构建多元线性回归估测模型的关键是抽样选择实测数据和验证数据及遥感因子相关性评价。用遥感因子值和野外实测采样点数据相结合估测生物量的方法应用已基本成熟[144]，应用单因子或多因子构建回归模型的研究也比较多[145]，但采用单因子或多因子构建回归模型因子的选择多建立在拟合优度检验上，因子间的多重共线性的解决和以参数相关性评价为基础的RS-MLRM（遥感—多元线性回归模型）研究较少[146]。因此，本研究在前人研究的基础上，以遥感因子与实测生物量的相关性评价作为模型构建的前提，采用逐步回归法排除引起多重共线性的解释变量，采用TM影像数据提取的遥感因子构建RS-MLRM，最后利用预留的数据进行最终模型精度检验，估测研究区植被地上生物量。
遥感因子的筛选是RS-MLRM建立的关键。参考前人研究成果及相关资料[145，146]，筛选遥感因子应遵循以下原则：（1）所选用的遥感因子与生物量之间呈高度相关性，所选用的遥感因子相互间相关程度低于与生物量之间的相关程度；（2）所选用的遥感因子是一个独立的解释变量，根据拟合优度的变化决定新引入的变量是否独立，若拟合优度变化显著，则说明新引入的变量是一个独立解释变量，否则说明新引入的变量与其他变量之间存在共线性关系；（3）生物量实测值具有完整的统计数据，其预测值容易确定。
将采样点对应的TM遥感因子数据和样点数据进行预处理，并进行空间关联。同时，利用TM遥感参数与样点植被生物量建立生物量估测模型，流程如图3-4所示。
第一，参考前人的研究成果[145，146]，在银川平原湿地的351个采样点实测生物量数据中抽样选取75%的数据用于构建生物量估测模型，将剩余25%的数据作为评价生物量估测模型数据，将TM遥感因子可见光红光波段、近红波段、绿光波段以及由前3个波段组合的复合波段值、植被指数、纹理特征值和主成分特征值等作为生物量模型构建的自变量进行相关性分析。
第二，利用相关性高且显著的因子进行多元逐步回归分析，将拟合度高且变化显著、误差较小的回归模型作为生物量估测模型。
第三，利用采样点实测生物量预留的25%的数据对模型精度进行评价
第四，利用ENVI4.7和ARCGIS10.0进行湿地生物量分布的可视化表达。
图3-4 银川平原湿地RS-MLRM构建技术流程
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
