基于Sentinel数据的沅陵县针叶林可燃物载量估测研究

森林可燃物是引发森林火灾的重要因素之一,准确估测森林可燃物载量对于制定火灾防控策略、提高火灾预警能力以及保护生态环境具有重要意义。以湖南省沅陵县Senitnel-1A和Sentinel-2A影像为数据源,通过提取多源数据的不同类型遥感因子,结合地面调查获取的样地可燃物载量信息,采用前向特征筛选法和4种机器学习模型[多元线性回归(multiple linear regression,MLR)、k最近邻(k-nearest neighbor,kNN)、支持向量机回归(support vector regression,SVR)、随机森林(random forest,RF)]构建了针叶林可燃物载量反演模型,并对研究区内针叶林可燃物载量进行反演。结果表明:①基于Sentinel-1A数据提取的VH极化后向散射系数与针叶林可燃物载量有较高的相关性;②相比于单一数据源,联合Sentinel-1A和Sentinel-2A数据可显著提高针叶林可燃物载量估测精度,最优模型R^(2)分别提高了0.19、0.29,rRMSE分别降低4.66、6.94个百分点,RMSE分别降低了6.13、9.13 t/hm^(2),平均rRMSE分别降低了5.17、5.75个百分点,最优模型为SVR模型,其R^(2)=0.5,rRMSE=27.71,RMSE=36.47 t/hm^(2)。Sentinel-1A数据的加入有利于针叶林可燃物载量估测精度的提升。

基于多分类器集成的沅陵县天然林类型信息提取研究

对天然林进行分类能够掌握天然林的林分组成与生长状况,是对天然林进行保护的前提,然而由于天然林林内林分组成复杂、龄组不一致等原因,使得如何使用遥感技术准确且有效地提取天然林信息成为了亟待解决的问题。针对于此,本研究以Sentinel-2影像为数据源,提取光谱特征、植被指数以及纹理特征等31个分类特征,采用随机森林算法进行了特征筛选。结合分层分类的思想,将最大似然算法(ML)、神经网络算法(ANN)、支持向量机算法(SVM)以及随机森林算法(RF)4种单分类器以加权投票的策略进行了集成(EL),以期提高天然林信息提取精度。结果表明:RF为4种单分类算法中的最佳算法,但EL的表现更为优秀,其总体精度达到了87.18%,相较于RF、SVM、ANN和ML分别提高了4.13、7.94、8.86、9.01个百分点;EL的Kappa系数达到了0.82,展现出了极佳的分类性能,表明EL能够有效提高天然林分类的精度。

基于决策树分类的森林信息提取研究

以株洲市为研究对象,采用2009年10月TM遥感数据和地面固定样地点数据开展土地利用分类研究,提取分析各种地类在TM遥感影像上的光谱特征曲线和各地类的归一化植被指数及归一化差异水体指数,依据提取的光谱特征曲线及植被指数建立了土地利用分类决策树模型,通过反复分类试验,筛选出最优的决策树分类模型的阈值。结果表明:通过典型地物波谱分析以及实验,区分植被与非植被的归一化植被指数的阈值为0.3,即大于0.3为植被,反之则为非植被;区分水体与非水体的归一化差异水体指数的阈值为1.5,即大于1.5为水体,反之则为非水体;从分类结果来看,基于决策树模型分类的总体精度为87.21%,Kappa系数为0.850 6,株洲市林地面积为703 421.49 hm2,非林地面积为422 470.61 hm2,林地覆盖率为62.5%,主要分布在株洲市的东南部,即攸县、茶陵县、炎陵县,占株洲市林地面积的73.0%。

基于Landsat 8的深圳市森林碳储量遥感反演研究

以2014年Landsat 8遥感影像为数据源,研究了深圳市森林碳储量遥感反演模型的构建及其空间分布情况,对城市生态系统碳循环研究具有重要意义。采用分层随机抽样的方式布设168个样地,结合外业样地数据,从遥感影像中提取31个植被指数作为自变量,分别构建了多元线性回归模型、Logistic回归模型和Radical Basis Function(RBF)径向基函数神经网络模型,进而估算该地区的森林碳储量并比较分析。结果表明,RBF神经网络模型的估算精度最高,决定系数最大且均方根误差最小,分别为0.829t·hm^(-2)和9.131t·hm^(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.523t·hm^(-2)和11.821t·hm^(-2);多元线性回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.438t·hm^(-2)和12.870t·hm^(-2)。可见,RBF神经网络模型能更好地模拟森林碳储量与各个因子之间的关系。研究区森林碳储量的空间分布特点表现为东南沿海部分碳储量大,中西部城市经济开发区碳储量小,与实际森林分布基本一致。

基于多期遥感的三峡库区森林景观破碎化演变研究

实施三峡工程以来,三峡库区森林空间分布及其景观格局发生了显著变化,非常值得关注。研究以三峡库区遥感解译的1990、2002、2011年3期森林分布数据为基础,建立森林破碎化分析模型,运用ArcGIS10.0和Fragstars4.0软件,选取合适的景观格局指数,对库区森林景观格局动态和破碎化进行了分析。结果表明:1990～2011年间,三峡库区森林斑块面积和数量明显增加,斑块间异质性减弱;2011年森林面积比例超过70%的地理网格单元达40%,比1990年提高15%;森林景观聚集度、优势度升高,团聚性不断增强,破碎化程度明显改善,森林生态系统稳定性增强。由此证明,在长期的人工造林等植被建设和保护工程作用下,能够促进森林景观格局的改善,减缓森林景观破碎化,增进森林生态系统的复杂性和稳定性。

高光谱遥感影像森林信息提取方法比较

以湖南省株洲市攸县黄丰桥林场为研究对象,运用最小距离、马氏距离、最大似然、光谱角制图、光谱信息散度、神经网络、支持向量机7种分类方法对Hyperion高光谱数据进行森林信息提取。通过对信息提取结果进行比较分析得出:针对Hyperion影像信息提取的7种方法中,支持向量机、神经网络和马氏距离3种分类方法较适合森林信息的提取,总体精度分别为67.39%、66.30%、62.68%;最大似然法在针叶林信息提取中的效果较好,其精度为67.31%;支持向量机法最适合提取阔叶林信息,其精度为80.19%,远远高于其它6种分类方法;运用马氏距离和神经网络法提取竹林信息精度最高,分别达到了84.21%和81.58%。

湖南省森林资源连续清查遥感应用研究

森林资源连续清查是全国森林资源监测体系的重要组成部分,是掌握森林资源宏观现状、消长动态,制定和调整林业方针政策、规划、计划等的重要依据.随着现代遥感技术,特别是卫星遥感的发展,为准确、快速地获取森林资源相关信息提供了新途径.以2004年湖南省森林资源清查遥感样地的目视解译为例,探索了目视解译在森林资源连续清查中的应用.结果表明:采用遥感样地调查比人工调查节省时间,在某些调查因子方面可获得比人工调查更为准确的数据;目视解译结果精度较高,经实地验证,其加权精度达到85.31%.

多源遥感数据森林信息的提取和比较分析

基于遥感的森林信息提取的信息源比较多,这些信息源由于本身参数的差异,其有效提取结果并不相同。以湖南省株洲市攸县黄丰桥林场为研究对象,利用SPOT5多光谱数据、TM和CBERS02星多光谱数据,分别开展森林信息提取,并对结果进行比较;同时还开展了决策级融合比较。研究结论如下:SPOT5多光谱波段提取针叶林信息最好,精度达到了84.00%;利用TM提取阔叶林信息效果最好,精度达到了85.42%;决策级融合后各地类分类精度都有所提高,尤其灌木林分类精度达76.92%;决策级融合后总体精度达85.08%,Kappa系数达0.813 2,基本达到SPOT5数据2.5 m(87.29%,0.838 5)的分类准确度。

森林资源信息外业采集移动平台关键技术研究

森林资源信息外业采集时,常遇到定位难、调查和记录难、内业数据处理难等问题。本文围绕森林资源外业数据采集、记录和数据传输等问题提出了一个系统的解决方案:即在移动平台上将GIS、GPS、RS集成在手持PDA中,开发一套支持林业信息采集的低成本、效率高、携带方便的移动平台,平台利用GPS定位功能在野外快速定位,利用移动GIS平台将电子地图与实地联动,现场采集的数据直接保存在数据库中,实现无纸化操作,内业只要将外业数据直接导入到系统中,不需要手工录入卡片,大大减少了内业处理的工作量和误差传导。论文在数据准备、GPS定位与坐标转换、小班实地绘制和编辑、调查数据录入等关键技术进行了研究,并对平台进行了调试和应用,效果较好。

基于GF-1遥感数据的城市绿地信息提取研究

城市绿地对城市生态系统具有重要作用,且受到高度重视。为实现城市生态绿地建设与规划,需要进行快速、有效的城市绿地信息提取。随着我国高空间分辨率遥感技术空前发展,使得城市绿地信息提取向着高精度、高效的方向发展。研究拟探索出适用于GF-1遥感数据城市绿地信息提取算法,为城市生态建设提供方法支持。通过对比3种分割方法,找到GF-1数据适用于城市绿地信息提取最佳分割方法与尺度;基于特征分析,对城市绿地进行面向对象规则分类并评价。结果表明,整合NDVI边缘信息为权重的均值漂移分割算法最佳;面向对象规则分类总体精度达到89.00%,kappa系数达到0.8525;相比其他城市绿地类型,防护绿地提取精度仍然存在不足。

杉木人工林平均树高遥感反演模型研究

以湖南攸县黄丰桥国有林场杉木人工林为研究对象,以高分辨率SPOT5影像及1∶10 000地形图为数据源,提取海拔、坡度、坡向、郁闭度,B1(反射率)、B2(反射率)、B3(反射率)、B4(反射率),B1/B4、B2/B4、B3/B1,EVI、NDVI、RVI等14个因子,运用主成分分析法以及岭迹估计法剔除与平均树高相关性小的变量因子,确定影响平均树高估测的主要因子为:B2(反射率)、B4(反射率)、坡向、郁闭度、NDVI。基于最小二乘法建立遥感反演关系模型,用实地调查数据进行模型检验,平均树高估测回归模型的相关系数、决定系数、调整相关系数以及标准估计的误差分别为0.891 0、0.793 0、0.774 0、0.842 2,树高估测模型达到较好的拟合效果,得到杉木人工林的平均树高模型。

基于GF-1遥感影像的森林植被类型提取算法研究——以四川长宁县为例

森林植被类型的提取一直是遥感领域信息提取的难点与重点,在以四川省长宁县为研究区的研究中,选用GF—1影像为实验数据,利用NDVI和NDWI两种指数区分植被与非植被以及水体与非水体,反复试验得出区分植被阈值为0.4,区分水体阈值为1.7;采用基于边缘检测的分割算法,分割阈值设置为30,合并阈值设置为90,纹理内核的大小设置为12,效果最佳。通过影像对象的特征组合建立最佳的分类规则,与传统的分类方法相比,分类精度高达88.65%,Kappa系数为0.85,是一种高效且比较切实可行的方法。

西藏自治区草地地上生物量遥感反演研究

草地地上生物量(Aboveground Biomass,AGB)是反映草地生态系统功能和质量的关键指标,大尺度地准确估算草地AGB对草地生态系统经营管理至关重要。研究以MODIS影像为数据源,提取反射率、植被指数和植被产品三种不同类型的特征变量,结合野外实测样地草地AGB数据,构建以多元线性逐步回归为代表的参数模型以及随机森林、支持向量机和kNN等非参数模型进行西藏自治区草地AGB估测及空间分布制图。结果表明:(1)多元线性逐步回归、随机森林、支持向量机和kNN模型在加入植被产品特征变量后,RMSE分别降低了15.8%、13.5%、4.1%和17.3%,表明植被产品作为建模变量用于草地AGB估测可有效提高模型精度;(2)三种组合变量构建的草地AGB估测模型中,反射率、植被指数、植被产品组合构建的模型效果最佳,其中kNN模型估测精度最高,R2达到0.60,RMSE和MAE分别为0.43、0.34 t/hm^(2);(3)草地AGB空间分布呈现出西北地区较低、中部地区较高且分布形态较破碎和东部地区较高的变化特征;(4)利用MODIS植被产品结合kNN模型的预测值与草地实测的AGB空间分布趋势基本一致。综上,MODIS植被产品结合kNN模型可作为大尺度区域草地AGB遥感估测的有效参考。

樟树幼林纤维素含量高光谱遥感估算模型研究

高光谱遥感的快速发展使得定量估算植被纤维素含量成为可能。本研究采用美国ASD公司生产的野外光谱辐射仪测量樟树幼林的冠层光谱,对观测叶片进行了同步纤维素含量的测定。利用统计相关分析法,分析樟树冠层光谱与纤维素含量之间的相关关系。研究结果表明:在325nm至1075nm波段范围内,樟树幼林纤维素含量的敏感波段位于895nm、590nm、591nm;通过建立各敏感波段与纤维素含量之间的估算模型,并进行精度检验,得出了纤维素含量估算的高光谱模型为:y=38.611+3894.056×α895-14713.7×α590+11100.905×α591。说明利用高光谱遥感数据可以估测樟树幼林的纤维素含量。

旺业甸林场人工林生物量遥感反演研究

森林生物量能直接反映森林质量,遥感技术结合地面样地能实现林分或区域范围森林生物量的反演,反演结果对制定森林资源合理利用、生态环境改善等方面的政策具有重要的指导意义。论文以旺业甸林场Landsat 8 OLI影像为数据源,从影像中提取161个植被指数,对比Pearson相关系数法和随机森林法进行特征变量选择,分别筛选出合适的因子作为模型自变量,结合实地调查数据,建立多元线性逐步回归、地理加权回归、kNN回归和随机森林等4种生物量反演模型,并对模型结果进行精度验证。研究结果表明:1)利用Pearson相关系数法进行特征变量选择要优于随机森林法。2)短波红外光和近红外区间波段组合得到的植被指数与生物量的相关性显著,相关性系数最高的前五个因子为SR627、SR637、SR647、SR64、SR213,分别达到了0.776、0.761、0.730、0.702和0.657;3)4种生物量反演模型中,随机森林模型效果最好,决定系数R2为0.72,RMSE=8.12,EA=76.54%;线性逐步回归模型次之,R2为0.65,RMSE=9.01,EA=72.88%;其次是kNN回归模型,R2为0.59,RMSE=9.75,EA=74.89%;地理加权回归模型效果最差,R2为0.58,RMSE=13.75,EA=53.95%;4)利用随机森林模型对研究区进行生物量反演,反演结果生物量空间分布与实际情况基本一致,反演效果较好。

基于Landsat-8影像森林植被信息计算机自动提取研究

Landsat-8能够提供15 m全色波段和30 m分辨率的多光谱波段,Landsat-8上携带有OLI(operational land imager,陆地成像仪)和TIRS(thermal infrared sensor,热红外传感器)2个主要载荷,OLI陆地成像仪包括9个波段,TIRS包括2个热红处波段,全色波段Band8波段范围较窄,这种方式可以在全色图像上更好区分植被和无植被特征。本研究以攸县为例,采用Landsat-8遥感影像为数据源,进行缨帽变换及主成分分析处理,利用决策树分类模型进行提取。结果表明:Landsat-8遥感数据经过缨帽变换和主成分分析处理后,增强纹理信息,突出各地物的特征,把各地物在经过处理后的灰度值作为决策树分类模型的阈值,利用计算机自动提取,提取的总体精度为84.7%,攸县森林植被的面积为150911.7 hm2与以往的只利用波段的灰度值及植被指数等作为阈值相比,精度明显提高,方法也得到改善,得到了比较好的提取结果。

基于MODIS影像大尺度森林资源信息提取方法研究

森林类型的识别对于掌握森林生态系统和自然环境变化具有重要意义。针对单一时相遥感数据提取森林植被类型信息方法的局限性,以中国东北三省为研究区,探讨了基于多时相MODIS遥感数据,实现主要森林类型识别的方法。将东三省的森林植被划分为非林地、针叶林、阔叶林、针阔混交林、灌木林5种类型,通过分析不同森林类型一年内生长差异,选取多时相NDVI第10期、NDIV第23期、EVI第10期、LAI第20期特征数据,建立了非林地、针叶林、阔叶林、针阔混交林、灌木林的决策树模型,实现了森林类型信息的识别,得出了东三省的森林覆盖率42.39%,植被类型分类总体精度为86.7%,与第八次全国森林资源清查的东三省结果对比,森林覆盖率提取精度高达95.6%。说明应用多时相的MODIS遥感影像可以实现大尺度森林资源信息的快速提取,在大范围的植被类型调查与监测方法具有较大的应用价值。

基于高景一号遥感影像的林地信息提取

【目的】及时、准确地掌握林地信息是森林经营管理的前提,高分辨率遥感影像为林地信息精细识别提供了可能。【方法】以当阳市玉泉乡为研究区,以国产卫星高景一号(SV-1)遥感影像为数据源,提取各波段光谱信息和植被指数作为分类特征,采用特征可分性、重要性及特征间冗余度分别构建了4种特征评价准则,基于支持向量机(SVM)分类器对研究区进行林地信息提取,结合森林资源二类调查结果进行精度验证。【结果】1、评价准则中,特征重要性优于可分性,特征可分性受高度相关的特征组合(如OSAVI和NDVI等)的影响会造成分类精度的下降。2、在特征重要性和可分性的基础上结合特征间冗余度能进一步提高分类精度并有效降低特征维数,特征维数由11维降至8维,特征可分性方法和特征重要性的分类精度分别提高了4.65%和4.58%;3、根据特征重要性结合冗余度选择RGVI、EVI、B1、B3、B2、DVI、RVI、Brightness 8个特征,建立SVM线性核分类模型可以达到最优分类效果,总体分类精度高达92.49%,Kappa系数为0.9084。【结论】SV-1遥感影像由于其高空间分辨率在林地信息精细提取中具有可行性,本研究通过建立特征评价准则筛选分类特征能进一步挖掘分类器的泛化能力,为及时、准确地获取林地信息提供技术支撑,同时也为同等高分辨率遥感卫星数据处理提供了参考。

结合Landsat 8与PALSAR-2影像的龙南县针叶林蓄积量遥感估测研究

林分蓄积量估测是林业遥感的重要研究领域,由于云雾天气和光谱饱和现象等因素限制了光学遥感影像估测林分蓄积量的精度。合成孔径雷达(SAR)具有穿透性强、受云雾影响小等特点,弥补了光学遥感的不足。以江西省龙南县的针叶林为研究对象,结合Landsat 8与PALSAR-2双极化SAR影像数据,在遥感数据预处理基础上,提取了光谱信息、植被指数、纹理信息和后向散射系数等共245个遥感因子。基于Pearson相关系数法和多元逐步回归法,筛选出65个遥感因子参与林分蓄积量估测。以林分郁闭度作为分层因子,分别采用线性、KNN、支持向量机(SVM)、多重感知机(MLP)和随机森林(RF)5种模型估测林分蓄积量,并对估测结果进行精度检验。实验结果表明:1)相比单独使用Landsat 8的光谱和纹理信息,基于郁闭度分级并融合PALSAR-2的后向散射信息明显提高了蓄积量的反演精度;2)对于低郁闭度林分,线性模型精度最高(rRMSE=21.16%),中郁闭度林分,多重感知机模型估测效果最好(rRMSE=30.61%),高郁闭度林分,多重感知机模型估测效果最好(rRMSE=27.53%)。在结合PALSAR-2的后向散射系数的基础上,郁闭度分层能有效改善中高蓄积量区域的反演精度。

基于Landsat时序数据的长株潭城市群核心区森林扰动监测

【目的】为了快速准确地监测城市群核心区内的森林扰动,研究利用Landsat时间序列数据在谷歌地球引擎(Google Earth Engine,GEE)平台运用LandTrendr算法进行森林扰动监测研究。【方法】基于2000—2020年植被生长季的Landsat时序数据,分别在归一化植被指数(Normalized Difference Vegetation Index,NDVI)、归一化燃烧率指数(Normalized Burn Ratio,NBR)、缨帽变换角(Tasseled Cap Arctangent,TCA)三种指数作为阈值限制下,采用LandTrendr算法对时间序列轨迹进行处理,以获取长株潭核心区森林扰动的发生区域及规模大小的信息。运用森林资源连续清查数据和Google Earth历史影像分别对3种不同指数的森林扰动监测结果进行精度评估和验证,并利用研究区内土地利用数据中的森林覆盖数据对扰动信息进行分析。【结果】2000—2020年长株潭核心区森林扰动总面积为264.35 km^(2),平均每年的扰动面积为13.22 km^(2),其中2002年扰动最少,为1.91 km^(2),扰动面积最大的为2011年,为25.52 km^(2)。运用森林资源连续清查数据对三种指数阈值限制下的森林扰动信息结果验证的精度分别为90.91%、81.72%和65.08%;在谷歌地球历史影像中随机布点下精度分别为86.00%、77.88%和78.36%。2009年和2011—2013年间森林扰动较为严重。对全国范围内的土地利用数据进行处理分析可知,森林面积在20年间随时间增长而缓慢减少,所占总面积的百分比由原来的27.10%减少到22.00%。【结论】NBR是最适合长株潭核心区的森林扰动指数,森林扰动检测结果与实地调查和谷歌地球历史影像目视解译的结果一致。森林扰动斑块的分布边界可被完整提取,扰动面积大小变化趋势与全国区域内土地利用数据森林面积变化趋势相同,主要由城市化进程、森林火灾和人工砍伐引起。2000—2020年研究区森林扰动面积呈现波动式缓慢增加的趋势,其中2001年、2011年和2013年存在扰动面积浮动较大。