卫星影象目视解译方法在湖区植被制图中的应用——以湖南洞庭湖区水域、洲滩植被图为例

植被(包括天然植被、人工植被)作为一种可更新资源始终是遥感应用专家们热心研究的课题。植被分类是植被研究的重要方面之一。利用卫星影象进行植被分类,国内外学者都进行了许多有意义的探索。本文以洞庭湖水域、洲滩植被为对象,试用卫星影象进行植被分类。本文从植被与环境相互依赖关系及在影象上的综合反映出发,提出了影象的景观生态学分析方法;即把影象上色调、形态特征与群落生态学规律结合起来分析,并以此作为植被目视解译的方法。在此基础上,将洞庭湖水域、洲滩划分成五个景观生态模型,17个基本植被类型。     

广州越秀公园植被景观格局分析

运用景观生态学原理,在对越秀公园植被景观要素进行分类的基础上,运用Autocad 软件提取了景观要素斑块信息,选取了斑块数目、斑块数目比、斑块面积、斑块面积比、斑块密度指数、斑块形状指数、优势度、分维度、均匀度等9 个指标对越秀公园植被景观的多样性、异质性、均匀性及破碎化程度等景观格局进行了分析.结果表明:越秀公园植被景观整体布局基本合理,景观结构较为稳定,密林作为全园的基质,保持了较好的生态完整性和连续性,为越秀公园的整体景观与环境提供了良好的基础生态条件,但需对部分景区植被景观布局作相应调整.同时对越秀公园植被景观整体格局优化和生态完善建设提出了建议.     

我国植被数量分析方法的研究概况和发展趋势

植被数量分析是现代植被研究的重要手段,数量分类和排序是现代植被生态学研究最重要的,也是应用最广泛的生态学技术。数量分析方法在20世纪50年代引入植被生态学研究领域,我国学者在70年代后期开始研究植被的数量分类和排序。本文主要从相关资料、应用研究、新方法研究三个方面论述了我国植被数量分析方法的发展,重点阐述了从20世纪70年代后期以来出现的并且被广泛应用的新方法及其应用研究概况,并在此基础上分析了植被数量分析方法未来的发展趋势。     

长山群岛植被景观健康评价

海岛植被是海岛生态系统的重要组成部分.本文将海岛生态系统健康的多重目标与景观生态学理论方法相结合,从景观活力、景观胁迫度与景观稳定性3方面探索构建了海岛植被景观健康评价指标体系,并以长山群岛为实例,开展了海岛植被景观健康评价实证研究.结果表明:长山群岛植被景观健康整体较好,但岛屿间差异大.海洋岛、獐子岛植被景观健康度都在0.80以上,属于第一健康等级区;大长山岛、小长山岛、大王家岛植被景观健康度在0.70~0.80,属于第二健康等级区;广鹿岛、石城岛植被景观健康度均小于0.70,属于第三健康等级区.海岛至大陆岸线距离、海岛面积、海岛产业结构等是造成海岛植被景观健康岛屿差异的主要成因.     

海岛植被景观异质性空间特征对地形变化的响应——以大长山岛为例

海岛植被景观异质性作为海岛生态系统健康状况的重要表现形式之一,其变化过程与机制影响着海岛生态系统生态学过程。本文利用遥感技术和景观生态学方法,以大长山岛作为研究对象,识别了海岛植被景观异质性空间变异对地形因子的响应规律。结果表明:1)高程、坡度与植被景观异质性参数在空间上显著相关,并具有相似的变化趋势,与其负相关依次为:面积加权平均斑块分维数(AWMPFD)总边缘长度(TE)斑块数量(NP)面积加权平均形状指数(AWMSI),与其呈正相关的为:平均斑块大小(MPS)平均斑块边缘密度(MPE)。2)坡向对植被景观异质性影响不明显,在小尺度区域内,坡向与TE、MPE相关性不显著,与其他4个景观指数弱相关。     

植被生态系统恢复及其在华南的研究进展

介绍了恢复生态学常用的理论,并指出恢复生态学研究大多涉及植被生态系统恢复。植被恢复的目标就是要恢复植被的合理结构、功能和动态过程,从而为人类提供生态系统服务。植被恢复可以把区域的地带性植被生态系统作为参考生态系统,但目前的植被恢复工作绝大部分只是恢复了植被生态系统的部分组成、结构和功能。植被生态系统恢复研究主要从退化的原因与过程、恢复的过程与机理,以及从生境恢复、种群恢复、群落恢复、生态系统和景观恢复等不同尺度上的恢复开展。在介绍华南地区的植被生态系统现存问题的基础上,对华南地区开展的植被生态系统恢复,尤其是华南植物研究所(园)开展的植被生态系统恢复研究进行了介绍。最后,提出了华南地区植被生态系统恢复的方向及发展趋势。     

广东揭阳东湖公园植被调查及景观格局分析

运用景观生态学原理,对广东揭阳东湖公园植被进行调查,同时在进行植被景观要素分类的基础上,选取景观多样性、斑块数目、斑块面积、破碎度、优势度等指标对东湖公园植物景观的异质性、多样性、均匀性等景观格局进行分析。结果表明,东湖公园植被较丰富,景观整体布局基本合理,景观结构相对稳定,但植物配置需要加强,尤其需要突出季相变化,同时适当增加灌丛和草地的斑块,丰富空间景观结构。     

中国植被分类系统修订方案

为了推动《中国植被志》研编工作, 该文回顾了中国植被分类系统的发展过程和主要阶段性成果, 提出了作为《中国植被志》研编技术框架组成部分的中国植被分类系统修订方案, 对各植被型组及各植被型进行了简单定义和描述, 并针对中国植被分类系统若干问题, 特别就中国植被分类系统总体框架、混交林的界定以及土壤在植被分类中的重要性等问题进行了讨论。1960年侯学煜在《中国的植被》中首次提出了中国植被分类的原则和系统, 1980年出版的《中国植被》制定了分类等级和划分依据等更加完善的系统, 之后《中国植被及其地理格局——中华人民共和国1:1 000 000植被图说明书》和《中国植物区系与植被地理》以及很多省区的植被专著对该系统进行过修订。2017年宋永昌在《植被生态学》中提出了一个分类等级单位调整的方案。本次提出的中国植被分类系统修订方案基本沿用《中国植被》的植被分类原则、分类单位及系统, 采用“植物群落学-生态学”分类原则, 主要以植物群落特征及其与环境的关系作为分类依据, 包含三级主要分类单位, 即植被型(高级单位)、群系(中级单位)和群丛(低级单位); 在三个主要分类单位之上分别增加辅助单位植被型组、群系组和群丛组, 在植被型和群系之下主要根据群落的生态差异和实际需要可再增加植被亚型或亚群系。修订方案包含了森林、灌丛、草本植被(草地)、荒漠、高山冻原与稀疏植被、沼泽与水生植被(湿地)、农业植被、城市植被和无植被地段9个植被型组, 划分为48个植被型(含30个自然植被型、12个农业植被型、5个城市植被型和无植被地段)。自然植被中有23个植被型进一步划分出了81个植被亚型。     

芦芽山自然保护区旅游开发与植被环境关系——植被景观的类型及其排序

正确识别旅游活动作用下植被景观的类型及其分布格局,是景区管理者实施生态管理的现实课题。以芦芽山自然保护区为例,利用双向指示种分析（Two．Way Indicator Species Analysis,TWINSPAN）和除趋势对应分析（Detrended Correspondence Analysis,DCA）对此问题进行了研究。结果表明：（1）TWINSPAN将所有样地划分为5个不同等级的植被景观类型区,其结果比较客观地反映出旅游开发与植被景观间的生态关系,指示因子也充分地反映了植被区的人为环境和景观特征。与利用旅游影响系数进行的分类相比,TWINSPAN的结果更为科学合理,明显优于单纯依据一个因子划分的结果。（2）DCA第1轴从左到右旅游影响系数和敏感水平越来越小,信息指数越来越大。DCA第3轴从下而上旅游剔除程度逐渐减小。DCA结果能够识别植被景观类型在空间上分布的规律性,但是这种规律性需要根据生态学知识去加以分析和总结,直观性不强。（3）TWINSPAN结果与DCA结果基本一致。具有良好的可比性。     

基于MODIS的洞庭湖湿地面积对水文的响应

利用MODIS影像数据集提取了2000-2010年间的洞庭湖水面面积。结合城陵矶水位数据分析了10月-翌年5月洞庭湖水体湿地和洲滩湿地的面积变化。研究结果表明,洞庭湖水体湿地呈现明显减小的趋势。2010年2月、10月、12月较2000年2月、10月、12月相比,分别有29.98%、26.76%和9.02%水体湿地转化为洲滩湿地。城陵矶在24-26 m水位涨落的时序变化较大,使东洞庭湖草滩湿地提前出露。推迟淹没,洲滩湿地裸露时间延长,亦将导致低海拔的草滩湿地向芦苇滩湿地的演变。洞庭湖湿地面积的变化是三口、四水来水减少、降雨减少等多方因素共同作用的结果,而三峡在9-10月间蓄水,将进一步加重湿地洲滩化的趋势     

Remote sensing imagery in vegetation mapping: a review

Aims Mapping vegetation through remotely sensed images involves various considerations, processes and techniques. Increasing availability of remotely sensed images due to the rapid advancement of remote sensing technology expands the horizon of our choices of imagery sources. Various sources of imagery are known for their differences in spectral, spatial, radioactive and temporal characteristics and thus are suitable for different purposes of vegetation mapping. Generally, it needs to develop a vegetation classification at first for classifying and mapping vegetation cover from remote sensed images either at a community level or species level. Then, correlations of the vegetation types (communities or species) within this classification system with discernible spectral characteristics of remote sensed imagery have to be identified. These spectral classes of the imagery are finally translated into the vegetation types in the image interpretation process, which is also called image processing. This paper presents an overview of how to use remote sensing imagery to classify and map vegetation cover.Methods Specifically, this paper focuses on the comparisons of popular remote sensing sensors, commonly adopted image processing methods and prevailing classification accuracy assessments.Important findings The basic concepts, available imagery sources and classification techniques of remote sensing imagery related to vegetation mapping were introduced, analyzed and compared. The advantages and limitations of using remote sensing imagery for vegetation cover mapping were provided to iterate the importance of thorough understanding of the related concepts and careful design of the technical procedures, which can be utilized to study vegetation cover from remote sensed images.     

洞庭湖洲滩速生杨树林变化信息提取方法

洞庭湖是我国第二大淡水湖,其湿地资源具有重要的生态功能和经济价值。近20年来,洞庭湖洲滩速生杨树林发展迅速,其中西洞庭湖杨树林的扩张最为明显,极大改变了湖区湿地植被分布格局,隐含极大的生态风险。以Landsat ETM+和HJ-1A/1B CCD影像为数据源,提出了洞庭湖速生杨树林变化信息提取的两种方法,并对这两种方法进行了比较研究。一种是分类的方法,即采用面向对象分层信息提取的方法先提取出树林滩地信息,再将距离大堤一定范围内的树林滩地归为防护林,速生杨树林变化的面积即为两个时相提取结果的差值。另一种是变化检测的方法,它是基于像元进行变化检测,先确定出总的变化区域,再从中筛选速生杨树林的变化信息。结果表明:(1)两种提取方法都是可行的,不同方法提取的速生林变化信息存在一定差异,但空间分布大体一致;(2)基于分类的方法总体精度和Kappa系数均略高于基于变化检测的方法:其中基于分类的方法总体精度达84.00%,Kappa系数为0.67,基于变化检测的方法总体精度达83.00%,Kappa系数为0.65;(3)基于分类的方法图斑较大、图斑数较少,基于变化检测的方法图斑较小且较破碎、图斑数多;(4)基于分类的方法漏分较少、错分较多,基于变化检测的方法漏分较多、错分较少。为洞庭湖洲滩杨树林的动态监测提供了研究方法,也为杨树林扩张原因及其生态效应分析提供研究基础。     

基于修正的亚像元模型的植被覆盖度估算

植被覆盖度是陆地生态过程模型、气象和气候模型的一项重要参数.通过消除植被类型分类精度以及遥感影像噪声带来的误差,结合实际测量值确定了归一化植被指数(NDVI)的最大值和最小值,修正了亚像元模型,并通过计算北京市植被覆盖度对模型进行了验证. 结果表明: 修正后模型的模拟值与实测值非常接近,尤其是对植被类型一致但密度有不同变化的草本植被, 但对乔木植被覆盖度的估算误差相对较大,这可能与遥感影像分辨率、植被破碎度及采用的混合像元模型有关.     

基于不同决策树的面向对象林区遥感影像分类比较

面向地理对象影像分析技术(GEOBIA)是影像分辨率越来越高的背景下的产物.如何提高高分辨率影像分类精度和分类效率是影像处理的重要议题之一.本研究对QuickBird影像多尺度分割后的对象进行分类,分析了C5.0、C4.5、CART决策树算法在林区面向对象分类中的效率,并与kNN算法的分类精度进行比较.利用eCognition软件对遥感影像进行多尺度分割,分析得到最佳尺度为90和40.在90尺度下分离出植被和非植被后,在40尺度下提取不同类别植被的光谱、纹理、形状等共21个特征,并利用C5.0、C4.5、CART决策树算法分别对其进行知识挖掘,自动建立分类规则.最后利用建立的分类规则分别对植被区域进行分类,并比较分析其精度.结果表明: 基于决策树的分类精度均高于传统的kNN法.其中,C5.0方法的精度最高,其总体分类精度为90.0%,Kappa系数0.87.决策树算法能有效提高林区树种分类精度,且C5.0决策树的Boosting算法对该分类效果具有最明显的提升.     

Differentiating geological fertility derived vegetation zones in Kruger National Park,South Africa,using Landsat and MODIS imagery

Spatial technologies present possibilities for producing frequently updated and accurate habitat maps, which are important in biodiversity conservation. Assemblages of vegetation are equivalent to habitats. This study examined the use of satellite imagery in vegetation differentiation in South Africa's Kruger National Park (KNP). A vegetation classification scheme based on dominant tree species but also related to the park's geology was tested, the geology generally consisting of high and low fertility lithology. Currently available multispectral satellite imagery is broadly either of high spatial but low temporal resolution or low spatial but high temporal resolution. Landsat TM/ETM+ and MODIS images were used to represent these broad categories. Rain season dates were selected as the period when discrimination between key habitats in KNP is most likely to be successful. Principal Component Analysis enhanced vegetated areas on the Landsat images, while NDVI vegetation enhancement was employed on the MODIS image. The images were classified into six field sampling derived classes depicting a vegetation density and phenology gradient, with high (about 89%) indicative classification accuracy. The results indicate that, using image processing procedures that enhance vegetation density, image classification can be used to map the park's vegetation at the high versus low geological fertility zone level, to accuracies above 80% on high spatial resolution imagery and slightly lower accuracy on lower spatial resolution imagery. Rainfall just prior to the image date influences herbaceous vegetation and, therefore, success at image scene vegetation mapping, while cloud cover limits image availability. Small scale habitat differentiation using multispectral satellite imagery for large protected savanna areas appears feasible, indicating the potential for use of remote sensing in savanna habitat monitoring. However, factors affecting successful habitat mapping need to be considered. Therefore, adoption of remote sensing in vegetation mapping and monitoring for large protected savanna areas merits consideration by conservation agencies.     

基于中分辨率TM数据的湿地水生植被提取

利用湿地水生植被生长旺盛、光谱反射较强、光谱信息比较丰富的8月份中分辨率Landsat TM和ETM+多光谱遥感影像,采用面向对象的分类方法,进行野鸭湖湿地水生植被的提取。研究表明:在提取过程中,通过对原始影像进行主成分变换和穗帽变换,将主要信息与噪声分离,不仅减小了数据冗余和波段间的相关性,而且增大了影像上湿地水生植被与其他地物类型光谱和空间信息的差异性,并结合野外水生植被光谱特征分析,选择归一化植被指数NDVI与归一化水体指数NDWI辅助分类,构建特征波段或波段组合,然后,确定适当的隶属度函数和阈值范围,构建分类决策树,完成湿地水生植被的自动分类,提高了影像分割与面向对象分类的精度,取得了较为理想的湿地水生植被提取结果。2002年和2008年两景影像的总体分类精度分别达到86.5%和85.44%,表明中分辨率TM影像可以满足湿地水生植被提取的需要,又因为其具有较高的波谱分辨率、极为丰富的信息量、相对较低的价格、长时间序列,可以作为近20a湿地水生植被提取和动态变化监测的主要数据源。     

利用小型无人机监测西洞庭湖 水鸟的可行性探讨

传统鸟类监测方法具有调查时间长、人力物力消耗大、调查结果不准确的局限。近年来,无人机遥感技术在生态学领域的应用日益广泛,但在鸟类调查上仍缺乏成熟的技术方法。本研究于2019年11月19至25日期间,使用搭载可见光相机的小型多旋翼无人机大疆Mavic 2行业变焦版,在湖南西洞庭湖国家级自然保护区内的四个水鸟集群分布区域划定监测样区,规划航线,设定合适的飞行和拍摄参数后采集遥感数据。根据水鸟对无人机的反应程度划分不同的惊扰等级,记录拍摄过程中鸟类受惊扰情况。利用图像拼接软件PTGui Pro 11.0,对采集到的影像进行拼接、匀色等解译预处理操作。对合成后的遥感影像建立水鸟分类标注表,进行人工解译,并对调查过程中的水鸟惊扰情况进行统计分析。本研究共进行11次飞行调查,获取10个样区数据,最大样区面积约为18 hm²,75 m飞行高度下影像分辨率为0.012 m/像素,对样区内6种体型较大的水鸟——苍鹭(Ardea cinerea)、大白鹭(A.alba)、小天鹅(Cygnus columbianus)、凤头麦鸡(Vanellus vanellus)、绿翅鸭(Anas crecca)和罗纹鸭(Mareca falcata)进行了分类和计数。绿翅鸭和罗纹鸭二者依靠遥感图像无法区分,其余4种拍摄到的水鸟均成功解译和计数。惊扰等级记录显示,本次无人机调查对水鸟的惊扰程度较弱。结果表明,基于搭载可见光相机的小型无人机对湿地大型和中型水鸟进行快速遥感调查监测具有一定的可行性,在湖泊湿地类型的鸟类调查中具有应用潜力;通过选择合适的飞行平台,设定适当的飞行高度、飞行速度和图像重叠度等参数,能够在保证解译结果准确性的同时,避免对水鸟的过度干扰。     

UAV-based classification of maritime Antarctic vegetation types using GEOBIA and random forest

Development of vegetation communities in areas of Antarctica without permanent ice cover emphasizes the need for effective remote sensing techniques for proper monitoring of local environmental changes. Detection and mapping of vegetation by image classification remains limited in the Antarctic environment due to the complexity of its surface cover, and the spatial heterogeneity and spectral homogeneity of cryptogamic vegetation. As ultra-high resolution aerial images allow a comprehensive analysis of vegetation, this study aims to identify different types of vegetation cover (i.e., algae, mosses, and lichens) in an ice-free area of  Hope Bay, on the northern tip of the Antarctic Peninsula. Using the geographic object-based image analysis (GEOBIA) approach, remote sensing data sets are tested in the random forest classifier in order to distinguish vegetation classes within vegetated areas. Because species of algae, mosses, and lichens may have similar spectral characteristics, subclasses are established. The results show that when only the mean values of green, red, and NIR bands are considered, the subclasses have low separability. Variations in accuracy and visual changes are identified according to the set of features used in the classification. Accuracy improves when multilayer information is used. A combination of spectral and morphometric products and by-products provides the best result for the detection and delineation of different types of vegetation, with an overall accuracy of 0.966 and a Kappa coefficient of 0.946. The method allowed for the identification of units primarily composed of algae, mosses, and lichens as well as differences in communities. This study demonstrates that ultra-high spatial resolution data can provide the necessary properties for the classification of vegetation in Maritime Antarctica, even in images obtained by sensors with low spectral resolution.     

基于多端元光谱混合分析方法的大兴安岭火后植被盖度恢复研究

火干扰是北方针叶林结构、功能及动态的主要调节因子之一。研究火后植被恢复对理解火干扰和生态系统的交互作用具有重要意义。火烧迹地通常由植被与基质混合组成,在中低分辨率（ > 10 m）遥感影像中表现为混合像元,因此研究亚像元尺度上植被的恢复是精确量化植被恢复的关键。本研究以2000年大兴安岭呼中自然保护区中8700 hm²火烧迹地为研究区,以两期（2014年6月1日和2010年6月22日）中分辨率Landsat ETM+影像（30 m）为基础数据,比较多端元光谱混合分析（Multiple Endmember Spectral Mixture Analysis,MESMA）和归一化植被指数（Normalized Difference Vegetation Index,NDVI）获得的植被盖度,以高分辨率（2 m）WorldView-2影像（2014年7月1日）为验证数据,对两种方法计算的植被盖度精度进行比较。结果表明,MESMA方法获得的植被盖度（R²=0.691）与传统的NDVI获得的植被盖度（R²=0.700）精度无统计差异,中烈度下获得的植被覆盖精度高于低、高火烧烈度。为验证同一端元能否运用到不同时相的Landsat影像中,本研究将从2014年影像中获取的最佳端元运用到2010年影像中获得植被盖度图,结果表明2014年与2010年得到的RMSE（均方根误差）均值分别为0.0015和0.0065,说明最佳端元可用于不同时相的影像分解。本研究表明MESMA方法可有效监测北方针叶林中火后植被盖度恢复,并可运用于时间序列遥感影像监测植被恢复动态。