基于CART决策树的自然保护区植被类型分布研究

目的针对保护区监测需求，充分发挥GF-1 WFV影像的宽幅特点和面向对象、机器学习算法在遥感影像分类中的优势，提高保护区植被类型遥感监测的精度，为保护区管理决策提供依据。方法以甘肃省白水江国家级自然保护区为研究区，主要数据源包括GF-1 WFV多光谱数据、Landsat-8 OLI遥感数据、DEM数据、野外调查数据等。首先，对GF-1 WFV数据进行多尺度分割，将研究区划分为诸多区域性的分割对象；然后，以分割对象为基本单元，研究光谱特征、几何特征、纹理特征不同组合情况下，基于CART决策树分类的结果；最后，利用训练样本建立基于TTA的精度检验，并基于混淆矩阵对分类结果进行分析。结果在多尺度分割过程中，形状因子、紧致度分别设置为0.2和0.5时地物边界显示较好；当形状因子和紧致度固定时，研究区最佳分割尺度为40。精度检验结果表明，基于CART决策树的保护区植被类型分类结果整体精度均在83%以上，Kappa系数在0.80以上，优于最邻近分类法和支持向量机分类算法，其中基于光谱特征、几何特征、纹理特征的CART决策树分类结果精度最高，总体精度为85.18%，Kappa系数为0.832 2，优于光谱特征分类、光谱特征结合几何特征分类的方法。结论基于CART决策树算法和面向对象方法的GF-1遥感影像分类方法适用于保护区植被类型分布研究，可有效辅助保护区监测工作。      

基于哨兵二号的大豆、玉米遥感识别——以江苏徐淮地区为例

本研究以哨兵二号影像为数据源,以江苏徐淮地区邳州市西南部作为研究区,开展大豆、玉米遥感识别研究。采用覆盖玉米和大豆主要生长期的多时相哨兵二号影像构建遥感特征参数数据集,包括12个光谱波段的反射率和47个植被指数,采用递归特征消除与随机森林、支持向量机相结合的算法开展特征参数优选,明确最优识别时相-特征参数组合,在此基础上,采用随机森林和支持向量机分类器进行分类,并比较分类精度。研究结果表明,利用特征参数优选方法提取最优特征参数组合,在保证总体精度的前提下能够减少特征参数数量;陆地水指数和倒数差值等植被指数是2种优选算法所提取出的共性特征参数;9月8日是研究区玉米和大豆遥感识别的最佳时相,总体精度和Kappa系数均为0.99。     

基于面向对象的资源3号遥感影像森林分类研究

森林类型识别技术是遥感分类中的重点和难点,采用面向对象的遥感影像分类方法是实现森林类型分类的新方法。资源3号遥感影像可为森林类型提取提供新方向。以资源3号遥感影像作为基础研究数据,采用面向对象的分类方法,选择分形网络演化法进行多尺度分层分割,并结合典型地物的光谱特征、纹理特征、几何特征以及植被指数,构建了适用于森林类型提取的决策树模型,并与分割尺度不同的支持向量机分类方法进行比较分析。结果表明:多层分割的决策树分类方法分类精度高于单层分割的支持向量机分类方法,分类精度分别提高了6.1%和12.5%。说明建立多层分割的决策树分类方法适用于森林类型的分类研究。     

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于GEE的山东省马铃薯种植区提取研究

传统马铃薯种植面积估算主要基于地面测量，再逐级上报，时效性和准确性难以得到保障。文章基于Google Earth Engine谷歌地球引擎和哨兵2号（Sentinel-2）遥感影像，对山东省马铃薯种植区进行面积提取和监测。结合实地调查所获数据与目视解译法进行样本点选取，获取各类地物遥感影像样本；对不同典型地物遥感反射率做归一化处理，通过随机森林算法实现马铃薯种植区从其他地物类型中的有效识别；并构建混淆矩阵进行精度验证及对比分析。结果表明:基于GEE对山东省马铃薯种植区面积提取的分类精度达到 92.5%，Kappa 系数达到 0.916，并获取山东省马铃薯种植区整体影像、山东省各地市马铃薯种植面积。实验精度结果良好，与统计年鉴相似性较高，有很大的实际应用意义。本研究实现了大尺度范围对马铃薯种植区面积的提取。     

江西省石城县降雨径流对森林质量的响应

  目的  分析江西省石城县域降雨径流和森林质量年代变化特征及规律,研究降雨-径流-森林之间的关系,为定量监测和科学评价南方红壤丘陵区水土流失与生态环境状况提供依据。  方法  根据石城县域1989?2018年的天然降雨、径流序列数据以及不同年代遥感影像图,采用小波分析、遥感监督解译及森林质量等级判定等方法。  结果  ①石城县域降雨径流随着年际变化表现出缓慢下降趋势,但下降趋势不显著;②森林质量指数随着解析年份的增加整体呈上升?下降?上升趋势;③森林质量提升具有显著滞洪作用;④建立石城县域小波模型,径流深与降雨量呈正相关,与森林质量指数呈负相关。  结论  森林质量的提升会加强森林涵养水源能力和森林滞洪作用。图4表5参27     

面向钻蛀振动实时侦听的深度学习模型压缩

  目的   基于深度学习的钻蛀振动识别模型结合边缘计算可实现林业蛀干害虫钻蛀振动长期监测和实时预警,但要求大幅压缩智能识别模型的参数量和运算量。本研究采用深度学习模型压缩算法,在不损失精度的前提下,对已有的钻蛀振动识别模型进行压缩,减小模型的体积并提升模型在嵌入式平台的识别速度。   方法   首先采集双条杉天牛钻蛀振动和背景噪声两类信号训练人工设计的5层卷积神经网络BoringNet,得到钻蛀振动识别模型;然后分别使用不同裁剪率的滤波器裁剪、模型量化、多目标知识蒸馏对钻蛀振动识别模型进行压缩;最后设计上述压缩算法的组合策略,联合使用3种算法对蛀振动识别模型进行压缩,探究多种组合的模型压缩效果。   结果   3种模型压缩算法组合,裁剪率为60%时模型达到最优,此时模型计算量和参数量分别从原模型的18.06 ×106次和0.54 ×106个降低为3.01 ×106次和0.09 × 106个,模型体积从2 200 kB压缩至134.9 kB,树莓派3B+上的识别时间由原模型的9.04 ms降低至1.65 ms,而模型精度仍能达到99.29%,提升了0.5%。   结论   本研究的深度学习模型压缩方法,可以针对钻蛀振动侦听场景大幅压缩模型参数量和运算量,在保证准确率的前提下实现嵌入式平台的实时识别,促进钻蛀振动识别模型从工作站试验到野外实地部署的转变,为钻蛀振动识别的边缘计算奠定基础。      

面向对象的作物种植信息提取研究——以新疆奇台县为例

为快速获取农情信息与农作物种植结构,通过面向对象的识别方法,对新疆主要粮食产区之一奇台县进行作物信息提取的研究。以Landsat 8遥感影像为数据源,通过更新2016年土地利用现状图得到耕地分布信息。使用e Cognition 9. 0软件进行多尺度分割,通过ESP2插件确定研究区最佳分割尺度后进行尺度分割,结合实地调查资料,利用面向对象的Cart决策树分类器和随机森林分类器将作物分为小麦、玉米、打瓜和葵花四类主要作物,提取新疆奇台县作物种植信息。结果表明:研究区最佳分割尺度为90;对于本研究,随机森林分类器Cart树数量为80～90时分类精度较高; Cart决策树总体精度达到0. 925,Kappa系数0. 893;随机森林分类器总体精度达到0. 945,Kappa系数0. 921。表明,在县域级农作物识别时使用面向对象的识别方法对中等空间分辨率遥感影像分类是可行的。     

C5.0决策树Hyperion影像森林类型精细分类方法

以吉林省白河林业局为中心研究区,利用星载高光谱Hyperion数据并结合其他辅助数据,综合利用影像光谱特征、纹理特征、地形特征、典型地类和主要森林类型外业调查样本数据,探究针对C5.0决策树算法的高光谱影像土地覆盖类型多层次信息提取与森林类型识别的有效方法。在分析典型地物光谱特征的基础上,优选8种纹理特征,引入主成分分量及与主要森林类型空间分布相关的敏感地形因子,采用分层分类的策略,根据光谱特征将地类划分层次,在层次间建立基于C5.0决策树算法的决策树模型,对研究区的地类进行细分。为便于对比,以相同的策略采用支持向量机（SVM）分类器进行分类。最后,结合野外采集样本并参考高分辨率影像,采用分层随机抽样的独立检验样本对森林类型精细识别结果进行精度验证。结果表明:C5.0决策树算法可综合利用高光谱影像的光谱、纹理及其他辅助数据,自动寻找出区分各类别的最佳特征变量及分割阈值,运算速度快,占用内存较小且无需人为参与,其分类精度达到优势树种级别,总体分类精度达81.9%,Kappa系数0.709 8。     

西双版纳12 a间森林扰动监测研究

及时准确的森林干扰信息是掌握森林时空演变规律和碳汇状态变化的重要基础知识。基于1999—2010年间的Landsat TM/ETM+遥感影像,本研究采用单类支持向量机(one class support vector machine,OCSVM)监测了近12 a以来西双版纳傣族自治州的热带森林干扰的时空变化。监测结果表明:1999—2010年间,西双版纳热带森林面积在各种因素的干扰下呈逐年减少趋势,热带森林保护形势依然严峻。OCSVM是一种快速提取热带森林面积的简单方法,具有较高的提取精度(90.19%)。将长时间序列MODIS数据与Google Earth高分辨率影像结合是快速获取丰富的高质量采样数据的有效途径,能够为遥感分类算法训练和结果验证提供可靠数据源。     

基于机器学习的落叶松树皮厚度预测

  目的  研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法。  方法  以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法（神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF）,并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较。采用决定系数（R2）、均方根误差（RMSE）、平均绝对误差（MAE）和赤池信息准则（AIC）来评价不同模型和算法。  结果  （1）在6个基础模型中Model5预测效果较好。基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;（2）机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好。（3）RF4的输入变量为胸径（DBH）、树高（H）、相对树高（H_r）。基于训练样本,与Model5相比,随机森林的R2从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。  结论  相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测。      

黄土高原半干旱区旱作农田土壤干燥化研究

为了揭示黄土高原半干旱区旱作农田土壤干燥化发生规律,为黄土高原旱作农田土壤水分可持续利用和当地粮食生产的可持续发展提供科学依据,在黄土高原半干旱区固原、定西和海原3个有代表性的区域实地观测了不同类型旱作农田的深层土壤湿度,分析了旱作农田的土壤干燥化发生规律和土壤干层分布特征。结果表明:(1)黄土高原半干旱区固原、定西和海原各类农田0～600cm土层土壤湿度平均值分别为11.46%、14.37%、9.27%,各类农田土壤湿度均明显低于其土壤稳定湿度值,均发生了不同程度的土壤干燥化现象;(2)固原高产麦田和高产马铃薯田土壤干层厚度分别比低产农田土壤干层厚120cm和260cm;海原高产麦田和高产马铃薯田比低产农田土壤干层厚度厚20cm和80cm。黄土高原半干旱区随着旱作粮田产量的提高,农田深层土壤湿度逐渐降低,土壤干层逐渐加深和加厚。     

考虑环境因素的杨树生长率模型研究

  目的  杨树是我国栽培数量最多的阔叶树种，其生长快、易繁殖、适应性强、轮伐期短等特点对解决木材供需平衡、促进碳汇、实现碳循环等方面至关重要，探究杨树生长环境影响机制对实现森林资源高效管理、推动生态文明建设具有重要意义。  方法  本研究利用全国森林资源连续清查部分固定样地杨树实测数据，构建未考虑环境因素和考虑环境因素的杨树胸径生长率多元回归模型，结合随机森林（RF）、梯度提升机（GBM）和支持向量机（SVM）算法，对RF、GBM和SVM算法以RMSE最小完成模型最优参数确定，并通过平均绝对误差（MAE）、均方根误差（RMSE）和决定系数（R2）进行模型评价，实现环境因子对杨树生长的重要性程度知识挖掘。  结果  杨树胸径生长率主要受其自身胸径大小的影响，且随着胸径的增大而减小，呈现反“J”型趋势；考虑环境因素的回归模型较未考虑环境因素的回归模型R2从0.066提高到了0.403；机器学习算法预测效果明显优于回归模型算法，其中以RF算法精度最高，R2达0.730，预测结果和实际值基本一致；多元回归模型、RF和GBM对模型重要性解释程度规律基本一致，SVM存在微小差异。  结论  回归模型精度虽略低于机器学习算法，但其“白箱”优势可为未来森林资源调查工作中判定其胸径是否存在异常提供依据；杨树生长受环境影响，与地理空间位置关系紧密，温度适宜、降水充沛的低海拔地区以及坡度平缓、坡位较低的北坡区域更适宜杨树生长，密度越大越不利于其生长；在杨树林的营造过程中，应首先考虑造林地理位置、气象气候等因素；其次，考虑林分结构，特别是林分密度合理性；最后，考虑地形结构是否适宜进行杨树林营造工程建设。      

基于MODIS时间序列数据的竹林地上生物量估算

  目的  基于浙江省中分辨率成像光谱仪(MODIS)时间序列数据,对浙江省竹林地上生物量进行估算,为竹林碳汇遥感监测提供参考。  方法  以MODIS叶面积指数(LAI)、增强型植被指数(EVI)和比值指数(RVI)时间序列数据为变量,利用随机森林模型筛选变量,采用支持向量回归(SVR)模型估算研究区竹林地上生物量。  结果  随机森林模型共筛选出43个对竹林地上生物量影响最大的变量;基于43个变量,采用radial核函数构建的SVR模型预测能力最强,模型训练精度和测试精度分别为0.76和0.72,均方根误差分别为5.15和8.03 Mg·hm?2。浙江省全省竹林地上生物量均值为7.85 Mg·hm?2,总地上生物量为3.31×107 Mg;浙江省竹林地上生物量在各市具有明显的差异性,其中,湖州市、杭州市、金华市、绍兴市和宁波市的竹林地上生物量均值均大于全省均值,湖州市竹林地上生物量均值最大,为13.56 Mg·hm?2,舟山市地上生物量均值最小,为5.72 Mg·hm?2。  结论  耦合了MODIS LAI、EVI、RVI时间序列数据的SVR模型可实现浙江省竹林地上生物量较高精度的估算。图3表1参31     

基于Logistic和Gompertz模型的小叶杨幼苗生长组合优化模型

目的  通过对我国小叶杨幼苗的株高生长规律及生长模型的研究，为其生长预估及科学育苗提供参考。 方法  以来自我国16个产区的小叶杨幼苗作为研究对象，通过试验地调查及测量等方法获取基础数据，以时间维度建立生长模型分析小叶杨幼苗株高的生长规律。选取具有生物学意义的生长方程，根据模型拟合优度与评价指标选取最优基础生长模型，并在最优模型的基础上构建适合不同产区幼苗生长的组合优化生长模型。 结果  （1）不同产区的样本株高的综合最优基础模型分别为Logistic方程和Gompertz方程，其中Logistic模型的R2和预测精度分别在0.847 9和92.23%以上，Gompertz模型的R2和预测精度分别在0.891 5和92.60%以上。（2）在此基础上构建的组合优化模型对我国7个产区的小叶杨幼苗生长呈现出较大的F值（α = 0.01）和较高的预测精度，其中门源回族自治县样本的预测精度提高了0.90%，富平县和都兰县的样本预测精度分别提高了0.37%和0.34%，且模型显著相关。（3）通过组合优化模型参数发现16个产区样本平均在17.73 d达到生长速率最大点。 结论  小叶杨幼苗的生长受地理位置和气候等条件的影响，通过建立符合不同产区小叶杨幼苗生长的模型，有利于提高生长模型的精度和适用性，不仅能为幼苗研究提供科学基础，也为进一步的全基因组关联分析奠定基础。      

基于分位数回归的针阔混交林树高与胸径的关系

  目的  基于包含哑变量的非线性分位数回归方法,构建华北落叶松Larix principis-rupprechtii与白桦Betula platyphylla针阔混交林树高与胸径关系的预测模型,对研究混交林中树种结构及立地生产力预测具有重要意义。  方法  以河北省塞罕坝机械林场华北落叶松与白桦针阔混交林为研究对象,利用83块标准地调查数据,基于哑变量分别采用最小二乘法和非线性分位数回归方法,构建不同树种树高与胸径关系模型。  结果  基于包含哑变量的非线性分位数回归预测模型精度高于最小二乘法,其中利用最小二乘法拟合不同树种模型,其确定系数、平均差及平均绝对误差分别为0.787~0.814、1.581~1.877、2.447~2.654;而利用非线性分位数回归不同树种不同分位点模型,其确定系数、平均差及平均绝对误差分别为0.839~0.921、0.213~1.469、0.561~2.322,经过残差分析确定,当分位点τ=0.7时,不同树种树高与胸径关系预测模型精度较高。  结论  与最小二乘法相比,基于非线性分位数构建的包含哑变量不同树种树高与胸径关系的预测模型精度更高。图3表3参33     

基于断点检测的延安市富县植被变化研究

  目的  多项生态工程实施以来,陕北黄土高原地区环境明显改善,探究该区域植被的时空变化,为生态环境建设与差异化决策提供依据。  方法  以陕西省延安市富县为研究对象,利用2000—2019年生长季的Landsat TM/ETM+/OLI影像,运用DBEST算法对归一化植被指数(NDVI)时间序列进行断点检测,并提出多阶段趋势分析方法分析富县植被变化时空特征。  结果  富县植被的断点检测结果表明:66.47%的区域断点NDVI变化幅度小于0.2,主要分布在富县西部和东北地区,植被相对稳定,未发生剧烈变化;33.53%的区域断点NDVI变化幅度大于0.2,其中断点数量多于4个的区域仅占5.88%,集中分布于道路、河流沿线,变化频繁,与人为活动有关。当前阶段趋势分析表明:断点NDVI变化幅度大于0.2的区域,改善的面积占总面积的24.57%,退化面积仅占2.12%;开始时间均在2014年之前,时间分布跨度大,空间异质性强,揭示了富县植被变化的多样性及复杂性;富县有林地、疏林地、灌木林地、未成林造林地4种主要林地均趋于改善,改善面积占林地面积的96.23%。  结论  2000—2019年,富县植被整体呈现改善趋势,生态建设工程取得良好的效果;植被变化的时空特征存在差异,后续决策需因地制宜。图6表1参25     

Winter wheat yield estimation based on assimilated Sentinel-2 images with the CERES-Wheat model

Assimilating Sentinel-2 images with the CERES-Wheat model can improve the precision of winter wheat yield estimates at a regional scale. To verify this method, we applied the ensemble Kalman filter(EnKF) to assimilate the leaf area index(LAI) derived from Sentinel-2 data and simulated by the CERES-Wheat model. From this, we obtained the assimilated daily LAI during the growth stage of winter wheat across three counties located in the southeast of the Loess Plateau in China: Xiangfen, Xinjiang, and Wenxi. We assigned LAI weights at different growth stages by comparing the improved analytic hierarchy method, the entropy method, and the normalized combination weighting method, and constructed a yield estimation model with the measurements to accurately estimate the yield of winter wheat. We found that the changes of assimilated LAI during the growth stage of winter wheat strongly agreed with the simulated LAI. With the correction of the derived LAI from the Sentinel-2 images, the LAI from the green-up stage to the heading–filling stage was enhanced, while the LAI decrease from the milking stage was slowed down, which was more in line with the actual changes of LAI for winter wheat. We also compared the simulated and derived LAI and found the assimilated LAI had reduced the root mean square error(RMSE) by 0.43 and 0.29 m2 m–2, respectively, based on the measured LAI. The assimilation improved the estimation accuracy of the LAI time series. The highest determination coefficient(R2) was 0.8627 and the lowest RMSE was 472.92 kg ha–1 in the regression of the yields estimated by the normalized weighted assimilated LAI method and measurements. The relative error of the estimated yield of winter wheat in the study counties was less than 1%, suggesting that Sentinel-2 data with high spatial-temporal resolution can be assimilated with the CERES-Wheat model to obtain more accurate regional yield estimates.