高分一号卫星数据影像校正及融合算法在林业监测中的研究

指出了高分一号卫星是中国高分辨率对地观测系统的首发星。从林业行业森林调查应用出发,针对国产GF-1卫星数据的特点,从国产GF-1影像数据基本特征、正射校正与配准、波段组合影像融合算法比较精度评价等一系列流程进行了研究。研究结果表明:GF-1影像数据校正时,控制点选择为95-105区间数量最为合适;经过Pansharp、PCA、 HIS融合方法定性与定量分析,Pansharp融合算法相对较优。研究为国产卫星数据的行业推广应用奠定理论基础。     

洞庭湖湿地植被分类研究

高分一号卫星是我国2013年自主发射的第一颗高分辨率对地观测卫星(GF-1),其在湿地中的应用还比较少见。以洞庭湖湿地为研究区,GF-1影像为主要遥感数据源,在对研究区湿地主要植被柳树、杨树、芦苇和苔草的光谱特征分析基础上,建立决策树分类算法。同时结合GF-1影像特有的纹理信息,引入纹理均值和相异性指数对决策树算法进行改进,结果表明:通过采用纹理均值和相异性指数,总体精度从传统决策树的85.64%提高到了92.66%,Kappa系数从0.82提高到0.91,说明该方法对湿地植被识别的效果较好。这对于同等空间分辨率遥感数据的植被分类具有指导和借鉴作用。     

基于GF-1卫星东洞庭湖湿地类型信息提取

以我国自主发射的第一颗高分辨率卫星(GF-1卫星)的影像为数据源,在东洞庭湖开展湿地信息提取。结合国家湿地遥感分类系统和高分影像数据的可解译性,建立了东洞庭湖湿地类型遥感分类系统,包括湖泊、河流、泥滩地、林地、芦苇、苔草、辣蓼+泥蒿7种湿地类型。利用最佳指数和联合熵2个指标确定最佳波段组合方式为4(R)3(G)2(B),并在遥感图像进行预处理的基础上,采用面向对象的决策树进行分类,结果表明:基于面向对象决策树遥感分类方法比最大似然法分类的精度高,总分类精度达85.41%,Kappa系数为0.822 5,并且各类信息的提取精度均有所提高,其中湖泊、芦苇、林地的精度较高。     

基于面向对象方法的GF-2影像桉树信息提取对比分析

为研究不同面向对象分类方法对GF-2影像桉树信息提取的可靠性,以广西平朗乡为研究区,首先对GF-2影像做多尺度分割处理,然后采用贝叶斯(Bayes)、决策树(DST)、K最近邻法(KNN)、支持向量机(SVM)、随机森林(RDT)等5种分类器进行分类提取,最后对提取结果进行混淆矩阵精度分析。结果表明:在这5种分类方法中,支持向量机方法的精度最高,总体精度达86.4%,Kappa系数为0.73,贝叶斯方法的精度最差。可见GF-2影像可以作为桉树信息遥感监测的数据源之一,且支持向量机分类方法是桉树提取的较优选择。     

高分辨率遥感影像在森林采伐限额检查中的判读精度探讨

以鸡东县为研究区域,探索了高分辨率遥感影像对凭证伐区的目视判读精度,应用决策树法对判读结果进行分析,总结了判读结果与伐区采伐强度之间的关系,并就如何提高遥感技术对采伐地块的判读精度等问题进行了探讨。     

多源高分辨率卫星遥感影像监测林地动态变化研究

以内蒙古大兴安岭克一河林业局、吉文林业局林地动态变化监测为目标,应用多期国产高分辨率卫星遥感数据,辅以德国Rapid Eye、法国SPOT5和SPOT6、美国TM遥感影像;叠加占用征收林地资料、伐区作业设计、林木采伐许可证、林政案件资料、森林资源二类调查以及林地保护利用规划等专题数据资料。通过目视解译与提取识别,检测林地和林木的变化情况,结果表明:卫星遥感影像对林木采伐、占地、毁林开垦和森林灾害监测效果明显。     

基于SAR数据后向散射及光学图像纹理特征的橡胶林提取

以勐腊县为研究区,基于Terra SAR-X卫星的全极化SAR数据以及谷歌高清卫星影像图,对橡胶林的后向散射系数以及其纹理特征进行提取分析,采用决策树分类方法对勐腊县的橡胶林进行分类识别。研究结果表明:全极化Terra SAR数据的HH、HV、VH、VV的后向散射及其之间的计算是构建决策树算法,实现森林、农用地、水体和城市建设用地分类的重要基础;橡胶林作为一种特殊的人工林,其具有固定的行株距以及特有的纹理特征,能把橡胶林和天然林更好地区分开;利用结合SAR数据后向散射及光学图像纹理特征的决策树分类方法对橡胶林进行提取,总体精度为87.6%,Kappa系数为0.81,橡胶林的生产者精度和用户精度均达到90%以上。     

遥感技术在森林采伐限额执行情况检查中的应用

2007年在云南陇川县试点运用遥感技术进行森林采伐限额执行情况检查,结果表明:卫星影像图班面积正判率为99.2%,能提高伐区面积测量精度;在确定伐区位置、采伐时间、发现无证伐区等方面有显著优势;但其他相关指标还达不到森林采伐限额检查的精度要求。认为遥感技术应用于森林采伐限额检查只能作为辅助手段。     

面向对象分类方法在森林采伐遥感监测中的应用

利用多尺度分割技术和面向对象分类方法对SPOT5遥感数据进行土地的分类及森林采伐信息提取。在面向对象的图像分析中,采用图像分割——基于规则的分类——基于分类的分割的多尺度分割方法,在综合最优分割尺度下,用最邻近分类器对SPOT5影像进行分类;采用两期图像特征比较,提取森林采伐区信息,并结合二类调查成果和伐区设计资料,使用交互式补充判读和修正。结果显示:研究区各地类的分类精度都在85%以上,对森林采伐图斑判读的加权综合正判率达到90.8%,其中皆伐图斑个数正判率92.8%,非皆伐图斑个数正判率83.3%。利用多期高分辨率遥感图像可以进行森林采伐监测,研究结果为提高森林采伐限额监测效率、采伐区识别准确度和面积估算精度提供了有效途径。     

基于面向对象分类的延庆区公益林变化检测

以北京市延庆区2004年Spot-5影像和2015年GF-1影像数据为研究对象,应用面向对象分类变化检测算法,通过选择最优尺度和结合典型地物光谱特征、纹理特征建立规则集来对两期影像进行分类,然后提取十年间延庆区公益林的变化地块,最后进行精度评价,旨在对延庆区公益林的变化及其驱动因素进行探索分析。结果表明:Spot-5影像的分类精度为87.1%,加入FC特征值规则的GF-1影像的分类精度为89.1%,高于未加入FC特征值规则的GF分类精度(84.8%),说明在规则集中加入FC特征值能提高森林分类精度;变化信息提取的结果总体精度为87.3%,漏判率、错判率都在20%以内,提取效果较佳;2004—2015年间,公益林面积呈上升趋势,且主要集中在有林地面积增加,农田、灌木地和其他土地面积减少,这与国家对林业及公益林日益增加的重视度、各项工程项目密不可分。     

基于GF-1的森林蓄积量遥感估测

森林蓄积量是评价森林资源数量的一个重要指标。结合遥感影像和地面调查数据估测森林蓄积量受遥感影像、遥感因子、预处理方法、估测方法等多方面的影响。为研究国产GF-1遥感影像估测森林蓄积量的最佳遥感因子组合方式和较优估测方法,并绘制森林蓄积量空间分布图,为我国森林蓄积量的研究提供理论基础和科学依据。为研究GF-1遥感影像估测森林蓄积量的遥感因子和估测方法,以湖南省醴陵市为研究对象,以国产GF-1遥感影像为数据源,通过对遥感图像预处理,获取光谱信息、纹理因子、植被指数作为特征变量,结合同时期的二类调查样地数据,从GF-1遥感影像像元与样地不匹配角度出发,应用移动窗口的方法解决像元与样地的对应关系,采用多元逐步回归、偏最小二乘回归和随机森林模型对研究区森林蓄积量进行估测,采用建模精度和估测精度进行分析评价。实验结果表明:1)3个模型选择的因子都包含了NDVI、 Band2、DI3、CO1和DVI等5个遥感因子,说明其对森林蓄积量的估测比较敏感;2)随机森林模型优于偏最小二乘回归和多元逐步回归,其决定系数R2为0.73、估测精度为83.69%。利用GF-1遥感影像结合随机森林模型应用于森林蓄积量的估测结果趋于真实分布,效果较理想;采用移动窗口法,利用国产GF-1遥感影像并结合随机森林进行森林蓄积量估测具有较好的应用前景。     

基于高分二号遥感数据的森林自然度等级划分

以地面样点为基础的森林自然度评价方法很难获得区域范围森林自然度等级,针对该问题,提出了利用高分遥感卫星影像数据,划分区域范围森林自然度等级的方法。以湖北竹山县九华山林场为试验区域,在选取研究区典型样地的基础上,结合高分二号(GF-2)遥感影像数据的特点,从GF-2影像上提取遥感光谱、纹理等特征并结合地形特征,采用随机森林算法在大尺度范围对九华山林场森林自然度等级进行分类研究。结果发现:以GF-2数据为基础提取的植被指数、光谱、纹理等特征与地形特征结合,采用随机森林算法可较好地划分森林自然度等级,总体分类精度高达93.97%,Kappa系数为0.91。对森林自然度等级影响最重要的6个特征因子为高程、坡向、坡度、纹理均值、光谱主成分变化分量和归一化植被指数(NDVI)。结果表明,基于遥感影像提取的特征和地形特征结合进行森林自然度等级划分的研究方法具有可行性,为大面积区域的森林自然度等级划分奠定基础。     

湿地类型遥感影像分割最优尺度选择

影像分割是面向对象分析方法中的重要步骤和关键技术,分割尺度又是影像分割的核心问题,目前对于分割尺度的定量评价,国内外尚未建立统一的评价体系。以东洞庭湖为研究区,以高分一号卫(GF-1)卫星影像为研究对象,探索不同湿地类型的最优分割尺度。利用GF-1全色和多光谱融合后影像,采用归一化后方差均值与Moran’I指数构建全局评分指数,得到不同湿地类型的最优分割尺度,结果表明:最优分割尺度的大小与湿地分布的破碎程度直接关系;基于相同的有效影像特征以及波谱阈值,进行分层分类以及规则分类,分层分类的总体精度为89.62%,高于规则分类的总体精度为84.43%,说明分割尺度对分类精度有较大影响。     

高分辨率遥感影像森林覆盖变化检测研究

以天绘一号和资源一号两期遥感影像为研究对象,采用面向对象多尺度分割和基于特征值阈值的方法提取采伐迹地,将研究区分成采伐迹地和非采伐迹地两类,使用分类后比较法检测森林覆盖变化。结果表明:国产的天绘一号和资源一号遥感影像有较好的内部几何一致性,正射校正后的两期影像可以达到1个像元内的校准精度。遥感变化检测的面积精度和重合率与实际变化相比较,分别为93.1%和95.0%,该方法能较好地检测出森林覆盖变化,适合于县域森林资源年度更新。     

基于GF-1与Landsat-8的康保县叶面积指数遥感反演研究

以GF-1和Landsat8遥感影像为数据源,采用逐步回归、非线性Logistic回归和基于空间位置的地理加权回归3种方法,结合134个野外样地调查数据,在河北省康保县开展叶面积指数反演研究,并对结果进行精度检验。结果表明:(1)在荒漠化地区,GF-1和Landsat-8遥感影像提取的植被指数因子与LAI均有较高的相关性。运用主成分分析方法对植被指数因子进行处理,可以有效消除各影响因子间的共线性。(2)基于GF-1和Landsat-8影像分别建立的3种模型,均以地理加权回归决定系数最大,均方根误差最小,反演精度最高。(3)国产GF-1数据反演LAI效果优于Landsat-8,可以代替Landsat-8数据进行叶面积指数的估测。     

综合应用多源遥感数据的面向对象土地覆盖分类方法

【目的】针对国家森林资源宏观监测业务对区域森林资源空间分布信息的迫切需求,发展一种基于国家森林资源连续清查固定样地数据,可充分发挥GF-1宽幅多光谱数据、MODIS遥感数据相应空间和时间分辨率优势的面向对象土地覆盖分类方法,以提高林地和森林资源的监测精度和自动化程度。【方法】以黑龙江省小兴安岭某林区为研究区,主要数据源包括GF-1宽幅多光谱数据、MODIS NDVI(250 m,8天合成)时间序列遥感数据、国家森林资源连续清查固定样地数据以及少量外业实地调查数据等。首先,基于GF-1宽幅多光谱数据进行多尺度影像分割,将研究区划分为许多区域性的分割对象;然后,以分割对象为分析单元,分别提取GF-1宽幅多光谱遥感影像的光谱特征、纹理特征、形状特征等以及MODIS NDVI时间序列遥感数据的时序特征,并采用随机森林算法进行特征选择;最后,利用训练样本建立基于分类回归树分类器完成面向对象的土地覆盖分类方法研究,分别比较单一GF-1 16 m宽幅多光谱数据、单一MODIS NDVI时间序列遥感数据以及综合多源数据的分类结果,并基于混淆矩阵对分类结果进行分析。【结果】精度检验和分析结果表明,面向对象的综合多源遥感数据分类方法总体分类精度达89.46%,Kappa系数为0.874,明显优于仅基于GF-1宽幅多光谱数据、MODIS NDVI时间序列遥感数据的分类方法。【结论】综合应用多源遥感数据的面向对象土地覆盖分类方法适用于综合GF-1与GF-4数据的土地覆盖类型分别制图,可有效提高主要土地覆盖类型的分类精度。针对国家森林资源连续清查的业务需求和特点,本文所发展的方法在分类对象生成、特征提取、特征选择、分类器训练和精度检验等关键环节均进行了优化设计,有利于提高森林资源连续清查业务中主要林地类型遥感分类制图的自动化、标准化程度。     

基于遥感影像和二类调查数据的林地类型分类方法对比研究——以广西凭祥市为例

基于Landsat 8 OLI遥感影像和森林资源二类调查数据,对有林地、灌木林地、未成林地和非林地等林地类型,分别采用最大似然、神经网络、支持向量机和决策树分类方法进行分类,验证分类精度,并对分类效果进行对比评价。结果表明:支持向量机分类方法表现最好,分类精度为78.7%,Kappa系数为0.76;其次为神经网络和决策树分类方法,分类精度分别为76.8%和72.5%,Kappa系数分别为0.72和0.68;最大似然法表现最差,分类精度为44.9%,Kappa系数为0.39。研究结果可为森林资源信息的快速提取提供理论依据。     

卫星遥感数据在森林采伐监测中的应用

分别采用SPOT5、TM5影像前后两期多光谱遥感影像的波谱特征变化,检测森林资源变化信息,确定变化类型,以计算机自动识别对森林资源变化(减少)的区域(伐区)进行信息提取,并在此基础上进行室内人工预判读;结合采伐证、伐区作业设计、二类调查材料,进行补充判读,得出森林采伐图斑。古丈TM5(30 m分辨率)的面积正判率为96.3%;古丈SPOT5(10 m分辨率)的面积正判率为96.9%。实证分析表明,使用中、高分辨率卫星遥感数据能对森林采伐进行监测,结合辅助材料后能显著提高森林采伐监测精度。     

基于森林小班的高分影像融合及地类信息提取

以2013年资源3号高分辨率卫星遥感影像及森林小班矢量数据为数据源,以紫金山国家森林公园为例,基于森林小班对象将原始多光谱和全色影像进行融合。在较优融合影像基础上,采用面向对象分类方法提取研究区阔叶林、针阔混交林、竹林、灌木林地、松类、杉类和柏类等地类信息,并以现有的森林小班矢量数据验证影像融合效果,所得结论如下:1)基于森林小班矢量数据对遥感影像数据进行分割和融合是有效提取地类信息的基础。2)基于森林小班对象影像融合效果评价结果表明,Wavelet融合算法对资源3号卫星遥感影像数据融合效果较优;HPF,PCA和IHS融合算法次之;Brovey融合算法融合效果较差。3)基于Wavelet融合影像进行地类信息提取,总体分类精度为83.5%,Kappa系数为0.79。以上结论表明基于森林小班的影像融合方法是可行的,该方法有利于国产高分影像地类信息的提取,可为进一步获得更高的信息提取精度和更细分树种类型识别提供基础。     

基于高分一号影像光谱指数识别火烧迹地的决策树方法

森林火灾发生后,为及时、准确地掌握森林受灾情况,利用高分一号卫星(GF-1)16m宽幅影像各波段反射率信息,结合计算的归一化植被指数(NDVI)、过火区识别指数(BAI)、阴影植被指数(SVI)、归一化差异水体指数(NDWI)和全球环境监测指数(GEMI)等5种光谱指数,构建森林火烧迹地识别决策树模型(CART);在选取的研究区对该模型方法进行验证,并与最大似然监督分类法和非监督分类(ISODATA)方法所得到的结果精度进行了对比分析,结果表明:采用基于CART模型的决策树方法对火烧迹地识别结果精度较最大似然法总体分类精度提高了4.38%,Kappa系数提高了0.102 4,制图精度提高了14.96%,用户精度提高了8.50%;而采用ISODATA方法识别的火烧迹地的总体精度和Kappa系数都较低,制图精度和用户精度都没有达到1%。