基于SVR的GF1号遥感影像森林蓄积量估测

国产高分辨率卫星遥感影像已成为森林资源调查和监测的重要数据源。基于国产卫星遥感的森林蓄积量估算成为重要的研究方向之一。本研究以福建省将乐县为研究区,选择国产高分辨率高分一号卫星2 m分辨率遥感影像为主要数据源,加以辅助野外实地调查数据,分别采用多元线性回归和SVM(support vector machine)回归方法开展亚热带针叶林蓄积量估算效果评价研究。首先,从融合影像中提取遥感因子,包括11个光谱因子和10个纹理因子等;其次,对21个遥感因子进行相关性分析,选取皮尔森相关系数较大的6个遥感因子;第三,应用多元线性回归和支持向量机回归(support vector regression,SVR)对所选遥感因子建立模型,选取最优模型反演将乐县蓄积量分布图。结果表明:支持向量机回归(SVR)估测蓄积量的模型预估精度达到98. 22%。     

基于连清数据的县域尺度森林地上生物量时空动态分析

森林生物量大小与森林生产力水平的高低密切相关,是反映森林生态系统功能的基本数据。以河南省西峡县为研究对象,以研究区1993—2013年5期217块森林资源连续清查固定样地数据,1993、1998、2003、2008、2013年Landsat TM/ETM+/OLI遥感图像为主要信息源,建立多元线性回归、k最邻近算法、装袋算法、随机森林4种遥感估测模型。在运用十折交叉验证法对遥感估测模型进行精度评价基础上,对研究区域1993-2013年的森林地上部分生物量进行时空分析。结果表明:(1)在4种遥感估测模型中,随机森林综合性能最高,K最邻近算法次之,装袋算法第三,多元线性回归最低;(2)在12个自变量中,海拔、坡度、亮度指数、湿度指数、垂直植被指数、有效叶面积指数这6个因子是影响研究区域森林地上部分生物量的重要环境变量;(3)1993—2013年,研究区域单位面积森林生物量经历了先下降(1993—2003)、后上升(2003—2013)的复杂发展历程;(4)1993—2013年,研究区域森林地上部分生物量的空间聚集性呈持续下降趋势,生物量变化平缓的冷点地段,主要分布在交通不便、森林茂密、人类干扰活动较少的北部深山和中部浅山区,而剧烈的地段,主要分布在交通发达、人口密度大、坡度较为平缓的中部河谷与南部丘陵地带。     

结合冠层密度的森林净初级生产力遥感估测

【目的】 森林冠层密度与林分年龄、植被生长状况有关,在区域森林净初级生产力遥感估测中,结合森林冠层密度以期提高估测精度。【方法】 以广东省韶关市为研究对象,选用2017年Landsat-8 OLI影像、2017年357块森林资源连续清查固定样地数据为主要信息源,分别采用随机森林、多元线性回归、人工神经网络和K最近邻分类法等4种模型,结合森林冠层密度制图器(FCD)进行区域森林净初级生产力特征变量的选取、参数建模、模型精度评价和森林净初级生产力空间制图。【结果】 特征变量中,红光波段(B4)、归一化植被指数(NDVI)、比值植被指数(RVI)、叶面积指数(LAI)、缨帽变换土壤植被因子、纹理特征和地形特征在森林净初级生产力反演中有重要作用。将森林冠层密度因子加入反演模型后,4种遥感估测模型精度均有大幅度提高。对4种遥感估测模型进行性能比较,随机森林模型精度最高,其次是多元线性回归模型、人工神经网络模型,K-最近邻分类模型精度最低。研究区内森林净初级生产力平均值为10.689 t/(hm²·a),高森林净初级生产力 [≥18 t/(hm²·a)]林分面积仅占研究区的19.61%,主要分布在海拔较高的西北部。【结论】 结合冠层密度进行森林净初级生产力的建模,可有效提高模型估测精度。     

河南西峡县森林地上生物量时空动态分析

【目的】森林生物量大小与森林生产力水平的高低密切相关,是反映森林生态系统功能的基本数据。【方法】以河南省西峡县为研究区域,以研究区1993—2013年5期森林资源连续清查固定样地数据,1993年、1998年、2003年、2008年、2013年Landsat TM/ETM+/OLI遥感图像为主要信息源,通过建立4种遥感估测模型,对研究区域1993—2013年的森林地上部分生物量进行时空动态分析。【结果】①随机森林遥感估测模型综合性能最高,k最邻近算法与装袋算法居中,多元线性回归最低; ②海拔、坡度、亮度指数、湿度指数、垂直植被指数和有效叶面积指数这6个因子是影响研究区域森林地上部分生物量大小的重要环境因子; ③1993—2013年期间,研究区域单位面积森林生物量经历了先从1993年34.68 Mg/hm²下降到2003年32.59 Mg/hm²、然后上升到2013年44.65 Mg/hm²的复杂变化历程; ④1993—2013年期间,表征空间自相关程度的全局Moran'I 指数不断降低,表明研究区域森林地上部分生物量的空间聚集性呈持续下降趋势。【结论】乱砍滥伐、毁林开荒行为,退耕还林、天然林保护政策,以及生态廊道、村镇绿化工程建设,是研究区森林地上生物量发生时空变化的主要驱动因素。     

极化雷达与光学遥感森林雪灾破坏协同监测

以贵州省扎佐林场为例,利用全极化雷达与光学遥感数据进行森林雪灾破坏状况协同监测,分析了倒伏森林与健康森林的后向散射特性及其差异,重点分析了倒伏森林与健康森林的极化响应特征、散射机制及其差异。基于雪灾破坏前后森林的散射机制变化,利用Freeman-Durden分解方法对倒伏森林进行了识别。为了进一步优化识别效果,引入了高分辨率光学数据,采用优选的融合方法, 将雷达与光学遥感数据融合,得到了较好的倒伏森林识别效果。研究结果表明,利用雷达与光学遥感数据协同监测森林雪灾破坏是可行的,而全极化雷达遥感数据在森林类型识别和森林破坏监测方面具有独特的优势,在我国西南地区的森林资源调查和灾害监测中具有广阔的应用前景。     

基于遥感数据的山西东部油松林蓄积量估测方法研究

为了探讨油松林遥感估测模型的精度和适用性,以山西省晋东土石山立地亚区的170个油松样地作为研究对象,获取研究区的SPOT影像和DEM(Digital Elevation Model,数字高程模型)数据,提取170个样地的遥感波段信息和地形信息,结合地面调查数据,分别采用多元逐步回归模型、偏最小二乘回归模型和神经网络模型,建立油松林蓄积量的遥感估测方法,并进行精度验证。结果表明:1)基于遥感影像和DEM影像估测油松林蓄积量是可行的,三种方法都取得了满意的结果;2)三种方法相比,神经网络模型对油松林蓄积量估算的精度为82.13%,多元逐步回归模型的精度为76.73%,偏最小二乘回归模型的精度为77.09%,神经网络模型的估测精度更高。     

基于神经网络和不同立地质量的森林蓄积量遥感估测

运用BP神经网络技术建立区分立地质量等级森林蓄积量遥感估测模型并探讨其适用性。以2009年黑龙江省伊春市凉水自然保护区森林资源二类调查数据为基础数据划分森林的立地质量等级,以森林蓄积量为研究对象,基于该地区LANDSAT-TM影像以及DEM数据提取遥感因子,采用BP神经网络方法构建区分立地质量的森林蓄积量遥感估测模型,并引入回归分析方法和不区分立地质量的模型予以比较。结果表明,基于不同立地质量等级的模型明显好于不区分立地质量等级的估测模型,且BP神经网络模型较回归分析模型可以更好地预测森林的蓄积量。经过对比检验,基于不同立地质量等级的BP神经网络模型性能优异,验证总体预测精度高达97%以上、实测值与预测值的R~2在0.94左右;不区分立地质量等级的BP神经网络模型的R~2为0.89,预测精度95%左右。同等条件下,BP神经网络模型较多元线性回归模型的预测精度约提高了3%～5%,R~2值提高了0.1左右。     

基于双源遥感数据的杉木林分蓄积量估测模型研究

为了提高森林蓄积量估测精度,以福建省三明市将乐县国有林场中杉木林作为试验区,选择资源3号卫星多光谱高分辨率影像及Alos Palsar影像为数据源,将相关性较高的极化雷达参数与最优窗口下的纹理参数相结合,协同两种遥感数据反演蓄积量。利用灰度共生矩阵分别提取高分辨率影像在3×3、5×5、7×7、9×9和11×11的5组窗口大小下8种纹理特征信息,提取Alos Palsar影像双极化方式下后向散射系数并进行比值运算。采用多元逐步回归分析方法,分别利用5组纹理特征信息反演杉木林蓄积量,找出最优窗口; 检测不同极化方式下后向散射系数与蓄积量之间相关性。结果表明,单数据源反演蓄积量模型中,5×5窗口反演效果最好,模型复相关系数R=0.869,均方根误差σ_RMSE=23.38 m³/hm²,蓄积量总体的估测精度为80.32%; 多数据源反演蓄积量模型中,两种极化方式下的后向散射系数比值与高分影像纹理特征参数结合后,反演模型的效果更好,模型中R=0.901,σ_RMSE=22.32 m³/hm²,蓄积量总体估测精度达到85.42%。研究表明,基于多数据源数据的森林蓄积量反演精度更高,结果更准确。     

河南西峡县森林地上生物量时空动态分析（英文）

【目的】森林生物量大小与森林生产力水平的高低密切相关,是反映森林生态系统功能的基本数据。【方法】以河南省西峡县为研究区域,以研究区1993—2013年5期森林资源连续清查固定样地数据,1993年、1998年、2003年、2008年、2013年Landsat TM/ETM+/OLI遥感图像为主要信息源,通过建立4种遥感估测模型,对研究区域1993—2013年的森林地上部分生物量进行时空动态分析。【结果】(1)随机森林遥感估测模型综合性能最高,k最邻近算法与装袋算法居中,多元线性回归最低;(2)海拔、坡度、亮度指数、湿度指数、垂直植被指数和有效叶面积指数这6个因子是影响研究区域森林地上部分生物量大小的重要环境因子;(3)1993—2013年期间,研究区域单位面积森林生物量经历了先从1993年34.68 Mg/hm2下降到2003年32.59 Mg/hm2、然后上升到2013年44.65 Mg/hm2的复杂变化历程;(4)1993—2013年期间,表征空间自相关程度的全局Moran’I指数不断降低,表明研究区域森林地上部分生物量的空间聚集性呈持续下降趋势。【结论】乱砍滥伐、毁林开荒行为,退耕还林、天然林保护政策,以及生态廊道、村镇绿化工程建设,是研究区森林地上生物量发生时空变化的主要驱动因素。     

基于机器学习方法的臭氧和PM2.5污染潜势预报模型——以成都市为例

以成都市为例, 以多项可能影响污染物时空分布的变量为潜在预报因子, 筛选关键入模因子, 利用2016—2018年数据为训练集, 采用多元线性回归、BP神经网络和随机森林算法, 建立成都市夏季(4—8月)臭氧及冬季(11—2月) PM_2.5污染潜势模型, 并利用2019年数据对模型的中长期污染潜势浓度的预报性能进行评估。结果表明, 建立的多元线性回归、BP神经网络和随机森林模型对成都市臭氧及PM_2.5的短期(1~3天)污染潜势都具有良好的预报效果, 对7~15天的中长期潜势预报表现稳定。其中, 多元线性回归模型和随机森林模型分别对臭氧和PM_2.5表现出相对最佳的预报性能。     

基于极化定向角补偿的思茅松林地上生物量反演

目的 极化合成孔径雷达在森林遥感监测中得到了广泛的应用。由于法拉第旋转和地物结构特性,电磁波极化定向角发生偏移,导致散射特征在机理上存在模糊性。本研究主要分析极化定向角偏移对体散射分量和地上生物量反演的影响。方法 以ALOS PALSAR全极化星载合成孔径雷达(SAR)数据为数据源,基于L波段散射特征,考虑地面与树干之间的二面角散射贡献,研究提出了一种扩展极化水云模型;基于Yamaguchi四分量分解参数和扩展极化水云模型估测思茅松林地上生物量。结果 通过酉变换来补偿极化定向角偏移后,体散射分量高估得到修正,极化定向角补偿后的体散射与实测地上生物量的回归模型较未补偿前效果更好(决定系数R²从0.214提升到0.332)。采用Yamaguchi四分量和扩展极化水云模型的地上生物量估测值和实测值有较强的相关性(R²= 0.644)和较低的均方根误差(23.11 t/hm²)。结论 SAR数据在极化分解前应进行极化定向角补偿,以减少体散射高估和二面角散射低估的问题,提高地上生物量反演精度。半经验极化扩展水云模型具有很好的估测森林地上生物量的潜力。     

基于极化合成孔径雷达数据的桥梁检测

为了对遥感合成孔径雷达(SAR)图像中桥梁目标进行自动检测,在极化散射矩阵参数的基础上,提出了一种寻找河流地区对比参数的方法:将总功率、极化熵、相似性参数等参数进行加权组合,利用特征值分析方法求取最优加权系数,从而得到对河流特征敏感的参数组合表达式。进而利用该表达式对河流地区进行了分类实验,对分类结果应用图形形态学方法处理后形成水域模板。在此基础上将水域模板对敏感参数图像覆盖后,对河上桥梁目标进行了自动检测。采用PI-SAR型的雷达的全极化数据进行实验,获得了良好的检测效果,和只使用功率数据进行桥梁检测相比,原来检测不出来的桥梁目标都明显显现出来。实验结果表明,综合利用全极化SAR信息在遥感应用中可以更好的检测和识别目标。     

基于RS和GIS林分蓄积预估模型的评价指标因子选择

以RS和GIS为技术手段,提取样地的地形因子和遥感图像处理后的TM全波段光谱值及植被指数,采用模糊聚类方法对罗汉山森林公园林分生长蓄积量预估模型的主要评价指标因子进行了选择,为林分蓄积预估模型的建立做了准备.     

基于多源数据及三层模型的小班林型识别

【目的】目前关于林型识别的研究区域主要为小范围森林区域和林场,为了探究较大范围内林型的识别方法,本研究使用Sentinel-2光学遥感影像、森林资源二类调查数据、数字高程模型(DEM)和Sentinel-1雷达遥感影像数据建立林型识别模型。【方法】以淳安县作为研究区域,针对淳安县各个小班中的7种林型:毛竹(Phyllosstachys edulis)林、茶树(Camellia sinensis)林、山核桃(Carya cathayensis)林、杉木(Cunninghamia lanceolata)林、马尾松(Pinus massoniana)林、阔叶混交林、其他硬阔林进行识别。研究采用分层的方法对林型进行识别,整体分为3层。第1层使用RF算法建立林地与非林地识别模型;第2层对林地数据进行树种结构识别,分别使用随机森林(random forest, RF)、极端梯度提升(eXtreme gradient boosting, XGBoost)和 轻量级梯度提升机(light gradient boosting machine, LightGBM)方法建立不同模型并对比分析实验结果;第3层将树种结构细分为林型。【结果】第1层RF林地与非林地识别模型总体精度为98.08%;第2层树种结构识别模型中对比了3个模型不同特征组合下的性能,其中LightGBM模型总体精度最高,达到81.43%;第3层模型对林型进行识别,基于所有特征结合雷达遥感因子建模的情况下,LightGBM模型精度为84.51%,经递归特征消除法(recursive feature elimination, RFE)选择特征后,最优精度为83.21%。【结论】通过各个模型的特征重要性图发现,光学遥感中的绿光、红光、近红外波段和红边波段,以及DEM提取的地形因子对研究区域小班林型识别有较好的效果,而Sentinel-1雷达中提取的自变量对林型的识别没有特别明显的帮助。     

一种基于Pauli分解和SVM的全极化SAR监督分类算法

全极化SAR影像准确分类的一个重要前提是充分提取反映地物实际物理性质的特征。然而现有的全极化SAR特征提取算法和分类算法众多,却均存在各种各样的问题。无论极化特征提取方法还是分类算法,都会影响最终的分类精度。针对此问题,在多次实验的基础上,提出一种综合Pauli极化特征分解和SVM的分类策略,简称为Pauli-SVM算法。首先通过经典的Pauli分解法提取全极化SAR影像的奇次散射、偶次散射、体散射等极化特征,并将这些信息组合成一个特征向量,然后引入高精度的SVM分类算法,选择训练样本后对全极化SAR影像进行监督分类。在江苏溧水和南京横溪镇两个研究区,以ALOS卫星的PALSAR影像为研究数据,进行监督Wishart分类算法、Freeman特征提取法结合SVM的分类算法、Yamaguchi特征提取法结合SVM的分类算法、Pauli-SVM算法的分类对比实验。结果表明,新提出的Pauli-SVM算法可以有效的提高分类的准确性。     

基于Envisat数据的地物后向散射特征研究

本文采用ENVISAT ASAR的APMode（Alternating Polarisation Mode）数据,由雷达图像成像原理及物理机制人手分析广州市几种典型地物（水体、植被、建筑物）在不同极化方式下后向散射特征及其成因。在此基础上选取HH极化图像、VV极化图像及VH／VV比值图进行合成,并利用监督分类方法对该极化合成影像进行分类,与光学影像的分类结果图进行比较。结果表明：极化雷达具有探测水质的能力,建筑物的后向散射特征还与其排列方式有关,极化合成影像分类图能初步达到地物分类识别的效果。     

基于Sentinel‑1和Sentinel‑2数据的杉木林地上生物量估算

雷达和光学遥感数据可以提供不同方面的信息，利用Sentinel?1与Sentinel?2联合估算亚热带地区森林地上生物量，探索光学数据与合成孔径雷达（SAR）数据结合对于提高森林地上生物量估测的优势。     

极化干涉合成孔径雷达技术发展与应用

极化干涉SAR技术是近年SAR遥感领域内的研究热点.本文首先概述了极化干涉SAR技术基本理论,并总结了目前极化干涉SAR技术的应用现状;然后在详细介绍国外ALOS-PALSAR、TerraSAR-X和RADARSAT-2三个典型星载极化SAR系统的基础上,分析了极化干涉SAR技术的应用前景.