遥感影像的处理及在我省森林资源调查中的应用

简述遥感影像的形成、特点，介绍遥感影像的计算机处理过程以及在我省森林资源调查中的应用。利用遥感影像对全省森林资源进行调查，大大提高了调查质量和效率，降低了成本和劳动强度，与传统调查方法对比，具有不可替代的优势。     

松毛虫早期灾害点遥感监测研究初报

松毛虫早期灾害点遥感监测研究初报武红敢，黄建文，乔彦友（中国林业科学研究院资源信息所北京１００００１）严小君，陈林洪（浙江省江山市森林防疫站江山３２４１００）关键词松毛虫害，ＴＭ数据，影像，监测松毛虫为我国最为严重的森林害虫［１］。几十年来，各级政府...     

基于遥感影像的昆明中心城区绿地信息提取

以昆明中心城区遥感影像为研究数据,采用基于面向对象分类的研究方法,按照监督分类的思想,将地物分为城市绿地、林地、裸地、水体、建筑和道路6种类型,运用支持向量机的分类器对绿地信息进行提取,并根据总体分类精度和kappa系数的大小对分类结果进行验证,结果表明:城市绿地信息提取精度良好,符合城市绿地调查的精度标准,认为此种绿地信息提取方法值得推广运用。     

基于机器学习的高光谱湿地植被分类研究

为实现湿地植被的精细分类和高精度制图,为湿地管理部门提供准确的决策依据,以美国加州萨克拉门托—圣华金水域的典型湿地植被为研究对象,以高光谱影像为数据源,结合野外GPS采样点,对典型湿地植被的光谱反射率作一阶导数和二阶导数处理,基于均值置信区间原理筛选特征波段,基于单因素分析法筛选能够明显区分植被类型的植被指数。联合特征波段和植被指数构建特征集,利用机器学习C5.0决策树生成知识规则并提取湿地植被信息。结果表明,基于机器学习C5.0决策树的湿地植被提取总体精度为80.09%,Kappa系数为0.792,与最大似然法比较,总体精度提升10.79%,Kappa系数提升0.105,说明基于机器学习的C5.0决策树法能够实现植被的精细分类,方法切实可行。     

云阴影区机载高光谱影像森林树种分类

[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。     

基于无人机遥感的森林火烧迹地面积调查应用

森林火烧迹地面积的传统调查方法存在劳动强度大、效率低、数据可靠性不高等问题。为解 决上述问题,研究设计了无人机荷载多光谱传感器对森林火烧迹地面积进行调查的方法,并利用野外实 验对该方法进行了初步验证。结果表明该调查技术可快速准确获取较大范围的森林火灾火烧迹地面积, 精度可达94.44%,提高了火烧迹地调查的效率。     

PL高分辨率遥感影像在森林火灾评估上的应用

【目的】研究仅依靠一种高分辨率遥感影像（PL）用于森林火灾影像信息提取、数据分析的可行性,为火烧程度评估提供可靠的林火遥感数据源和提取方法。【方法】以2017年毕拉河“5·2”特大森林火灾的火烧迹地为研究区域,使用火前、火后当年、火后更新1年共3期PL影像作为数据源,利用ROI _S提取过火区,分析火干扰前后NDVI的变化特征。结合地面调查数据,采用差值归一化植被指数（dNDVI）划分火烧等级,阈值验证参照罗德昆火灾受害等级划分标准进行精度验证。对火烧迹地植被受害状况进行评估,以获取火烧程度的空间分布格局。【结果】1)火干扰导致NDVI值急剧降低,火后更新1年NDVI略有升高,表明植被恢复能力有限。PL遥感影像的3 m高空间分辨率使其RGB图像高度饱和,地类清晰。2)做土地覆盖类型划分,训练样本分离性在1.91以上,共划分为森林、草本沼泽、道路、河流4类。分类整体精度为98.05%,Kappa＿Coefficient为0.95。3)受害程度等级划分为未火烧、轻度火烧、中度火烧、重度火烧4级,分类整体精度为91.55%,Kappa＿Coefficient为0.91。此...     

森林扰动遥感影像检测方法研究进展

将碳达峰、碳中和纳入我国生态文明建设整体布局是中共中央作出的重大战略选择。森林是陆地生态系统最重要的贮碳库,对实现碳中和具有重要作用。森林的扰动与碳储量和碳汇关系密切,目前由于森林扰动资料的缺乏,导致区域森林碳汇与碳源的估算精度不准确,建立和完善适用于中国森林的扰动检测方法具有重要的理论意义和应用价值。文中在分析国内外森林扰动遥感检测文献的基础上对分类后比较法、直接分析法、时间序列分析法与深度学习法进行对比,分析每一类方法的技术特点和应用效果,指出森林扰动检测方法存在的问题,展望今后发展方向,以期能够为森林扰动检测相关研究提供参考。     

利用迁移学习进行长时序遥感影像分类的影响因素和策略

长时间序列遥感影像分类是研究区域自然资源和土地利用时空变迁的重要基础.传统的区域长时序遥感影像分类,需要逐景影像选取样本进行分类,存在样本复用性低、人工工作繁复等问题;而迁移学习作为一种将已有知识应用到不同任务中的机器学习方法,可以实现遥感影像特征信息的重复利用.但长时序遥感影像由于时间跨度和物候等差异,地物光谱存在不...