不同遥感影像空间分辨率对川西南山地常绿阔叶林有效叶面积指数估测的影响

【目的】分析遥感影像不同空间分辨率对LAIe估测结果的影响。【方法】基于地面调查的83个20 m×20 m样地和Landsat-8、SPOT-5、Pleiades-1遥感数据,以川西南山地常绿阔叶林为研究对象,运用偏最小二乘回归分析法,估测了2 m、10 m、30 m 3种尺度(粒度)上区域森林有效叶面积指数(LAIe)。【结果】3种分辨率的遥感数据提取的植被指数NDVI、SAVI对LAIe估测最为重要(Landsat-8:NDVI、SAVI的VIP=1.662;SPOT-5:NDVI、SAVI的VIP=1.573;Pleiades-1:NDVI、SAVI的VIP=1.423)。3种传感器的NDVI、SAVI的相关系数大于0.8,均达极显著水平。对LAIe回归估测检验显示,Landsat-8的决定系数R2=0.793,精度P=79.8%;SPOT-5的决定系数R2=0.853,P=84.4%;Pleiades-1的R2高达0.898,估测精度最高,达89.5%。【结论】不同空间分辨率的影像对LAIe估测有显著影响,使用高空间分辨率数据能显著提高LAIe估测精度。     

速生桉树的营造林技术与效益分析

桉树作为南方速生丰产林的首选树种,越来越受到人们的重视和青睐,但随着社会大规模造林,也出现越来越多的造林问题,该文在生产实践的基础上,通过选择品种、把好造林环节、加强抚育管理等调查研究,提出了增加桉树营造林成效的技术措施.文章就速生桉树的营造林技术与效益分析进行一定的探讨.     

基于高分辨率卫星图像的小班勾绘精度检验

小班是森林资源规划设计调查的基本单元,其勾绘精度决定了森林空间分布定位的准确性和面积调查精度,过往对此缺乏深入的研究.为此以QuickB ird高空间分辨率卫星遥感图像为基础,对以1∶10 000地形图为手图的小班勾绘精度进行检验.结果表明,63个小班的面积平均误差25.0%,中心位置平均位移77.1 m,边界平均位移9.3 m,小班边界平均最大位移26.0 m.此外,还讨论了提高小班勾绘精度的技术方法.     

基于遥感大样地抽样调查的森林面积监测

基于黑龙江森工集团2009年林地“一张图”成果数据,利用2010—2013年多源遥感数据,结合2010年一类清查和二类调查成果及其他林业经营资料,实践了遥感样地判读与地面样地抽样调查相结合的大样地调查方法的应用。结果表明: 1)黑龙江森工集团可系统布设间隔20 km的大样地231个,面积以4 km×4 km为宜,对林地面积估计的总体变动系数为14.41%;2)遥感数据对大样地各地类综合正判率为90.68%,以有林地96.82%最高,且遥感数据分辨率降低会导致地类可判读性的降低,分辨率提高则有利于提高判读精度;3)不同面积大样地对林地、有林地面积监测结果的影响差异不明显,4 km×4 km大样地调查得到2013年林地面积899.53×104 hm2,占土地面积的89.47%,其中有林地面积876.81×104 hm2;4)2010—2013年森林面积净减5.94×104 hm2(年均减少1.48×104 hm2),与封育相比造林更新是促使森林增加的主要途径,毁林开垦、森林采伐和林地征占用是导致森林面积减少的主要因素。研究认为,基于大样地区划调查的森林面积监测方法科学、经济,充分发挥了遥感技术的优势,提高了遥感数据的应用效率,提升了森林资源变化的动态监测能力,应予以推广应用。      

基于Sentinel-2时序NDVI的麦冬识别研究

【目的 】 为掌握四川省重要中草药麦冬的种植面积,开展麦冬遥感识别及空间信息提取研究。 【方法 】 文章以四川省绵阳市三台县麦冬主要种植区为研究区,选取2020年11月至2021年5月共计6期Sentinel-2遥感影像,结合实地调查数据建立麦冬、油菜、小麦3种地类的样本数据集,分析该时期内麦冬、油菜、小麦的NDVI时序差异,基于随机森林算法构建麦冬提取模型。随后选取区分度最大的3期NDVI作为输入变量与以全6期NDVI作为输入变量进行麦冬提取精度对比。 【结果 】 （1） 麦冬与油菜、小麦的NDVI在11月、3月、5月差异较大;（2） 以6期的NDVI作为输入变量的麦冬种植信息提取总体精度为91.92%,Kappa系数为0.892;（3） 以3期的NDVI作为输入变量的麦冬种植信息提取总体精度为90.05%,Kappa系数为0.823 2,分类精度略低于6期NDVI全输入,但基于3期关键节点的NDVI时序数据能较准确提取麦冬种植信息。 【结论 】 该结果可为四川省麦冬遥感识别和种植区变化监测提供参考。     

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。     

基于高空间分辨率影像的林业小班遥感区划系统设计与实现

小班区划是森林资源调查中最主要的任务。为了减少小班区划工作量,提高工作效率以及保证小班区划的一致性,从功能需求角度,设计了一种基于高空间分辨率遥感影像进行林业小班区划的系统,并对系统各部分功能进行较为详细的设计与说明。开发并实现了遥感数据处理、多尺度分割和面向对象分类等关键技术,借助该系统,可以实现基于高空间分辨率遥感影像进行林业小班边界的内业自动生成,小班区划精度符合林业实际生产需求。目前,该系统已在重庆和海南等地推广应用。图8表1参11     

基于不同时相遥感的冬小麦种植面积的提取

卫星遥感技术能够快速、准确、大面积对农作物生长进行监测,多时相遥感监测可克服单时相遥感监测的不足,利于实现对农作物生长变化的动态监测。以江苏省大丰市为研究区域,选用拔节期和抽穗期两景环境(HJ)卫星遥感影像进行不同地物光谱信息识别与种植面积提取研究。首先,在分析两景HJ星影像植被光谱信息的基础上,提取出各自影像的归一化差值植被指数(NDVI)影像,并对两景NDVI影像分别进行加运算和减运算,得到另外两景NDVI合成影像。其次,通过对提取到的四景NDVI影像光谱信息进行比较分析,最终选用植被光谱信息特征较为明显的加运算合成影像进行冬小麦种植面积提取。最后,基于影像不同地物的NDVI阈值划分,并叠加GPS样点信息校正,提取到大丰市冬小麦种植面积数据及其空间分布信息。结果显示,大丰市遥感提取冬小麦种植面积为78 712.13 hm2,精度为92.51%。在该市20个乡镇(或农场)冬小麦种植面积提取精度中,精度大于95%有9个乡镇(或农场),精度在90%至95%之间的有7个乡镇(或农场),仅有4个乡镇(或农场)提取精度在80%至90%之间。说明,利用不同时相遥感合成运算方法得到的合成影像,能明显增强冬小麦光谱信息与其他植被信息特征区别,有利于实现高精度提取冬小麦种植面积的目的。     

不同遥感数据融合方法在南方水稻面积监测中的应用研究

在南方水稻遥感监测中,单一传感器影像数据已不能满足监测精度的要求,需要将高空间分辨率全色影像与中高空间分辨率多光谱影像进行融合,得到新的高空间分辨率多光谱影像,有利于改善影像识别与分类精度.该文利用江苏省金湖地区HJ-1A卫星30m分辨率多波段影像与ALOS卫星2.5m分辨率全色影像进行水稻监测,采用4种融合方法(Brovey变换、IHS变换、高通滤波和小波变换)对2种影像进行融合处理.随后对各种融合影像结果进行了目视定性和融合评价指标定量说明与评价,结果表明小波变换在空间与光谱信息上具有最佳的融合效果.进一步利用小波变换的融合影像进行水稻识别与面积提取,统计表明融合影像相比HJ-1A多光谱影像,水稻面积估测精度从79.26%提高到91.65%.因此,利用多源遥感数据融合的方法对南方水稻面积进行监测,可显著提高其监测精度.     

汉阴县飞播造林成效分析与评价

陕西省安康市汉阴县飞播造林始于1969年。截至2019年,当地累计飞播造林约5.43万hm²(不含复播),共设计39个播区。将39个播区按年份划分成6个批次,运用权重抽样法选取其中16个播区作为研究对象,采取成数抽样调查法和角规测树法对汉阴县飞播造林成效进行统计分析。结果表明：汉阴县飞播造林成林面积为2.38万hm²,成效率43.8%,活立木蓄积量125.8万m³,达到陕西省飞播造林成效等级评定为优的标准。飞播造林改善了汉阴县的生态环境,带动了县域经济发展,产生了可观的经济效益,加快了生态文明建设步伐。飞播造林在过去乃至将来依然是汉阴县林业生态建设中至关重要的营造林方式。     

红树林生态系统遥感监测研究进展

随着现代遥感技术的迅速发展,遥感监测已经成为红树林生态系统变化监测的重要手段和方法。从遥感技术在生态系统变化监测应用领域入手,综述了国内外红树林遥感监测的发展历程,系统总结了遥感技术在红树林湿地动态、种间分类、群落结构(叶面积指数、冠幅、树高等)、生物量、灾害灾情(病虫害、风暴潮等)、景观格局动态、驱动力、红树林湿地保护与管理等领域应用现状,归纳了不同应用领域遥感监测的理论、方法及研究现状。指出我国在红树林遥感监测中存在的不足。提出红树林遥感监测应在分类标准体系规范化、分类精度提升、红树林生态学特征参数(物种多样性、优势度等)、生态系统环境空间演变过程及遥感监测的尺度效应方面加大研究力度。充分发挥区域综合监测模型在红树林生态系统变化遥感监测中的作用。     

“3S”技术在京津风沙源治理工程监测中的应用研究

对2008年SPOT5遥感图像进行相关处理,在GIS平台上,采用人机交互式解译的方法,提取出2002～2005年大仓乡京津风沙源工程区小班信息,并通过抽样进行实地调查验证,解译精度达到要求。将解译结果与各年实际造林数据进行比较,工程造林总体保存率达84.97%。结果表明,该方法能够准确、高效、快捷地提取工程区信息,为应用＂3S＂技术辅助开展京津风沙源工程监测提供了科学依据。     

基于“3S”技术的镇雄县森林资源监测分析

以高分辨率卫星影像遥感数据(RS)为年度监测的主要信息源,结合上一年度森林资源主要指标监测成果及最新森林资源管理档案等资料,利用地理信息系统ArcGIS软件进行室内判读区划并借助GPS开展外业调查核实,形成本期森林资源主要指标检测数据。同时,将本期数据与前期森林资源监测结果进行比对,分析了森林资源变化情况以及变化原因。结果表明,规划调整、造林更新、建设项目使用林地等是导致镇雄县森林面积变化的主要因素。     

锡林郭勒盟南五旗（县）土地沙漠化研究

在野外调查和前人研究的基础上,通过遥感技术对该地区沙漠化的现状、发展趋势和成因进行了研究。结果表明,研究区的沙漠化土地已达15424．46km^2,占监测区总面积的53．26％,近30年来沙漠化从南向北持续发展,且在各个旗县出现不同的发展趋势。沙漠化的这一发展趋势既与研究区持续的干旱化趋势有关,更是超载过牧和农业界限的持续北移错位的结果。     

基于RS与GIS的屯溪区林地保护利用规划研究

以安徽省屯溪区2009年SPOT5遥感影像为数据源,以ArcGIS10.0为数据加工与分析平台,建立不同林地类型遥感影像解析标志,进行林地小班界矢量化数据采集,生成.Shp格式小班图形数据,与小班属性数据链接,形成屯溪区林地小班图形与属性数据库,并对林地结构、林地保护等级、林地功能分区及林地保护利用方向进行了分析。结果表明:屯溪区林地面积5 364.35 hm2,其中:有林地面积4 451.43 hm2,疏林地面积13.86 hm2,灌木林地面积536.44 hm2,未成林地面积327.88 hm2,苗圃地面积10.93 hm2,宜林地面积19.14hm2,其他林业辅助生产用地4.67 hm2,以有林地居多,占林地面积的82.98%;林地保护等级共有3级,各等级林地面积由大到小依次是Ⅳ级林地面积>Ⅲ级林地面积>Ⅱ级林地面积;全区林地分为4个主体功能区,包括北部生态公益林区、西部与南部休闲游憩观光风景林区、东部重点旅游风景林区和东南部城郊防护林区。该研究为制定屯溪区林地1张图、实现林地资源数字化管理奠定了基础。     

基于GF-2影像对恰西国家森林公园的遥感分类

【目的】 选用面向对象的监督分类法,对研究区域的天山云杉林进行遥感分类,选取一种分类效果最佳的方法,为该区域的林地资源调查、动态监测评价提供依据。【方法】 基于高分二号(GF-2)遥感影像数据,借助ESP 尺度评价工具和目视解译相结合,筛选研究区各地物最优分割尺度,利用3种不同分类方法在此基础上进行遥感分类。【结果】 研究区内的水体、道路、其他用地、林地和草地的最优分割尺度,分别为390、372、316、296、246;其次在各地物最优分割尺度下,比较最邻近分类、结合矢量数据分类和阈值分类3种方法,经过精度评估发现,3种分类方法的 Kappa 系数和总体精度值分别为0.760 7、0.782 0、0.840 6和0.814 8、0.830 5、0.876 5。【结论】 阈值分类方法优于其他2种方法,选用更为优良的阈值分类方法引入解决该地区林地资源调查是可行的。     

黑龙江省区小兴安岭森林生态系统碳密度遥感估算

以黑龙江省区域小兴安岭地区遥感影像和130块2005年小兴安岭二类调查数据及土壤数据为基础,选择各个波段的灰度值、不同波段灰度值之间的线性和非线性波段组合、纹理信息以及非生物因子栅格化后所形成的辅助波段等为自变量,选择与碳密度相关性显著的自变量,采用郁闭度碳密度联立方程组模型,对黑龙江省区域小兴安岭森林生态系统的碳密度进行估算、精度评价。结果表明:黑龙江省区域小兴安岭的南部和中部地区,森林碳密度主要集中在200~250 t·hm-2;北部地区大部在250~300 t·hm-2。黑龙江省区域小兴安岭森林生态系统碳密度,具有从西向东、从南向北,逐步升高的趋势。模型平均拟合精度85.1%,均方根误差=31.27 t·hm-2;平均检验精度84.7%,均方根误差=33.61 t·hm-2。     

应用于森林资源二类调查的多遥感信息源适用性分析与评价

由于不同集约度要求和地形破碎、林相图破碎化程度的不同 ,以及成图比例尺、调查详细程度要求不同 ,来选择不同空间分辨率和分类能力的遥感信息源 .为此选择经营集约程度高的八达岭林场作为对象 ,应用中、高空间分辨率的遥感图像进行调查作图 ,从不同角度对其适用性进行评价     

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。