森林资源与林业生态工程信息网格中空间处理服务的构建与应用

从一般计算型网格和数据型网格的概念和特性出发,结合森林资源与林业生态工程信息网格(数字林业网格)中数据的特点,提出一种森林资源与林业生态工程信息网格中空间处理服务实现的方法.通过讨论广域异构环境下构建森林资源与林业生态工程信息网格的原则和标准体系,给出森林资源与林业生态工程信息网格的体系结构,讨论矢量数据服务的网格注册、网格发现和网格传输,各种GIS服务的网格封装策略和实现方法以及构成森林资源与林业生态工程信息网格的任务调度问题.通过退耕还林工程潜力分析的应用来验证从核心基础网格扩展成森林资源与林业生态工程信息网格的可行性.     

应用遥感数据识别意大利沿海松林灾害级别

分析了LandsatTM和ERS-1SAR数据用于识别意大利沿海松林污染灾害级别的潜在能力，结果显示出夏季获取的TM数据在森林灾害制图上远比冬季获取的TM数据和SAR影像有效，但SAR影像的贡献也是不可忽略的，文中给出了应用人工神经元网络B-P模型得到的对意大利沿海松林污染灾害级别划分的结果和应用FINDKAPP程序得到的精度评价结果。     

基于TanDEM-X相干系数的森林高度估测方法

【目的】采用TanDEM-X单极化InSAR数据,研究基于相干系数的SINC模型森林高度估测方法,并分析5 m高分辨率的LiDAR DEM和30 m中等分辨率的SRTM DEM对模型估测精度和稳定性的影响。【方法】首先对观测的相干性进行非体散射失相干校正得到体散射失相干γVol,然后基于SINC模型将γVol的相干系数作为输入估测森林高度。以LiDAR提取的森林高度为验证数据,均匀选取150个检验样本,分别在15 m×15 m、30 m×30 m、50 m×50 m和100 m×100 m大小的样本尺度上进行精度评价,并与DSM-DEM差分法进行对比,分析2种方法的精度和适用性。【结果】5 m和30 m分辨率的参考DEM对SINC模型森林高度估测结果影响较小,随样本尺度增大其影响可逐渐忽略,当样本大小为100 m×100 m时,LiDAR DEM和SRTM DEM估测结果的R~2分别为0.54、0.51,RMSE分别为2.38、2.51 m,精度分别为77.19%、75.99%;相比SINC模型法,DSM-DEM差分法在各样本尺度上的表现更好,但森林高度估测结果存在明显低估现象,必须采用森林高度实测数据进行校正,当样本大小为100 m×100 m时,R2为0.79,校正前后的RMSE分别为2.57、1.63 m,精度分别为75.44%、84.41%。【结论】基于相干系数的SINC模型法估测森林高度,以30 m空间分辨率的SRTM DEM进行地形补偿和地理编码,可以取得较好结果;虽然该方法的精度相比DSM-DEM差分法略有下降,但既不需要实测森林高度数据进行标定,也不需要输入高分辨率的DEM,具有大范围森林高度制图的潜力和更大的实际应用价值。     

一种改进的高空间分辨率遥感影像森林类型深度学习精细分类方法:双支FCN-8s

【目的】对全卷积神经网络模型进行双支化改进,探索高空间分辨率遥感影像森林类型深度学习分类新方法,为提高森林资源遥感调查精度提供技术支撑。【方法】双支FCN-8s包含2个FCN-8s子模型,一个子模型基于R、G、B三波段特征,采用微调方式构建;另一个子模型基于五特征构建。将2个子模型8、16、32倍下的采样结果进行融合并分类,得到每个像元的类别。以旺业甸林场为研究区,采用GF-2卫星遥感影像提取标准化植被指数(NDVI),构建基于R+G+B三波段特征、R+G+B+NIR四波段特征和R+G+B+NIR+NDVI五特征的数据集,对双支FCN-8s优化方法的有效性进行定量评价。【结果】1)双支FCN-8s方法的总体分类精度为85.89%,Kappa系数为0.84;相比传统FCN-8s,双支FCN-8s方法可提高大部分森林类型的分类精度,尤其对油松、红松、白桦等类别改善效果明显。2)相对于传统基于特征优选的SVM模型而言,双支FCN-8s方法的总体分类精度由75%上升至85.89%,精度提升大于10%,各类别的分类效果均有改善。3)使用微调策略以及加入NDVI特征后,模型可有效改善油松、山杨及白桦等树种的分类效果。【结论】双支FCN-8s高空间分辨率遥感影像森林类型深度学习精细分类方法可有效提升森林类型的细分程度和分类精度。     

基于MODIS影像的决策树森林类型分类研究

基于MODIS 影像的多种特征信息,以吉林省汪清林业局为例,结合该地区的地形分布,在空间维上分析影像的纹理特征信息和地形指标信息,时间维上分析植被的生长规律和地表温度信息,统计分析植被的特征信息差异,利用决策树方法对该林区的森林类型进行分类,并对分类结果进行精度评价。结果表明,总体分类精度为87.80%,卡帕系数为0.851 0,其中,针叶林、阔叶林、混交林、和其他用地的分类精度均达到80%以上。在分类决策中,时间和空间上的多种数据特征信息的加入,可有效地提高植被类型的分类精度。该结果有助于更好的了解植被在时间和空间上的分布情况,为大区域尺度的森林动态信息监测提供更好的依据。     

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k-NN和Landsa t数据的小面积统计单元森林蓄积估测方法

基于吉林省一个试验区的森林资源一类清查固定样地数据、Landsat TM数据和土地利用数据,采用精度交叉评价方法研究了k-最近邻(k-NN)法用于小面积统计单元森林蓄积估计的有效性。结果表明:k-NN方法对样地覆盖区影像像元单位面积蓄积量的估测平均误差在1.5 m3.hm2之内,相对均方根误差(RMSE′)低于传统的基于绿度指数的线性方程估测方法;采用k-NN方法可以实现县市级统计单元的参数估计,估测效果优于只利用固定样地数据的传统成数估计方法。     

基于机载高光谱的思茅松林光谱特征及其影响因子分析

[目的]以云南普洱菜阳河为例,基于机载遥感影像,探讨思茅松林冠层高光谱特征及坡向对其光谱反射率的影响。[方法]以2014年4月机载Li CHy系统获取的高光谱和激光雷达DEM提取的坡向数据,结合该地区二类调查数据,对不同坡向的思茅松林冠层光谱曲线特征值进行统计比较。[结果](1)思茅松冠层光谱反射特征与绿色植物光谱曲线总体相似,在0.74~1.0μm近红外波段冠层反射率较高,0.89μm最高;(2)阴坡思茅松冠层光谱反射率普遍高于阳坡,北坡、东北坡与南坡、东南坡的峰值波段反射率在0.05水平上差异显著;(3)根据太阳高度角,迎光面的东坡、东北坡、东南坡比背光面西坡、西北坡、西南坡光谱反射率在0.89μm波段增加了14%~23%。[结论](1)思茅松冠层光谱反射率表现出"两谷一峰"、"红边"等典型的植被光谱特征,反射率较高的0.74~1.0μm波段为思茅松的特征光谱段;(2)太阳高度角是影响不同坡向光谱反射率的主要因素,而坡向也是造成反射率差异的另一个重要原因。     

基于ALOS PALSAR双极化模式数据的森林覆盖识别方法研究

[目的]探讨森林PALSAR双极化模式数据后向散射、极化和干涉相干性等特征,提出一种在异质地区的森林识别方法。[方法]以中国东南部漳浦县为试验区,对试验区不同土地类型PALSAR的后向散射信息、极化比值和相干性信息进行分析。[结果]利用该区林相图及同时相SPOT-5影像进行精度检验,其总体精度、用户精度和制图精度均高于90%。[结论]基于PALSAR双极化模式数据进行森林识别精度较高。