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。     

基于多时相CHRIS高光谱卫星数据的优势树种分类研究

多时相高光谱卫星遥感包含树种光谱特征和生长季相差异信息,是解决森林树种识别精度不足的重要技术途径。本文利用不同季节3个时相CHRIS高光谱卫星影像,设计了以Bhattacharyya距离为可分性准则的波段选择经验算法,实现吉林省汪清研究区的优势树种多时相高光谱卫星填图。结果显示,多时相高光谱数据的可分性指标相比单一时相增幅明显;结合波段选择的多时相高光谱分类结果验证精度较单一时相分类结果和多时相全波段分类精度提高7.5%和1.6%;研究区主要优势树种的分类精度存在差异,柞树和落叶松的分类精度最高,杨树最低,红松与暗针叶林存在一定程度的误分,主要原因为二者的光谱接近且时相特征差异小。     

基于高分二号多光谱数据的树种识别方法

树种识别一直是困扰遥感研究的一个难点,而国产高分二号识别地物和树种具有巨大潜力。选取四川省甘孜州道孚县为研究区,利用高分二号4m多光谱遥感影像,并结合该县的森林资源二类调查结果数据,分别采用最大似然法和支持向量机方法,对利用高分二号数据在树种识别应用中的可能性进行探讨。研究结果表明:所采用的两种方法识别出研究区域主要树种的精度都高于80%,其中:采用最大似然法分类精度为81.79%,支持向量机方法分类精度为86.75%。在先验知识的支持下,利用高分二号多光谱影像也可用于树种识别研究中。     

基于高光谱数据(Hyperion)混合像元分解的研究

本文以高光谱(Hyperion)数据为数据源,借助遥感手段对数据进行坏线修复、大气校正和几何校正等处理,通过有约束条件和无约束条件线性混合模型对像元对研究区域进行分类研究.研究结果表明:无约束条件和有约束条件进行混合像元的分类精度分别为90.1%和90.4%,两者的分类精度相差不是太大;就裸地而言,有约束条件的线性像元混合分解的精度要远高于无约束条件;从冗余的数据中提取有用信息和如何利用高光谱遥感的今后遥感图像分类研究的难点和热点.     

南方主要针叶树种高光谱数据降维分类研究

采用ASD公司生产的FieldSpec HandHeldTM地物光谱仪,分别于2005、2006、2008年冬季跟踪观测杉木、马尾松、黑松、雪松等针叶树种的高光谱数据,经筛选后获取有效观测数据160条,其中120条作为训练集,40条作为测试集。将平滑去噪的一阶微分高光谱数据进行PCA方法和GA方法降维,然后利用BP神经网络和支持向量机(SVM)对降维后的测试集数据进行分类。结果表明:PCA—BP神经网络模型分类准确率95%,PCA—SVM分类准确率97.5%,GA和BP分类准确率92.5%,GA-SVM分类准确率100%。这说明两种降维方式结合支持向量机的分类均优于其与BP神经网络结合的分类,基于GA的降维方法对高光谱波段的选择更有效率,具有较好的应用前景。     

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。     

近红外光谱结合支持向量机快速识别树种

利用阿达玛变换近红外光谱结合支持向量机,对制浆造纸常用木材树种的快速识别进行研究。将各树种近红外光谱先进行多点平滑和标准正态变换预处理以消除噪音干扰和光散射导致的测量偏差,然后基于不同建模策略建立一对多和一对一两种支持向量机模型,考察这两种模型对多树种属间分类和种间分类的预测能力,并与传统的偏最小二乘判别分析分类法进行对比。结果表明,支持向量机预测模型对桉木、相思木、杨木、水杉等树种的属间分类正确率达到98%以上,种间分类正确率均达到95%以上,在处理复杂分类问题时模型稳健性明显优于传统分类方法,从方法上证明了近红外技术工业化应用的可能性,为进一步建立近红外在线检测木片材性分析系统奠定了基础。     

基于支持向量机的宜良县遥感分类与土地覆盖变化研究

土地利用/覆盖变化(LUCC)研究是研究土地变化的重要内容,也是全球土地研究的热点。以宜良县2005年、2013年Landsat TM影像为数据源,采用支持向量机分类方法,将研究区土地划分为林地、耕地、水域、人工用地、灌草地5个地类,提取了宜良县2期的土地利用数据并进行了精度验证。最后通过GIS叠加分析,统计了宜良县在研究期内的土地利用变化情况。     

机载LiDAR和高光谱融合实现普洱山区树种分类

[目的]通过机载遥感影像对普洱山区进行植被分类研究,为山区森林经营规划与可持续经营方案的制图提供高效应用途径。[方法]将2014年4月航拍的机载AISA Eagle II高光谱和Li DAR同步数据融合,利用点云数据提取的数字冠层高度模型(CHM)得到树种的垂直结构信息,结合经过主成分分析(PCA)的高光谱降维影像,选用支持向量机(SVM)分类器进行分类。[结果]普洱市万掌山实验区主要树种分为思茅松、西南桦、刺栲、木荷等。融合影像数据分类的总体精度和Kappa系数分别为80.54%、0.78,比单一高光谱影像数据分类精度分别提高6.55%、0.08,其中主要经营树种思茅松的制图精度达到了90.24%。[结论]该方法对山区主要树种的识别是有效的,将机载Li DAR与高光谱影像融合可以有效改善分类精度。     

基于GF-2号影像的森林优势树种分类

利用遥感数据开展森林资源优势树种的分类对森林资源的监测、森林可持续经营及生物多样性研究具有重要意义。研究针对复杂地形区域的破碎化森林,采用高分二号(GF-2)的多光谱影像作为基础数据进行森林优势树种的精细分类。本文以地形复杂、森林破碎化的湖北省竹山县九华山林场为研究对象,采用面向对象分类方法对树种进行精细分类,比较支持向量法、最近邻法(KNN)和随机森林(RF)三种不同分类算法的分类效果。在尺度阈值为30、合并阈值为95时分割的基础上,利用SVM、KNN和RF分类结果和分类精度差异较大。分类精度最高的是SVM分类方法,总体精度为68.52%,Kappa系数为0.62;其次为随机森林分类法,总体精度为60.29%,Kappa系数为0.54;KNN分类方法精度最低,总体精度为59.41%,Kappa系数为0.53。GF-2号数据能满足树种分类基本需求,在复杂地形和景观破碎化地区用支持向量机进行树种的分类精度更高,但仍存在一定的局限性。     

针叶林阔叶化改造目的树种选择研究

通过调查与试验,结合有关研究成果,筛选出105种以乡土树种为主的针叶林阔叶化改造的优良常绿和落叶阔叶目的树种.从地带性建群树种、广泛应用程度、技术熟化程度并充分考虑阔叶树种的防火型、生态型、经济型、景观型等多功能,分别5个选择层次,其中第一层次的首选树种有木荷等11种,第二选择层次为石栎等10种,第三选择层次为马褂木等4种,第四选择层次为刨花楠等44种,第五选择层次为短柄枹等36种.     

云阴影区机载高光谱影像森林树种分类

[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。     

树种选择与配置对森林生态系统服务的影响

我国森林面积和蓄积量连续增长,但造林树种单一、林分幼龄化、径级持续偏小、单位面积蓄积量低。在气候变化挑战及全球经济一体化大背景下,如何发挥森林在木材生产、生物多样性保护、固碳、涵养水源及社会文化等方面的多重服务功能以满足经济社会发展对森林的多元化需求,是我国现代林业建设的当务之急。文中通过梳理国内外相关文献,分析不同树种与配置模式和不同森林经营选择对森林生态系统服务的影响,以及对森林生态系统服务影响的模拟预测方法与工具,进而总结当前研究与实践的总体趋势,以期为我国树种选择及其优化配置、增强森林生态系统服务功能提供决策参考。     

退耕还林地造林树种选择的探讨

退耕还林，是我国当前为改善生态环境、治理国土的一项重大决策。为使退耕还林农户获取较高经济收益，“稳得住”退耕还林土地，其关键在于退耕还林地造林树种的正确选择。为获得发展山区经济、改善生态环境的双重效益，退耕还林地的造林树种选择，应遵循适地适树、乡土树种优先、经济效益与生态效益相统一、按不同效益区划选择树种、多种乔灌草植物相结合、为野生动物提供食物和庇护场所的6项原则。从利用花、果实、种子、芽、枝叶为主获取经济效益，而不以砍伐树干，取根获得效益出发，提出了青剌尖等30余种树种供云南的退耕还林地作造林树种选择用。     

基于益本分析的城市森林树种选择

社会经济迅速发展,经济系统已经对地球生态系统产生重要影响。城市化是21世纪的主要问题,城市化给城市内部和周边的自然生态系统带来了巨大压力,城市森林已经成为城乡生态环境建设的重要组成部分。根据城市区域中不同的功能需求重点,通过对与树种选择相关的生物生长过程以及社会经济影响进行成本和效益分析来进行城乡绿化树种选择和植物群落设计,能够降低城乡绿化成本并使其发挥的综合效益最大化和持久性,是可持续发展的必然要求。