城市森林生物量遥感估测中DN值分层抽样的应用

为了提高城市森林生物量遥感估测的精度,以杭州市西湖区为研究区,利用标准误差和平均绝对误差作为评价指标,与简单随机抽样、一般分层抽样等方法进行模拟抽样比较,根据简单随机抽样、一般分层抽样和DN值分层抽样3种方法分别进行样地实测和构建回归模型,通过均方根误差和相对均方根误差对生物量估算模型进行精度评价。结果表明:DN值分层抽样相对于简单随机抽样和一般分层抽样在稳定性上分别提升了43.3%和42.3%,在精确性上分别提升了60.1%和51.2%。基于DN值分层抽样方法建立回归模型的估算精度相对于其他2种方法有了明显的提高。

基于WorldView-2影像数据对杭州西湖区绿地信息提取研究

以杭州市西湖区为例,根据研究区域地物在World View-2遥感影像的特征差异进行区域划分。在每个分区内采用不同的多尺度和方式进行分割,构建多层次结构,综合利用光谱、形状、纹理等特征变量;采用CART决策树分类算法,选择最优特征及节点阈值分区域对杭州市西湖区的植被绿地信息进行提取;采用Jeffries-Matusita(J-M)距离法,确定纹理窗口尺度并筛选纹理特征。结果表明:本研究利用可分离指数J-M距离法得到影像地物草地、农用地、灌木、乔木最佳纹理窗口尺寸分别为5×5、11×11、13×13、13×13,对纹理尺度的选择和纹理特征的降维极大地提高了信息提取的精度及效率;基于面向对象的CART决策树分类法的总体分类精度相比基于像元的最大似然法的精度从76.53%提高到88.56%,Kappa系数从0.711 7提高到0.862 3,绿地平均用户精度从72.73%提高到84.63%;同时比常规的面向对象的方法更快速灵活地确定分类特征及阈值,大幅度地提高了提取效率及精度。