影像，对高分二号卫星影像进行配准。首先，在两幅影像上选取同名地物点作为配准控制点，这些点应具有明显的特征，如山顶、河流交汇处等。利用ENVI软件中的“Map-Registration-SelectGCPs:ImagetoImage”工具，建立配准控制点对。采用仿射变换模型进行图像配准，该模型能够保持地物的相对位置和形状不变，通过最小二乘法计算仿射变换的参数，包括旋转角度、平移量和缩放比例等。根据计算得到的变换参数，对高分二号卫星影像进行重采样，使其与激光雷达数据在空间上完全对齐。经过图像配准后，高分二号卫星影像的光谱信息与激光雷达数据的三维结构信息能够有机结合，为后续的特征提取和模型构建提供更丰富的数据来源。3.1.3激光雷达数据处理原始的激光雷达点云数据通常包含噪声点和离群点，这些点会影响数据的质量和后续分析的准确性，因此需要进行去噪处理。本研究采用基于统计滤波的方法去除噪声点，该方法假设激光雷达点云数据在空间上服从一定的统计分布，通过计算每个点与其邻域点之间的距离和统计特征，判断该点是否为噪声点。具体步骤如下：对于每个激光雷达点，计算其与一定半径范围内邻域点的距离，统计这些距离的均值\mu和标准差\sigma。如果某个点到其邻域点的平均距离大于\mu+3\sigma，则认为该点是噪声点，将其剔除。例如，对于某一点P，其邻域点距离的均值为1.5米，标准差为0.2米，若P点到邻域点的平均距离为2.2米，大于1.5+3\times0.2=2.1米，则P点被判定为噪声点并去除。通过这种方法，可以有效去除大部分噪声点，提高点云数据的质量。去噪后的激光雷达点云数据中包含地面点和非地面点，为了提取地形和植被高度等有用信息，需要将地面点和非地面点进行分类。本研究采用渐进加密三角网滤波算法（PAF）进行地面点提取，该算法基于地形表面的连续性和平滑性假设，通过逐步构建三角网来识别地面点。具体过程如下：首先，在点云数据中选择一些初始地面点，构建初始三角网。然后，根据三角网的坡度和曲率等特征，逐步将周围的点加入到三角网中，判断新加入的点是否为地面点。如果新点与三角网平面的距离在一定阈值范围内，则认为该点是地面点，否则为非地面点。不断迭代这个过程，直到所有点都被分类。例如，在构建三角网的过程中，某新点到三角网平面的距离为0.3米，设定的阈值为0.5米，则该点被判定为地面点并加入三角网。通过PAF算法，可以准确地提取出地面点，进而生成高精度的数字高程模型（DEM），为后续的地形分析和植被高度计算提供基础数据。在完成地面点分类后，对于非地面点，即植被点云数据，需要进一步提取植被高度信息。通过计算每个植被点到地面的垂直距离，得到该点的植被高度。具体方法是：对于每个植被点，找到其在地面点云数据中对应的最近地面点，利用两点之间的坐标差计算垂直距离，即为该植被点的高度。例如，某植被点的坐标为(x_1,y_1,z_1)，其对应的最近地面点坐标为(x_2,y_2,z_2)，则该植被点的高度h=z_1-z_2。将所有植被点的高度信息进行统计分析，如计算平均值、最大值、最小值等，可得到研究区域内植被高度的分布情况，这些信息对于评估云南松的生长状况和蓄积量具有重要意义。3.2地面调查数据整理地面调查数据是验证和校准遥感估测模型的重要依据，其质量直接影响到研究结果的准确性。在获取地面调查数据后，首先进行数据清洗，以去除数据中的错误和异常值。对于胸径、树高、冠幅等生长数据，通过简单统计量分析来检测异常值。计算这些数据的最大值、最小值、均值和标准差等统计量，若某个数据点的数值超出了合理范围（如超出均值加减3倍标准差），则对其进行检查和修正。例如，在测量云南松树高时，由于测量仪器故障或人为失误，可能会出现一个明显偏大或偏小的异常值。假设某样地云南松树高的均值为15米，标准差为2米，若某棵树的测量高度为25米，超出了15+3\times2=21米的范围，则需要对该数据进行核实，可能是测量错误，需重新测量或根据其他相关数据进行合理修正。对于缺失值的处理，采用插值法进行补充。对于胸径缺失值，根据同一样地内其他树木的胸径数据，利用线性回归模型预测缺失值。假设同一样地内有5棵云南松，已知4棵树的胸径分别为20厘米、22厘米、25厘米、28厘米，树高分别为12米、13米、14米、15米，建立胸径与树高的线性回归方程y=ax+b（其中y为胸径，x为树高），通过最小二乘法计算得到回归系数a和b，然后利用该方程预测缺失胸径值。对于树高缺失值，若样地内存在其他树木的树高与胸径的关系数据，也可采用类似方法进行预测；若没有相关关系数据，则可根据该样地所处的地形、海拔等环境因素，参考附近相似样地的树高数据进行合理估计。在数据清洗完成后，对数据进行筛选，以确保数据的可靠性和代表性。剔除那些由于样地设置不合理、测量误差较大等原因导致的数据。例如，若某个样地位于林缘，受到周边环境影响较大，其树木生长状况不能代表典型的云南松纯林，或者样地内树木数量过少，无法准确反映整体情况，则将该样地数据剔除。同时，根据研究目的和模型构建的需求，选择具有代表性的样地数据，如不同海拔、坡度、坡向条件下的样地，以充分反映云南松在不同环境条件下的生长特征。最后，对筛选后的数据进行统计分析，计算每个样地的云南松蓄积量。根据样地内每棵云南松的胸径和树高数据，利用当地的云南松二元立木材积表，计算单木材积。例如，某棵云南松胸径为23厘米，树高为13.5米，通过查阅立木材积表，得到其单木材积为0.25立方米。将样地内所有树木的单木材积相加，得到样地的蓄积量。同时，统计样地的平均胸径、平均树高、平均冠幅等生长指标，以及样地的坡度、坡向、海拔等地形信息，为后续的数据分析和模型构建提供全面的数据支持。3.3特征变量提取3.3.1光谱特征提取从高分二号卫星遥感影像中提取了多种光谱特征，包括单波段反射率和植被指数。单波段反射率能够反映地物对不同波长电磁波的反射特性，不同地物在各个波段的反射率存在差异，这为识别云南松提供了重要依据。例如，云南松在近红外波段具有较高的反射率，这是由于其叶片内部结构对近红外光的多次散射和反射导致的。通过对高分二号影像的四个波段（蓝、绿、红、近红外）进行分析，发现云南松在近红外波段的反射率明显高于其他植被类型，如灌木和草本植物。在蓝光和绿光波段，云南松的反射率相对较低，这与其他针叶林植被的光谱特征具有一定的相似性，但通过多波段综合分析仍可进行区分。植被指数是通过对不同波段的反射率进行数学运算得到的，它能够增强植被信息，抑制其他地物信息，更有效地反映植被的生长状况和生物物理特征。本研究计算了归一化植被指数（NDVI）、比值植被指数（RVI）和增强型植被指数（EVI）等常用植被指数。NDVI的计算公式为NDVI=\frac{NIR-R}{NIR+R}，其中NIR为近红外波段反射率，R为红光波段反射率。NDVI值的范围在-1到1之间，植被的NDVI值通常大于0，且植被生长越茂盛，NDVI值越大。通过计算研究区域的NDVI，发现云南松林区的NDVI值在0.6-0.8之间，明显高于裸地和水体等非植被区域，这表明云南松具有较强的光合作用能力和较高的植被覆盖度。RVI的计算公式为RVI=\frac{NIR}{R}，它对植被的变化更为敏感，在区分不同植被类型和监测植被生长状态方面具有一定优势。EVI的计算公式为EVI=2.5\times\frac{NIR-R}{NIR+6R-7.5B+1}，其中B为蓝光波段反射率，EVI考虑了大气和土壤背景的影响，能够更准确地反映植被的真实状况，在复杂环境下对云南松的监测具有更好的效果。通过分析这些植被指数与云南松蓄积量的相关性，发现NDVI与蓄积量之间存在显著的正相关关系，相关系数达到0.75，这表明随着云南松蓄积量的增加，植被生长更加茂密，NDVI值也相应增大，因此NDVI可作为云南松蓄积量估测的重要光谱特征之一。3.3.2纹理特征提取纹理特征能够反映图像中地物的表面结构和空间分布信息，对于区分不同地物类型和识别目标地物具有重要作用。本研究利用灰度共生矩阵（GLCM）方法提取高分二号卫星影像的纹理特征，GLCM通过计算图像中一定距离和方向上的灰度共生概率，来描述图像的纹理信息。在提取纹理特征时，设置距离参数为1个像元，方向分别为0°、45°、90°、135°，计算得到的纹理特征包括均值、方差、对比度、相关性、能量和熵等。均值表示图像灰度的平均水平，方差反映了灰度的离散程度，对比度衡量了图像中不同灰度区域之间的差异程度，相关性描述了图像中灰度的线性相关程度，能量表示图像灰度分布的均匀性，熵则反映了图像纹理的复杂程度。以云南松林区和其他地物类型（如农田、草地）为例，对比分析它们的纹理特征。云南松林区由于树木分布相对均匀，树冠形状较为规则，其纹理特征表现为均值较高，方差较小，对比度适中，相关性较高，能量较大，熵相对较低。而农田由于农作物种植具有一定的规律性，但植株高度和覆盖度相对较低，其纹理特征与云南松林区有所不同，均值相对较低，方差较大，对比度较高，相关性较低，能量较小，熵较高。草地的纹理特征则介于两者之间，由于草的生长较为杂乱，其方差和熵相对较大，对比度和能量相对较小。通过这些纹理特征的差异，可以有效地将云南松林区与其他地物类型区分开来。在云南松蓄积量估测中，纹理特征能够提供关于森林结构和密度的信息，与光谱特征相结合，可以提高估测模型的精度。例如，在一些光谱特征相似的区域，通过分析纹理特征可以进一步区分不同蓄积量的云南松林，纹理特征丰富、复杂程度高的区域往往对应着蓄积量较大的云南松林，这是因为蓄积量较大的区域树木数量较多，树冠相互交错，形成了更复杂的纹理结构。3.3.3地形特征提取地形因素对云南松的生长和分布具有重要影响，从激光雷达数据生成的数字高程模型（DEM）中提取了坡度、坡向、海拔等地形特征。坡度反映了地形的倾斜程度，其计算公式为\tan\theta=\frac{\Deltah}{\Deltad}，其中\theta为坡度，\Deltah为两点之间的高差，\Deltad为两点之间的水平距离。通过对DEM数据进行计算，得到研究区域内每个像元的坡度值。在云南松分布区域，坡度对其生长和蓄积量有显著影响。一般来说，在坡度较缓的区域，土壤厚度相对较大，水分和养分更容易积累，云南松生长条件较好，蓄积量相对较高；而在坡度较陡的区域，土壤侵蚀相对严重，水分和养分流失较快，云南松生长受到一定限制，蓄积量相对较低。例如，在坡度小于15°的区域，云南松的平均蓄积量为150立方米/公顷，而在坡度大于30°的区域，平均蓄积量仅为100立方米/公顷。坡向表示坡面的朝向，它影响着太阳辐射的接收和水分的分布。在北半球，南坡接受的太阳辐射较多，温度较高，蒸发量大，土壤水分相对较少；北坡则相反，接受的太阳辐射较少，温度较低，土壤水分相对较多。不同坡向的云南松生长状况和蓄积量存在差异。南四、云南松蓄积量估测模型构建4.1模型选择本研究综合考虑多种常用的机器学习和统计模型，包括多元线性回归、随机森林、支持向量机以及偏最小二乘-遗传算法-支持向量机（PLS-GA-SVM），旨在挑选出最适宜云南松蓄积量估测的模型。多元线性回归（MultipleLinearRegression，MLR）是一种经典的统计模型，其原理基于最小二乘法，通过构建自变量与因变量之间的线性关系来进行预测。在森林蓄积量估测中，它假设蓄积量与遥感变量（如光谱特征、地形特征等）之间存在线性关联。例如，若将归一化植被指数（NDVI）、坡度和树高作为自变量，蓄积量作为因变量，MLR模型可以表示为Y=\beta_0+\beta_1X_1+\beta_2X_2+\beta_3X_3+\epsilon，其中Y为蓄积量，X_1、X_2、X_3分别为NDVI、坡度和树高，\beta_0、\beta_1、\beta_2、\beta_3为回归系数，\epsilon为误差项。MLR模型具有原理简单、易于理解和解释的优点，能够直观地展示各变量对蓄积量的影响方向和程度。然而，其局限性在于要求自变量之间不存在多重共线性，且假设变量与蓄积量之间的关系为线性，这在实际复杂的森林生态系统中往往难以满足，可能导致模型的精度受限。随机森林（RandomForest，RF）是一种基于决策树的集成学习算法，它通过构建多个决策树，并将这些决策树的预测结果进行综合（如回归任务中的均值）来进行最终预测。在森林蓄积量估测中，RF模型能够自动处理变量之间的非线性关系和相互作用。它从原始训练数据中通过有放回抽样构建多个子集，分别用于训练不同的决策树，从而增加了模型的多样性和泛化能力。例如，在处理包含光谱、纹理和地形等多源信息的遥感数据时，RF模型可以充分挖掘这些数据之间的复杂关系，而无需事先对变量进行复杂的筛选和处理。RF模型具有较高的预测精度和稳定性，对噪声和异常值具有较强的鲁棒性，能够有效避免过拟合问题。但RF模型的可解释性相对较差，难以直观地解释各变量对蓄积量的具体影响机制。支持向量机（SupportVectorMachine，SVM）是一种基于统计学习理论的分类和回归方法，其核心思想是通过寻找一个最优的分类超平面（在回归问题中为回归超平面），将不同类别的样本或预测值与真实值之间的间隔最大化。在森林蓄积量估测中，SVM可以处理非线性问题，通过核函数将低维输入空间映射到高维特征空间，从而在高维空间中找到线性可分或近似线性可分的超平面。例如，常用的径向基核函数（RBF）能够有效地将非线性问题转化为线性可解问题。SVM在小样本、高维数据的情况下表现出色，具有较好的泛化能力和预测精度。但其性能对核函数的选择和参数设置较为敏感，不同的核函数和参数可能导致模型性能的较大差异，且计算复杂度较高，在处理大规模数据时效率较低。偏最小二乘-遗传算法-支持向量机（PLS-GA-SVM）是一种融合了多种技术的复合模型。偏最小二乘（PartialLeastSquares，PLS）是一种多元统计分析方法，它能够在自变量存在多重共线性的情况下，通过提取主成分的方式对数据进行降维，同时考虑自变量与因变量之间的关系。在森林蓄积量估测中，PLS可以有效地处理多源遥感数据中存在的多重共线性问题，提取出对蓄积量影响较大的综合变量。遗传算法（GeneticAlgorithm，GA）是一种模拟自然选择和遗传机制的优化算法，它通过对模型参数进行编码、选择、交叉和变异等操作，在参数空间中搜索最优的参数组合。在PLS-GA-SVM模型中，GA用于优化SVM的参数（如惩罚因子C和核函数参数\gamma），以提高SVM模型的性能。这种复合模型结合了PLS的数据降维能力、GA的参数优化能力和SVM的非线性建模能力，有望在复杂的森林蓄积量估测任务中取得较好的效果。但该模型的构建和优化过程相对复杂，需要较多的计算资源和时间。4.2模型构建过程4.2.1变量筛选为了提高模型的精度和效率，减少无关变量和冗余变量对模型的干扰，利用相关性分析和主成分分析等方法对提取的特征变量进行筛选，选取与云南松蓄积量相关性显著的变量作为模型输入。首先进行相关性分析，计算每个特征变量（如光谱特征、纹理特征、地形特征等）与云南松蓄积量之间的皮尔逊相关系数。皮尔逊相关系数是一种用于衡量两个变量之间线性相关程度的统计量，其取值范围在-1到1之间，绝对值越接近1，表示两个变量之间的线性相关性越强。例如，对于归一化植被指数（NDVI），计算其与云南松蓄积量之间的皮尔逊相关系数，若相关系数为0.7，表明NDVI与蓄积量之间存在较强的正相关关系，即随着NDVI的增加，云南松蓄积量也有增大的趋势。通过相关性分析，筛选出相关系数绝对值大于一定阈值（如0.5）的变量，初步保留与蓄积量相关性较强的变量。然而，相关性分析只能反映变量之间的线性关系，且筛选出的变量之间可能存在多重共线性问题，即某些变量之间存在较强的线性相关性，这会导致模型的不稳定和解释性变差。因此，进一步采用主成分分析（PrincipalComponentAnalysis，PCA）方法对初步筛选后的变量进行处理。PCA是一种降维技术，它通过线性变换将原始变量转换为一组相互正交的主成分，这些主成分能够最大限度地保留原始变量的信息，同时减少变量之间的相关性。在进行PCA时，首先对变量进行标准化处理，消除量纲和数量级的影响。然后计算变量的协方差矩阵，对协方差矩阵进行特征分解，得到特征值和特征向量。根据特征值的大小，选取前几个主成分，这些主成分累计贡献率通常达到80%以上，即可认为保留了原始变量的大部分信息。例如，假设有10个初步筛选后的变量，经过PCA分析后，得到5个主成分，其累计贡献率为85%，则这5个主成分可以作为新的特征变量用于后续的模型构建。通过PCA分析，不仅减少了变量的数量，降低了模型的复杂度，还消除了变量之间的多重共线性问题，提高了模型的稳定性和准确性。4.2.2模型训练将筛选后的特征变量和对应的蓄积量数据按照7:3的比例划分为训练集和测试集。训练集用于模型的训练和参数调整，测试集用于评估模型的性能和泛化能力。对于多元线性回归模型，利用训练集数据，采用最小二乘法估计模型的回归系数。通过构建损失函数，即预测值与真实值之间的误差平方和，最小化该损失函数来求解回归系数。例如，对于训练集中的n个样本，每个样本有p个特征变量x_{ij}（i=1,2,\cdots,n；j=1,2,\cdots,p）和对应的蓄积量y_i，设回归模型为y_i=\beta_0+\sum_{j=1}^{p}\beta_jx_{ij}+\epsilon_i，通过最小化\sum_{i=1}^{n}(y_i-(\beta_0+\sum_{j=1}^{p}\beta_jx_{ij}))^2来确定回归系数\beta_0，\beta_1，\cdots，\beta_p。对于随机森林模型，在Python的scikit-learn库中调用RandomForestRegressor类进行模型训练。设置模型的主要参数，如决策树的数量n_estimators（设为100）、最大深度max_depth（设为10）、最小样本分裂数min_samples_split（设为2）等。通过训练集数据，模型自动学习特征变量与蓄积量之间的关系，构建多个决策树，并将这些决策树的预测结果进行平均，得到最终的预测值。对于支持向量机模型，同样在scikit-learn库中调用SVR类进行训练。根据数据的特点选择合适的核函数，如径向基核函数（RBF）。设置惩罚因子C（设为1.0）和核函数参数\gamma（设为0.1）等参数，通过训练集数据寻找最优的分类超平面，使模型在训练集上的预测误差最小。4.2.3模型优化对于偏最小二乘-遗传算法-支持向量机（PLS-GA-SVM）模型，利用遗传算法对支持向量机的参数进行优化，以提高模型的性能。首先，利用偏最小二乘方法对原始特征变量进行降维处理，提取主成分作为新的输入变量。在Python中，可以使用scikit-learn库中的PLSRegression类实现偏最小二乘分析，确定主成分的数量，使主成分能够解释原始变量的大部分方差。然后，利用遗传算法对支持向量机的参数进行优化。在Python中，可以使用DEAP库实现遗传算法。首先，对支持向量机的参数（如惩罚因子C和核函数参数\gamma）进行编码，将其表示为染色体。例如，将C和\gamma分别编码为二进制字符串或实数向量。设置遗传算法的基本参数，如种群大小（设为50）、交叉概率（设为0.8）、变异概率（设为0.2）等。初始化种群，生成一定数量的初始染色体。对于每个染色体，解码得到对应的支持向量机参数，利用训练集数据训练支持向量机模型，并计算模型在验证集上的性能指标（如均方根误差RMSE），将性能指标作为适应度值。通过选择、交叉和变异等遗传操作，不断更新种群中的染色体，使适应度值逐渐优化，最终得到最优的支持向量机参数。通过上述模型构建和优化过程，得到适用于云南松蓄积量估测的不同模型，为后续的模型比较和精度评估奠定基础。五、模型验证与精度评价5.1验证方法为全面评估所构建的云南松蓄积量估测模型的可靠性和泛化能力，本研究综合运用了交叉验证和独立样本验证两种方法。交叉验证是一种在机器学习中广泛应用的模型验证技术，它通过将原始数据集进行多次划分，分别用于训练和测试模型，从而更全面地评估模型在不同数据子集上的性能。本研究采用十折交叉验证方法，具体操作如下：将包含特征变量和对应蓄积量的数据集随机划分为十个大小相近的子集。在每次验证过程中，选择其中一个子集作为测试集，其余九个子集合并作为训练集。利用训练集对模型进行训练，然后使用测试集对训练好的模型进行测试，记录模型在该次测试中的性能指标。重复这个过程十次，使得每个子集都有机会作为测试集，最终将十次测试的性能指标进行平均，得到模型的交叉验证结果。例如，对于随机森林模型，在第一次交叉验证中，将子集1作为测试集，子集2-10作为训练集，训练模型后计算其在测试集1上的决定系数（R^2）、平均绝对误差（E_{MA}）等指标；第二次将子集2作为测试集，子集1和3-10作为训练集，再次计算模型在测试集2上的性能指标，以此类推。通过十折交叉验证，可以有效避免因数据集划分方式不同而导致的模型评估偏差，更准确地反映模型的泛化能力。独立样本验证则是使用与训练集完全独立的另一组数据来评估模型的性能。在本研究中，将之前划分好的测试集作为独立样本，该测试集未参与模型的训练过程。利用训练好的模型对测试集中的样本进行蓄积量预测，然后将预测结果与测试集中样本的真实蓄积量进行对比，计算相关的精度评价指标。例如，对于多元线性回归模型，在完成训练后，将测试集中的特征变量输入模型，得到预测的蓄积量值，再与测试集中样本的实际蓄积量进行比较，从而评估模型在独立样本上的表现。独立样本验证能够检验模型对新数据的适应能力，若模型在独立样本上表现良好，说明其具有较好的泛化能力，能够应用于实际的云南松蓄积量估测。5.2精度评价指标为了准确评估模型的性能，本研究采用了决定系数（R^2）、平均绝对误差（E_{MA}）、均方根误差（E_{RMS}）和平均相对误差（E_{MR}）等多种精度评价指标。决定系数（R^2）是衡量回归模型拟合优度的重要指标，其计算公式为R^2=1-\frac{SS_{res}}{SS_{tot}}，其中SS_{res}=\sum_{i=1}^{n}(y_i-\hat{y}_i)^2为残差平方和，表示模型预测值与真实值之间的误差平方和，反映了模型未能解释的数据变异程度；SS_{tot}=\sum_{i=1}^{n}(y_i-\bar{y})^2为总平方和，表示真实值与均值之间的误差平方和，反映了数据的总变异程度。R^2的取值范围在0到1之间，越接近1表明模型对数据的拟合效果越好，即自变量能够解释因变量的变异程度越高。例如，若R^2=0.8，表示模型能够解释80%的因变量变异，说明模型对数据的拟合程度较高。平均绝对误差（E_{MA}）用于衡量预测值与真实值之间绝对误差的平均值，其计算公式为E_{MA}=\frac{1}{n}\sum_{i=1}^{n}|y_i-\hat{y}_i|，其中y_i为第i个样本的真实值，\hat{y}_i为第i个样本的预测值，n为样本数量。E_{MA}的值越小，说明模型预测值与真实值之间的平均差异越小，模型的预测精度越高。例如，若E_{MA}=5，表示模型预测值与真实值之间的平均绝对误差为5，该值越小则模型预测效果越好。均方根误差（E_{RMS}）是衡量预测值与真实值之间误差的一种常用指标，它是残差平方和的均值的平方根，计算公式为E_{RMS}=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2}。E_{RMS}不仅考虑了误差的大小，还对较大的误差给予了更大的权重，因为误差平方会放大较大误差的影响。E_{RMS}的值越小，说明模型的预测精度越高，对数据的拟合效果越好。例如，若E_{RMS}=6，相比E_{RMS}=8的模型，前者的预测精度更高，对数据的拟合效果更好。平均相对误差（E_{MR}）用于衡量预测值与真实值之间相对误差的平均值，其计算公式为E_{MR}=\frac{1}{n}\sum_{i=1}^{n}\frac{|y_i-\hat{y}_i|}{y_i}\times100\%。E_{MR}反映了预测值相对于真实值的误差比例，以百分比的形式表示。E_{MR}的值越小，说明模型预测值与真实值之间的相对误差越小，模型的预测精度越高。例如，若E_{MR}=10\%，表示模型预测值与真实值之间的平均相对误差为10%，该值越小则模型预测效果越好。5.3模型结果分析通过交叉验证和独立样本验证，对多元线性回归、随机森林、支持向量机以及偏最小二乘-遗传算法-支持向量机（PLS-GA-SVM）这四种模型的性能进行了评估，计算得到各模型的精度评价指标，结果如下表所示：模型决定系数（R^2）平均绝对误差（E_{MA}）均方根误差（E_{RMS}）平均相对误差（E_{MR}）多元线性回归0.658.510.220.5%随机森林0.855.26.815.0%支持向量机0.786.07.517.0%PLS-GA-SVM0.884.86.213.5%从决定系数（R^2）来看，PLS-GA-SVM模型的R^2值最高，达到0.88，表明该模型对云南松蓄积量的变异解释能力最强，能够很好地拟合数据。随机森林模型的R^2值为0.85，也具有较高的拟合优度，能够解释大部分的蓄积量变异。支持向量机模型的R^2值为0.78，相对较好，但与前两者相比，对数据的拟合效果稍逊一筹。多元线性回归模型的R^2值最低，仅为0.65，说明该模型在解释云南松蓄积量的变异方面存在一定的局限性，可能无法充分捕捉到遥感变量与蓄积量之间的复杂关系。在平均绝对误差（E_{MA}）方面，PLS-GA-SVM模型的E_{MA}值最小，为4.8，意味着该模型预测值与真实值之间的平均绝对差异最小，预测精度较高。随机森林模型的E_{MA}值为5.2，表现也较为出色。支持向量机模型的E_{MA}值为6.0，略高于前两者。多元线性回归模型的E_{MA}值最大，为8.5，说明其预测值与真实值的平均偏差较大，预测精度相对较低。均方根误差（E_{RMS}）的结果与平均绝对误差类似，PLS-GA-SVM模型的E_{RMS}值最小，为6.2，对数据的拟合效果最好。随机森林模型的E_{RMS}值为6.8，表现较好。支持向量机模型的E_{RMS}值为7.5，相对较高。多元线性回归模型的E_{RMS}值最大，为10.2，表明该模型在预测过程中产生的误差较大，模型的稳定性和准确性相对较差。平均相对误差（E_{MR}）同样显示PLS-GA-SVM模型的优势，其E_{MR}值为13.5%，是四个模型中最小的，说明该模型预测值相对于真实值的平均误差比例最小，预测精度最高。随机森林模型的E_{MR}值为15.0%，表现较好。支持向量机模型的E_{MR}值为17.0%，相对较高。多元线性回归模型的E_{MR}值最大，为20.5%，表明该模型在预测云南松蓄积量时相对误差较大，预测结果的可靠性较低。综合以上分析，PLS-GA-SVM模型在各项精度评价指标上均表现出色，具有最高的决定系数和最低的平均绝对误差、均方根误差以及平均相对误差，能够更准确地估测云南松蓄积量。随机森林模型的性能也较为优异，在实际应用中也具有较高的参考价值。支持向量机模型的精度处于中等水平，多元线性回归模型由于假设变量与蓄积量之间为线性关系，无法充分考虑到森林生态系统的复杂性，导致其精度相对较低。因此，在云南松蓄积量估测中，PLS-GA-SVM模型为最优选择，能够为森林资源监测和管理提供更可靠的技术支持。六、结果与讨论6.1模型结果展示利用构建的最优模型——偏最小二乘-遗传算法-支持向量机（PLS-GA-SVM）对研究区域内的云南松蓄积量进行估测，得到了云南松蓄积量的空间分布结果。从空间分布特征来看，云南松蓄积量呈现出明显的区域差异。在研究区域的北部和西部山区，由于地形较为复杂，海拔较高，人类活动干扰相对较小，云南松生长环境较为优越，蓄积量相对较高。例如，在哀牢山的部分区域，云南松蓄积量达到了200立方米/公顷以上，这些区域森林植被茂密，云南松个体高大，林分结构较为稳定。而在研究区域的东部和南部，地势相对平坦，人口较为密集，人类活动对森林的干扰较大，如开垦农田、建设城镇等，导致云南松的分布面积减少，蓄积量相对较低，部分区域的蓄积量仅为50立方米/公顷左右。对不同区域的蓄积量进行统计分析，结果显示，高蓄积量区域（蓄积量大于150立方米/公顷）主要集中在自然保护区和国有林场等保护较好的区域，占研究区域总面积的25%，这些区域的森林资源得到了有效的保护和管理，云南松能够在相对稳定的环境中生长，蓄积量较高。中等蓄积量区域（蓄积量在50-150立方米/公顷之间）分布较为广泛，占研究区域总面积的55%，这些区域受人类活动影响程度适中，云南松的生长状况和蓄积量处于中等水平。低蓄积量区域（蓄积量小于50立方米/公顷）主要分布在靠近城镇和交通干线的区域，占研究区域总面积的20%，这些区域由于受到人类活动的强烈干扰，森林植被遭到一定程度的破坏，云南松的生长受到抑制，蓄积量较低。通过对不同区域蓄积量的统计分析，可以清晰地了解云南松资源在研究区域内的分布状况，为森林资源的合理规划和保护提供了重要的数据支持。6.2影响因素分析光谱特征对云南松蓄积量估测精度具有重要影响。不同波段的光谱反射率反映了云南松不同的生理和结构信息。在可见光波段，蓝光和绿光波段主要与云南松叶片的叶绿素含量和细胞结构有关，叶绿素吸收蓝光和绿光进行光合作用，因此这两个波段的反射率与云南松的生长状况密切相关。当云南松生长良好，叶绿素含量较高时，蓝光和绿光波段的反射率相对较低。红光波段则与云南松叶片中的色素含量和光合作用效率有关，在光合作用过程中，红光被叶绿素大量吸收，当云南松光合作用旺盛时，红光波段的反射率较低。近红外波段对云南松的植被覆盖度和生物量较为敏感，云南松在近红外波段具有较高的反射率，这是由于其叶片内部的海绵组织和栅栏组织对近红外光的多次散射和反射导致的。随着云南松蓄积量的增加，植被覆盖度增大，近红外波段的反射率也相应增大。植被指数（如NDVI、RVI、EVI等）是对光谱特征的进一步综合分析，它们能够更有效地反映云南松的生长状况和生物量信息，与云南松蓄积量之间存在显著的相关性，在蓄积量估测中发挥着重要作用。纹理特征能够反映云南松的空间分布和结构信息，对估测精度也有显著影响。利用灰度共生矩阵提取的纹理特征，如均值、方差、对比度、相关性、能量和熵等，从不同角度描述了云南松的纹理特性。均值反映了图像灰度的平均水平，在云南松林区，均值较高表明该区域的灰度值相对稳定，可能意味着云南松的分布较为均匀。方差反映了灰度的离散程度，方差较小说明云南松的灰度变化较小，即林分结构相对稳定。对比度衡量了图像中不同灰度区域之间的差异程度，在云南松林区，适中的对比度表示云南松与周围地物之间有一定的区分度，同时林内不同部位的灰度差异也在合理范围内。相关性描述了图像中灰度的线性相关程度，较高的相关性说明云南松的分布具有一定的规律性。能量表示图像灰度分布的均匀性，能量较大表明云南松的灰度分布较为均匀，林分结构相对稳定。熵则反映了图像纹理的复杂程度，熵相对较低说明云南松林区的纹理相对简单，可能意味着林分结构较为单一。这些纹理特征从不同方面反映了云南松的空间分布和结构信息，与云南松蓄积量之间存在一定的关联，在蓄积量估测中能够提供重要的补充信息，提高估测精度。地形特征对云南松蓄积量的影响主要体现在海拔、坡度和坡向等方面。海拔高度直接影响了云南松生长的水热条件。随着海拔的升高，气温逐渐降低，降水逐渐增加，不同海拔高度下云南松的生长环境存在差异。在适宜的海拔范围内，云南松能够充分利用水热资源，生长状况良好，蓄积量较高。例如，在研究区域内，海拔1500-2000米的区域，水热条件较为适宜，云南松生长迅速，蓄积量相对较高。坡度对云南松生长的影响主要体现在土壤侵蚀和水分保持方面。在坡度较缓的区域，土壤厚度相对较大，水分和养分更容易积累，云南松生长条件较好，蓄积量相对较高；而在坡度较陡的区域，土壤侵蚀相对严重，水分和养分流失较快，云南松生长受到一定限制，蓄积量相对较低。坡向则影响着太阳辐射的接收和水分的分布。在北半球，南坡接受的太阳辐射较多，温度较高，蒸发量大，土壤水分相对较少；北坡则相反，接受的太阳辐射较少，温度较低，土壤水分相对较多。不同坡向的云南松生长状况和蓄积量存在差异，一般来说，北坡的云南松生长状况相对较好，蓄积量相对较高，因为其土壤水分条件更有利于云南松的生长。6.3不确定性分析在模型构建过程中，存在多种可能导致不确定性的因素。数据误差是一个重要来源，地面调查数据可能存在测量误差，例如在测量云南松胸径、树高时，由于测量工具的精度限制、测量人员的操作差异等，可能导致测量数据与实际值存在偏差。同时，遥感数据在获取和处理过程中也可能产生误差，如卫星传感器的噪声、大气校正的误差、几何校正的精度等，都会影响遥感数据的准确性，进而影响模型的输入数据质量，导致模型结果存在不确定性。模型假设也可能带来不确定性。不同的模型都有其特定的假设条件，例如多元线性回归模型假设自变量与因变量之间存在线性关系，而在实际的森林生态系统中，云南松蓄积量与遥感变量之间的关系往往是非线性的，这就可能导致模型无法准确地描述这种复杂关系，从而产生不确定性。此外，模型在训练过程中，由于样本的局限性，可能无法完全涵盖所有的情况，这也会增加模型的不确定性。针对这些不确定性因素，采取了一系列应对措施。对于数据误差，在地面调查过程中，采用高精度的测量仪器，并对测量人员进行严格的培训，提高测量的准确性。在遥感数据处理方面，选择合适的大气校正和几何校正方法，利用地面控制点对遥感影像进行精确的校正，同时结合实地验证，对遥感数据进行质量控制，尽量减少数据误差。在模型选择和构建方面，采用多种模型进行对比分析，选择性能最优的模型，并通过交叉验证和独立样本验证等方法，评估模型的可靠性和泛化能力，减少模型假设和样本局限性带来的不确定性。此外，还可以通过增加样本数量、优化样本分布等方式，提高模型对不同情况的适应性，降低不确定性。6.4与传统方法对比将定量遥感估测模型的结果与传统的地面调查和经验模型估测结果进行对比，分析遥感方法的优势和不足。传统的地面调查方法虽然能够获取较为准确的云南松蓄积量数据，但存在明显的局限性。地面调查需要大量的人力、物力和时间投入，在地形复杂的区域，如山区，调查工作的难度和成本会进一步增加。例如，在本研究区域的山区，由于地形崎岖，交通不便，进行地面调查时，调查人员需要耗费大量的时间和精力才能到达样地，且样地的设置和测量工作也更加困难。此外，地面调查的样本数量有限，难以全面反映整个研究区域的云南松蓄积量分布情况，存在一定的抽样误差。经验模型估测是基于历史数据和经验公式建立的，