基于多源遥感数据的面向对象林分类型识别

林分类型的识别是森林资源监测的核心问题之一.为研究多源遥感数据协同的面向对象林分类型分类识别,采用Radarsat-2数据和QuickBird遥感影像协同进行面向对象分类.在面向对象分类过程中,采用3种分割方案:单独使用QuickBird遥感影像分割;单独使用Radarsat-2数据分割;Radarsat-2&QuickBird协同分割.3种分割方案均采用10种分割尺度(25～250,步长25),应用修正的欧式距离3指标评价不同分割方案的分割结果,确定最优分割方案及最优分割尺度.在最优分割结果的基础上,基于地形、高度、光谱及共同特征的不同特征组合,应用带有径向基(RBF)核函数的支持向量机(SVM)分类器进行杉木林、马尾松林、阔叶林3种林分类型识别.结果表明:与单独使用一种数据相比,Radarsat-2数据和QuickBird遥感影像协同方案在面向对象林分类型分类方面具有优势.Radarsat-2&QuickBird协同分割方案,以最优尺度参数100进行分割时,分割结果最好.在最优分割结果的基础上,应用两种数据源提取的全部特征进行面向对象林分类型识别的精度最高(总精度为86%,Kappa值为0.86).本研究结果不仅可为多源遥感数据结合进行林分类型识别提供参考和借鉴,而且对于森林资源调查和监测有现实意义.     

What is the Value of a Good Map? An Example Using High Spatial Resolution Imagery to Aid Riparian Restoration

Riparian areas contain structurally diverse habitats that are challenging to monitor routinely and accurately over broad areas. As the structural variability within riparian areas is often indiscernible using moderate-scale satellite imagery, new mapping techniques are needed. We used high spatial resolution satellite imagery from the QuickBird satellite to map harvested and intact forests in coastal British Columbia, Canada. We distinguished forest structural classes used in riparian restoration planning, each with different restoration costs. To assess the accuracy of high spatial resolution imagery relative to coarser imagery, we coarsened the pixel resolution of the image, repeated the classifications, and compared results. Accuracy assessments produced individual class accuracies ranging from 70 to 90% for most classes; whilst accuracies obtained using coarser scale imagery were lower. We also examined the implications of map error on riparian restoration budgets derived from our classified maps. To do so, we modified the confusion matrix to create a cost error matrix quantifying costs associated with misclassification. High spatial resolution satellite imagery can be useful for riparian mapping; however, errors in restoration budgets attributable to misclassification error can be significant, even when using highly accurate maps. As the spatial resolution of imagery increases, it will be used more routinely in ecosystem ecology. Thus, our ability to evaluate map accuracy in practical, meaningful ways must develop further. The cost error matrix is one method that can be adapted for conservation and planning decisions in many ecosystems.     

综合面向对象与决策树的毛竹林调查因子及碳储量遥感估算

综合面向对象和CART决策树方法,对浙江省安吉县山川乡毛竹林分布信息及胸径、树高、郁闭度等调查因子和地上部分碳储量进行遥感定量估算.结果表明: 综合基于多尺度分割的对象特征及决策树,能够充分利用不同尺度层次信息关联的优势,实现毛竹林专题信息高精度提取,其用户精度达到89.1%;基于对象特征构建的毛竹林调查因子回归树估算模型,其估算结果均能达到正常或较好水平,其中,郁闭度回归树模型的精度最高为67.9%,估算效果较好;而平均胸径和树高估算的总精度相对较低,这与采用光学遥感数据进行森林树高、胸径估算达不到理想结果的结论一致;毛竹林地上部分碳储量回归树模型的估算结果较好,高值区域估算精度达到80%以上.     

1990—2015年三江平原生态功能区水禽栖息地适宜性动态

作为国际重要湿地,三江平原生态功能区是重要的水禽栖息地.随着人类活动干扰、土地利用和全球气候变化,栖息地适宜性逐渐引起生态学家的重视.本文以Landsat TM/ETM+/OLI和HJ-1B为遥感信息源,采用面向对象分类方法提取土地覆被空间信息;采用综合熵值法和层次分析法确定水源状况(湖泊和河流密度)、干扰条件(居民地和道路密度)、遮蔽物(土地覆被类型和坡度)和食物丰富度(NDVI)等因子的权重;根据水禽栖息地适宜性评价系统获得三江平原生态功能区1990、2000、2010和2015年水禽栖息地适宜性结果,并分析其时空分布和变化特征及驱动因素.结果表明: 近25年间,三江平原生态功能区水禽栖息地适宜性最好区域面积减少3.2%,主要由于湿地开垦和退化;适宜性最好区域空间分布特征明显,主要分布于黑龙江、挠力河、乌苏里江、穆棱河以及兴凯湖等水补给充足的沿岸区域.适宜性良好的区域主要分布在饶河县,到2010和2015年,虎林县和抚远县也变为适宜性良好区域的重要分布区,主要由于该区水田面积大幅增加.适宜性一般区域分布较零散,其面积先增加后减少.适宜性差的区域面积在1990—2000年间增加6.7%,2000—2015年间减少3.1%.土地覆被变化是水禽栖息地适宜性等级变化的最重要影响因素;人口和经济增长以及气候的变干、变暖使水禽栖息地适宜性降低;保护区的建立使水禽栖息地得到有效保护.     

城市乔木树种多样性遥感反演方法研究

量化城市乔木树种多样性是定量研究其生态系统服务的前提和基础。目前,城市树种多样性水平的定量研究以地面调查方法为主,存在效率低、成本高的问题。针对上述问题,首先验证了光谱变异性假说和生产力假说在城市中的适用性,进而提出了快速量化城市树种多样性水平的方法。该方法基于神经网络刻画了乔木斑块多样性与光谱异质性之间的关系,能够较准确地反演城市乔木的香浓维纳指数和辛普森指数。为城市乔木树种多样性的调查提供了新的思路,并将为定量研究城市乔木多样性的生态系统服务提供基础数据。     

辅助数据在面向对象分类方法中的应用——以密云水库上游为例

密云水库上游位于华北平原向蒙古高原的过渡带内,自然条件差异大,人类活动对该区域影响显著。因此,对该地区土地覆盖类型遥感监测方法的研究具有典型的指导意义。基于高分辨率遥感影像,着重探讨辅助数据在面向对象分类方法中的应用,对密云水库上游地区的土地覆盖进行分类提取。结果显示,研究区内共包含26类土地覆盖类型,其中落叶阔叶灌木林、落叶阔叶林、草丛以及旱地,这4种类型的面积占总面积的85%,是全区的主要土地覆盖类型。在分类时,采用多源异构辅助数据,研究了北方山区常绿针叶林、旱地等土地覆盖类型的识别方法,有效降低了"同物异谱"和"同谱异物"现象对分类精度的影响。