基于Sentinel-2的丛生竹林信息提取方法比较及分布特征

滇西南地区拥有丰富的丛生竹林景观和珍稀特有竹种资源,但竹资源分布储量不清、监测技术缺乏等问题很大程度限制了竹资源开发与利用。基于Sentinel-2A影像数据,采用反向传播神经网络、支持向量机、随机森林三种机器学习分类方法进行沧源县丛生竹林信息提取及精度评价,利用Google Earth影像和DEM数据对竹资源分布的空间和地形特征进行了分析。结果表明,随机森林分类精度优于支持向量机和反向传播神经网络,分类总体精度达90%,Kappa系数达0.87,竹林用户精度达81%。沧源县共有竹林138.07 km2,主要分布于城镇村庄、道路、水系和耕地周边,以四旁竹和防护竹林为主,采用Sentinel-2A10 m的分辨率很好地提取了空间上分布分散的丛生竹林。沧源县竹林主要分布在海拔900～2000 m,坡度范围大都位于缓坡和斜坡。研究结果可为沧源县竹资源开发利用提供数据支持,研究方法可作为大型丛生竹遥感监测的参考。     

基于Sentinel-2A影像的枸杞种植区域识别

枸杞(Lycium barbarum L.)是西北地区重要的经济作物,靖远县作为甘肃省主要枸杞产区之一,快速准确地获取枸杞种植结构与空间分布对当地农业种植结构调整及区域经济可持续具有重要意义。基于Sentinel-2A影像数据,采用面向对象的分类方法,利用光谱特征与纹理特征构建随机森林分类器,实现枸杞种植信息的提取。结果表明：将光谱特征和纹理特征相结合的随机森林分类方法精度最高,分类总体精度达到88.14%,Kappa系数为0.81,枸杞的用户精度为81.03%;靖远县枸杞种植面积为297.12 km~2,分别呈现出集中连片、零星分布特征,主要集中分布在靖安乡、五合镇、东升镇和北滩镇的种植基地,采用Sentinel-2A可以很好地提取空间上分散种植的枸杞。研究结果可为靖远县特色农作物枸杞的种植结构调整和开发利用提供数据支撑,研究方法可为大面积的枸杞遥感监测提供参考。     

基于实测高光谱与Sentinel-2B数据的银北土壤Na+含量估测

为了探讨不同传感器对土壤Na⁺含量的估测能力,本研究以宁夏银北地区典型样点土壤实测光谱和Sentinel-2B影像光谱为对象,运用逐步回归(SR)和主成分回归分析(PCA)方法对光谱数据进行敏感参量筛选,然后采用偏最小二乘回归(PLSR)、支持向量机(SVM)和反向传播神经网络模型(BPNN)分别建立实测光谱和影像数据的土壤Na⁺含量估算模型。结果表明: 除Band9外,实测重采样数据与影像数据呈极显著相关。基于SR筛选方式建立的模型估算精度普遍高于PCA(SVM模型除外),PCA-SVM模型为影像最佳Na⁺含量估算模型,预测精度为0.792;SR-BPNN模型为实测最佳Na⁺含量估算模型,预测精度达到0.908。经重采样实测光谱模型校正后的SR-PLSR影像光谱土壤Na⁺含量估算模型精度从0.481提高到0.798,有效提高了较大尺度下的土壤Na⁺含量估算精度。本研究实现了遥感监测土壤Na⁺含量由点向面的空间转换,为Sentinel-2B影像监测盐渍化土壤Na⁺含量提供了科学参考。     

基于不同空间尺度遥感影像估算森林叶面积指数的差异

地面测量点对遥感像元的代表性如何,怎样获取像元的相对真值,多大的空间分辨率可以真实地反映森林区域的叶面积指数(LAI),这些都是定量遥感中的重要问题.本研究计算LAI-2200和TRAC两种冠层分析仪测量的空间范围,并结合GF-2(4.1 m)、Sentinel-2(10 m)、Landsat-8(30 m)3种不同空间分辨率遥感影像,找到各尺度下像元的相对真值,在保持真值观测面积和遥感获取面积一致的条件下,基于一元指数和多元回归模型,对比分析不同空间分辨率影像对估算森林LAI的影响,并对3种影像模型进行30和100 m尺度下的检验以及各自数据集的空间代表性评价,比较得出最适合表达研究区域森林LAI的尺度.结果表明:对于森林来说,高分辨率并不一定能充分反映森林LAI.基于3种分辨率影像的统计模型都能很好地估测森林LAI,其中,基于Sentinel-2的反演精度最高,基于GF-2的反演精度最低.30和100 m尺度下的检验结果表明,基于GF-2反演模型高估了森林LAI,基于Landsat-8的反演模型低估了森林LAI,基于Sentinel-2分辨率的统计模型可以很好地估测研究区域森林LAI.     

外来入侵植物凤眼莲遥感监测方法研究

【目的】凤眼莲作为我国典型的外来入侵物种之一,其大规模入侵对水生生态系统破坏严重。目前在不同生境下开展的凤眼莲遥感监测方法研究精度有所不同。本研究对比了不同分类方法,拟筛选出适合我国南方地区凤眼莲的分类方法。【方法】基于Sentinel-2、Landsat8 OLI多光谱影像,选择最大似然和支持向量机监督分类、决策树分类以及植被指数阈值分类方法分别对海南省5个水库的凤眼莲遥感分类,依据无人机可见光影像目视结果对不同方法的分类精度进行评价。【结果】基于凤眼莲时相特征的决策树分类精度最高,总体精度达到90%以上;在基于光谱特征的分类方法中,最大似然监督分类的用户精度为77.88%、制图精度为72.44%,支持向量机分类的用户精度和制图精度分别达到87.00%和84.48%。【结论】基于时相特征与光谱特征的决策树分类方法精度高于仅基于光谱特征的监督分类方法,简单植被指数阈值方法难以区分不同生境内的凤眼莲,研究结果可为我国南方地区凤眼莲遥感监测与预警提供依据。     

基于Sentinel-1和Sentinel-2A的西小山林场平均树高估测

森林资源调查对于我国森林生态系统可持续发展具有重要意义,森林平均高度是森林资源调查的主要结构参数,也是获取难度最大的关键参数之一。为探究联合主被动遥感技术在估测森林平均高度方面的潜力,本研究以吉林省临江市西小山林场为研究区,利用Sentinel-1 SAR和Sentinel-2A数据,通过提取Sentinel-1的2个后向散射系数、8个纹理信息,以及Sentinel-2A的10个光谱波段及其纹理信息和11个植被指数,采用多元线性回归方法分别建立基于上述变量以及融合4类变量的5组平均树高估算模型,并评估各变量对反演精度的影响。结果表明: 单一数据源变量中,基于Sentinel-2A光谱波段提取的纹理信息建模效果较好,能够作为估算森林平均高度的有效数据;融合4类变量的森林平均高度估算模型最优,R²达0.56、留一交叉验证均方根误差为2.92 m、相对留一交叉验证均方根误差为21.5%。基于Sentinel-1与Sentinel-2A特征变量的平均树高模型能够提高森林高度的估算精度,可用于区域森林平均高度估测和制图。     

基于最小二乘支持向量机的农田水汽通量建模

支持向量机是在统计学习理论基础上发展起来的一种新型的机器学习方法,已在模式识别、非线性建模等领域中得到了应用．本文将最小二乘支持向量机方法应用于农田水汽通量的建模中,并同前馈反向传播神经网络的建模性能进行了比较．结果表明,最小二乘支持向量机方法具有可调参数少、学习速度较快等优点,具有更好的推广能力,以更高的精度建立农田水汽通量模型．模型的敏感性分析进一步显示,用最小二乘支持向量机方法建立的农田水汽通量模型是合理可行的．     

基于OverFeat模型的长江口南汇潮滩植被分类

潮滩地带环境复杂多变, 有些植被之间光谱特性相似, 为了解决植被精细分类精度不高的问题, 利用基于ImageNet预训练的卷积神经网络OverFeat模型, 以高分二号(GF-2)卫星遥感影像作为实验数据, 对长江口南汇潮滩不同生长状态的植被进行了深度特征提取, 然后将模型训练好的深度特征输入到支持向量机(SVM)分类器中, 得到植被分布信息。研究结果表明, 与基于光谱特征的SVM分类方法相比, 文章所用方法的分类精度更高, 总体精度可达96.08%, 证明了使用基于ImageNet数据集的预训练卷积神经网络对不同生长状态的植被可以实现较好的识别。     

基于Sentinel–2影像特征优化的于桥水库水生植被提取

水生植被分布情况、结构和演变趋势对湿地生态环境变具有重要的指示意义和科学研究价值。基于Sentinel-2遥感数据,综合应用光谱信息、水体植被指数、最佳指数法(Optimal Index Factory,OIF)计算的纹理特征,结合随机森林分类法,构建特征优化后的随机森林水生植被提取模型,对于桥水库进行水生植被提取。结果显示:该方法能有效的提取出水生植被,总体精度为93.22%,Kappa系数为0.91。进一步与最大似然和支持向量机(SVM)方法进行对比分析,结果表明本算法的总体精度分别提高了19.96%、8.53%, Kappa系数分别提高了0.25、0.11。基于水生植被全年提取结果,分析了于桥水库的水生植被年内变化,发现于桥水库水生植被在五月份最繁盛,随后逐渐消减,直至十月份基本消亡。实验表明:特征优化后的随机森林分类法在Sentinel-2影像水生植被提取中具有较好的适用性。     

基于多光谱影像的森林树种识别及其空间尺度响应

当前,不同空间分辨率卫星影像对森林类型识别结果中普遍存在的尺度效应,而且纹理参量对不同尺度下树种识别精度的影响仍缺乏广泛认知.本研究以中国东北旺业甸林场为研究区,采用观测时相同步、地理坐标匹配的GF-1 PMS、GF-2 PMS、GF-1 WFV,以及Landsat-8 OLI卫星传感器数据组成空间尺度观测序列(1、2、4、8、16、30 m),并结合支持向量机(SVM)模型,探讨了区域内5种优势树种遥感识别结果的尺度变化规律及其纹理特征参数的影响,同时检验了基于尺度上推转换影像的树种识别结果差异.结果表明: 影像空间分辨率对区域树种识别结果具有显著影响,其中,研究区森林树种识别的最佳影像分辨率为4 m,当分辨率降低至30 m时,树种识别结果最差.在1～8 m影像分辨率范围内,增加纹理信息能够显著提高不同优势树种的识别精度,使总分类精度提升了2.0%～3.6%,但纹理信息对16～30 m影像的识别结果没有显著影响.与真实尺度卫星影像相比,基于升尺度转换影像的树种识别结果及其尺度响应特征存在显著差异,表明在面向多个空间尺度的遥感观测和应用研究中,需要采用真实分辨率影像以确保结果的准确性.     

Mapping land cover and forest density in Zagros forests of Khuzestan province in Iran: A study based on Sentinel-2, Google Earth and field data

Zagros forests in western Iran have widely been destroyed because of various reasons. This study was performed to provide the land cover and forest density maps in Zagros forests of Khuzestan province using Sentinel-2, Google Earth and field data. The forest boundary in Khuzestan province was digitized in Google Earth. Sentinel-2 satellite images were provided for the study area. One 1:25000 index sheet of Iranian Mapping Organization (IMO) was selected as pilot area in the province. Sentinel-2 image of the pilot area was classified using different supervised classification algorithms to select the best algorithm for land cover mapping in Khuzestan province. In addition, to evaluate the accuracy of Google Earth data, field sampling was performed using random plots in different land covers. Field data of forest plots were applied to investigate tree canopy cover percent (forest density), as well. Classification of Sentinel-2 image in Zagros area of Khuzestan province was done using the best algorithm and the land cover was obtained. The forest density map was also obtained using a linear regression model between tree canopy cover percent (obtained from field plots) and normalized difference vegetation index (NDVI) (obtained from NDVI map). Finally, the accuracy of land cover map was assessed by some square plots on Google Earth. Results demonstrated that support vector machine (SVM) algorithm had the highest accuracy for land cover mapping. Results also showed that Google Earth images had a good accuracy in the Zagros forests of Khuzestan province. Results demonstrated that NDVI has been a good predicator to estimate tree canopy cover in the study area. Based on results, an area of 443,091.22 ha is covered by Zagros forests in Khuzestan province. Results of accuracy assessment of the land cover map showed the good accuracy of this map in Khuzestan province (overall accuracy: 91% and kappa index: 0.83). For optimum management of Zagros forests, it is suggested that the land cover and forest density mapping will be performed using SVM algorithm, NDVI, and Sentinel-2 satellite images in Zagros forests of Khuzestan province in the certain periods.     

福建九阜山自然保护区竹类资源及其开发利用

福建省尤溪县九阜山自然保护区竹类植物资源共有9属23种,主要的竹林有毛竹林、福建酸竹林、箬竹林、苦竹林。报道了九阜山自然保护区竹类植物资源种类、分类群组成、分布区类型等,并提出竹类资源的合理开发利用建议。     

川西亚高山暗针叶林恢复过程中岷江冷杉天然更新状况及其影响因子

在川西亚高山米亚罗林区海拔3 100~3 600 m阴坡、半阴坡, 以立地条件基本一致的箭竹和藓类林型不同恢复阶段(20~40 a生的箭竹阔叶林、50 a生的箭竹针阔混交林、160~200 a生的箭竹原始暗针叶老龄林; 20~40 a生的藓类阔叶林、50 a生的藓类针阔混交林、160~200 a生的藓类原始暗针叶老龄林)的群落为研究对象, 共设置了50个样方(20 m×20 m), 采用空间代时间的方法分析了岷江冷杉(Abies faxoniana)的天然更新状况, 并采用通径分析法对其影响因子进行分析。结果表明: 箭竹和藓类两种森林类型岷江冷杉幼苗、幼树和小树的密度偏低。对于箭竹林型不同恢复阶段, 岷江冷杉幼苗密度＜幼树密度＜小树密度; 对于藓类林型不同恢复阶段, 藓类阔叶林幼树密度大于幼苗和小树密度, 藓类针阔混交林小树密度大于幼苗和幼树密度, 而藓类原始暗针叶老龄林幼苗密度大于幼树和小树密度。藓类林型岷江冷杉天然更新状况好于箭竹林型。对箭竹林型而言, 影响岷江冷杉天然更新的关键因子为母树密度、倒木蓄积量、箭竹盖度和苔藓层厚度, 其中母树密度和倒木蓄积量对岷江冷杉天然更新起着促进作用, 箭竹盖度和苔藓层厚度对岷江冷杉天然更新起着阻碍作用; 对于藓类林型而言, 影响岷江冷杉天然更新的关键因子为灌木盖度和苔藓层厚度。灌木和苔藓有利于幼苗的发生, 但不利于幼苗向幼树、小树的过渡。     

辽东山区次生林木本植物空间分布

森林木本植物的空间格局有助于揭示群落结构的形成机制与潜在的生态学过程,且对林分经营具有一定指导意义。在0—50 m尺度范围内综合分析了辽东山区4 hm2温带次生林样地多度10的树种空间格局。研究发现:(1)在完全随机零模型下,大部分树种呈现聚集格局,聚集格局树种的比例随尺度增加而降低;在32 m的较大尺度下,随尺度增加,随机和规则格局成为树种分布的主要形式;(2)在异质性泊松过程零模型下,55.9%的树种呈现随机格局,其余大部分树种在10 m的尺度下呈现聚集格局,且随尺度增加,规则格局成为主要形式;(3)在完全随机零模型下,树种属性(林层、径级和多度)显著地影响种群聚集度,而在异质性泊松过程零模型下,树种属性对种群聚集度不存在显著影响。综上,生境异质性、扩散限制和树种属性部分解释了辽东山区次生林木本植物空间分布格局,相对而言,生境异质性的效应更为突出。研究结果有助于揭示次生林群落生物多样性的维持机制。     

Vegetation classification of East China with multi-temporal NOAA-AVHRR data

East China lies in the subtropical monsoon climatic zone and is dominated by subtropical evergreen broad-leaved forests,a unique vegetation type mainly distributed in East Asia with the largest distnbution in China.It is important to be able to monitor and estimate forest biomass and production,regional carbon storage,and global climate change impacts on these important vegetation types.In this paper,we used coarse resolution remote sensing data to identify the vegetation types in East China and developed a map of the spatial distribution of vegetation types in this region.Nineteen maximum normalized difference vegetation index(NDVI)composite images(acquisition time span of 7 months from February to August),which were derived from 10 days National Oceanographic and Atmospheric Administration(NOAA)Advanced Very High Resolution Radiometer(AVHRR)channel 1 and channel 2 observations,an unsupervised classification method,and the ISODATA algorithm were employed to identify the vegetation types.To reduce the dimensions of the dataset resulted in a total of 28 spectral clusters of land-cover of which two clusters were urban/bare soil and water,the images were processed using principal component analysis(PCA).The 26 remaining spectral clusters were merged into six vegetation types using the Chinese vegetation taxonomy system:evergreen broad-leaved forest,coniferous forest,bamboo forest,shrub-grass,aquatic vegetation,and agricultural vegetation.The spatial distribution and areal extent for the coniferous forests,shrub-grass,evergreen broad-leaved forests,and agricultural vegetation were calculated and comscale.The spatial accuracy and the area accuracy for coniferous forests,shrub-grass,evergreen broad-leaved forests,and agricultural vegetation were 79.2%,91.3%,68.2% and 95.9% and 92.1%,95.9%,63.8% and 90.5%,respectively.The spatial accuracy and area accuracy of the bamboo forest were 28.7% and 96.5%,respectively;the spatial accuracy of aquatic vegetation was 69.6%,but there was a significant difference in its area accuracy because image acquisition did not cover the full year.Our study demonstrated the fea sibility of using NOAA-AVHRR to identify the different vegetation types in the subtropical evergreen broad-leaved forest zone in East China.The spatial location of the six identified vegetation types agreed with the actual geo graphical distribution of the vegetation types in East China.     

塔里木河流域胡杨和灰叶胡杨克隆分株空间分布格局

以叶尔羌河下游阿瓦提县天然胡杨和灰叶胡杨混交林、塔里木河上游农一师16团天然灰叶胡杨林和塔里木河中游轮台县天然胡杨林为对象,研究胡杨和灰叶胡杨克隆分株种群的空间分布格局.结果表明: 8种不同取样尺度(5 m×5 m、5 m×10 m、5 m×15 m、10 m×10 m、10 m×15 m、15 m×15 m、15 m×20 m、20 m×20 m)下,3个研究区2物种克隆分株种群的空间分布格局均表现为集群分布,表明集群分布是研究区胡杨和灰叶胡杨克隆分株种群空间分布格局的基本属性;在5 m×5 m尺度上,3个研究区2物种克隆分株种群均表现出负二项参数最小、Cassie指标和聚块性指标最大、聚集强度最大的分布特征.     

Aboveground biomass and its biotic and abiotic modulators of a main food bamboo of the giant panda in a subalpine spruce–fir forest in southwestern China

中国西南亚高山云冷杉林中大熊猫主食竹的地上生物量及其生物和非生物影响因子 作为大熊猫(Ailuropoda melanoleuca)的主食竹之一，缺苞箭竹(Fargesia denudate)广泛分布在中国西南山地云冷杉林的林下。然而，缺苞箭竹生物量及其分布的驱动因素仍不清楚。本研究基于对王朗大样地(25.2 ha) 209个样方(投影面积为20 m × 20 m)中的乔木层和灌木层(包括竹子等木质草本)的系统调查，探讨非生物因素(地形和土壤理化性质)和生物因素(乔木密度、乔木总胸高断面积(TBA)和灌木盖度等) 对缺苞箭竹地上生物量的影响。研究结果表明，样方缺苞箭竹地上生物量平均为1.17 ton/ha，在209 个 调查样方中差异很大(0–4.88 ton/ha，95%置信区间)。缺苞箭竹生物量随海拔、坡度和乔木平均胸径的增 加而显著增加，随乔木密度、灌木盖度和土壤pH的增加而显著降低，而与乔木TBA、坡向、土壤有机质或总氮含量无显著线性关系。随机森林模型表明，地形和生物因素对缺苞箭竹生物量的影响比土壤理化性质更大。具体来说，地形主要通过改变乔木密度和土壤理化性质来影响缺苞箭竹的生物量。本研究结果可为大熊猫的保护和亚高山云冷杉林的管理提供科学参考。     

浙江省竹林地上碳储量的时空动态模拟及影响因素

竹林具有高效的固碳能力,在应对全球气候变化中扮演重要角色.然而,目前大尺度竹林碳储量估算误差大,导致竹林碳储量时空格局存在较大的不确定性.本研究以浙江省为例,耦合遥感数据和BIOME-BGC生态系统过程模型模拟1984—2014年浙江省竹林地上碳储量,并利用森林资源清查数据进行精度验证,分析浙江省竹林地上碳储量时空格局以及环境因子对竹林地上碳储量的影响.结果表明: 模拟得到的竹林地上碳储量精度较高,平均相关系数(r)、均方根误差(RMSE)和相对偏差(rBIAS)分别达到了0.75、7.24 Mg C·hm^-2和-2.57 Mg C·hm^-2,全省竹林地上碳储量总体呈上升趋势,碳密度在13.10～17.14 Mg C·hm^-2,总碳储量在9.94～17.19 Tg C,其中,竹林地上碳储量高值区域主要分布在安吉、临安、龙游等竹产业发达地区.竹林地上碳储量的变化与温度、降水、辐射、CO₂浓度、大气N沉降5个环境因子显著相关,降水量和温度与碳储量的偏相关系数较大.     

基于NOAA-AVHRR数据的中国东部地区植被遥感分类研究

该文采用 19幅 (时间跨 8个月 ) 时间序列的NOAA_AVHRR的归一化植被指数 (NDVI) 最大值合成影像遥感数据, 经过主分量分析 (Principlecomponentanalysis, PCA) 处理后, 用非监督分类方法的ISODATA算法, 对中国东部地区的 (五省一市 ) 植被进行分类, 结果可以分出 2 8种土地覆盖类型, 除了两种类型为水体和城市或裸地外, 其余 2 6种类型均为植被类型, 根据中国植被分类系统, 这 2 6类可以归并为 6大植被类型 :1) 常绿阔叶林 ;2 ) 针叶林 ;3) 竹林 ;4 ) 灌草丛 ;5 ) 水生植被 ;6 ) 农业植被。用 1∶10 0 0 0 0 0数字化《中国植被图集》的植被类型检验遥感分类结果表明, 针叶林、灌草丛、常绿阔叶林和农业植被的分类具有较高的位置精度和面积精度, 位置精度分别为 79.2 %、91.3%、6 8.2 %和 95.9%, 面积精度分别达到 92.1%、95.9%、6 3.8%和 90.5 %。这 6大植被类型在地理空间上的分布规律与中国东部常绿阔叶林区植被的地带性分布基本一致。