亚热带人工林高分影像GLCM纹理的应用策略研究

[目的]探讨纹理变量及其相应参数配置范围,阐明各纹理变量随输入参数的变化规律,以便指导高分光学影像纹理在林业上的应用.[方法]以福建省将乐国有林场不同坡向不同龄组的杉木人工林为例,基于QuickBird影像的全色波段进行灰度共生矩阵(GLCM)纹理的计算与分析.[结果]结果表明:(1)除均值外的所有GLCM纹理变量对阴...     

2020 -01期目录

  目的  探讨纹理变量及其相应参数配置范围,阐明各纹理变量随输入参数的变化规律,以便指导高分光学影像纹理在林业上的应用。  方法  以福建省将乐国有林场不同坡向不同龄组的杉木人工林为例,基于QuickBird影像的全色波段进行灰度共生矩阵（GLCM）纹理的计算与分析。  结果  结果表明:（1）除均值外的所有GLCM纹理变量对阴坡的3个龄组的区分能力均强于阳坡,且纹理变量优选需同时考虑衡量指标和纹理变量之间的相关程度。（2）窗口大小是统计组和有序组纹理最关键的输入参数,合适的窗口大小与影像的分辨率以及研究对象的空间尺度有关,对比度组纹理与窗口大小无关,可随意设置。（3）应用统计组和有序组纹理,无需关注像元间距,而应用对比度组纹理,不可忽视像元间距。（4）应用统计组纹理,像元间距越大越需关注计算方向;而对比度组和有序组纹理则相反,即像元间距越小越需关注计算方向。（5）作为最不受研究人员重视的灰度量化等级,推荐采用32或者64。  结论  高分光学影像的纹理信息对光谱重叠度较高的地物具有一定的区分能力,能部分“弥补”阴影导致的光谱信号损失,但在应用中需对纹理变量及其输入参数进行优化选择和配置。该文的研究结论能够为高分光学影像纹理信息的优化应用提供实用的参考借鉴。      

基于Sentinel-2A影像的县域冬小麦种植面积遥感监测

小麦种植面积遥感监测是小麦估产的基本要素,准确而及时地提取不同灌溉类型冬小麦种植面积及其空间分布信息可为冬小麦长势监测以及产量评估提供科学依据。以山西省闻喜县冬小麦为研究对象,以Sentinel-2A影像为基础数据源,选择主成分(PCA)、红边归一化植被指数(RENDVI)、纹理特征等3个特征变量,结合实地调查样本点,采用随机森林算法,提取冬小麦种植面积,并结合数字高程模型(DEM)提取雨养区和灌溉区冬小麦种植面积。结果表明,Sentinel-2A遥感数据适合作为县域尺度冬小麦监测的数据源;主成分分析、纹理特征和RENDVI的引入可以提高单时相遥感影像对县域冬小麦分类的识别能力;随机森林算法和数字高程模型结合可以实现雨养区和灌溉区冬小麦种植面积的提取。     

运用融合纹理和机载LiDAR特征模型估测森林地上生物量

针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。     

基于面向对象的资源3号遥感影像森林分类研究

森林类型识别技术是遥感分类中的重点和难点,采用面向对象的遥感影像分类方法是实现森林类型分类的新方法。资源3号遥感影像可为森林类型提取提供新方向。以资源3号遥感影像作为基础研究数据,采用面向对象的分类方法,选择分形网络演化法进行多尺度分层分割,并结合典型地物的光谱特征、纹理特征、几何特征以及植被指数,构建了适用于森林类型提取的决策树模型,并与分割尺度不同的支持向量机分类方法进行比较分析。结果表明:多层分割的决策树分类方法分类精度高于单层分割的支持向量机分类方法,分类精度分别提高了6.1%和12.5%。说明建立多层分割的决策树分类方法适用于森林类型的分类研究。     

基于随机森林算法的凉水自然保护区蓄积量反演研究

以黑龙江凉水自然保护区为研究对象,采用GF-1卫星遥感影像为数据源,提取遥感影像在不同窗口大小下的纹理特征信息,与遥感影像自身的光谱信息相结合;利用随机森林算法,结合地面蓄积量采样点数据,建立凉水自然保护区蓄积量反演模型。结果表明:只基于卫星光谱的反演模型的相关系数为0.59,基于卫星光谱与纹理特征的蓄积量反演模型的相关系数为0.65;当窗口大小为3×3时,森林蓄积量反演效果最好。研究表明,基于卫星光谱信息和纹理特征信息,利用随机森林算法进行森林蓄积量反演在森林资源调查方面具有良好的应用前景。     

森林植被遥感监测影像最佳分辨率选择

遥感影像分辨率的高低直接影响着森林植被监测的精度、成本和效率,故选择适合森林植被监测的影像最佳分辨率具有重要的应用价值。针对森林植被监测影像最佳分辨率选择方法及结果缺乏的问题,从林业实际应用出发,提出了基于1个步长的变异函数分析空间变异并综合考虑监测精度、成本和效率来确定森林植被监测影像最佳分辨率方法。基于最新的国产高分二号（GF-2）全色影像,利用1个步长的变异函数对湖南常宁洋泉镇林区3种典型分布类型森林植被进行拟合分析,初步确定适合森林植被监测的影像最低分辨率。然后对重采样形成的不同尺度多光谱影像分别进行监督分类,并对结果进行定量定性分析,结合影像成本和数据处理时间,找到适合不同类型森林植被监测的影像最佳分辨率。研究表明:不同分布类型的森林植被,适合遥感监测的影像最佳分辨率不同:①小冠幅森林植被3.2 m;②大冠幅森林植被16.0 m;③混合冠幅森林植被8.0 m。该森林植被遥感监测影像最佳分辨率确定方法和结果可为其他区域森林植被遥感监测影像最佳分辨率确定提供借鉴。     

基于影像分割的覆膜玉米叶绿素含量反演

【目的】快速、准确监测覆膜玉米叶绿素含量,探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础,以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象,使用监督分类分割影像背景像元和玉米像元,分析背景像元对玉米冠层光谱的影响,计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入,利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】(1)苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。(2)基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R 2提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g^-1,验证R 2提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g^-1)。(3)基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著;其中光谱特征+...     

联合GF-1和GF-3影像的森林地上生物量反演

  目的  探索高分（GF）光学、合成孔径雷达（SAR）数据及其联合数据在森林地上生物量（AGB）及其组成部分反演中的可行性。  方法  以云南省昆明市宜良县小哨林区的云南松为研究对象，结合实地调查数据，以GF-1光学数据和GF-3 SAR数据作为数据源，提取光学数据常用的植被指数和纹理特征，SAR数据的各极化后向散射系数、纹理特征以及极化分解等参数，利用KNN-FIFS方法分别进行森林AGB及其分量的反演；然后采用留一交叉验证法对反演结果进行精度评价，并在此基础上绘制森林AGB及其分量空间分布图。  结果  联合GF-1和GF-3数据反演森林AGB及其分量的精度最高，R2均超过了0.710，RMSEr的值在22% ~ 27%之间，其中树叶的反演精度最优，模型的R2为0.714，RMSE为10.270 t/hm2，RMSEr为24.58%；除树叶生物量外，森林AGB和其他分量仅采用GF-1提取的特征进行反演时，精度均优于采用GF-3特征的反演结果。  结论  联合GF-1光学数据和GF-3全极化SAR可以实现一定程度的互补，提高森林AGB及其分量的反演精度，此外KNN-FIFS方法在低生物量水平的云南松纯林的AGB及其分量的反演中具有一定的鲁棒性，且KNN-FIFS优选的重要参数多为SAR和光学的纹理特征。      

应用最大信息系数和支持向量机估测森林蓄积量

为了探究Landsat8 OLI影像和支持向量机算法在林分蓄积量估测中的潜力,以湖南省株洲市为研究区,以Landsat8 OLI卫星影像为遥感数据源,并结合同时期的湖南省森林资源二类调查数据,提取单波段特征、植被指数和纹理特征等遥感因子作为候选变量;利用最大信息系数对遥感变量进行筛选,并构建基于多项式核的PK-SVR模型、基于径向基核的RK-SVR模型、基于拉普拉斯核的LK-SVR模型和基于Sigmoid核的SK-SVR模型;以决定系数、相对均方根误差作为预测模型的评价指标,并与传统的线性回归模型进行对比,同时对研究区的森林蓄积量进行反演,得到株洲市森林蓄积量空间分布图。结果表明：支持向量机（SVR）模型的预测结果明显优于多元线性回归模型,RK-SVR模型的预测效果最好,其决定系数为0.61、均方根误差为69.26 m³/hm^-2、相对均方根误差为31.2%。     

应用高分辨率卫星数据估算阔叶红松林乔木多样性

应用遥感技术估算生物多样性是森林生态学的研究热点和难点。为探索高分辨率卫星数据在估算森林植被多样性上的应用潜力,以吉林蛟河市阔叶红松林大样地数据为支撑,提取了红松树冠的空间分布格局,并估算了乔木物种多样性。首先,基于冬季GeoEye-1影像提取红松树冠分布图,与样地每木调查数据吻合较好。然后,使用景观生态学和地统计学指数,分析红松种群空间分布规律,发现了最大自相关尺度30~40 m。最后,选择拥有红边波段的秋季RapidEye卫星图像,建立遥感影像5 m光谱值和30 m窗口大小纹理参数与生物多样性指数的多元线性回归模型。结果表明,红边信息并未显著改善多光谱数据估算植被生物多样性的能力,但所获大区域制图结果与林分龄级吻合较好。      

基于树种分类的高分辨率遥感数据纹理特征分析

遥感图像尤其是高分辨率（1~4 m）遥感图像在树种分类方面有着广阔的应用前景。利用主成分分析法对遥感数据去相关分析,然后通过对纹理提取过程的分析,探讨不同移动窗口大小对纹理特征的影响,以期为中山陵园风景区的森林调查提供依据,分类方法为经典的最大似然分类器。根据不同移动窗口大小的纹理因子相关性和对保持纹理信息丰富度的影响,来选择合适的窗口大小及纹理因子组合,以对树种分类精度的提高程度为评价标准。研究结果表明,利用窗口大小为19 19下的纹理信息可有效提高分类精度,总精度达到66%,Kappa系数达到0.59,比单纯的光谱信息最大似然法图像分类精度高,其中均值与均匀性、对比度、偏斜度纹理因子组合为最佳纹理组合,能有效减少数据冗余。高分辨率遥感数据纹理信息的运用为树种分类识别时的特征选择提供了有利技术参考。图4表3参19     

结合航空影像纹理和光谱特征的单木冠幅提取

随着航空摄影测量技术的不断发展与进步,为提高森林资源调查的工作效率,航空影像已经成功应用到林业资源监测中,但在单木冠幅提取上,研究多考虑影像光谱信息,使得分类结果存在偏差。本文提出同时结合航空影像的纹理及光谱特征,利用面向对象的影像分割方法,通过多次实验对比结果确定最优分割尺度,同时在结合正态分布法确定各光谱及纹理特征信息范围的基础上,提取单木冠幅信息。以2012年鹫峰国家森林公园航空像片为数据源,以ENVI5.0为数据处理平台,对影像进行面向对象的分割,提取试验区域内32株树木的冠幅,并结合传统外业实测数据以及立体像对观测数据进行精度分析。试验结果表明:文章所提出的方法试验精度达到90.05%,与传统立体像对量测方法精度相近,但数据获取速度快,满足林业调查基本需求。      

天然林林分空间结构综合指数的研究

以常用林分空间结构参数（混交度、大小比数和角尺度）为切入点,以微观经济学中柯布 道格拉斯生产函数相关理论为基础,通过构建以混交度、大小比数和角尺度为“投入”与林分整体空间结构为“产出”的林分空间结构生产函数,定义了林分空间结构指数（FSSI）。同时,根据林分空间结构3参数的“三维散点图”中现实的林分空间结构向理想结构点变化的趋势,计算了林分空间结构距离（FSSD）。结合黑龙江省3个不同区域、不同林分类型的75块固定样地全面调查数据的林分空间结构参数、林分空间结构指数以及林分空间结构距离的计算结果,验证了林分空间结构指数和林分空间结构距离均能有效反映林分空间结构特征及其动态变化。可以认为,林分空间结构指数和林分空间结构距离是对目前广泛使用的林分空间结构参数的完善和补充,二者均能作为定量描述林分空间结构状态和变化的综合指标。      

基于地质统计学影像纹理的草地植被群落空间结构分析

【目的】基于地质统计学影像纹理,定量分析草地植被群落空间结构的变异规律,为草地生态系统的恢复与重建提供依据。【方法】从科尔沁草原地区奈曼县57个退牧还草区域中遴选出25个有代表性的样地,应用地质统计学方法,计算10种典型植被群落的试验变异函数并拟合到球状模型,用变程和基台值来表达植被群落的空间结构特征,然后将从影像中计算得到的变异函数模型参数与样地植被群落空间结构特征对应起来,反演植被群落的空间结构,分析样地植被群落的空间分布规律。【结果】在分析的25个样地植被群落中,大多数种群的空间相关性和变异强度均较大;根据变异函数值、变程推断得到的样地优势物种与实际调查结果吻合率达到95％。【结论】应用地质统计学影像纹理研究草地植被群落空间结构特征的方法可行,该方法能较准确地从影像上直接推断优势物种并分析种群空间结构的变异规律,极大地减少了人工调查的投入。     

智能化森林资源数据采集PDA软件研究

基于PDA的森林资源数据采集是数字林业的重要内容,其核心工作就是开发高效智能化数据采集软件.该文通过分析森林资源数据野外采集特征和应用需求,以软件模式设计与分析理论为基础,提出一套有较强通用性和可扩展性的森林资源数据采集PDA软件设计方案.通过对数据输入流程的各部分进行分析,将共享部分进行封装成为通用的功能,对需要扩展和发生变化的部分参数化,通过参数设置达到智能化设置输入范围、配置用户界面及数据逻辑关系的目标.该方案能够满足当前森林资源一类、二类、三类野外数据调查的需要,并能适应将来调查因子扩展和变化的需要,极大地提高了林业野外信息调查采集工作的效率.      

江西省丘陵山区红壤非耕地土壤退化的研究

江西省内丘陵山地红壤非了主要有天然阔叶林，人工杉木林，人工马尾松林，人工油菜林和荒地，经过对这些非耕地土壤进行大量面上调查和定位研究后发现，除天然阔叶林外，这些非耕地土壤的退化现象极为普遍，其主要表现形式为：土壤剖面的逆向发育，土壤质地突变，土壤养分状况和土壤物理性状的恶化，研究同时表明，导致土壤产生退化的主要原因为：（１）林业生产过程中林木更新和营林技术粗放；（２）林地投入少；（３）陡坡开肝；（     

林业发展金融服务改革对林农营林的影响研究——基于陕西省富县和西乡县的调查

围绕集体林权制度改革五大内容之一的林业发展金融服务改革的概念和内容,结合对陕西省富县和西乡县的实地调查,分析了陕西省林业发展金融服务改革中开展的各种措施和工作及其对林农营林活动的内外部因素和不可控与可控因素两方面的影响。最后从不同主体的角度指出陕西省林业发展金融服务改革中存在的问题并提出建议。     

高分辨率遥感影像林地类型精细识别

以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法（MLC）和支持向量机法（SVM）]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%,Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%,Kappa系数分别提高了0.07和0.08;ImageRF法总体分类精度分别提高了5.93%和6.82%,Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。