Hyperion高光谱数据森林郁闭度定量估测研究

该文探讨和评价了利用星载EO-1 Hyperion高光谱遥感数据定量估测森林郁闭度的能力.高光谱数据光谱特征空间降维采用两种方式, 一种是光谱特征选择的波段选择法(BS),另一种是光谱特征提取的主成分变换法(PCA).从森林资源变化图上获取200个样点的实测郁闭度值,130个用于建模,70个用于验证.对应图像的取值采用单像元值(NP)和3×3窗口的平均值(W33) 两种方法.两种光谱特征降维方式和两种图像取值方法构成4种估测模型(BS-NP、BS-W33、PCA-NP和PCA-W33).分析过程为:①对图像进行预处理,选出质量好的波段;②采用逐步回归技术提取与郁闭度相关性高的波段或变量;③建立多元回归模型估测郁闭度;④估测精度验证.经检验,估测精度分别为: BS-NP 83.17%、BS-W33 84.21%、 PCA-NP 85.62% 和 PCA-W33 86.34%.初步结果表明,光谱特征提取的主成分变换分析法比光谱特征选择的波段选择法的郁闭度估测更有效;3×3窗口的图像取值方法比单像元取值方法的估测精度高.      

基于高分一号PMS的新疆落叶松林分郁闭度遥感定量估测

【目的】探索高分一号卫星影像在新疆落叶松林林分郁闭度估测中的应用潜力,为高分一号卫星影像用于林分郁闭度定量估测提供技术方法。【方法】以新疆布尔津林场为研究区,以阿尔泰山西段新疆落叶松林为试验对象,基于高分一号PMS多光谱影像和DEM数据,利用遥感和GIS技术,采用多元逐步回归和BP神经网络2种方法对新疆落叶松林分郁闭度进行估测。【结果】从模型验证结果可以看出,BP神经网络模型(决定系数R~2=0.713,均方根误差RMSE=0.082,相对均方根误差rRMSE=0.175,估测精度EA=82.401%)对新疆落叶松林林分郁闭度的估测要明显优于多元逐步回归模型(R~2=0.692,RMSE=0.085,rRMSE=0.182,EA=81.680%),且BP神经网络模型建模时R~2=0.714,与其精度验证时的R~2=0.713非常接近,说明模型的稳定性良好。【结论】2种模型的估测精度均高于80%,这说明高分一号PMS数据在新疆落叶松林林分郁闭度估测方面具有一定的潜力。     

基于Hyperion数据的香格里拉森林郁闭度遥感估测研究

基于Hyperion高光谱数据,采用2种方法进行波段选取,将选择的波段数据进行特征提取变量,采用偏最小二乘法分别对2种方法选择的特征变量建立香格里拉主要树种郁闭度遥感估测模型,并进行精度检验评价。结果表明：基于实测样地郁闭度差异特征分析选择的Hyperion特征波段建立的模型R²为0.837、估测精度为82.09%,基于遥感影像进行分段主成分分析选择的Hyperion特征波段建立的模型R²为0.764、估测精度为78.4%,基于样地数据郁闭度变化敏感性分析模型优于基于Hyperion影像的分段主成分分析模型;分段主成分分析法所选出的特征波段虽然包含了较多的波段信息,但是很多为连续波段或者波长较近的波段,波段之间的相关性较高,导致建模精度不如预期。     

人工神经网络在遥感图像森林植被分类中的应用

应用人工神经网络模型对陆地卫星TM多光谱图像进行了森林植被分类的研究 ,共选取了 8种主要植被类型 ,重点是研究在不同背景条件下存在同谱异物现象的云杉、油松和落叶松等针叶林树种的分类方法 .所采用的网络模型为 3层误差后向传播神经网络模型 ,鉴于贺兰山自然植被垂直带谱明显 ,利用误差后向传播网络模型的并行分布式结构 ,研究中引入高程数据作为一个独立波段与 3个多光谱波段一起直接进行分类 ,取得了很好效果 .该方法与常规的最大似然法相比 ,存在同谱异物现象的云杉、油松和落叶松的分类精度平均提高了 2 7 5个百分点 .对存在同物异谱现象的阔叶林的分类精度也有一定程度的提高 .     

基于鱼眼照片的森林郁闭度快速提取方法研究

采用Photoshop、ArcGIS等软件对利用鱼眼照片提取森林郁闭度的方法进行研究,通过照片裁切、灰度处理、影像重分类等处理,求算出森林郁闭度,将该郁闭度值与采用K Mean的非监督分类方法及野外观测值进行比较,结果表明：本研究方法所得到的平均郁闭度为056,野外实测平均郁闭度为062,非监督分类平均郁闭度为065,两两之间差值均小于允许的误差范围010,证明该方法在森林郁闭度的测定中快速且有效可行。     

基于人工神经网络的森林火险预测

在对河南登封地区火灾发生状况进行有效分析的基础上,以林火发生与其紧密相关的气象因子为基础,运用BP人工神经网络建立了林火发生预测模型,分析得出最好的网络结构为6∶5∶1,建模精度为0.97,98%的样本拟合误差绝对值不超过0.000 7,取得了较好的拟合效果。     

森林地上生物量遥感估算方法

生物量是林业和生态应用研究的重要信息,森林生态系统地上生物量估算的遥感技术引起了国内外学者的广泛关注.总结与探讨不同数据源与估算方法能够为森林地上生物量的估算提供指导.本文首先总结并探讨单传感器遥感数据,包括光学遥感、合成孔径雷达与激光雷达数据在森林地上生物量估算中的应用,以及协同使用多源遥感数据估算森林地上生物量的优...     

基于像元二分模型的森林郁闭度估测方法

以遥感影像与森林资源一类调查数据为基础,基于归一化植被指数(NDVI)的像元二分模型对密云县森林郁闭度进行遥感估测,模型的纯像元植被指数通过样地数据来确定.经验证,模型估测值与实测值相关系数为0.73,相对误差为14.40％.结果说明,采用像元二分模型与森林资源一类调查数据结合进行森林郁闭度估测,技术路线简单可靠,精度可满足要求,同时能弥补TM影像分辨率的不足,具有一定的推广价值.     

基于中巴资源卫星数据的森林郁闭度估测研究

森林资源分布具有辽阔性、复杂性、通达性差等特点,而遥感技术具有宏观、动态、便捷、可周期重复和成本低等优点,成为研究森林资源状况的理想手段。目前,在森林遥感应用中,多源遥感数据的提供能力越来越强。但由于遥感信息的综合性、复杂性,遥感信息处理技术相对落后。基于不同区域、不同季相和不同背景特征的森林遥感分类技术远未成熟。利用中巴资源卫星遥感数据,经过图像处理(包括图像的校正、图像的增强和图像的分类等),获取样地的灰度值,结合少量地面实测样地资料,通过线性回归建立森林郁闭度的数学模型,并进行检验以确保估测的精度,为林业生产和建设提供依据。     

毛竹林叶面积指数和郁闭度空间分布协同克里格估算

在地面调查的基础上,利用协同克里格插值法对研究区内毛竹Phyllostachys edulis林叶面积指数(LAI,leaf area index)和冠层郁闭度(CC,canopy closure)2个冠层参数进行空间分布估算研究,并与普通克里格插值法进行了比较。研究结果表明:①球状模型可以用来反映LAI和CC的空间变异,且两者具有强烈的空间自相关特征。②协同克里格插值得到的LAI预测值与实测值之间的决定系数R2为0.635 1,而CC的决定系数R2为0.428 5;与普通克里格法相比,基于协同克里格法的LAI和CC预测精度均得到改善,其中LAI预测精度提高了1.94%,均方根误差减少2.00%,平均标准误差减少0.18%,而CC预测精度提高了4.82%,均方根误差减少1.90%,平均标准误差减少1.30%。③安吉县毛竹林LAI和CC都具有从西南到东北逐渐递减空间分布格局,在一定程度上反映了安吉县不同区域毛竹林经营水平的差异。     

作物蒸发蒸腾量的人工神经网络模型研究

利用BP-人工神经网络考虑气象条件、土壤水分条件以及作物的生物学特性3方面因素，构建作物蒸发蒸腾量（ET）模型。     

作物蒸发蒸腾量的人工神经网络模型研究

采用盆栽试验,利用BP-人工神经网络模拟作物的蒸发蒸腾量,分别构建ET1(气象因子)、ET2(气象因子与播种天数)、ET3(气象因子、播种天数和含水率)3种人工神经网络模型,并将预测结果与称重法得到的实际值ET进行比较,结果表明,所构建的ET3模型的计算精度较高,是一种最优的计算作物蒸发蒸腾量的BP-人工神经网络模型。     

卫星遥感图像的神经网络自由识别分类

介绍了神经网络卫星遥感图像自动识别分类的方法,并与最大似然法分类结果进行了比较,计算机实验结果表明,神经网络分类的精度和速度优于最大似然法分类．     

森林类型遥感识别人工自组织神经树模型初探

运用森林类型遥感目视识别的７０个样本,训练人工自组织神经树模型,然后对１０个“未知”样本进行预测。结果表明,该模型的识别、容错能力较强,综合了遥感图像专家目视判读与计算机自动识别的优点,使判读过程更加精确和简练,而且省工、省时、省经费。开拓了遥感识别地物的新途径     

森林可燃物的遥感分类研究进展

阐述了森林可燃物的分类类型,指出遥感图像是通过亮度值或像素值的高低差异及空间变化表示不同地物差异的,提出了遥感分类常用方法有非监督分类与监督分类法,基于知识的决策树分类法,BP神经网络分类法。文章同时对国内外森林可燃物遥感分类的研究现状做了综述,并展望了森林可燃物遥感分类的发展趋势。     

高光谱遥感数据在植被信息提取中的应用研究

概述了高光谱的概念与高光谱遥感数据的特点,重点介绍了目前利用高光谱技术估测地表植被信息的最新研究进展,并讨论了今后植被高光谱遥感应用发展的方向和研究领域,     

遥感在森林病虫害监测中的应用研究

森林病虫害是森林健康和林业生产的大敌,遥感监测森林病虫害具有良好的优越性和巨大的利用潜力。主要阐述了遥感监测森林病虫害的原理、监测的技术方法和监测的主要内容,并对其应用前景做出了展望。     

森林蓄积量遥感定量估测研究综述

论述森林蓄积量的概念和发展历史,介绍森林蓄积量定量估测的常规方法,以及近年出现的新蓄积量定量估测方法,如遥感方法、基于遥感技术的神经网络模型方法,并阐述了森林蓄积量遥感定量估测方法的发展趋势。     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

基于人工神经网络的山西省森林资源预测研究

以森林资源一类清查数据为基础,利用人工神经网络的BP算法对山西省森林资源的发展趋势进行了预测。结果表明:山西省森林资源在相对稳定的条件下,森林面积、蓄积呈现稳定增长态势,森林生态功能逐步完善;到2010年森林覆盖率将达到21%;单位面积蓄积量呈明显下降趋势,森林生产力下降。此结果为研究区森林经营提供科学依据。