毛竹林冰雪灾害与环境、生物学特性和管理的关系

选取浙江临安双石村和奉化石门镇两个不同受灾性质的样点,运用NMS、CCA和Monte Carlo分析了冰雪气候过程中主要影响毛竹林灾情的环境条件、自身生物学特征参数和经营管理手段.结果表明:双石(SJ组)与石门(SII组)两地样地的NMS聚类结果的最终压力值为7.7345>5,最终不稳定性值为0.00009＜0.0001,表明2地样地之间存在明显的不同,并于143个重复时找到最佳维数为3维,依据FB、DS和GR可分成2组,SI组总体环境解释量为68.4%,SII组总体解释量为95.6%,SI组样地受到雪压的影响较大,其外部因素和条件比受到冰害的SII组样地而言更为复杂;Monte Carlo测试表明SI和SII的实际数据和模拟数据的特征值有区别(p＜0.01),而且受灾参数与冰雪灾害有相关性.受灾参数的CCA结果得到了较好的解释,钩梢对翻蔸、折断、破裂数量都有较大影响;立竹密度显著影响立竹形态结构的发育,影响立竹对冰雪灾害的敏感性;竹子的削尖度大大低于乔木(平均值为0.0078＜0.01),且尖削度是一个较好地体现毛竹林冰雪灾害程度的参考参数.冰雪灾害受损程度和胸径之间存在一定的关联,密度和削尖度之间存在临界点.因此,竹林管理中要注意合理采伐和控制削尖度.数据没有显示由于坡向的不同所引起的对毛竹林生态系统的影响;从三维图释可以看出,不同系列的变量反应了弯曲、开裂、翻蔸和开裂等不同受灾现象,因此在竹林管理中应区别对待.CCA与NMS的分析表明各种类型的干扰对竹林生态系统的影响其实是一种多因素的综合性作用.     

基于MESMA和RF的山丘区土地利用信息分类提取

探讨了基于多端元混合像元分解(Multiple endmember spectral mixture analysis,MESMA)和随机森林(Random forest,RF)相结合的土地利用信息分类提取方法。以Landsat-8 OLI卫星遥感影像为主要数据,基于植被-不透水面-裸土(Vegetation-impervious surface-soil,VIS)模型,利用MESMA将影像分解为植被、不透水面和裸土3类组分,将生成的3类组分变量和基于光谱、纹理信息计算选取的20个特征变量组合后开展RF分类实验,将分类结果与相同特征变量下的支持向量机(Support vector machine,SVM)、最大似然(Maximum likelihood classification,MLC)分类结果进行比较分析。结果表明:MESMA可以获得较为精确的组分丰度信息;RF分类结果优于相同特征变量下的SVM和MLC分类结果;在MESMA生成的组分信息变量参与分类后,3种方法的分类精度均有所改善,分别达90.50%、88.85%、86.35%,其中RF的分类精度改善最为显著;MESMA与线性混合分解(Linear spectral mixture analysis,LSMA)生成的组分信息变量相比,前者对于改善分类精度效果更为明显。MESMA对于提高影像分类精度起到一定积极作用,基于MESMA和RF的方法对中等空间分辨率影像山丘区土地利用信息分类提取精度较高,利用该方法开展遥感影像解译可为大尺度的土地利用监测和管理工作提供技术支持和理论参考。