基于DOM及LiDAR的多尺度分割与面向对象林隙分类

为研究分割尺度对航空正射影像(DOM)与LiDAR数据协同面向对象林隙分割与分类的影响,以东北典型的天然次生林帽儿山实验林场东林施业区为试验区,对DOM与LiDAR数据进行多尺度分割与面向对象林隙分类。分割过程中,采用基于DOM分割、基于LiDAR数据分割、DOMLiDAR协同分割3种分割方案。每种分割方案采用10种尺度。在每种尺度应用两种数据提取的光谱和高度两种特征,采用支持向量机分类器(SVM)进行林隙分类。研究结果表明:3种分割与分类方案分类精度随尺度的增大整体呈现下降的趋势,与ED3(Modified)趋势相反。基于LiDAR数据在尺度参数10获得了最优分割结果。在所有尺度上(10~100),基于LiDAR数据分割与分类精度高于其他两种数据源的分类精度,相比单独使用DOM优势更加明显。基于LiDAR数据分割与分类方案在尺度参数10时获得了最高分类精度(Kappa系数为80%)。3种分割与分类方案最优尺度的分类精度显著高于其他尺度分类精度。分割尺度对面向对象林隙分类结果有重要影响。     

空间前方交会中外方位元素误差对测量立木高度的影响

从理论上推导了外方位元素包含误差的情况下,利用空间前方交会法对测量树高的影响,并对影响树高测量精度的外方位元素误差进行了实践检证。结果表明,外方位元素在一定误差范围内,利用空间前方交会理论测量树高,精度较高。     

基于不同滤波方法的机载激光雷达数据处理及表面模型构建

利用几种不同的滤波算法对黑龙江省凉水国家级自然保护区的点云数据进行处理,对比分析评价了各滤波算法在东北地区的滤波分类效果及对构建数字高程模型和数字表面模型的影响。指出了各算法的适用范围,并生成了高质量的数字表面模型产品———精确反映地形起伏的DEM和准确反映地物高程及形状信息的DSM。     

基于全数字摄影测量的林分立木高度量测

树高是森林资源调查中的主要测树因子之一,快速准确地量测树高具有现实意义和应用价值。该文收集了东北林业大学哈尔滨市试验林场的16张航片和相应的外方位元素,建立了一个测区,通过模型的内定向、相对定向和绝对定向构建测区的立体像对模型;在立体像对模型的基础上,利用专业的数字摄影测量平台,量测研究区域内的32棵样木的高度;同时使用超声波测高器在准同步状态下实地测量32棵样木的实际高度,并将实地测量结果与数字摄影测量结果进行对比分析。结果表明,两组数据的差异不显著,基于数字摄影测量的立木高度量测的实际精度为90.92％,使用数字摄影测量量测立木高度的方法精度较高。      

基于VirtuoZo NT的正射影像图的制作

利用VirtuoZo软件围绕正射影像的制作展开研究,改变了传统的依靠地面控制点的方法,直接利用外方位元素进行模型的定向,并在此基础上完成了东北林业大学校园正射影像图的制作.该方法的应用节省了大量的外业控制点测量,其成图精度经验证可以达到常规测图规范的要求.     

基于SAR极化分解与Landsat数据的森林生物量遥感估测

目的森林生物量是评价森林生态系统结构、功能和生产力的重要指标之一,区域尺度上的森林生物量的准确估测对了解森林现状和科学经营森林具有重要指导意义。本文旨在利用SAR影像结合Landsat5 TM影像对区域尺度上的森林生物量进行定量估测。方法首先利用极化分解的方法对极化合成孔径雷达(SAR)数据进行处理获得45个极化分解参数,然后将45个极化分解参数与6个Landsat5 TM波段参数共51个参数作为自变量,森林生物量W作为因变量构建统计回归模型,最后利用最优模型反演研究区的森林生物量。结果使用两种方法进行模型构建:(1)逐步回归法,利用逐步回归进行变量筛选,选出2个参数构建模型,模型R2为0.534,拟合精度为67.51%,RMSE为43.21 t/hm2;(2)最优子集法,用Bootstrap法进行变量筛选,共筛选出9个参数,然后用这9个参数进行最优子集回归,获得511个选模型,然后选择出最优子集模型,并用交叉验证法对模型进行验证,最终选出的最优子集模型包含的参数为TM_band4、Neumann_delta_mod、Neumann_psi、TSVM_psi、TSVM_tau_m3,模型R2为0.768 2,拟合精度为88.32%,拟合RMSE为14.98 t/hm2,验证精度为86.21%,验证RMSE为19.14 t/hm2,CP指数为5.249 5,赤池信息量AIC为256.504 5。本文最终使用最优子集法获得的模型进行反演,获得研究区的森林生物量分布图。结论结果表明:全极化C波段SAR数据结合Landsat5 TM光学数据构建遥感信息模型可以准确反演森林生物量。      

全极化合成孔径雷达高维小样本数据在森林地上生物量估算中的应用

以河北省承德市塞罕坝机械林场为试验区域,设置37块实测样地;以随机森林模型、自适应遗传算法为基础,构建随机森林模型与自适应遗传算法的混合算法(RF-LOOCV-AGA),对高维小样本合成孔径雷达(SAR)数据特征集同时进行特征选择和回归估计;利用试验地大地2号(ALOS-2)全极化数据提取121个高共线性特征,结合实测样地数据,构建高共线性高维小样本数据集,并应用随机森林模型与自适应遗传算法的混合算法、随机森林算法、逐步回归法,分析全极化合成孔径雷达数据估算森林地上生物量时,因样地较少、影响因素维数多存在的高共线性;探索在算法层面各极化分解参数之间存在的高共线性及小样本林业数据回归估计泛化能力。结果表明：随机森林模型与自适应遗传算法的混合算法从121个高共线性特征集中筛选出含19个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.906 9、均方根误差为14.184 0 t/hm²、相对均方根误差为11.70%;逐步回归法从121个高共线性特征集中筛选出含7个影响因素的特征子集,交叉留一法验证泛化精度决定系数为0.777 0、均方根误差为23.075 9 t...     

荒漠化程度评价高光谱遥感信息模型

本文用国产高光谱分辨率成像光谱仪系统数据对荒漠化评价建立定量化遥感信息模型。对荒漠化评价因子中的主要定量因子 (植被盖度、生物量和土壤含水率 )进行了定量反演 ;对难于进行定量计算的评价指标 ,先通过目视解译获得各因子的编码图 ,分别进行影像化后参加荒漠化程度评价遥感信息模型计算。通过每个像元都可获取全部评价因子的指标值 ,在现有的荒漠化评价方法的基础上 ,建立以像元为单位的荒漠化程度评价的定量化遥感信息模型并输出荒漠化程度分布图。结果表明 ,用高光谱数据定量反演荒漠化地区植被生物量、盖度和土壤含水率是比较可靠的。当反演区域内灌木和草地同时存在时多项式模型的精度要明显高于线性模型 ;当植被类型单一时 ,模型即为较高精度的线性模型 ,但模型的应用地域范围受到限制 ,只能分块进行计算。因此 ,在只有灌木和草地的区域用多项式模型反演会提高效率。土壤含水量的反演方法适合于地形平坦、植被比较稀疏的条件。但研究发现 ,基于土壤热惯量的含水量模型具有一定的抗植被干扰能力。荒漠化程度评价的遥感信息模型的精度主要取决于现有荒漠化评价的方法 (即评价指标是否科学合理、专家给定的权重和等级标准是否客观 )以及各指标数据的获取精度     

降雨量空间插值方法比较研究

对反距离加权法、样条函数法、普通克里格法及协同克里格法等几种常用的降雨空间插值方法的优缺点进行了分析和比较,考虑到高程对降雨量影响较大,在协同克里格法的基础上将高程作为第2类影响因素引入降雨量的空间插值方法中,并提出了引入高程信息的协同克里格法.将4种方法（反距离加权法、样条函数法、普通克里格法及协同克里格法）用于大兴安岭地区降雨量的插值计算,结果表明,考虑高程信息的协同克里格法的插值效果明显优于其他3种方法.     

利用大光斑激光雷达估测小兴安岭平均树高

研究通过获取覆盖中国黑龙江省小兴安岭的GLAS第三激光器Laser3I数据,并用IDL和MATLAB对GLAS波形数据进行处理来提取树高,利用小兴安岭二类调查数据做精度检验,得到精度为92.67%。结果显示：大光斑激光雷达能够高精度地提取树高,可为林业生产及时提供必要的数据支持。