基于高分一号影像光谱指数识别火烧迹地的决策树方法

森林火灾发生后,为及时、准确地掌握森林受灾情况,利用高分一号卫星(GF-1)16m宽幅影像各波段反射率信息,结合计算的归一化植被指数(NDVI)、过火区识别指数(BAI)、阴影植被指数(SVI)、归一化差异水体指数(NDWI)和全球环境监测指数(GEMI)等5种光谱指数,构建森林火烧迹地识别决策树模型(CART);在选取的研究区对该模型方法进行验证,并与最大似然监督分类法和非监督分类(ISODATA)方法所得到的结果精度进行了对比分析,结果表明:采用基于CART模型的决策树方法对火烧迹地识别结果精度较最大似然法总体分类精度提高了4.38%,Kappa系数提高了0.102 4,制图精度提高了14.96%,用户精度提高了8.50%;而采用ISODATA方法识别的火烧迹地的总体精度和Kappa系数都较低,制图精度和用户精度都没有达到1%。     

呼中林区火烧迹地遥感提取及林火烈度的空间分析

【目的】利用Landsat TM影像,采用遥感指数构建决策树分类模型,提出一种识别火烧迹地面积与林火烈度分析的新方法,并结合坡度、坡向、海拔等地形因子对过火区域火烈度的空间分布进行科学系统的分析研究,为大兴安岭地区森林防火和林火管理提供一定的理论依据和数据支持。【方法】以大兴安岭地区呼中林区为研究区,以2010年9月火后TM影像以及2007年9月火前TM影像为基础数据,以DEM影像、林相图为辅助数据,利用NDVI、NDSWIR、MNDWI和dNBR等遥感指数构建决策树分类模型,对呼中林区2010年10场火烧迹地进行识别,根据dNBR阈值法将过火区域火烈度分为4级,并利用Arcgis软件将火烈度图分别与坡度、坡向、海拔图叠加分析。【结果】利用决策树分类模型所提取火烧迹地面积的分类总体精度和Kappa系数分别为97.97%和0.943 2,与平行六面体法和ISODATA法的分类的精度相比分别提高了7.56%和17.32%,Kappa系数也相应提高。决策树模型提取火烧迹地的制图精度和用户精度分别为97.51%和97.54%,而平行六面体分类法分别为90.43%和96.52%,ISODATA法分别为94.35%和95.68%。利用dNBR阈值法将已提取的过火区林火烈度分为:未过火、轻度火烧、中度火烧、重度火烧4个级别,其中中度火烧和重度火烧分别占总过火面积的46.6%和33.2%。叠加分析后,海拔在1 000~1 500 m的地区过火面积共4 177 hm~2,占总过火面积的64.4%。Ⅲ级坡(6°~15°)过火面积最大,占总过火面积的45.9%。南坡过火面积最大,为1 391 hm~2,约占总过火面积的21.4%。【结论】本文所使用的决策树分类模型能够准确地识别过火区域,在精度上相较平行六面体法与ISODATA法有显著提高,且过火面积也更接近目视解译判读所得到的过火面积,精度均达到82%以上。dNBR阈值法可将过火区域火烈度分为4个等级,结果表明过火区域中度火烧和重度火烧占总过火面积的比重较大,林火烈度与海拔、坡度、坡向之间存在一定相关关系。     

内蒙古毕拉河林场森林火灾受害程度遥感评价

为评价内蒙古毕拉河林场2017年5月2日发生的森林火灾损失情况,利用火灾发生前后的Landsat8卫星影像,计算得到两者间的差值归一化燃烧指数(d NBR),通过目视解译和数学统计相结合的方法构建森林火灾受害程度分级评价指标,对该火烧迹地受灾程度进行定量评价,并利用实地测量GPS数据和GF-2卫星数据验证受害程度的分级精度为86.39%。研究结果表明:内蒙古毕拉河林场火烧迹地的中度受害区域面积最大,为4 685.09hm~2,占火烧迹地总面积的40.35%;轻度受害面积次之,为4 213.1hm~2,占火烧迹地总面积的36.28%;重度受害面积为1 031.03hm~2,占总面积的8.88%;未受害区域的面积最小为906.57hm~2,占火烧迹地总面积的7.81%;火烧迹地内的受灾森林主要分布在中度受害区域和轻度受害区域,受灾草地主要分布在轻度受害区域。     

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...     

基于Sentinel-2影像的火烧迹地快速提取方法比较研究

利用Sentinel卫星数据,特别是其中对植被敏感的红边波段与短红外波段,针对提取灾后火烧迹地研究不足的问题,选取四川省冕宁县4月20日森林火灾发生前后的Sentinel-2卫星数据,使用不同的提取方法探究识别火烧迹地的潜力,并进行对比研究。实验结果表明,决策树分类法识别火烧迹地的能力最好,提取精度最高,BAI指数次之;其余方法均受道路、房屋和裸体不同程度的影响;用红边波段替换可见光红波段的效果相比原有指数提取效果并无明显提升。研究证明在各类方法中,采用决策树分类法能快速高精度地将火烧迹地准确提取出来。     

森林火灾火烧迹地遥感信息提取及应用

森林火灾是影响陆地生态系统、大气环境以及全球变化的重要因素之一。传统的森林火灾信息统计数据存在收集困难、难以空间化等方面的不足,而遥感技术的发展为火灾研究提供了一种新的技术手段。本文旨在对现有基于遥感的火烧迹地相关研究进行总结,从数据开发以及数据应用2个方面梳理现有研究成果,并对未来的研究提出展望,为森林火灾相关研究提供依据。在参阅近年来国内外相关文献的基础上,本文从2个方面对火烧迹地相关研究进行系统总结:1)现有火烧迹地数据产品集及其开发算法:从产品名称、遥感数据源、覆盖范围、时序范围、空间分辨率、时间分辨率等方面,对11种火烧迹地数据产品集进行介绍;随后,对不同数据产品的开发算法进行比较,包括基于热学异常的提取算法、基于光谱特征变化的提取算法以及两者相结合的提取算法;最后,对现有火烧迹地数据产品的精度特征进行总结。2)火烧迹地数据产品应用:对火烧迹地数据在火灾风险评估、大气污染物排放、全球植被动力学模型、火灾后生态系统监测4个方面的应用进行介绍。现有的火烧迹地数据产品还存在一定的不足,这些不足限制了其应用领域的扩展。未来的火烧迹地数据产品改进可以从以下3个方面展开:1)构建长时间序列火烧迹地数据产品集。2)开发高精度的火烧迹地数据产品集,充分考虑火灾发生时以及火灾发生前后的各种异常特性,真实反映火灾发生所带来的地表特征变化,才能建立更加精确、稳定的提取算法,提高火烧迹地数据产品精度。3)建立多样化的火烧迹地数据产品集,改良现有火烧迹地数据产品,增加新的监测内容,如火烧能量、火焰温度以及火灾规模等,这将进一步扩大火烧迹地数据产品的应用范围。     

无人机影像红边波段K-L变换火烧迹地提取方法

基于2020年5月9日云南省安宁市青云街道森林火灾多光谱无人机多波段高分辨率影像,分别采用最大似然法监督分类和第3主成分分析阈值法进行火烧迹地提取,并进行精度验证分析。结果表明,融合红边波段后的图像用2种方法提取火烧迹地的效果均优于普通Red图像,而第3主成分分析法的效果好于监督分类,融合红边波段且采用第3主成分分析的图像更适合于火烧迹地的提取。     

基于规则面向对象分类法的贵州省山区火烧迹地提取

基于国产高分一号卫星宽幅（WFV）影像,对贵州省复杂地形山区火烧迹地的光谱特征、形状特征、纹理特征等进行了分析,建立了火烧迹地提取规则,完成了研究区基于规则面向对象的火烧迹地提取。利用高分二号卫星1 m分辨率影像对提取结果进行精度验证。结果表明,基于规则面向对象分类法的GF1WFV火烧迹地提取总体精度为92.67%,总Kappa系数为0.89,能较好地完成研究区的火烧迹地分类提取,分类质量达到极好水平,为贵州省山区火烧迹地提取提供了一定的参考和理论依据。     

基于无人机遥感的森林火烧迹地面积调查应用

森林火烧迹地面积的传统调查方法存在劳动强度大、效率低、数据可靠性不高等问题。为解 决上述问题,研究设计了无人机荷载多光谱传感器对森林火烧迹地面积进行调查的方法,并利用野外实 验对该方法进行了初步验证。结果表明该调查技术可快速准确获取较大范围的森林火灾火烧迹地面积, 精度可达94.44%,提高了火烧迹地调查的效率。     

基于EVI的大兴安岭火烧迹地植被恢复特征研究

[目的]选取Landsat数据源,基于dNBR和EVI指数开展火烧迹地识别和植被恢复特征研究.[方法]以1987年大兴安岭北部林区根河林业局金林林场森林火灾为研究背景,在地类划分的基础上,以dN-BR为基础数据,采用K-means方法识别并提取火烧迹地,并进行轻、中、重火烈度等级划分;基于火烧迹地的EVI(增强型植被指...     

基于Spark MLlib中决策树算法对阿尔及利亚森林火灾的预测研究

应用阿尔及利亚森林火灾数据，通过Spark MLlib中的决策树算法，提出过滤相关性高的特征参数提升模型性能，对森林火灾进行预测研究。对温度、风速、雨及加拿大森林火险气候指数（FWI）系统中主要指标等特征参数，结合森林火灾的分类情况，使用信息增益标准为Gini的二叉决策树，建立基于决策树的火灾预测模型，对样本数据进行分类预测；提出分析不同特征参数之间的相关性，剔除相关性高的特征参数，利用大数据计算框架Spark建立机器学习工作流，将计算相关性的皮尔森系数与决策树分类算法结合了起来，从而优化模型，提高预测分类精度。预测模型改进前，即未进行相关性分析的森林火灾预测分类总精度为94.94%；预测模型改进后，即进行相关性分析，剔除了相关性较高的特征参数数据，森林火灾预测分类总精度为97.17%，准确率提高了近3%。使用Spark MLlib中的机器学习算法在森林火灾预测分类方面准确率总体较高，尤其在将多种数据挖掘算法结合后，模型性能得到提高，预测分类精度更高。     

基于Sentinel-2A数据的森林覆盖变化研究

【目的】利用Sentinel-2A卫星重访周期短和波段信息丰富的特点,精确高效地获取森林覆盖变化信息,提高森林覆盖变化监测的时效性和精度。【方法】采用Sentienl-2A遥感影像作为数据源,以沅江市为研究对象,结合实地调查数据,选取地物训练样本,利用各地物的光谱指数特征和纹理特征来构建决策树模型进行地物分类,光谱指数包括NDVI、NDWI、NDBI和光谱反射曲线,纹理特征包括均值、方差、信息熵和对比度。对沅江市2016年8月1日和2017年5月18日的两期Sentinel-2A遥感影像数据进行地物分类,计算各地物面积并将两期分类结果中的森林覆盖区域提取出来,分析森林覆盖变化情况。【结果】1)利用光谱指数特征结合纹理特征构建决策树模型对沅江市进行地物分类,其地物总体分类精度为83.62%,Kappa系数为0.825 7,森林制图精度为84.28%,森林用户精度为82.43%,比最大似然法的总体分类精度提升了11.27%,Kappa系数提高了0.133,森林制图精度提高了10.59%,森林用户精度提高了9.58%。2)在2016年8月1日至2017年5月18日期间沅江市森林面积减少了771 hm~2,有854 hm~2森林变为耕地,589 hm~2森林变为芦苇地,412 hm~2森林变为建设用地,105 hm~2森林变为水体。另外,有636 hm~2耕地、257 hm~2芦苇地、243 hm~2建设用地和53 hm~2水体变为森林。【结论】基于Sentienl-2A遥感影像数据,利用光谱指数特征和纹理特征构建决策树模型进行分类,能够有效提升地物分类精度;同时能够提高森林覆盖变化监测的时效性和精度,较为准确地分析森林覆盖变化情况,可为洞庭湖流域地物分类和森林覆盖变化监测提供决策支持。     

基于随机森林算法构建Hyperion影像云和云阴影掩模

遥感数据的判读应用不可避免地要受到云和云阴影的干扰,这导致影像中地物信息不完整,给后续影像解译和处理带来障碍。采用最佳波段指数方法筛选出经过预处理的Hyperion高光谱影像最佳波段组合,达到波段去相关、信息含量最大并减少运算量的目的。基于不同地物类型的光谱曲线,采用随机森林算法提取Hyperion影像中云和云阴影信息,建立相应的掩模。研究结果表明,基于经验阈值的决策树分类精度达96.36%,随机森林算法的分类精度达98.86%,Kappa系数为0.951 2,具有更好的分类效果。利用随机森林算法建立高光谱影像云和云阴影掩模,由于随机森林算法是建立在多个决策树分类器结果基础上,避免了单一决策树分类器带来的误分类现象,较好地去除了云和云阴影对遥感解译的影响。     

火烧迹地形成数量的模型研究

采用抽样调查方法,调查县域火烧迹地数量,研究林业用地中火烧迹地面积比例与针叶林面积比例、针阔混交林面积比例之间的相关规律,建立火烧迹地回归模型.根据研究结果,提出减少森林火灾、减少火烧迹地的对策.     

基于SAR数据后向散射及光学图像纹理特征的橡胶林提取

以勐腊县为研究区,基于Terra SAR-X卫星的全极化SAR数据以及谷歌高清卫星影像图,对橡胶林的后向散射系数以及其纹理特征进行提取分析,采用决策树分类方法对勐腊县的橡胶林进行分类识别。研究结果表明:全极化Terra SAR数据的HH、HV、VH、VV的后向散射及其之间的计算是构建决策树算法,实现森林、农用地、水体和城市建设用地分类的重要基础;橡胶林作为一种特殊的人工林,其具有固定的行株距以及特有的纹理特征,能把橡胶林和天然林更好地区分开;利用结合SAR数据后向散射及光学图像纹理特征的决策树分类方法对橡胶林进行提取,总体精度为87.6%,Kappa系数为0.81,橡胶林的生产者精度和用户精度均达到90%以上。     

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Sentinel-2数据的塞罕坝机械林场落叶松人工林提取

塞罕坝机械林场是我国大型国有林场,落叶松是林场森林经营管理的主体,快速准确提取落叶松人工林分布对林场的经营和管理具有重要意义。基于传统单机模式下的遥感影像分类耗时长、效率低下,随着地理信息大数据、云计算时代的到来,Google Earth Engine(GEE)作为地理空间分析平台的先行者,为遥感影像分类带来新的机遇。基于GEE平台,使用Sentinel-2数据实现塞罕坝机械林场主要树种遥感影像分类。通过对塞罕坝机械林场2019年全年309景Sentinel-2影像数据预处理,计算比值植被指数、纹理特征、地形特征,并对各特征进行优选,构建多特征分类数据集。以此为基础,比较最小距离法、决策树和随机森林分类器下的分类精度。结果表明,GEE相较于单机影像分类模式具有显著的优势;最小距离、决策树和随机森林分类器下的分类精度分别为80%,83%和92%,随机森林分类器更适合复杂的遥感分类任务。     

GF-1卫星影像决策树分类算法的森林采伐信息提取研究

从林业行业应用出发,针对国产GF-1卫星数据的特点,采用决策树分类方法对影像采伐信息进行提取,探索了国产GF-1卫星数据在森林资源采伐信息提取方面的应用关键技术,为国产卫星数据的行业推广应用奠定理论基础。研究结果表明:决策树分类方法能够更有效地对伐区图斑分类提取,经过Kappa分析,测试区伐区影像提取精度从大到小分别为:水域分类精度96.71%,森林分类精度89.79%,伐区分类精度82.49%,公路分类精度75.30%,农田分类精度71.18%,建筑分类精度56.26%,其他分类精度53.57%。总体分类精度为87.34%。     

基于面向对象分类的延庆区公益林变化检测

以北京市延庆区2004年Spot-5影像和2015年GF-1影像数据为研究对象,应用面向对象分类变化检测算法,通过选择最优尺度和结合典型地物光谱特征、纹理特征建立规则集来对两期影像进行分类,然后提取十年间延庆区公益林的变化地块,最后进行精度评价,旨在对延庆区公益林的变化及其驱动因素进行探索分析。结果表明:Spot-5影像的分类精度为87.1%,加入FC特征值规则的GF-1影像的分类精度为89.1%,高于未加入FC特征值规则的GF分类精度(84.8%),说明在规则集中加入FC特征值能提高森林分类精度;变化信息提取的结果总体精度为87.3%,漏判率、错判率都在20%以内,提取效果较佳;2004—2015年间,公益林面积呈上升趋势,且主要集中在有林地面积增加,农田、灌木地和其他土地面积减少,这与国家对林业及公益林日益增加的重视度、各项工程项目密不可分。     

基于GEE平台广西桉树快速提取研究

为进一步提高基于遥感影像森林(人工林)植被信息提取的工作效率,基于Google Earth Engine(GEE)平台,以Landsat8 OIL影像为实验数据,利用监督分类、支持向量机、最大熵模型、随机森林以及根据试验区实际构建的决策树分类方法对试验区桉树人工林种植面积进行提取,并对各方法进行了比较,在此基础上利用决策树法提取了广西地区桉树种植面积,并利用无人机影像与Google Earth Pro历史影像对实验结果进行了验证。实验过程及结果表明:利用GEE平台可以高效快速地提取遥感植被信息。在以上5种方法中,决策树分类方法取得最好的效果,其试验区桉树提取总体精度与Kappa系数分别达到0.82,0.85;同时,利用决策树提取的广西桉树种植面积与统计资料的面积统计结果具有较好的一致性。说明构建的决策树分类方法对大区域、复杂山区植被覆盖信息的快速提取具有参考意义。