面向对象的高分辨率遥感影像森林植被变化检测方法对比研究

利用面向对象分类技术,对同一区域同一数据源的高分辨率遥感影像采用了分类前比较及分类后处理两种变化检测方法进行对比分析,结果表明分类后处理的变化检测方法在现阶段的森林植被变化检测中具有较高的提取精度,可用于森林动态变化监测、自然灾害评估等工作。     

基于GF-2影像的面向对象植被信息提取研究

基于GF-2遥感影像,通过面向对象方法对长株潭城市群生态绿心区内具有代表性的区域进行植被信息提取,利用专业分割软件对遥感影像进行多尺度分割,采用ESP工具定量获取多尺度分割参数,最后通过隶属度函数对遥感影像分类进行植被信息提取,并进行精度评价。结果表明:采用面向对象的方法,从高空间分辨率遥感影像中挖掘出能提取植被的光谱、纹理、形状等特征,能实现植被信息的快速提取,提取总体精度达85.33%。     

植被信息提取和森林动态变化的遥感研究概况

本文综述了植被信息提取和森林动态变化的遥感研究概况。     

面向对象遥感图像森林分类研究进展

介绍面向对象森林分类的背景,综述森林分类的理论和方法,概述面向对象遥感图像森林分类研究进展,分析其目前尚存在着影像自动识别困难、图像阴影去除困难、优势树种识别困难及分类精度偏低等问题,并展望了发展趋势。     

高分辨率遥感影像森林覆盖变化检测研究

以天绘一号和资源一号两期遥感影像为研究对象,采用面向对象多尺度分割和基于特征值阈值的方法提取采伐迹地,将研究区分成采伐迹地和非采伐迹地两类,使用分类后比较法检测森林覆盖变化。结果表明:国产的天绘一号和资源一号遥感影像有较好的内部几何一致性,正射校正后的两期影像可以达到1个像元内的校准精度。遥感变化检测的面积精度和重合率与实际变化相比较,分别为93.1%和95.0%,该方法能较好地检测出森林覆盖变化,适合于县域森林资源年度更新。     

基于面向对象法的方祥乡地类信息提取方案设计

地物信息的提取中应用到面向对象方法的软件eCongintion,利用地物相应特征来辅助地物信息的提取最后输出的矢量数据也易于与ArcGIS相结合。研究中使用的面向对象方法主要包括2个关键步骤：多尺度分割和分类,使用一种快速的分割方法得到最终分割结果,然后使用最邻近法进行对地物的分类,实现高分辨率遥感影像地物信息的提取。完成地物信息提取之后,开始对分类结果精度评价,使用得出的结果与基于像元的分类方法进行了对比,面向对象方法所得出的总体精度比传统方法所得出的总体精度高出18.15%,结果表明,面向对象方法得出分类结果精度高于基于像元的分类方法。     

基于Landsat 8影像的西双版纳森林覆盖信息提取研究

以Landsat 8影像为数据源,在综合分析典型地物光谱、纹理和空间分布等特征的基础上,利用归一化湿度指数(NDMI)、纹理、地形等多源数据,构建了基于决策树规则的西双版纳森林覆盖信息提取模型。验证结果表明,该模型的总体精度达99.08%,与传统的监督分类相比(96.08%)提高了3个百分点。     

森林植被变化的水文生态效应研究进展

从森林植被变化对水量、径流泥沙和水质的影响等方面介绍了国内外森林植被变化水文生态效应研究进展。从世界各国的研究来看,普遍的研究结论认为森林减少可以增加流域年产水量;森林植被可以较大幅度地减少径流泥沙含量;森林植被参与生物地球化学循环,可以有效地改善溪流水质状况。由于影响森林水文生态效益的环境异质性的普遍存在,森林植被变化水文生态效应影响程度在不同水文生态区差别很大,因此,要想将一个地区森林植被水文生态效应研究结果可靠地外推到其他地区其他流域,必须重视森林水文生态过程动力学机制的研究。     

基于语义相关的面向对象林地信息提取

基于地物间的语义相关关系,结合面向对象的影像分析技术,提出了适用于高分辨率影像的林地信息提取方法,包括影像分割和林地信息提取2大步骤;并以福州市2003年6月成像的IKONOS卫星影像数据为例进行了林地信息提取实验。结果表明:①通过模糊和最近邻2种分类技术分别完成植被、林地信息的提取,提高了提取过程的合理性;②以面向对象的方式进行信息提取,不仅能避免细节信息的干扰,还能利用影像的纹理信息,这相当于对影像数据进行了优化,提取结果的精度和完整性均得到了提高。     

基于TM影像面向对象的桉树信息提取

以TM影像为数据源,以贵州省罗甸县为研究区,首先利用面向对象方法和植被光谱信息提取常绿植被,进而根据不同植被光谱曲线提取常绿阔叶植被,然后结合桉树生长的海拔、坡度、土壤、土层厚度等环境特性提取桉树信息,结果表明,提取桉树信息准确率达到86.67%。可见,基于面向对象方法,利用植被光谱信息和树种生长环境特性提取单一数据信息具有可行性。通过本文的研究,以期对其他树种信息的提取提供借鉴。     

高空间分辨率遥感森林参数提取探讨

介绍了高空间分辨率遥感在森林参数提取方面的研究和应用情况,并结合国内外学者在此方面所做出的研究成果,对不同森林参数的提取分别做了阐述,包括单木树冠轮廓信息、胸径、森林生物量、树种识别和分类、叶面积指数、森林郁闭度、木材结构和性质。最后分析了高空间分辨率遥感在森林参数提取方面存在的问题,并对该领域的应用前景作了展望。     

基于高空间分辩率影像的林分冠幅估计

以高空间分辨率遥感影像QuickBird的全色波段为数据源,应用空间统计学半方差理论,对郁闭度较高的人工白皮松林冠幅尺寸进行较为准确地估计.结果表明:空间统计学半方差方法可以作为郁闭度较高纯林林分冠幅估计的一种有效方法.研究为解决林分冠幅的自动估计问题,提供了一种新的手段与方法.     

基于3S技术的天保区植被变化监测方法研究

以甘肃省清水县天然林保护区植被时空变化为研究对象,以2期Landsat TM遥感影像为主要信息源,以植被面积和植被覆盖度为监测指标,采用最大似然方法进行监督分类获得土地利用分类图和植被面积,采用NDVI像元二分法获得植被覆盖度图。利用空间分析和统计分析方法将土地利用分类图和植被覆盖度图进行空间叠加分析,揭示研究区1996—2004年间土地利用和植被覆盖度的数量变化和空间变化特征,并对天保区与非天保区以及不同天保区内部的差异进行对比分析。研究结果表明：1996年—2004年间甘肃省清水县天然林保护区森林面积和植被覆盖度得到了明显改善,且天保区优于非天保区; 不同类型天保区植被变化状况有差异,3种类型天然林保护区中以重点生态保护区植被改善状况最为显著。     

基于森林小班的高分影像融合及地类信息提取

以2013年资源3号高分辨率卫星遥感影像及森林小班矢量数据为数据源,以紫金山国家森林公园为例,基于森林小班对象将原始多光谱和全色影像进行融合。在较优融合影像基础上,采用面向对象分类方法提取研究区阔叶林、针阔混交林、竹林、灌木林地、松类、杉类和柏类等地类信息,并以现有的森林小班矢量数据验证影像融合效果,所得结论如下:1)基于森林小班矢量数据对遥感影像数据进行分割和融合是有效提取地类信息的基础。2)基于森林小班对象影像融合效果评价结果表明,Wavelet融合算法对资源3号卫星遥感影像数据融合效果较优;HPF,PCA和IHS融合算法次之;Brovey融合算法融合效果较差。3)基于Wavelet融合影像进行地类信息提取,总体分类精度为83.5%,Kappa系数为0.79。以上结论表明基于森林小班的影像融合方法是可行的,该方法有利于国产高分影像地类信息的提取,可为进一步获得更高的信息提取精度和更细分树种类型识别提供基础。     

PL高分辨率遥感影像在森林火灾评估上的应用

【目的】研究仅依靠一种高分辨率遥感影像（PL）用于森林火灾影像信息提取、数据分析的可行性,为火烧程度评估提供可靠的林火遥感数据源和提取方法。【方法】以2017年毕拉河“5·2”特大森林火灾的火烧迹地为研究区域,使用火前、火后当年、火后更新1年共3期PL影像作为数据源,利用ROI _S提取过火区,分析火干扰前后NDVI的变化特征。结合地面调查数据,采用差值归一化植被指数（dNDVI）划分火烧等级,阈值验证参照罗德昆火灾受害等级划分标准进行精度验证。对火烧迹地植被受害状况进行评估,以获取火烧程度的空间分布格局。【结果】1)火干扰导致NDVI值急剧降低,火后更新1年NDVI略有升高,表明植被恢复能力有限。PL遥感影像的3 m高空间分辨率使其RGB图像高度饱和,地类清晰。2)做土地覆盖类型划分,训练样本分离性在1.91以上,共划分为森林、草本沼泽、道路、河流4类。分类整体精度为98.05%,Kappa＿Coefficient为0.95。3)受害程度等级划分为未火烧、轻度火烧、中度火烧、重度火烧4级,分类整体精度为91.55%,Kappa＿Coefficient为0.91。此...     

森林灾害的高分遥感辅助调查技术体系研究

森林灾害的突发性、周期性特点为监测调查带来很大困难,且随着社会经济的快速发展,全面的人工地面调查方法面临严重挑战。今后十几年我国对地观测能力的极速提高,可为森林资源的准实时变化监测提供基础保障。阐述了国产高分遥感数据应用的关键技术方法,展示了其在完善现有地面调查体系中的指导性作用,设计开发了适宜于县或省级应用的原型系统和技术体系,以期为国产高分数据的森林灾害监测应用提供技术示范和支撑。     

高分辨率遥感影像在土地分类中的应用研究

为提高高分辨率遥感影像的分类精度,本文提出了一种GIS、RS与目视解译集成的分类技术.它从遥感影像和GIS矢量数据一体化的角度出发,充分利用了矢量数据的图斑边界和影像分割的信息,通过经研究表明:无论在实验结果还是在分类的机理上都证明了,这种GIS与RS集成的分类技术的准确率超过了传统遥感影像分类的准确率.