基于高光谱和激光雷达数据的林分类型识别

【目的】探讨随机森林、支持向量机分类器下机载高光谱影像和激光雷达点云数据源对林分类型识别的影响,并检验叶绿素在林分类型识别中的作用,为提高林分类型分类精度提供科学依据,为森林资源管理和监测提供技术支持。【方法】以东北林业大学帽儿山实验林场老山施业区为研究区,以机载高光谱影像和激光雷达点云为数据源,在多尺度影像分割基础上,从高光谱影像中提取光谱、纹理和叶绿素指数等特征,从Li DAR点云中提取高度、强度等特征。通过随机森林的特征选择,选取重要性较高的特征变量,在随机森林和支持向量机分类器下,以影像分割数据为试验样本,设置6种分类方案(随机森林分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据,支持向量机分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据),对阔叶混交林、樟子松林、落叶松林、红松林和蒙古栎林5种林分类型进行识别,比较不同分类器下不同数据源的分类效果。【结果】高光谱影像数据共提取34个特征变量,激光雷达点云数据共提取72个特征变量,经特征选择后,高光谱影像数据和激光雷达点云数据各选取11个重要性较高的特征(共22个),其中高光谱影像数据提取的归一化植被指数(NDVI)重要性最大。6种分类方案中,随机森林分类器下高光谱影像与激光雷达点云数据结合的分类精度最高(88.02%),支持向量机分类器下激光雷达点云数据的分类精度最低(76.19%)。多源数据协同的平均分类精度(86.22%)高于单源数据(79.98%),随机森林分类器的平均分类精度(82.92%)高于支持向量机分类器(81.19%)。叶绿素指数参与分类后,分类精度提高约3.32%。5种林分类型中,阔叶混交林分类效果最好,平均分类精度为92.62%,红松林分类效果最差,平均分类精度为49.67%。【结论】多数据源较单源数据可更好地提高分类精度,即2种数据协同可以提高林分类型识别精度;单一数据源相比,高光谱影像数据源的分类效果更好,光谱特征是林分类型识别的重要影响因子;林分类型识别时,不同机器学习模型相比,随机森林分类器较支持向量机分类器分类效果更优;叶绿素作为生物化学参数对林分类型识别有积极影响。     

多源数据林地类型的精细分类方法

【目的】探讨复杂中山区域、多源数据支持下,高空间分辨率遥感影像林地类型层次化精细分类方法,以促进高分辨率遥感数据在森林资源调查与监测方面的深入应用。【方法】以嘉陵江上游甘肃省小陇山林业实验局百花林场为研究区,以SPOT5和高分一号(GF-1)遥感影像为主要数据源,综合利用影像光谱特征、植被指数特征、纹理特征与时相特征、地形特征、森林资源"二类调查"成果数据与林相图等辅助信息,及典型地类与主要森林类型外业调查样本数据,发展针对暖温带典型天然次生林区、复杂山区地形条件下高空间分辨率遥感影像林地类型多层次信息提取与森林类型精细识别的有效方法。在分析不同时相影像光谱特征的基础上,构建并优选归一化植被指数(NDVI)、比值植被指数(RVI)、比值短波红外指数(RSI)、差值植被指数(DVI)4种植被指数特征和均值(ME)、同质性(HOM)、非相似性(DIS)、信息熵(ENT)、角二阶距(ASM)、相对峰值(RK)6种纹理特征,引入与主要森林类型空间分布相关的DEM高程值、坡度、坡向3个敏感地形因子,利用不同林地类型时相动态特征和辅助信息特征,在不同层次影像上分别采用适于该层待分信息类别的阈值法、支持向量机(SVM)、多分类器组合(MCC)、人工神经网络(ANN)分类方法,将各层分类结果合并获得整个研究区林地类型精细分类图。最后,采用分层随机抽样的独立检验样本对分类结果中7类林地类型进行精度验证,并对5类主要森林类型精细识别结果进行面积统计,与"二类调查"及影像解译结果各类型面积统计值进行对比分析,进一步从整体上检验分类方法的有效性和分类结果的可信度。【结果】本文所发展的分类方法对林地类型信息提取精度较高,有林地、其他林地、苗圃地等7类林地类型总体分类精度达92.28%,总Kappa系数为0.899 6;油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林5类主要森林类型面积统计结果的平均相对精度为92.4%。【结论】多源数据支持下的多层次林地类型精细分类方法是一种有效的林地类型信息精准监测方法,具有精度高和可信度高的优势,且森林类型精细识别详细程度达到优势树种(组)级别,是解决复杂山区林地类型精细分类与森林类型精细识别的一种有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。     

基于AISA Eagle II机载高光谱数据的普洱市山区森林分类

山区森林的精细分类一直是遥感研究的一个难点,而利用高光谱技术识别地物和树种具有巨大潜力。山区的AISA Eagle II机载高光谱数据需经过大气校正和地形辐射校正后才能获得准确的树种光谱信息。采用Support Vector Machine(SVM)方法对山区森林按照森林类型以及树种进行分类,分类结果与实测样地数据和CCD高分辨率影像验证表明:利用AISA Eagle II机载高光谱数据对试验区的森林类型区分具有较好的分类结果,总体精度为97.74%;在树种分类方面也同样具有不错的分类潜力,总体精度为92.11%,但在阔叶树种间存在错分、漏分的现象。     

高光谱遥感森林信息提取研究进展

针对高光谱遥感技术森林信息提取,详细论述了国内外利用高光谱遥感数据进行森林类型识别、森林郁闭度估算和森林叶面积指数估测等森林物理参量,以及森林化学参量估计和森林健康状态评价等方面的应用研究状况,最后对高光谱遥感森林应用的发展趋势作了探讨.     

激光雷达和高光谱遥感技术在树种识别中的应用

快速准确识别树种是研究和保护森林资源的基础,通过遥感技术进行树种识别已成为森林调查重要手段之一。激光雷达数据可以提供森林垂直结构的信息,而高光谱遥感数据可以提供树木详细的光谱信息,因此联合激光雷达和高光谱数据能够提高树种分类精度。文中阐述了激光雷达和高光谱遥感在森林树种识别中的研究现状,总结了单一遥感源进行树种识别的优缺点,介绍了联合激光雷达和高光谱遥感数据的树种识别方法,最后从数据平台、数据提取、数据融合及识别模型等4个方面探讨了当前树种识别研究中面临的问题以及未来的研究方向,旨在为提高树种识别精度提供参考。     

高光谱遥感获取伐区调查数据的应用综述

首先论述了高光谱遥感在获取森林调查数据方面的优势;随后总结了国内外关于高光谱技术在树种识别、龄级分类、郁闭度调查及森林健康监测等方面的应用,并同时列举出高光谱遥感应用于林业上的主要处理技术;最后对高光谱遥感在我国林业上的应用现状进行了分析与展望。     

基于支持向量机的Landsat-8影像森林类型识别研究

以吉林省汪清林业局天然林区为研究区,利用Landsat-8 OLI_TIRS多光谱遥感影像,结合森林资源野外调查数据,提取森林类型纹理、光谱特征参数,作为支持向量机的输入量,利用K-折交叉验证法确定最优核函数,识别森林类型,确定最优分类结果,评价分类精度,并与仅利用波段光谱特征的SVM分类结果进行精度对比。结果表明:利用纹理和光谱特征进行分类,构造SVM进行森林识别是可行的。惩罚系数C=100.0、核函数半径σ=1.000时的径向基核函数构造的支持向量机分类精度最好,总体分类精度可达89.58%,Kappa系数为0.87,单一分类精度中,阔叶林针叶林针阔混交林。只利用光谱特征的分类结果精度为81.26%,结合光谱和纹理特征的规律,能够提高分类精度。     

多时相遥感数据森林类型识别技术研究

利用分层分类思想,对黑龙江省塔河县森林类型使用多期TM遥感数据进行分类。根据研究区域实际情况,制定二级分类系统。使用7个时相的TM原始波段数据及其计算的植被指数表达森林类型的光谱特征,采用抽样方法选取训练样本并进行分析,统计不同森林类型的TM原始波段和多种植被指数在各时相上的差异,得到差异较大的波段和植被指数作为分类特征,采用最大似然法和决策树分类方法对森林类型进行分类。研究结果表明,决策树分类方法对优势树种组的分类精度最高,达到76.85%,可以满足实际应用的要求。     

一种遥感混合分类算法及其在森林分类中的应用

基于监督分类和非监督分类方法相结合的混合分类方法在森林非森林的识别方面有很好的识别效果，探讨了一种遥感混合分类算法(Iterative Guided Spectral Class Rejection)。首先对IGSCR的算法理论进行了阐述，然后利用IGSCR分类算法对同一地区多时相遥感影像进行复合的影像进行森林分类实验。通过与最大似然法的对比实验表明，IGSCR分类方法将非监督分类方法所具有的自动对具有相同光谱特征类别进行集群的能力，辅助于训练样本的获取，可以有效降低因人工判断类别光谱纯度不准确而引起的类别样本光谱混杂问题，因此能在一定程度上提高分类精度，改善分类效果。     

基于元胞自动机和BP神经网络算法的Landsat-TM遥感影像森林类型分类比较

【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞距每类聚类中心的距离最近且像元数量最多,则中心元胞属于该类别),充分考虑影像及地物之间的空间特征,采用元胞自动机分类方法进行森林类型的识别分类。同时,以相同的样本数,采用3层BP神经网络模型对TM遥感影像进行分类试验,并比较2种方法的分类效果。【结果】基于元胞自动机的分类方法总体分类精度为88.712 1%,Kappa系数为0.829 1,针叶林、阔叶林和针阔混交林的用户精度分别为73.60%,92.94%和94.13%,达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP神经网络算法的总体分类精度为86.671 3%,Kappa系数为0.798 4,针叶林、阔叶林和针阔混交林的用户精度分别为69.22%,93.37%和90.76%。2种分类方法均可有效识别森林类型信息。【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM影像空间分辨率较低造成的遥感影像分类精度过低的问题,提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区,该研究结果有助于森林资源监测与管理,可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。     

Forest type identification by random forest classification combined with SPOT and multitemporal SAR data

We developed a forest type classification technology for the Daxing'an Mountains of northeast China using multisource remote sensing data.A SPOT-5 image and two temporal images of RADARSAT-2 full-polarization SAR were used to identify forest types in the Pangu Forest Farm of the Daxing'an Mountains.Forest types were identified using random forest(RF) classification with the following data combination types: SPOT-5 alone,SPOT-5 and SAR images in August or November,and SPOT-5 and two temporal SAR images.We identified many forest types using a combination of multitemporal SAR and SPOT-5 images,including Betula platyphylla,Larix gmelinii,Pinus sylvestris and Picea koraiensis forests.The accuracy of classification exceeded 88% and improved by 12% when compared to the classification results obtained using SPOT data alone.RF classification using a combination of multisource remote sensing data improved classification accuracy compared to that achieved using single-source remote sensing data.     

高光谱遥感森林叶面积指数估测研究现状

文中简要概述了叶面积指数和高光谱遥感的概念, 分析比较了高光谱遥感与传统的宽波段遥感估测森林叶面积指数的优势, 以及利用高光谱遥感数据估测森林叶面积指数的常用方法, 并对目前高光谱遥感估测森林叶面积指数存在的问题行了讨论。     

城市林业中高光谱遥感技术应用现状与展望

高光谱遥感技术现已成为林业遥感研究的前沿技术之一,在林业定量监测及分析方面具有很大的潜力,同时也为森林经营与管理提供了一种更为科学和实用的新技术手段。文章主要从森林树种高光谱的分类与识别、森林树种主要生化参数模型估算、森林监测与高光谱遥感技术3个方面,总结归纳了高光谱遥感在林业上的主要研究现状,并对高光谱遥感技术在林业研究中的应用前景作了展望。     

基于高光谱遥感技术的森林树种识别研究进展

在详细介绍高光谱树种识别研究方法的基础上,总结了国内外利用高光谱数据进行森林树种识别的研究应用现状;剖析了目前研究中存在的主要问题;指出了今后开展高光谱树种研究的方向与潜力。     

遥感技术在沿海防护林中的应用

遥感技术是沿海防护林管理中的重要手段。文中概述了遥感技术在沿海防护林管理中的应用现状, 介绍了沿海防护林遥感的主要技术系统组成, 包括遥感数据源选择、沿海防护林遥感分类方法和分类精度评价等; 阐述了遥感技术在沿海防护林资源调查、动态监测和病虫害监测等领域中的应用以及当前基于遥感技术的沿海防护林的全球变化研究以及3S技术在沿海防护林管理中的综合应用; 指出目前存在的沿海防护林原始影像数据的选取、遥感分类精度以及沿海防护林遥感分类方法选择等问题, 展望了遥感技术在沿海防护林中的应用前景。     

利用迁移学习进行长时序遥感影像分类的影响因素和策略

长时间序列遥感影像分类是研究区域自然资源和土地利用时空变迁的重要基础.传统的区域长时序遥感影像分类,需要逐景影像选取样本进行分类,存在样本复用性低、人工工作繁复等问题;而迁移学习作为一种将已有知识应用到不同任务中的机器学习方法,可以实现遥感影像特征信息的重复利用.但长时序遥感影像由于时间跨度和物候等差异,地物光谱存在不...     

基于TM遥感影像的诸暨市森林资源监测

借助遥感技术提高国家森林资源连续清查效率具有重要的意义。利用最大似然法、BP神经网络和最近邻算法3种不同的分类方法对诸暨市森林资源进行监测,并将分类结果与二类森林资源调查数据作对比。结果表明,3种分类方法都能较高精度地监测诸暨市不同森林类型总面积,精度在77.53%～83.18%之间;但是在乡镇尺度上,3种分类方法的精度都不理想,总相对均方根误差分别为41.83%,44.91%和44.18%。除灌木林外,以上3种分类方法在精度上没有显著差异(P>0.5)。今后研究应从多源遥感影像融合等技术上提高像元尺度上的分类精度。     

高光谱遥感技术在湿地研究中的应用

综述了高光谱遥感技术在国内外湿地研究中的应用; 总结了高光谱遥感技术在湿地水质参数反演、土壤含水量反演和湿地植被精细分类等方面应用的方法研究和取得的成果; 指出鉴于高光谱遥感数据自身的冗余性和信息理解程度的局限性, 在湿地研究领域中仍然存在着不足之处; 在此基础上, 提出了高光谱遥感技术应用于湿地研究的数据多元化趋势及其在湿地类型变化动态监测、湿地生态系统的自我恢复、掌握湿地资源重新积累过程等方面的应用潜力和开发前景。     

高光谱遥感森林应用研究探讨*

详细论述了高光谱遥感技术在森林生物物理和化学参量估计以及森林健康状态遥感评价等方面的应用研究状况，对高光谱遥感植被应用的数据处理技术作了简要说明。对我国高光谱遥感森林应用研究现状和发展水平进行了阐述，最后对高光谱遥感森林应用的未来趋势作了探讨。