高光谱遥感森林树种分类研究进展

从基于光谱特征、基于光谱匹配和基于统计分析方法3个方面,论述了高光谱遥感数据进行森林树种分类的应用研究状况,分析了目前研究中存在数据质量与保障性相对滞后、缺乏有效的处理算法等问题,指出了进一步完善森林树种光谱数据库和加强高光谱数据研究的高光谱树种研究方向.     

高光谱遥感森林叶面积指数估测研究现状

文中简要概述了叶面积指数和高光谱遥感的概念, 分析比较了高光谱遥感与传统的宽波段遥感估测森林叶面积指数的优势, 以及利用高光谱遥感数据估测森林叶面积指数的常用方法, 并对目前高光谱遥感估测森林叶面积指数存在的问题行了讨论。     

高光谱遥感森林信息提取研究进展

针对高光谱遥感技术森林信息提取,详细论述了国内外利用高光谱遥感数据进行森林类型识别、森林郁闭度估算和森林叶面积指数估测等森林物理参量,以及森林化学参量估计和森林健康状态评价等方面的应用研究状况,最后对高光谱遥感森林应用的发展趋势作了探讨.     

基于高光谱遥感技术的森林树种识别研究进展

在详细介绍高光谱树种识别研究方法的基础上,总结了国内外利用高光谱数据进行森林树种识别的研究应用现状;剖析了目前研究中存在的主要问题;指出了今后开展高光谱树种研究的方向与潜力。     

基于高光谱遥感影像的森林病虫害监测研究进展

总结了高光谱遥感监测森林病虫害的机理与操作流程,在此基础上,重点阐述了利用高光谱影像监测植物病虫害的研究现状,最后分析了高光谱遥感影像应用于森林病虫害监测研究中存在的不足,并对未来的研究趋势进行了展望。     

森林理化参数高光谱遥感反演研究进展

近年来, 成像高光谱遥感技术在森林资源信息提取方面取得了进一步发展。文中介绍国内外在轨运行的主要机载和星载高光谱传感器及其技术参数; 分别从叶面积指数和森林含水量反演及森林树种识别3个方面概述国内外基于高光谱遥感技术的森林物理参数反演方法及模型, 从叶绿素含量及森林养分元素反演2个方面概述基于高光谱遥感技术的森林化学参数反演方法及模型; 分析目前研究中存在的主要技术问题, 并展望其应用和研究前景。     

面向机载高光谱数据的3D-CNN亚热带森林树种分类

【目的】探讨深度卷积神经网络在机载高光谱数据分类中的应用,以提高亚热带地区森林树种分类精度。【方法】以广西南宁高峰林场为试验区,基于中国林业科学研究院Li CHy系统获取的机载高光谱数据,以三维卷积层为基础,提出一种高效的卷积神经网络(CNN)结构。CNN模型以端到端方式处理高光谱影像分析问题,将原始数据作为输入,不需要降维或特征筛选,可省去传统分类方法在不同程度上人工筛选特征的工作;网络中3D卷积层可同时提取光谱特征和空间特征,学习特征立方体空间和光谱维度的局部信号变化,利用重要的识别特征进行分类,以提高对高光谱影像的判别能力。针对机载高光谱数据维度高、训练样本相对较少的问题,对模型进行优化,以避免过拟合。【结果】相较传统的特征筛选与面向对象分割结合的方法,本研究提出的3D-CNN结构森林树种总体分类精度达98.38%,Kappa系数为0.98,与随机森林特征选择结合支持向量机分类相比,总体精度提高8.82%,Kappa系数提高0.11;小样本训练情况下(减少75%训练样本),总体精度仍可达95.89%,Kappa系数为0.94。【结论】三维卷积神经网络在处理机载高光谱影像特征提取和...     

基于AISA Eagle II机载高光谱数据的普洱市山区森林分类

山区森林的精细分类一直是遥感研究的一个难点,而利用高光谱技术识别地物和树种具有巨大潜力。山区的AISA Eagle II机载高光谱数据需经过大气校正和地形辐射校正后才能获得准确的树种光谱信息。采用Support Vector Machine(SVM)方法对山区森林按照森林类型以及树种进行分类,分类结果与实测样地数据和CCD高分辨率影像验证表明:利用AISA Eagle II机载高光谱数据对试验区的森林类型区分具有较好的分类结果,总体精度为97.74%;在树种分类方面也同样具有不错的分类潜力,总体精度为92.11%,但在阔叶树种间存在错分、漏分的现象。     

高光谱遥感森林应用研究探讨*

详细论述了高光谱遥感技术在森林生物物理和化学参量估计以及森林健康状态遥感评价等方面的应用研究状况，对高光谱遥感植被应用的数据处理技术作了简要说明。对我国高光谱遥感森林应用研究现状和发展水平进行了阐述，最后对高光谱遥感森林应用的未来趋势作了探讨。     

机载LiDAR和高光谱融合实现普洱山区树种分类

[目的]通过机载遥感影像对普洱山区进行植被分类研究,为山区森林经营规划与可持续经营方案的制图提供高效应用途径。[方法]将2014年4月航拍的机载AISA Eagle II高光谱和Li DAR同步数据融合,利用点云数据提取的数字冠层高度模型(CHM)得到树种的垂直结构信息,结合经过主成分分析(PCA)的高光谱降维影像,选用支持向量机(SVM)分类器进行分类。[结果]普洱市万掌山实验区主要树种分为思茅松、西南桦、刺栲、木荷等。融合影像数据分类的总体精度和Kappa系数分别为80.54%、0.78,比单一高光谱影像数据分类精度分别提高6.55%、0.08,其中主要经营树种思茅松的制图精度达到了90.24%。[结论]该方法对山区主要树种的识别是有效的,将机载Li DAR与高光谱影像融合可以有效改善分类精度。     

森林叶绿素含量的高光谱遥感估算模型的建立

高光谱遥感提供一个通过窄波段的地物光谱反射率、诊断和检测植被叶绿素光谱特征波段的手段,为精确反演森林叶绿素含量提供更高光谱分辨率的数据。利用Epp-2000地物光谱仪测量叶片的反射光谱,并用SPAD-502对观测叶片进行叶绿素含量的同步测量;采用统计相关分析方法,分析叶片反射光谱、光谱特征参数及其各种植被指数与叶片叶绿素含量的相关关系,并建立相应的估算模型。结果表明：叶绿素含量的敏感性参数分别为Diff（R749）、Log（R466）、红边参数RVP以及比值叶绿素指数PSSR。通过多元统计回归分析,剔除不相关和存在共线性的参数后,得到叶绿素含量的估算模型为：SPAD=54．559—0．865×PSSR＋65．146×Diff（R749）-6．030×Log（R466）-0．238×RVP模型及其参数均通过统计检验,模型的决定系数砰达到0．812,均方根误差RMSE=13．35379,模型精度为88．743258％。     

高光谱遥感在植被特征识别研究中的应用

总结了高光谱遥感在植被物种识别、结构特征分析、理化信息提取等主要领域的应用研究现状; 分析了高光谱遥感在植被特征识别中所涉及的光谱特征优化、混合光谱分解、图像分类识别等关键性技术环节的最新进展; 剖析了目前研究中存在的主要问题, 并对今后的发展态势进行了展望。     

联合LiDAR、高光谱数据及3D-CNN方法的树种分类

【目的】探究三维卷积神经网络（3D-CNN）在高光谱数据支持的树种分类中的有效网络构建方式,以提高树种分类精度。【方法】以美国加利福尼亚州内华达山脉南部为研究区,LiDAR数据获取的森林冠层高（CHM）进行单木分割并以此为补充建立样本,改进一种结构更简单、分类精度更高且无需对高光谱数据进行预处理的3D-CNN网络结构用于森林树种识别。【结果】相较于常规机器学习分类方法【支持向量机（SVM）,随机森林（RF）】、传统二维卷积神经网络模型（2D-CNN）及最新多光谱分辨率三维卷积神经网络（MSR 3D-CNN）模型,本研究提出的3D-CNN模型对树种总体分类精度为99.79%,平均交并比（MIoU）为99.53%。与SVM和RF分类结果相比,本研究构建的3D-CNN模型总体分类精度提高5%左右,且具有对树种边界提取更加准确、椒盐现象更少发生的特点;与2D-CNN相比,总体分类精度提高10%左右,MIoU提高7%左右;与MSR 3D-CNN相比,总体精度相差不大,但在训练和测试过程中,本模型耗时远远小于MSR 3D-CNN模型。【结论】本研究改进的3D-CNN模型结构能够高效对原始高光谱影像...     

高光谱遥感获取伐区调查数据的应用综述

首先论述了高光谱遥感在获取森林调查数据方面的优势;随后总结了国内外关于高光谱技术在树种识别、龄级分类、郁闭度调查及森林健康监测等方面的应用,并同时列举出高光谱遥感应用于林业上的主要处理技术;最后对高光谱遥感在我国林业上的应用现状进行了分析与展望。     

高光谱遥感技术及其在森林监测中的应用探讨

高光谱遥感技术是指利用很窄的电磁波段从地物获取连续光谱信息的技术。高光谱影像具有超高光谱分辨率和多个波段同时对地物成像的特点,借助高光谱影像丰富的植被光谱信息,介绍其在森林火灾、森林病虫害和森林资源变化监测中的应用研究方法和现状,利用高光谱遥感图像进行森林监测的处理技术。     

激光雷达和高光谱遥感技术在树种识别中的应用

快速准确识别树种是研究和保护森林资源的基础,通过遥感技术进行树种识别已成为森林调查重要手段之一。激光雷达数据可以提供森林垂直结构的信息,而高光谱遥感数据可以提供树木详细的光谱信息,因此联合激光雷达和高光谱数据能够提高树种分类精度。文中阐述了激光雷达和高光谱遥感在森林树种识别中的研究现状,总结了单一遥感源进行树种识别的优缺点,介绍了联合激光雷达和高光谱遥感数据的树种识别方法,最后从数据平台、数据提取、数据融合及识别模型等4个方面探讨了当前树种识别研究中面临的问题以及未来的研究方向,旨在为提高树种识别精度提供参考。     

高光谱遥感在林业应用中的主要技术和应用现状

高光谱遥感具有纳米级光谱分辨率、图谱合一的优势,在森林特征提取、森林监测、森林健康评价等方面有着不可替代的作用,推动了现代林业技术的发展。但高光谱遥感的自身成像条件、影像处理技术尚不成熟等原因制约了其在林业应用中发展。探讨了高光谱遥感的特点,重点分析了高光谱遥感在林业应用中的数据处理技术,尤其是数据降维技术。总结了高光谱遥感在林业领域的应用现状及发展方向。     

基于林业遥感的树种分类应用分析与展望

树种分类是林业遥感中重要的应用领域,在林业可持续管理、生物多样性研究和生态环境保护领域都有广发的应用场景。结合2000年后该领域的研究成果以及近些年林业生产过程中的应用实践,对多源数据在树种分类的应用加以汇总。从工作流程及相应算法两个角度,基于图像分类与数理统计层面对该问题进行了解析与比较。面对林业遥感在树种分类应用过程中遇到的问题与挑战,提出了基于语义分割及实例分割的不同工作思路,对未来多源遥感数据融合获取及硬件处理设备的发展前景进行了展望。     

基于多角度高光谱CHRIS影像的隆宝滩湿地遥感分类方法研究

采用青海省隆宝滩地区的多角度高光谱CHRIS遥感数据,通过研究+36°、0°和-36°三个角度影像的组合变换,提出影像变换+不同角度波段组合的方法,用以获取地物的分类信息。该方法首先对0°影像进行穗帽变换,选择其湿度图像,再与+36°和-36°影像的第4波段(0.461 μm)进行RGB组合,生成新的彩色合成影像,然后再进行支持向量机(SVM)的监督分类。结果显示,利用该方法对隆宝滩湿地分类的精度可达到90.02％;而利用传统的监督分类对0°影像直接进行分类,其精度为75.46%。由此可见,利用不同角度信息进行波段组合的方法,大大提高了高光谱影像进行湿地信息提取的精度,为湿地信息提取提供了一个有效的方法。