基于RS、GIS的林分龄组分析

根据1998年11月接收的白云区SPOT卫星多光谱数据，利用图像处理软件ERDAS对遥感图像进行处理，在地类与林分已分类的基础上，以镇为单位研究白云区林分龄组的分布情况及分类方法。分析结果表明，主成分分析法是适用于白云区林分龄组划分的图像处理方法；最大似然法最适合于龄组划分。精度检验表明，基于主成分法的龄组划分总体精度为93．41％。     

森林资源二调工作中遥感预区划的应用研究——以辽东山区新宾县为例

为探索高分辨率遥感图像在二类调查工作中的辅助作用,在辽东山区选择具有典型地域特点的新宾县进行试验地块全域区划。采用人工分层分类分析影像标识,利用遥感技术进行预区划,并通过外业踏查验证,评价小班预区划的精度。结果表明,该方法的地类正判率达到90%以上,小班区划面积精度达到95%以上,为下一步森林资源二调工作中遥感技术的应用和编制相关技术方案提供科学参考。     

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。     

基于多种分类器组合的森林类型信息提取技术研究

遥感图像分类是遥感应用系统中的关键技术,提高遥感图像的分类精度是发展遥感技术重点,采用多分类器组合的算法对黑龙江塔河县森林类型进行分类。根据黑龙江省森林资源调查技术规定及研究区二类调查数据制定分类系统,最终的分类级别为针叶林、阔叶林和针阔混交林。通过分析TM数据的原始波段和NDVI、BI等植被指数提取各分类类型的光谱特征。选择最小距离法、最大似然法、马氏距离法对研究区进行分类,计算出各分类器的精度。在分类器组合的过程中采用信息熵方法确定组合分类器中各分类器的权重系数,利用组合后新的分类器对研究区进行分类。结果表明:多分类器组合的分类精度达75.59%,比单分类器精度提高了3.85%,对阔叶林、针阔混交林、针叶林3种分类类型的分类精度分别达82.32%、66.45%、75.49%,比单分类器进度分别提高了2.87%、4.82%。4.10%。     

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。     

基于卷积注意力模块的端到端遥感图像分类

随着图像信息处理技术的发展,大量由各式飞行器对地观测所采集的遥感图像数据被应用于各领域实际生产生活中。传统遥感图像分类方法包含一系列复杂的处理流程,在处理效率和效果上已经难以满足当下的需求。随着人工智能相关技术的发展,基于卷积神经网络的遥感图像分类方法开始占据主导地位。为减少算法流程中的复杂处理与提高分类的精度,笔者提出一种基于卷积注意力模块的端到端遥感图像分类框架,该框架采用卷积神经网络框架ResNet101作为整个框架的主干网络。在ResNet101网络4个阶段的卷积模块之间嵌入卷积注意力模块,使得模型关注于最具有类别区分度的区域,从而得到更好的分类结果。在模型训练阶段,采用开源的深度学习开源框架Pytorch对训练数据进行在线增广处理,对训练数据进行随机角度旋转,防止训练过程中发生过拟合现象。本研究基于PatternNet与NWPU-RESISC45两个公开数据集,并仅划分少量数据用于模型训练。结果表明:相比已有的方法,本研究提出的框架能够在GPU加速的环境中,以更高的精度分类遥感图像,满足了实时处理的需求,且支持端到端对遥感图像进行分类,不需要复杂的处理流程。     

基于深度学习特征和支持向量机的遥感图像分类

随着遥感图像采集技术的迅速发展,传统的遥感图像处理方法已经不能满足当前实际的生产需要。近年来,深度学习模型的流行为遥感图像分类问题的解决提供了新的途径。因此,为了进一步提升遥感图像的分类精度,笔者提出了一种基于深度学习特征和支持向量机(support vector machine,SVM)的遥感图像分类模型。首先,针对深度学习模型需要海量训练数据的特点,运用旋转、剪裁等方法对原始的遥感图像进行数据扩增;然后,将扩增数据按照种类随机地分为训练集和验证集两部分测试集,并使用训练集和验证集训练改进的针对遥感图像分类问题的卷积神经网络(convolutional neural network,CNN)中的参数,进而在训练好的CNN模型上提取第一部分测试集的深度学习特征;最后,使用第一部分测试集的深度特征训练多分类SVM,并对第二部分测试集图像进行分类验证。实验采用NWPU-RESISC45公共数据集对本研究模型精度进行验证,与现有的遥感图像分类方法相比较,实验结果表明,提出模型的总体分类精度有明显提升,从而验证了方法的有效性和实用性。     

不同比例尺TM影像图小班地类划分效果评价

小班划分是二类调查的核心工作，而地类划分是小班划分的基础。文章在１∶４万和１∶５万ＴＭ影像图上，通过判对率检测、地类解译精度分析、调绘面积与实测比较，阐述了两种比例尺ＴＭ影像图在二类调查小班地类划分的适用性和可靠性。     

森林面积方法研究

本文通过对遥感图像的处理和光谱特征信息的分析,应用ETM 影像数据和地面调查数据,研究了遥感数据处理技术在植被信息提取中的应用,尝试对高山峡谷区的森林资源调查提出较为完善的计算机图像处理技术和自动分类方法。对道孚县台站林场和麻孜林场地类的分类结果表明:运用TM453波段融合能够达到较好的图像增强效果;运用无监督分类方法提取森林面积能达到较高的分类精度;NDVI比RVI更能突出植被信息和消除山体阴影的影响。     

应用卫星影像数据自动提取川西地区森林面积方法研究

本文通过对遥感图像的处理和光谱特征信息的分析,应用ETM 影像数据和地面调查数据,研究了遥感数据处理技术在植被信息提取中的应用,尝试对高山峡谷区的森林资源调查提出较为完善的计算机图像处理技术和自动分类方法。对道孚县台站林场和麻孜林场地类的分类结果表明：运用TM453波段融合能够达到较好的图像增强效果;运用无监督分类方法提取森林面积能达到较高的分类精度;NDVI比RVI更能突出植被信息和消除山体阴影的影响。     

赤峰市城市森林建设资源潜力分析

文章以2007年赤峰市森林资源二类调查数据为基础,并结合赤峰市相关单位提供的统计数据,以及近年来的林业生态建设实践发展,主要从林业用地、三网绿化、人居环境林建设、坡耕地绿化和工矿废弃地绿化对赤峰市生态用地潜力进行分析,结果表明赤峰市城市森林建设有一定的资源发展潜力。       

多伦县森林立地类型

文章根据森林立地分类原则及多伦县地形地势、土壤和植被差异,采用立地类型小区立地类型组———立地类型三级分类,共划出4个立地类型小区、8个立地类型组和26个立地类型,旨在满足多伦县森林资源规划设计调查和经营方案编制的需要。     

SPOT-5数据在退耕还林监测中的应用研究——以山西省古交市嘉乐泉乡为例

以山西省古交市嘉乐泉乡为试验区,采用SPOT-5的10m、5m和2.5m 3种影像数据对退耕还林地面积进行分类监测。所设计的2种方案分别是:1)将地物类型分为7类,退耕还林地作为一种单独地类,对3种影像数据进行计算机自动分类和2.5m影像的人工解译分类;2)借助退耕还林作业设计图,将退耕还林地块影像分割出来,对退耕还林地和未退耕还林地进行有监分类。精度验证表明,第一种方案中2.5m融合图像的人工解译分类,退耕还林地的分类精度在50%以下;第二种方案中3种影像数据的总体分类精度均大于90%。建议在退耕还林地的作业设计图电子化的基础上,应用SPOT-5数据监测退耕还林地的任务完成和植被覆盖情况。     

面向对象的退耕还林造林效果遥感特征提取技术研究

以河北省张家口市2002年的退耕还林地为研究对象,以高空间分辨率(以下简称高分辨率)遥感(Quick-bird-快鸟,分辨率0.6m)为信息载体。运用严格的传感器物理模型对快鸟预正射影像进行正射处理,采用Median滤波、Gaussian滤波和均值滤波三种滤波技术对图像进行增强处理。采用面向对象的图像信息提取技术,提取退耕还林地树冠特征值,进而计算退耕还林造林保存率。研究结果表明:由遥感数据自动提取的树冠尺寸(直径)在1.2m以上,平均保存率为85.11%,精度达到了89.837%。     

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.     

SPOT5遥感影像在林业二类调查中的应用

采用ERDAS IMAGINE图像处理软件,对青海省互助县境内的北山林场的SPOT5遥感影像进行处理,包括原始数据导入、正射纠正、影像融合、波段组合、影像增强等处理过程以及数字正射影像图(DOM)的制作。探讨SPOT5遥感影像在林业二类调查中的应用处理方法及SPOT5影像的应用前景。经现地验证,以SPOT5遥感卫星影像为底图,通过人机交互目视解译方法区划判读小班能满足林业二类调查的需要,该影像数据能作为1∶10000专题图制作的基础数据。     

基于ETM＋影像融合的土地覆盖分类研究——以蓬安县为例

借助ERDAS软件,运用遥感数据融合技术对四川省蓬安县进行基于ETM＋融合影像的土地覆盖分类初步研究。研究中采用相同的训练样本区及最大似然法分类方法,对融合前后影像分别进行土地覆盖分类,通过对分类影像的Producers Accuracy,Users Accuracy,Kappa Accuracy三者的精度数据对比分析,上述的影像融合方法对提高土地覆盖分类的精度较为明显;就3种融合方法及重采样方式而言,乘积法融合法和立方卷积重采样法相对更为可取。     

Statistical mapping of tree species over Europe

In order to map the spatial distribution of twenty tree species groups over Europe at 1 km × 1 km resolution, the ICP-Forest Level-I plot data were extended with the National Forest Inventory (NFI) plot data of eighteen countries. The NFI grids have a much smaller spacing than the ICP grid. In areas with NFI plot data, the proportions of the land area covered by the tree species were mapped by compositional kriging. Outside these areas, these proportions were mapped with a multinomial multiple logistic regression model. A soil map, a biogeographical map and bioindicators derived from temperature and precipitation data were used as predictors. Both methods ensure that the predicted proportions are in the interval [0,1] and sum to 1. The regression predictions were iteratively scaled to the National Forest Inventory statistics and the Forest map of Europe. The predicted proportions for the twenty tree species were validated by the Bhattacharryya distance between predicted and observed proportions at 230 plot data separated from the calibration data. Besides, the map with the predicted dominant species was validated by computing the error matrix. The median Bhattacharryya distance in the subarea with NFI plot data was 1.712, whereas in the subarea with ICP-Level-I data, this was 2.131. The scaling did not significantly decrease the Bhattacharryya distance. The estimated overall accuracy of this map was 43%. In areas with NFI plot data, overall accuracy was 57%, outside these areas 33%. This gain was mainly attributable to the much denser plot data, less to the prediction method.     

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.     

基于混合像元分解的庐山及周边林地遥感图像分

由于传感器分辨率的限制以及地物的复杂多样性,混合像元普遍存在于遥感影像中,在一定程度上影响到地物提取精度。以江西省庐山及周边地区2019年4月9日的ETM+影像为例,使用线性混合模型和非线性的BP神经网络方法对图像进行混合像元分解,利用2019年5月的SPOT数据及其与ETM+影像融合的分类结果对分解结果进行验证。结果表明,非线性的BP神经网络分解精度高于线性分解精度。对比使用BP神经网络分解图像提取林地面积的精度提高了1%~5%。