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。     

基于ALOS PALSAR数据不同极化下云南松蓄积量分析

指出了合成孔径雷达(SAR)具有强穿透性的特点 ,能够不受天气影响探测滇中地区云南松单层林的信息特征.利用云南省宜良县ALOS PALSAR全极化数据和对应的地面实测了云南松林林分因子信息 ,分析了不同极化方式下后向散射系数与云南松单层林蓄积量之间的关系.通过分析比较 ,结果表明 :VH极化状态下云南松蓄积量与后向散射系数较其他几种极化状相关性高 ,并根据森林散射机制进行讨论.     

基于极化合成孔径雷达干涉测量的平均树高提取技术

在新疆和田地区建立SIR-C/X SAR极化干涉测量试验区,获取2次重复飞行的SIR-C/X SAR全极化干涉测量数据、覆盖试验区的地形图4幅、Landsat-5 TM及Landsat-7 ETM 数据各一景.在此基础上,研究实现POLinSAR数据处理及树高反演算法,并对试验结果进行初步分析评价.结果表明:本文所采用的极化干涉测量数据处理方法及树高反演算法是正确的;受去相干噪声因素的影响,重复飞行极化干涉SAR相干影像上可能存在大量的非体散射去相干散射体,识别这些散射体并加以剔除是保证得到正确树高提取结果的重要步骤.     

基于非负特征值分解和SVM的极化SAR图像分类

非负特征值约束的优势在于它可以判定一个极化矩阵能否对目标的散射机制进行表征。若一个矩阵不能满足非负特征值约束条件,则不能表征目标的散射机制,也就没有地物目标散射的极化信息。在非负特征值约束理论之前的极化分解中忽略了这个条件,导致分解的极化特征没有意义。根据满足非负特征值约束的非负特征值分解方法,提取出平面散射、偶次散射、体散射分量,结合支持向量机分类器,提出了一种SAR图像分类方法,并以AIRSAR_SanFrancisco数据进行分类实验,且将分类结果与H/A/α-Wishart分类结果进行对比分析。结果表明,基于非负特征值分解和支持向量机分类器结合的分类方法可行有效,且具有很好的分类精度。     

基于全极化SAR数据的云南松后向散射特征分析

以昆明市宜良县花园林场为研究区,选择2009年4月23日ALOS PALSAR 1.1等级的数据产品L波段全极化单视复型数据,结合2007年完成的宜良县森林资源二类调查数据,分析HH、HV、VH和VV 4种极化方式下云南松后向散射特征,采用SPSS进行单因素方差分析法统计试验结果。结果表明,在云南松幼龄林、中龄林和近熟林中,HH极化方式下反射强度值都是最高的,其次是VV极化方式,而HV和VH极化方式下反射值都比较低;云南松幼龄林、中龄林和近熟林与后向散射系数之间具有极显著影响,根据此特性,区分不同龄组的云南松。     

基于X波段极化干涉SAR数据的思茅松林冠层高度反演

极化干涉SAR数据在森林冠层高度反演的应用是SAR领域的研究热点。经典的三阶段冠层高度反演算法对体相干系数的解算存在着一定的误差。为提高冠层高度反演的精度,在经典三阶段算法的基础上提出一种基于相位不变原则的三阶段改进算法,并结合相干优化来提高冠层高度反演精度。通过采用星载TanDEM-X全极化干涉数据实现普洱地区思茅松林冠层高度的反演,并结合实测数据进行精度检验。结果表明,改进后的三阶段算法能够较为准确地反演森林冠层高度。     

基于GVB模型改进算法的PolInSAR林分高度反演

P波段极化数据提高了雷达数据对林分冠层的穿透能力,基于RVoG模型的传统三阶段算法对林分均匀同质的假设前提不再满足实际情况。在符合林分异质性的GVB模型的基础上,利用林分高度、散射中心高度及其标准差进行三维搜索,改进传统三阶段算法中林分高度的反演过程,并分别采用仿真数据和机载E-SAR全极化数据进行算法验证。结果表明:与传统三阶段算法相比,改进算法的成功估计像元数提高了19.7%,林分高度估计精度提高了22.5%,说明改进算法能有效提高纯体相干估计的准确性,提高林分高度反演精度。     

基于改进端元提纯模型的MODIS森林类型识别研究

MODIS遥感数据具有很高的光谱辐射精度,以及成本低、覆盖面积广、获取容易、周期短等数据特征,可以实现全覆盖大尺度区域森林类型信息快速提取,但由于其空间分辨率较低,遥感数据中存在混合像元。利用混合像元分解模型进行分解可得到较好的分类结果,但混合像元分解的端元组分直接影响分类的精度。利用决策树分类模型改进端元提纯,分析各地物的MODIS时间序列植被指数变化规律及物候变化规律,利用决策树模型分类的结果进行端元组分的提纯,最后进行混合像元分解。研究结果表明:分类精度最高的是线性混合像元分解,其次是最大似然分类,最差的是非线性混合像元分解,其中带约束和不带约束的线性分解模型的精度相差不大。     

多极化星载SAR森林覆盖变化检测方法

【目的】利用多极化星载SAR数据,分析后向散射强度比值影像的概率密度分布特征,融合后向散射强度信息和影像空间上下文信息,提出一种具有较高检测正确率及较低虚警率和漏警率的森林覆盖变化检测方法,为多极化SAR卫星数据的业务化应用提供技术支撑。【方法】将"2期分别分类森林覆盖变化检测法"(CBFC)与"贝叶斯最大期望-马尔科夫随机场(EM-MRF)变化检测法"相结合,首先采用阈值分割法分别对2期多极化SAR影像进行森林-非森林分类得到初始森林覆盖变化图,然后以初始森林覆盖变化图作为训练数据对多极化比值影像进行Fisher特征变换和EM-MRF分类处理,2个时相的HH、HV极化比值影像经Fisher特征变换转化为一个综合差异影像,输入EM-MRF进行迭代分类得到森林覆盖变化检测结果。以黑龙江省逊克县为试验区,以2期ALOSPALSAR双极化数据为SAR遥感数据,以对2期Landsat-5影像、高空间分辨率遥感影像进行目视解译得到的森林覆盖变化图为参考,对本研究提出方法的有效性与CBFC方法及直接用CBFC提取的森林覆盖变化检测图掩膜EM-MRF地表覆盖变化检测图方法(CBFC-EM-MRF)进行比较评价。【结果】通过Fisher特征变换得到的差异影像可有效增强森林覆盖变化、未变化类别的对比度;CBFC通过阈值分割法进行森林-非森林分类,提取的森林覆盖变化图中出现很多面积很小的虚警检测,漏警率也很高,而本研究提出方法通过MRF加入影像空间上下文信息,提高了检测结果的空间连贯性,森林覆盖变化检测虚警率为1.58%,漏警率为11.87%,正确率为98.36%,检测效果和精度明显优于CBFC和CBFC-EM-MRF。【结论】多极化星载SAR森林覆盖变化检测方法具有收敛性好、检测结果可信度高、需要用户交互较少等特点,对我国高分三号及未来其他多极化SAR卫星的森林资源监测业务应用具有重要参考价值。     

基于ENVISATASAR数据的高山松林蓄积量估测模型研究

以香格里拉县南部为研究区,利用ENVISATASAR双极化数据,基于数理统计方法对该地区的高山松林蓄积量估测模型进行研究。首先分析HH,日y,HV／HH值与高山松林样地蓄积量之间的相关性,结果为日y极化数据与蓄积量相关性最高;然后建立简单线性模型、指数模型以及加入地理因子的多元线性模型与非线性模型,得出指数模型为最优模型;利用独立的检验样本对最优模型进行精度评价,预测值与实测值基本相符合,平均相对误差为14．41％。     

基于时序Landsat数据的浙江省竹林信息提取及时空演变

【目的】提取浙江省不同时期竹林分布信息,分析其时空演变规律,揭示竹林面积变化与土地利用格局之间的关系,为国家及至全球尺度长时间序列的竹林时空动态研究提供参考。【方法】以浙江省为研究区,基于2000、2004和2008年Landsat5 TM及2014年Landast8 OLI时间序列影像数据,首先,对不同时期的Landsat数据进行大气校正和几何校正,采用最大似然法提取土地利用和竹林时空分布信息;然后,利用变化幅度和动态度2个指标分析4个时期、3个时间段的竹林时空演变规律;最后,建立全省土地利用时空转移矩阵,揭示竹林时空动态与土地利用格局之间的关系。【结果】1)基于时序Landsat数据提取的浙江省竹林信息精度较高,分类精度达75%以上,使用者精度达91%以上,且分类统计面积与实际清查面积高度吻合,面积提取精度达96%以上; 2) 2000—2014年浙江省竹林面积变化幅度和年均变化率分别为16.55%和1.18%,在时空上呈逐渐增加趋势; 3)浙江省竹林面积由2000年占全省面积的7.33%增长到2014年的8.56%,其中针叶林、阔叶林和农田3种土地利用类型变化对竹林面积增加的贡献最大,贡献率分别为28.62%、37.23%和16.15%。【结论】基于Landsat时间序列数据能够高精度监测浙江省竹林资源动态变化,针叶林、阔叶林和农田等土地利用类型减少对竹林面积时空演变具有显著影响。     

高光谱数据森林类型统计模式识别方法比较评价

在我国东北地区获取EO-1 Hyperion高光谱数据,以高空间分辨率的全色SPOT-5数据及其影像分割结果为辅助,通过外业测量获取真实可靠的森林类型空间分布数据.以这些数据为地面实状数据,对现代先进的统计模式识别方法用于森林类型识别的效果进行比较评价,总结可以有效解决有限样本条件下高光谱分类问题的基于统计模式识别的森林类型分类技术方案.评价结果表明:对高光谱数据进行降维处理,并采用更加有效的二阶统计量估计方法,进而应用将空间上下文信息和光谱信息相结合的分类算法,如ECHO,可以有效提高高光谱数据森林类型的识别精度.     

基于人工智能深度学习的卫星影像分类研究

以芒市2019年卫星影像及2019年林地一张图成果为研究对象,基于深度学习的卫星影像分类研究,构建森林资源分类识别模型,以提高森林资源监测能力。将裁剪后的芒市2019年卫星影像分有林地、灌木林地、未成林地及耕地、建设用地5个类别导入自定义的ResNet18模型进行深度学习,并对学习结果进行验证。实验结果显示,在模型训练过程中,随着迭代次数的增加,模型的损失值逐渐减小,且训练样本越多,准确率越高。     

天水市近30年林地动态变化遥感监测研究

[目的]以甘肃省天水市为例,基于遥感影像变化监测技术,探讨黄土高原丘陵沟壑与小陇山-西秦岭山地交接过渡区域近30年来森林(林地)资源空间分布规律、时间变化趋势及变化影响因素。[方法]以1988—2015年5期夏季Landsat TM/OLI遥感影像为主要数据源,结合辅助数据和外业实地样本点,以光谱特征和指数特征为特征变量,分别利用随机森林(RF)和参数优化支持向量机(POSVM)分类器对土地覆盖类型进行分类,然后基于分类后比较法进行森林资源动态变化监测。[结果]分类结果表明,两种分类器的分类效果均较好,且随机森林分类器在分类精度、效率和稳定性方面明显优于参数优化支持向量机分类器。变化监测结果表明,近30年来森林资源总体变化趋势为林地面积先减少后增加。1990—1996年,林地面积减少0.74%;1996—2002年,林地面积减少2.74%;2002—2008年,林地面积增加1.06%;2008—2015年,林地面积增加8.89%。[结论]本研究采用的基于非参数分类器分类后比较法的变化监测技术是复杂地形地貌过渡区森林资源动态变化监测的一种有效途径,在分类结果分析统计的基础上,得出研究区森林资源变化的总体趋势:以2002年(2002年影像)为界,林地总体趋势为先减少后增加,2002年后林地面积增加显著。     

基于遥感影像的鄂托克前旗森林资源监测分析

以2002年和2006年TM遥感影像为数据源,在PCI 8.5和ARCGis 9.2遥感图像处理软件的支持下,获得了鄂托克前旗2个时期的森林资源图。通过计算机自动分类和分类后人工解译纠错相结合的图像分类提取方案,提高了图像分类提取的效率和精度。动态监测结果表明,从2002~2006年,面积增加的地类为灌木林和有林地,面积减少的地类为宜林地和裸沙地,农田和水体的面积基本保持不变,并对其变化结果进行了分析。     

基于TM遥感影像的森林类型分类方法比较

以吉林省汪清林业局为例,基于Landsat5-TM影像,充分利用遥感影像光谱信息,分别采用动态聚类法和组合监督分类法对该林区的森林类型进行分类,并对分类结果的精度进行比较分析.研究结果表明,利用组合监督分类的精度比动态聚类法分类的精度要高,总体分类精度高11％,其中针叶林、阔叶林、混交林和其他用地的分类精度分别高8％、11％、17％和10％.     

森林资源档案数据更新模型和方法的探讨

在分析了前期森林资源档案更新数学模型弊端的基础上，为提高数据更新的准确性，提出了基于立地分级的森林资源档案数据更新的模型和方法，通过检验，该模型和方法合理、可行，能提高数据更新精度，对其中存在的不足还提出了补救措施。     

自然资源视角下的林地界定标准探究 ——以上海市某区为例

系统梳理国内外关于林地界定的标准,重点分析我国目前已发布的林地界定标准《林地分类》(LY/T1812-2009)和《土地利用现状分类》(GB/T21010-2017)的差异。以上海市某区为例,具体分析林地界定差异引起的数据统计及相关管理、审批等方面的问题,结合自然资源统一管控趋势,提出增加复合用地分类,统一具体认定口径,建立分类对照表,明确林地界定的状态等林地界定标准修订及相关管理完善建议。     

Analysis of forest cover change at Khadimnagar National Park,Sylhet, Bangladesh,using Landsat TM and GIS data

We mapped the forest cover of Khadimnagar National Park （KNP） of Sylhet Forest Division and estimated forest change over a period of 22 years （1988-2010） using Landsat TM images and other GIS data. Supervised classification and Normalized Difference Vegetation Index （NDVI） image classification approaches were applied to the images to produce three cover classes, viz. dense forest, medium dense forest, and bare land. The change map was produced by differencing classified imageries of 1988 and 2010 as before image and after image, respectively, in ERDAS IMAGINE. Error matrix and kappa statistics were used to assess the accuracy of the produced maps. Overall map accuracies resulting from supervised classification of 1988 and 2010 imageries were 84.6% （Kappa 0.75） and 87.5% （Kappa 0.80）, respec- tively. Forest cover statistics resulting from supervised classification showed that dense forest and bare land declined from 526 ha （67%） to 417 ha （59%） and 105 ha （13%） to 8 ha （1%）, respectively, whereas medium dense forest increased from 155 ha （20%） to 317 ha （40%）. Forest cover change statistics derived from NDVI classification showed that dense forest declined from 525 ha （67%） to 421 ha （54%） while medium dense forest increased from 253 ha （32%） to 356 ha （45%）. Both supervised and NDVI classification approaches showed similar trends of forest change, i.e. decrease of dense forest and increase of medium dense forest, which indicates dense forest has been converted to medium dense forest. Area of bare land was unchanged. Illicit felling, encroachment, and settlement near forests caused the dense forest decline while short and long rotation plantations raised in various years caused the increase in area of medium dense forest. Protective measures should be undertaken to check further degradation of forest at KNP.