利用TM图像对森林资源进行动态监测

通过利用GIS建立TM图形数据库，利用TM图像的客观性及其对森林资源的反映能力，进行动态监测资源的消长情况，具体说明了TM图像在森林资源监测中的应用，分析使用的优势及不足，详细介绍图形数据库的建立。     

TM影像决策树分类中的影响因素研究

以云南省西双版纳州一景TM影像为例,分析了影响分类回归树方法的主要因素。结果表明在其他因素均一致的情况下,训练数据如果使用涵盖各类别的外业调查数据比使用系统布设的训练数据分类精度更高,并且多种参数波段的选择也会有效地提高分类的精度。     

TM影像决策树分类中的影响因素研究

以云南省西双版纳州一景TM影像为例,分析了影响分类回归树方法的主要因素。结果表明在其他因素均一致的情况下,训练数据如果使用涵盖各类别的外业调查数据比使用系统布设的训练数据分类精度更高,并且多种参数波段的选择也会有效地提高分类的精度。     

TM图像在森林资源调查中的应用研究

利用１∶５万ＴＭ假彩色合成图像,在登封林场进行森林资源调查实验研究,结果表明：使用卫星遥感图像进行林业区划,解译树种和森林类型、土地利用类型,编制森林分布图,量算林业用地面积,获得了比较理想的效果和精度,是可行的。     

TM影像的目视判读在森林资源调查中的应用

应用遥感技术于森林资源调查，TM影像的目视判读是关键步骤，正判率的高低直接影响调查成果的质量。文中简述了目视判读的原理和方法，通过判读成果的对比分析，归纳总结并提出建议。     

SPOT、TM图象组合分类研究

论述了 SPOT、TM 图象(河北省南皮)组合分类。给出了组合分类的结果,提出了分类精度。SPOT、TM 图象组合分类能提高光谱信息和地物光谱分辨力,比单独图象分类减少数据计算量70%以上。     

TM卫片在森林资源调查中的应用

从3个方面论述了TM卫片的实际应用效果。     

TM影像在桂林地区森林资源调查中的应用

本文根据森林资源调查的要求和陆地卫星ＴＭ影像的特点，详细阐述了森林类型及其他土地利用类型的影像特征，同时还评估了此次森林资源卫星遥感调查中ＴＭ影像的特点及应用效果。     

TM影像在滇西南森林资源监测中的应用

利用TM影像,并通过野外40多条路线调查,设置141块临时样地,对滇西南9个地州30个县市的8283618hm~2的土地进行了森林资源监测,得到了各地类面积。     

利用TM图像进行森林资源现状调查存在的问题及建议

针对利用TM图像进行全国重点生态工程区森林资源现状调查中出现的一些问题，进行分析探讨，提出解决这些疸的一些看法建议。     

基于TM遥感影像的森林类型分类方法比较

以吉林省汪清林业局为例,基于Landsat5-TM影像,充分利用遥感影像光谱信息,分别采用动态聚类法和组合监督分类法对该林区的森林类型进行分类,并对分类结果的精度进行比较分析.研究结果表明,利用组合监督分类的精度比动态聚类法分类的精度要高,总体分类精度高11％,其中针叶林、阔叶林、混交林和其他用地的分类精度分别高8％、11％、17％和10％.     

TM遥感数据在中甸县森林资源调查中的应用

利用TM遥感数据，对迪庆州中甸县森林资源调查进行目视判读，对影像判读的关键检验指标－一致率、正判率进行分析，结果表明：（1）一致率为91％；面积地类综合正判率为95．3％。均超过细则规定要求。（2）在不同的建标线路上及不同的地类中均获得了较高的和较为稳定的正判率。     

TM影像在热带林林地资源调查中的应用

利用TM影像对滇西南7个地（州）27个县（市）开展了调查，并按2级分类的要求进行目视解译，其结果为研究区热带林覆盖率为46.09%，郁闭林面积占研究区总面积的10.46%，破坏林面积占总面积的35.63%，常绿阔叶林面积占总面积的32.61%，热带雨林和季雨林面积占总面积的0.20%，判读精度81.53%。表明TM影像能满足热带林宏观林地资源调查的需求，既快速，又省力、省钱，具有一定的实用性。     

基于TM数据的森林植物碳储量估测方法研究

以广东省第六次森林资源连续清查样地数据为基础，根据TM数据及其非线性组合的光谱信息，结合地学信息及林分信息，建立了森林植物碳储量估测的多元线性回归方程及神经网络模型。分析结果表明，神经网络模型的估测精度高于回归模型估测精度，但用它们估测落实到样地的森林植物碳储量误差仍然较大，还不能满足样地调查精度的要求。     

森林旅游资源特征和分类

界定了森林旅游资源的定义、内涵和载体,阐述了森林旅游资源的特点,并根据对湖南张家界、广州流溪河、江西三爪仑等14个国家森林公园及湖南永州市各县(区)进行的调查,将其按特征划分为3类8亚类115种.为完善森林旅游资源分类这项十分复杂的工作提供了一些依据.     

基于 TM 影像的土地覆盖分类比较研究

以云南省文山壮族苗族自治州麻栗坡县2005年T M影像为试验数据,利用最大似然分类（M LC ）、支持向量机（SVM ）以及随机森林（RF）3种分类方法进行了土地覆盖遥感分类研究。从分类精度、样本数量对分类器的影响、模型复杂度、分类速度等几个方面进行了比较分析。结果表明：随机森林分类法最优,而经典方法之一的最大似然分类法最稳定。所得出的结论对在类似的应用中如何选择合适的分类方法具有一定的参考价值。     

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。     

高分辨率多光谱遥感影像森林类型分类深度U-net优化方法

[目的]使用深度学习全卷积神经网络U-net的自动特征提取,有效地改善遥感目标识别及地物分类的效果。[方法]以内蒙古自治区赤峰市旺业甸林场为研究区,主要数据源包括GF-2多光谱数据、ZY-3 DOM数据、ZY-3 DEM数据、小班数据以及外业实地调查数据等。借鉴前人对FCN-8s模型的优化思路,基于Unet网络模型,在模型训练过程中通过在原始波段的基础上加入标准归一化植被指数(NDVI)构建网络,并增加条件随机场后处理过程,得到最终的分类结果。[结果]表明:(1)优化后的U-net模型的总体分类精度达84.89%,Kappa系数为0.82,分别高于未加入标准归一化植被指数特征的U-net模型以及未使用条件随机场进行后处理的U-net模型的分类精度;(2)优化后的U-net模型与使用相同策略的FCN-8s,支持向量机和随机森林的分类结果相比,提高了8.04%～12.54%,分类精度大幅度提高。[结论]通过少量调整相关的遥感特征以及使用条件随机场后处理方法可改善U-net模型的分类效果,适用于基于U-net的森林类型高分辨率多光谱遥感影像分类。