荒漠化程度评价高光谱遥感信息模型

本文用国产高光谱分辨率成像光谱仪系统数据对荒漠化评价建立定量化遥感信息模型。对荒漠化评价因子中的主要定量因子 (植被盖度、生物量和土壤含水率 )进行了定量反演 ;对难于进行定量计算的评价指标 ,先通过目视解译获得各因子的编码图 ,分别进行影像化后参加荒漠化程度评价遥感信息模型计算。通过每个像元都可获取全部评价因子的指标值 ,在现有的荒漠化评价方法的基础上 ,建立以像元为单位的荒漠化程度评价的定量化遥感信息模型并输出荒漠化程度分布图。结果表明 ,用高光谱数据定量反演荒漠化地区植被生物量、盖度和土壤含水率是比较可靠的。当反演区域内灌木和草地同时存在时多项式模型的精度要明显高于线性模型 ;当植被类型单一时 ,模型即为较高精度的线性模型 ,但模型的应用地域范围受到限制 ,只能分块进行计算。因此 ,在只有灌木和草地的区域用多项式模型反演会提高效率。土壤含水量的反演方法适合于地形平坦、植被比较稀疏的条件。但研究发现 ,基于土壤热惯量的含水量模型具有一定的抗植被干扰能力。荒漠化程度评价的遥感信息模型的精度主要取决于现有荒漠化评价的方法 (即评价指标是否科学合理、专家给定的权重和等级标准是否客观 )以及各指标数据的获取精度     

QuickBird遥感数据监测植被覆盖度的研究

利用QuickBird高分辨率遥感数据，运用三波段法、NDVI像元二分法、综合法估算研究区域的植被覆盖度，并对3种方法的计算结果进行比较和检验，结果表明：3种方法的估测值与实际值之间的相关性均较高（均达到了0．84以上），其中NDVI像元二分法和综合法的相对误差不大，精度能达到92％以上。经系统性检验，NDVI像元二分法和综合法的拟合精度较高，模型的整体性较好，可用于QuickBird数据估算植被覆盖度。     

呼伦贝尔沙地定位监测

文章提出对呼伦贝尔沙地进行长期、连续、深入的定位监测,通过收集与土地荒漠化和沙化过程及治理效果有关的基础数据,研究荒漠化和沙化发生、发展、演变机理,以及土壤、植被、气候、社会经济等因子与荒漠化和沙化的相互关系,科学评价防沙治沙工程效果,为制定防沙治沙和防治荒漠化对策提供科学依据。其针对性、实用性较强,充分体现了依靠科技防沙治沙的根本要求。     

基于k-NN和Landsa t数据的小面积统计单元森林蓄积估测方法

基于吉林省一个试验区的森林资源一类清查固定样地数据、Landsat TM数据和土地利用数据,采用精度交叉评价方法研究了k-最近邻(k-NN)法用于小面积统计单元森林蓄积估计的有效性。结果表明:k-NN方法对样地覆盖区影像像元单位面积蓄积量的估测平均误差在1.5 m3.hm2之内,相对均方根误差(RMSE′)低于传统的基于绿度指数的线性方程估测方法;采用k-NN方法可以实现县市级统计单元的参数估计,估测效果优于只利用固定样地数据的传统成数估计方法。     

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。     

荒漠化沙化地区造林技术的推广和应用

我省第四次荒漠化和沙化土地监测总面积为702．8万公顷。其中，沙化土地监测范围为榆林市的榆阳、神木、府谷，延安市的吴起和渭南市的大荔等3市10县（区）127个乡（镇），面积约338．7万公顷。荒漠化土地监测范围为榆林市的榆阳、神木、府谷、横山、靖边、定边、绥德、佳县、米脂、清涧、子洲、和延安市的吴起等12县（区）169个乡（镇），面积约364．1万公顷。     

基于光谱混合分析的荒漠化信息提取--以毛乌素沙地为例

采用光谱混合分析(SMA)技术,选取农地、裸沙、沙生植被、水和盐碱地作为基本组分,以位于半干旱区的毛乌素沙地的典型地区为例,进行了荒漠化土地混合像元分解和荒漠化信息提取的尝试,并与穗帽变换和监督分类的结果进行了比较,最后采用实地调查数据和NDVI方法进行了精度验证.研究结果表明:光谱混合分析技术用于荒漠化信息提取具有比较好的效果,效果明显优于常用的NDVI方法.     

基于Landsat 8-OLI的荒漠化地区植被覆盖度反演模型研究

基于Landsat 8-OLI影像数据,利用植被指数逐步回归分析和线性混合像元分解的方法,结合134个野外样地调查数据,将线性混合像元分解结果(植被丰度)导入影像植被指数逐步回归模型,建立康保县荒漠化地区植被覆盖度反演混合模型,并进行精度检验。结果表明:(1)在所选16种影像植被指数中,采用单一植被指数进行荒漠化地区植被覆盖度反演建模,与植被覆盖度拟合优度最高的是归一化植被指数(NDVI)和土壤调节植被指数(SAVI),利用植被指数逐步回归分析建模,筛选出的3种最佳影像植被指数是土壤调节植被指数(SAVI0.5),比值植被指数(SR_(N-R))和增强型植被指数(EVI);(2)通过线性混合像元分解建立的植被覆盖度反演模型,分解所得植被丰度与植被覆盖度的决定系数为0.673,模型精度低于利用植被指数逐步回归分析法反演的模型精度,但高于单一植被指数与植被覆盖度反演模型的精度;(3)精度检验显示植被指数逐步回归分析法反演的植被覆盖度模型的决定系数(R~2)和精度分别为0.719和86.70%,而混合像元分解和植被指数逐步回归分析综合所建的混合模型的决定系数(R~2)和精度分别为0.807和92.37%,表明植被指数逐步回归分析与混合像元分解相结合能较好地提高荒漠化地区植被覆盖度反演精度。     

基于TM的北亚热带高山区日本落叶松林生物量模型

在北亚热带高山区日本落叶松林内均匀布设51块标准地并测定实际生物量,从同期的TM数据中提取多种植被指数、波段均值,和现地调查的海拔、坡度一起作为自变量进行建模。结果表明:单波段TM4与生物量的相关性最强(R=0.814),TM3与生物量的相关系数为最小的0.074;植被指数INDVI、IDVI、ISAVI、IMSAVI和IRVI均与生物量极显著相关,其相关系数分别为0.912、0.906、0.901、0.891和0.896;生物量与坡度负相关而与海坡正相关;INDVI对该地区生物量的指示效果最佳,且二次多项式模型的拟合精度最高,其R值和平均残差分别为0.912和-1.5。     

基于 SVM 方法的高山松林蓄积量遥感估测研究

以香格里拉县高山松为研究对象,利用2006年香格里拉县TM遥感影像、2006年森林资源二类调查小班数据、2009年精度为30 m 的DEM数据以及2013年香格里拉县高山松实测样地数据,提取研究区内高山松林影像分布图及筛选出17个因子（13个遥感因子、3个地形因子、1个地面调查因子）作为备选自变量,在MAT-LAB下利用LIBSVM模块建立研究区高山松林蓄积量单位面积（30 m ×30 m）估测模型。结果表明,选用RBF核函数在参数范围内寻找出SVM模型的最佳参数C＝3.5809, g＝0.1、 p＝0.01,利用最佳寻优参数建立SVM非参数模型,对SVM模型进行测试得到,均方根误差MSE＝0.0087,复相关系数R＝0.51,相对误差RE＝23.4％,估测精度为76.6％。以像元为单位,分块提取高山松林对应的各像元自变量因子,利用估测模型预测得到香格里拉县高山松林总蓄积量为13318476.5 m3。