基于DOM航空影像单木树冠提取

准确提取单木树冠边界是获取森林数量参数的重要基础，是高分辨率遥感图像林业应用的技术难题。基于DOM航空影像数据源，采用面向对象的方法对研究区内的2个树种的林分进行了单木树冠边界提取研究。首先利用桉树和杉木的空间分布矢量数据对DOM航空影像进行掩膜处理，在掩膜区域内进行多层次多尺度图像分割得到初步树冠分割结果，并剔除非树冠信息；再以树冠信息种子对象为基础，使用区域增长算法对树冠信息种子对象增长得到单木树冠范围；最后使用形态学滤波的方法优化单木树冠边界，完成林区内桉树和杉木两类树种的单木树冠边界提取。结果表明，由于不同树种的树冠存在尺度和形态差异，进行单木树冠分割时需要设置不同的参数才能到达较好的分割效果。本研究中桉树和杉木的单木树冠提取总体精度分别为86.75%与89.21%，可满足林业部门获取森林单木树冠的精度需求。     

基于Google Earth Engine平台的大湄公河次区域2001—2019年植被NPP时空变化分析

为探明大湄公河次区域植被净初级生产力(NPP)时空变化特征,基于Google Earth Engine(GEE)云计算平台,利用MOD17A3HGF NPP时序数据,采用线性趋势分析方法,分析了2001—2019年大湄公河次区域植被NPP的时空变化特征。结果显示:(1)2001—2019年间大湄公河次区域植被NPP总体较高,植被NPP年均值整体上变化趋势不显著,变化波动较大,且与年均温度有显著的负相关性;(2)大湄公河次区域植被NPP年均值具有较明显的空间分异性规律,大体呈中部高,南、西南部略低的状态,与其主要河流流域有着重要的联系;(3)植被NPP变化趋势呈现基本不变、轻微改善的特征,改善区域主要位于中国云南省与广西,轻微退化区域主要位于老挝中部和缅甸北部;(4)GEE云平台解决了本地平台数据下载与存储不便等问题,整个大湄公河次区域植被NPP时空变化的数据处理在10 min内完成,GEE云平台在大范围、长时间尺度的研究中体现出了强大的优势。     

基于ALS数据和哑变量技术森林蓄积量估测

基于机载LiDAR数据,分析哑变量对林分蓄积量估测精度的影响。以广西高峰林场为研究对象,借助机载激光雷达点云数据和96个样地数据,将样地数据按7∶3的比例随机划分为建模样本和测试样本,采用随机森林模型(RFR)和支持向量机模型(SVR)对建模样本与对应的点云特征回归建模,将树种组(针叶林和阔叶林)和龄组分别作为哑变量引入到回归模型。利用测试样本的估测精度评价模型的估测精度,引入树种组哑变量,随机森林模型决定系数R2从0.59提高到0.64,支持向量机模型决定系数R2从0.49提高到0.50。引入龄组哑变量,随机森林模型决定系数R2从0.59提高到0.65,支持向量机模型决定系数R2从0.45提高到0.55。根据模型的建模精度和验证精度结果得出,引入哑变量对蓄积量估测模型的精度提升是相对有效的。龄组哑变量对模型精度提升效果优于树种组哑变量。     

森林扰动遥感影像检测方法研究进展

将碳达峰、碳中和纳入我国生态文明建设整体布局是中共中央作出的重大战略选择。森林是陆地生态系统最重要的贮碳库,对实现碳中和具有重要作用。森林的扰动与碳储量和碳汇关系密切,目前由于森林扰动资料的缺乏,导致区域森林碳汇与碳源的估算精度不准确,建立和完善适用于中国森林的扰动检测方法具有重要的理论意义和应用价值。文中在分析国内外森林扰动遥感检测文献的基础上对分类后比较法、直接分析法、时间序列分析法与深度学习法进行对比,分析每一类方法的技术特点和应用效果,指出森林扰动检测方法存在的问题,展望今后发展方向,以期能够为森林扰动检测相关研究提供参考。     

基于哑变量和因子选择的森林蓄积量估测研究

为提高森林蓄积量遥感估测精度,探讨哑变量技术在蓄积量遥感估测中的作用。以云南省普洱市思茅区为研究区,以Landsat 8 OLI和93块森林资源二类调查角规控制样地数据为基础,使用随机森林（random forest）算法进行遥感变量因子的选择,并以龄组为哑变量分别构建基于哑变量的SVR和PLSR蓄积量估测模型,采用留一交叉验证对结果进行评估。结果表明,使用随机森林算法进行变量的选择有效减少了自变量的维度,提高了计算效率;其次,哑变量引入后,PLSR和SVR 2种回归模型的估测精度都比无哑变量方法有明显的提高,且SVR的估测结果优于PLSR;在引入哑变量后SVR模型的决定系数R²由0.59提高到0.68,相对均方根误差rRMSE由36.76%降低至32.97%,PLSR模型的决定系数R²由0.53提高到0.62,相对均方根误差rRMSE由39.41%降低至35.24%。在森林蓄积量的遥感估测中,哑变量技术的应用可以在一定程度上解决不同蓄积量大小对估测结果造成的影响,进而提高蓄积量的估测精度。     

还原石墨烯动态吸附磺胺嘧啶类抗生素的性能与机理研究

[目的]研究还原石墨烯动态吸附磺胺嘧啶类抗生素的性能与机理。[方法]利用热沉积法制备出还原石墨烯-玻璃珠复合材料,并用其开展动态吸附磺胺嘧啶类抗生素的试验研究,考察pH、背景液种类、流速、污染物浓度等影响因素对石墨烯吸附抗生素性能的影响,分别采用Thomas模型和Yan模型对试验数据进行拟合。[结果]随着流速和pH的升高,穿透时间缩短,吸附柱对磺胺嘧啶的吸附总量减小;而随着背景液换为二价Ca2+和磺胺嘧啶初始浓度的降低,穿透时间延长,吸附柱对磺胺嘧啶的吸附总量增大。Thomas模型和Yan模型均能够较好地描述抗生素在石墨烯柱中的穿透曲线,2种模型拟合的结果与试验得到的结果非常接近,但Yan模型的决定系数R2更接近1,效果更好。[结论]该研究可为实际抗生素类污染水体的治理与修复提供科学依据。     

运用林分密度和平均高估测思茅松人工林地上生物量

以65块云南省普洱地区思茅松人工林圆形样地数据和sentinel-2多光谱影像数据为研究对象,利用林分平均高与林分密度(每公顷株数、林分疏密度、植被覆盖度、叶面积指数)估测思茅松人工林林分地上生物量。分析思茅松人工林林分地上生物量与林分密度指标的相关性;采用参数模型(不变参数模型和可变参数模型)和非参数模型(包括支持向量机、随机森林和BP神经网络)探索平均高和林分密度等变量估测林分思茅松人工林地上生物量。结果表明:思茅松人工林林分地上生物量与每公顷株树、林分疏密度、植被覆盖度、叶面积指数呈显著正相关(r>0.5);在构建思茅松人工林地上生物量的所有模型中,每公顷株数-林分平均高构建的可变参数模型(R2=0.966 0,RMSE=10.05 t·hm^-2)效果最优,林分平均高-林分疏密度构建的RF模型(R2=0.901 7,RMSE=19.37 t·hm^-2)次之,林分平均高-植被覆盖度构建的RF模型(R2=0.748 4,RMSE=33.36 t·hm^-2)最差;林分密度-平均高的地上生物量模型与实测地上生物量的相关性较高(R2=0.966 0),反演误差值较低(RMSE=10.05 t·hm^-2);叶面积指数比植被覆盖度对林分地上生物量变动有更好的解释能力,每公顷株数对林分地上生物量变动的解释能力好于林分疏密度。     

基于机载LiDAR数据估测林分平均高

[目的 ]以2016年9月广西壮族自治区高峰林场实验区获取的机载LiDAR点云数据为基础,通过提取30 m×30 m空间林分尺度下的LiDAR点云特征变量实现对林分平均高的估测。[方法 ]首先将105块实测林分平均高度的样地数据按照3:1的比例随机划分为训练样本(79)和检验样本(26),采用随机森林回归(RFR)和支持向量回归(SVR)两种机器学习算法对79个训练样本与对应的林分LiDAR点云特征变量回归建模。建模方案包括随机森林模型、支持向量机模型及随机森林+支持向量机组合模型。其次利用26个检验样本数据评价模型预测精度。最后统计3个模型中训练样本和检验样本对应的精度评价指标,以一个预测精度高、泛化能力强的模型作为最终模型进行林分平均高制图。[结果 ]表明:随机森林模型的训练样本和检验样本的决定系数(R2)分别为0.886 1和0.837 5,均方根误差(RMSE)分别为1.22和1.56;支持向量机模型的训练样本和检验样本的决定系数(R2)分别为0.886 4和0.840 9,均方根误差(RMSE)分别为1.21和1.54;组合模型的训练样本和检验样本的决定系数(R2)分别为0.859 8和0.853 2,均方根误差(RMSE)分别为1.35和1.48;[结论 ]组合模型的泛化能力及预测精度最好,支持向量机次之,最后为随机森林。利用组合模型可有效完成研究区林分平均高制图。