基于GEE平台1995—2022年云南省LULC变化及驱动因素分析

快速准确地获取土地利用信息,可为城市发展和生态环境保护提供参考依据。基于谷歌地球引擎(Google Earth Engine,GEE)平台的多时相Landsat图像密集时间叠加和随机森林算法对云南省的土地利用类型进行分类,分析云南省土地利用和土地覆盖(Land use and Land cover,LULC)时空变化趋势,并使用地理探测器定量评估关键的驱动因素。结果表明,1)LULC分类平均总体精度和Kappa系数分别为88.64%、86.01%,精度较高,满足数据使用要求。2)云南省土地类型以林地、耕地、草地及稀疏灌草混交地为主,占比97.91%~98.38%,土地利用转移以林地和耕地互相转换、草地及稀疏灌草混交地转为耕地为主。3)云南省滇中和滇东部的土地利用强度总体高于其他地区,滇西北和滇西南地区的土地利用强度较低。4)不同驱动因素对LULC影响程度存在显著差异,植被类型、年均气温和土壤类型对LULC变化的影响程度相对较小,高程、坡度、坡向、年均降水、人口密度、GDP和人口城镇化率等对LULC变化的影响程度普遍较高,其中GDP、人口密度和人口城镇化率对LULC变化程度影响较高。研究结果可为云南省后续生态环境保护政策制定和区域可持续发展提供数据基础与支撑。

基于二类调查数据的林业地图制图综合技术研究

二类调查是林业领域最详细、最基础的数据来源之一,充分利用二类调查得到的森林资源数据研究和探讨多尺度林业地图制图综合技术具有重要的理论与实践意义.文中介绍了制图综合技术的概念及主要实现策略,分别从多尺度聚合知识库的建立及推理过程、多尺度聚合模型的选择与模型库的建立、多尺度聚合方法与结果评价3方面综述当前制图综合技术领域的研究进展和主要成果,并对多尺度林业地图制图综合技术框架进行了探讨.

光学协同合成孔径雷达数据的森林类型分类研究

为探究光学数据和合成孔径雷达(Synthetic Aperture Radar,SAR)数据在森林类型分类中的优势和互补性,以云南省普洱市思茅区的Landsat 8数据与微波遥感SAR影像ALOS2数据相交覆盖区域为研究区,采用分层分类技术进行森林类型分类研究。构建3种特征集,光学数据特征集(光谱+植被因子+纹理+地形特征)、SAR特征集(后向散射+极化分解特征)、光学-SAR融合数据特征集(光谱+植被因子+纹理+地形+后向散射+极化分解特征),并使用递归特征消除法(Recursive Feature Elimination,RFE)对提取的3种特征集分别进行分层特征筛选,再用随机森林(Random forest,RF)、支持向量机(Support Vector Machine,SVM)对森林类型分类,光学-SAR融合数据SVM的分类效果最好。结果表明,1)在第1层(植被/非植被)分类时,总体精度为98.57%,Kappa系数为0.971;2)在第2层(森林/非森林植被)分类时,总体精度为92.14%,Kappa系数为0.826;3)在第3层(针/阔/混交林)分类时,总体精度为83.47%,Kappa系数为0.743。融合数据相比于光学数据集分类精度提高9.91%,比SAR分类精度提高24.97%;4)在融合数据集进行第3层次的分类中,对比不同窗口3×3、5×5、7×7、9×9下的光学图像纹理特征对分类结果的影响,7×7纹理窗口下精度最高。结果表明,多源数据协同的森林类型分类精度相比于单一数据源精度更高。

基于光谱特征的决策树分类方法研究——以昆明市东北部地区为例

以昆明市东北部地区的TM影像为材料,通过分析主要地物的光谱特征,进行波段间的相互运算,建立相应的决策树模型,对地物进行分类,并对分类结果进行精度评价。结果表明:决策树分类法的总体精度为77.0%,比传统的分类方法如最大似然法提高了6.3%,能有效地提高影像的分类精度。

森林类型遥感分类研究进展

从光学遥感和微波遥感2方面分析森林类型遥感分类的理论基础,总结国际和国内关于森林类型识别及提取技术,以及森林物理参数估测等方面的相关研究和探讨,归纳目前常用的森林类型遥感分类方法,并介绍其相关研究成果,还从3方面阐述森林类型遥感分类技术的发展趋势。

阴阳坡不同划分方法的坡度匹配模型地形校正研究

基于坡度匹配模型,对香格里拉和高黎贡山两景Landsat5 TM影像,分别利用地理学、林业资源调查、阴影形成原理、成像太阳方位角和成像太阳天顶角5种不同阴阳坡划分方法求出相关参数对TM影像进行地形校正。结果表明:从视觉分析上看,校正后图像的立体感降低,在一定程度上消除了地形的影响。从阴阳坡均值上看,校正前阳坡和校正后阳坡均值相同,说明地形效应对阳坡几乎无影响;B划分校正结果各波段阴阳坡亮度均值差范围最小,表明B划分校正效果最好。从直方图上看,校正后减弱了地形效应,遥感图像的直方图近似正态分布;从直方图细节上比较,B划分校正结果最好。从变异系数上分析,校正后影像变异系数值相对校正前均有所减小,D划分在各波段上CV值最小,说明D划分校正结果最好。因此,经过地形校正能够消除影像大部分地形效应的影响;地形效应对阳坡亮度值影响不大,校正后的影像能较好地保持研究区地物在各波段上的光谱特性;比较5种阴阳坡划分方法地形校正结果,林业资源调查阴阳坡划分的校正效果最佳,其次为成像太阳天顶角、地理学、成像太阳方位角、地形阴影形成原理。

基于不同立地质量的香格里拉高山松林郁闭度遥感反演

以香格里拉市为研究区,基于2006年TM遥感影像和2006年森林资源规划设计调查数据,以小班各遥感因子为自变量,每个小班的郁闭度为因变量,对香格里拉高山松林按区分立地质量等级和不区分地位级2种策略建立郁闭度神经网络遥感反演模型,并进行精度评价。基于小班平均高和平均年龄建立的地位级表将立地质量等级划分为好、中、差3种类型。研究结果表明,红外、近红外、植被指数和第一主成分等遥感因子对郁闭度的解释能力较强;从模型独立样本验证结果得出,不区分地位级郁闭度估测精度为67.64%,区分地位级后,好、中、差3种立地类型的郁闭度估测精度分别为74.14%、75.32%、72.38%,区分立地质量类型模型的精度优于不区分地位级模型的精度。