基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类

高效而精确的湿地遥感分类是大范围湿地资源动态监测与管理的必要保障。本研究使用ETM 遥感数据,借助Matlab神经网络工具箱,构建了基于BP神经网络的滨海湿地覆被分类模型,并将其应用于江苏盐城沿海湿地珍禽国家级自然保护区的核心区的自然湿地覆被分类研究中。本研究选择3、4、7、8波段作为输入层变量,单隐藏层设为10个节点,输出层变量对应待划分的8种覆被类型,构建三层式BP神经网络滨海湿地覆被分类模型。结果显示,BP分类总精度为85.91%,Kappa系数为0.8328,与最小距离法和极大似然法的分类总精度相比,分别提高了7.99%和6.08%,Kappa系数也相比提高。研究结果表明,BP神经网络分类法是一种较为有效的湿地遥感影像分类技术,能够提高分类精度。     

基于多时相无人机遥感影像优化河口湿地景观分类

河口湿地具有丰富的生物多样性和高度异质化的景观格局。针对河口湿地景观的复杂性,采用传统的基于单幅遥感影像的分类方法并不能得到较好的分类结果。本研究采用多时相无人机遥感影像参与分类,以优化河口湿地景观自动分类结果。选择天目湖上游平桥河河口湿地为研究区,选取4个季节的无人机影像为基础数据源,采用面向对象与决策树相结合的分类方法,针对不同季节组合的影像进行分类。结果表明:采用多时相无人机影像能显著提升分类效果,且参与分类的时相越多,效果越好;单季影像中,春季是最适合进行景观分类的季节,分类总体精度为62.7%,Kappa系数为0.59;当4个季节获取的影像同时参与分类时,分类总体精度为91.7%,Kappa系数为0.90;参与分类的时相光谱特征差异越大,分类效果提升越明显。本研究可为河口湿地景观分类提供技术支持,并提出了一种利用可见光无人机遥感影像进行湿地景观分类的新思路。     

基于人工神经网络的生态环境质量遥感评价

利用ETM遥感数据提取反映生态环境的植被、土壤亮度、湿度,MODIS地表温度产品提取的热度指数、气象指数及其它地学辅助信息作为神经网络的输入,野外调查标准兴趣区的遥感本底值评分值作为网络输出,建立一个3层结构的BP神经网络生态环境遥感本底值预测模型.利用MATLAB软件对网络进行训练和研究区生态环境遥感本底值的预测输出,并将预测结果按照生态环境遥感本底值分级评分标准进行等级划分.结果表明,总体分类精度达87.8%.利用神经网络方法对生态环境遥感本底值进行预测是可行的.采用先预测再分级的方法不仅能很好地评价区域生态环境质量,而且能够和区域生态环境类型紧密的结合起来.     

上海盐沼植被的多季相地面光谱测量与分析

遥感是大尺度生态研究的重要工具之一,而地面植物群落特征与其光谱特征之间的关系是解译遥感影像的关键.研究选择上海崇明东滩候鸟自然保护区的盐沼植被为研究对象,使用ASD便携式地物光谱仪测定芦苇、互花米草、海三棱藨草和糙叶苔草4类主要群落的春、夏、秋各季冠层反射光谱,并计算生成350～1000nm的反射率曲线的一阶导数曲线,在此基础上分析反射率与一阶导数曲线在可见光与近红外波段以及物候特征的“绿峰”和“红边”等波段的差异.分析显示,不同盐沼群落在各生长季都有较独特的光谱特征,四类盐沼群落的光谱特征在季相上表现各异.上海地区盐沼植被各类群落的遥感识别和分类的适宜季相不尽相同,应用多季相影像进行综合分类可取得较好的效果.研究结果可为遥感监测外来种互花米草的空间分布与动态提供技术支撑,为高光谱遥感的影像判读和解译分类以及盐沼植被制图提供科学依据.     

基于多时相SAR数据和SPOT数据的盘古林场林分类型识别

林分类型信息的提取是遥感影像分类中的热点和难点。而大兴安岭地区又是我国重点林区和天然林主要分布区之一,植被类型丰富,种类繁多,为林分类型精确识别带来了很大的难度。为了比较和提高林分类型的分类精度,研究以大兴安岭地区盘古林场为实验区,综合利用SPOT-5影像和不同时相的RADARSAT-2全极化SAR影像,采用3种分类方案及最大似然分类方法对研究区遥感影像进行分类,并比较不同分类方案对林分类型识别的精度。3种方案分别是:(1)单独采用SPOT影像对林分类型进行识别;(2)对全极化SAR数据进行极化分解提取参数并结合SPOT数据参与分类;(3)结合SPOT数据与多时相全极化SAR分解参数进行分类。结果表明:对比SPOT、加入单时相和加入多时相3种方案的分类结果,方案三加入多时相SAR影像与SPOT数据对白桦林、落叶松林、樟子松林和云杉林的分类中总分类精度最高,为84.64%,Kappa系数为0.79,对林分类型的识别最为有效,而单用SPOT数据对林分类型识别的精度最低,精度为76.66%,Kappa系数为0.70。     

高分辨率影像支持的群落尺度沼泽湿地分类制图

湿地作为众多野生动物和植物的栖息地,具有稳定环境及物种基因保护等重要功能.但是,湿地复杂的水陆交界生境特征及难以进入等客观条件限制给湿地研究造成了很大的困难.因此,遥感技术作为地表生态环境过程参量获取的重要工具,在当今湿地科学领域发挥着重要作用,特别是,当前高空间分辨率影像的性能与应用水平不断得到提高.以自然状态下的黑龙江三江平原洪河国家级自然保护区为研究对象,应用飞艇搭载的空间高分辨率摄像系统获取影像地面分辨率为0.13m的影像数据,主要结合面向对象分类方法,开展了基于湿地植物群落尺度的分类制图研究.结果表明:①因飞艇影像对植物形态、纹理等细致特征的刻画非常充分,沼泽植被型、草甸植被型和各种乔木、灌木植被型,都可以在合适的遥感分类方法下提取出来,总体分类精度能达到91.77％;②通过采用针对高分辨率影像面向对象的分类方法与传统的最大似然比遥感分类方法对比,前者达到很高的精度,而后者效果不理想,说明遥感分类方法的选择对于群落尺度湿地植物分类制图结果非常重要;③遥感分类制图的结果显示出研究区湿地植物群落分布格局受到水分环境梯度和微地貌的共同控制,呈现交替环带状分布规律.     

基于面向对象的QuickBird遥感影像林隙分割与分类

传统的实地调查和人工解译方法已经不能满足区域尺度的林隙获取,高空间分辨率遥感影像的出现为区域尺度的林隙获取提供了可能.本研究采用QuickBird高空间分辨率光学遥感影像,结合面向对象分类技术对福建省三明市将乐县将乐国有林场进行林隙分割与分类.在面向对象分类过程中,采用10种尺度(10~100,步长为10)对QuickBird遥感影像进行分割,应用参考对象相交面积(RA_or)和分割对象相交面积(RA_os)进行分割结果评价.对每个尺度分割结果应用16个光谱特征,采用向量机分类器(SVM)进行林隙、非林隙和其他类型分类.结果表明:通过RA_or和RA_os等值法获得最优分割尺度参数为40.不同尺度参数之间的分类总精度最高相差22%.在最优尺度下,应用SVM分类器对林隙、非林隙和其他类型分类的总精度高达88%(Kappa=0.82).采用高空间分辨率遥感数据并结合面向对象的方法,可以代替传统的实地调查和人工解译对区域尺度的林隙进行识别分类.     

应用间接排序识别盐沼植被的光谱特征:以崇明东滩为例

遥感技术已成为大尺度植被分类的重要手段,而地面植物群落特征与其光谱特征之间的关系是解译遥感影像的关键。该研究选择上海崇明东滩自然保护区的盐沼植物群落为对象,应用ASD地物光谱仪测定其植物群落的光谱反射率,并采用10个小型机载成像光谱仪(CASI)默认植被波段组,应用主分量分析法和相关分析分析了不同群落光谱特征与生态环境因子之间的关系。分析结果表明,间接排序法PCA能够识别盐沼植被中光滩、海三棱 草(Scirpus mariqueter)群落、芦苇(Phragmites australis)群落和互花米草(Spartina alterniflora)等群落的光谱特征,绝大多数盐沼湿地植物群落组成与光谱特征之间有显著的相关,识别效果最好的波段组是736~744 nm、746~753 nm、775~784 nm、815~824 nm和860~870 nm;对光谱反射率影响最大的生态环境因子分别是植物群落的高度和盖度,高程和其它环境因子的影响次之。研究成果可为遥感监测崇明东滩自然保护区内入侵种互花米草的空间分布和扩散规律提供技术支撑,为高光谱遥感影像的影像判读和解译分类以及盐沼湿地植被制图提供科学依据。     

应用神经网络和多谱段遥感数据对大屿山岛土地覆盖分类的研究

 土地覆盖是植物群落研究的重要参数,反映植物群落的生长状况及其所处生存环境的优劣。小尺度常规的测定方法费力、费时,而且是破坏性的,不能动态监测其变化。而对于大尺度的测定,常规方法无能为力,只能采用遥感方法。应用人工神经网络和多谱段遥感数据对香港大屿山岛进行土地覆盖的分类,设计了一个合适的多层感知器前向反馈神经网络用于土地覆盖分类,并将分类结果与传统的最大似然分类方法所得的结果作比较,结果表明神经网络方法在分类精度上有了很大的提高。     

基于无人机高光谱影像和深度学习算法的长白山针阔混交林优势树种分类

快速、准确识别树种及其分布格局是森林资源经营管理和生物多样性保护的基础和前提。与传统实地调查的方法相比,近年来飞速发展的近地面遥感技术可以灵活、高效和便捷地获取高分辨率高光谱遥感影像,而如何从包含丰富信息的诸多特征中选择信息量大且冗余度低的特征进行树种自动识别,是当前研究亟待解决的问题。本研究以长白山25 hm~2温带针阔混交样地为主要研究平台,于2019年8月使用无人机搭载的光谱传感器获取面积为6 hm~2的高光谱影像,选择红松、春榆、蒙古栎、水曲柳、大青杨和紫椴6种林冠层树种作为实地标记树种,使用实时载波相位差分技术对所选目标树种进行精确定位,结合2019年样地复查结果对研究区的影像进行目视解译,分别使用卷积神经网络法、最大似然法和马氏距离3种分类方法进行冠层树种的自动分类研究。结果表明：(1)卷积神经网络的树种分类总体精度和Kappa系数(99.85%、0.998)优于最大似然法(89.11%、0.86)和马氏距离法(79.65%、0.75)。(2)在3种分类方法中,单个优势树种分类精度均在卷积神经网络中为最高精度,红松、春榆、蒙古栎、水曲柳、大青杨和紫椴的最高分类精度分别为10...     

1985-2015年向海沼泽湿地斑块稳定性的空间变化

湿地稳定性对湿地生态系统的结构和功能起着至关重要的作用。为了研究湿地斑块稳定性的区域分异规律及时空动态变化,采用专家打分法,在斑块尺度上构建了湿地斑块稳定性模型,并以遥感影像为数据源,对1985-2015年的向海自然保护区及其周边地区沼泽湿地斑块稳定性的时空变化进行研究。结果表明：1985年与2015年的沼泽湿地斑块稳定性呈现中部最强、东部最弱、西部较强的特点;1985-2015年间研究区沼泽湿地斑块稳定性总体向东偏移,空间集聚性增强;1985-2015年研究区沼泽湿地斑块稳定性呈上升趋势,空间结构性变弱,离散程度增强;1985年沼泽湿地斑块稳定性由核心区向外逐渐递减,而2015年实验区的沼泽湿地斑块稳定性大于缓冲区。研究结果向海自然保护区及其周边地区沼泽湿地的规划与管理提供合理性建议。     

吉林西部自然保护区湿地生态效益及生态恢复评价

为了对吉林省西部自然保护区湿地生态效益及生态恢复情况进行科学评价,基于生态系统服务价值理论和突变理论构建湿地生态效益评价指标体系,结合生态效益的多元性特征,应用层次分析法和熵值法等多目标规划与决策方法,参照研究区2001年的生态效益研究成果,对其2005和2012年现状生态效益及其生态恢复情况进行评价.结果显示： 2005年以来莫莫格保护区的湿地生态效益水平很高,查干湖、向海保护区湿地生态效益处于较高水平,大布苏保护区湿地生态效益水平一般.突变级数法、层次分析法、熵值法等多目标规划与决策方法结合应用,能够科学地体现湿地生态效益的动态性和整体性,准确地反映研究区生态恢复的客观实际情况;近年来吉林省西部自然保护区的生态保护与环境治理工作初见成效,主要保护区的湿地生态系统对人为增益性干扰积极响应,湿地整体效益得到恢复和提高.     

自然保护区退牧还草生态补偿标准——以向海国家级自然保护区为例

我国部分自然保护区中拥有大面积草原,但由于过度放牧,面临草原面积减少、质量下降等问题,其重要原因之一是缺少合理的补偿标准导致牧民生计得不到有效保障,偷牧行为屡禁不止。研究制定自然保护区的退牧还草生态补偿标准、完善补偿机制,对于提高我国自然保护区内草原的生态环境质量、改善牧民生计具有重要意义。以我国自然保护区草原生态环境破坏的典型案例--吉林向海国家级自然保护区为例,构建自然保护区退牧还草生态补偿标准制定框架,包括识别影响保护区牧民退牧还草意愿的关键因素,遴选生态补偿标准计算方法;根据草原承包经营权、保护区功能分区、草原利用情况等对补偿客体进行分类;制定针对不同客体的多种补偿标准方案,并提出其优先序。研究结果显示：影响向海国家级自然保护区牧民退牧还草的关键因素为文化程度、务农人口比例、原有牲畜数量和已退养牲畜数量。核心区、缓冲区内未承包草原放牧的牧民的最佳补偿标准为833元 羊单位^-1 a^-1;核心区、缓冲区内承包草原放牧的牧民的最佳补偿标准为913元 羊单位^-1 a^-1;核心区、缓冲区内承包草原未放牧的牧民的最佳补偿标准为120元 羊单位^-1 a^-1;实验区牧民的最佳补偿标准则在核心区、缓冲区三类牧民的补偿基础上扣除牧民承包草原的理论载畜量后进行计算。建议完善牧民基本情况统计制度、拓展补偿资金来源、创新多元化补偿方式并建立动态化补偿标准调整机制。     

格氏栲自然保护区常绿阔叶林群落的数量分类

基于对群落22个样地的调查,以群落样地中乔木层树种的重要值为指标,采用纸条排队法、群落相似系数分类法、最近邻体法和组平均法对格氏栲自然保护区常绿阔叶林群落进行数量分类。结果表明:4种分类结果基本相似,格氏栲自然保护区常绿阔叶林群落样地可分为格氏栲群系、米槠群系、甜槠群系、刨花楠群系、沉水樟群系、观光木群系和闽楠群系等7个群系,并论述了各群系的群落学特征,各群系基本处于稳定的顶极阶段。     

云南纳帕海越冬黑颈鹤日间行为模式与年龄和集群的关系

2006年10月—2007年5月,在云南省西北部纳帕海,采用路线调查结合瞬时扫描行为取样法,对越冬黑颈鹤(Grus nigricollis)种群的时间分配及其与年龄、集群和时间的关系进行了观察。结果说明,黑颈鹤越冬活动主要是以觅食为主,占日间时间的(76.81±9.1)％。越冬期间黑颈鹤日间行为的节律性较为明显,具有适应高寒气候的特点。集群形式对成鹤的行为有着显著影响,集群和家庭中活动的成鹤在觅食、警戒和争斗中存在显著差异(F1,76= 0.27、0.77, U= 279, P= 0.001—0.000)。年龄是影响鹤群行为的因素之一。幼鹤相比成鹤有较多的觅食时间和休息时间,警戒行为比例较低(F1,76= 0.04—2.59, U= 188—299, P= 0.006—0.000),且不受集群形式的影响。随着越冬期间的早、中、晚3个时期的环境变化,黑颈鹤的时间分配有显著变化(F2,36= 4.63—26.54, 22= 5.29—13.68, P= 0.0016—0.000)。不同越冬地的黑颈鹤行为存在差异。气候、食物资源和人为影响可能是造成这些差异的主要因素。     

高山雪鸡繁殖期觅食和警戒行为的性别差异

2004年和2005年的4～7月,采用聚焦取样的方法,观察研究了甘肃省东大山自然保护区和盐池湾自然保护区高山雪鸡(Tetraogallus himalayensis)繁殖期的两性觅食频率和警戒行为。研究表明,无论是繁殖前期还是孵卵期,雌鸟的觅食频率均高于雄鸟,警戒性则低于雄鸟,而且均有显著差异(P<0.05),同性雪鸡在不同时期的差异不显著(P>0.05);高山雪鸡的雄鸟不参与孵卵和育雏,但在雌鸟产卵和孵卵期担任警戒。另外,本文对野生高山雪鸡的警戒行为进行了分类。     

Application of self-organizing neural networks to classification of plant communities in Pangquangou Nature Reserve, North China

Vegetation classification is an important topic in plant ecology and many quantitative techniques for classification have been developed in the field. The arti-ficial neural network is a comparatively new tool for data analysis. The self-organizing feature map (SOFM) is powerful tool for clustering analysis. SOFM has been applied to many research fields and it was applied to the classification of plant communities in the Pangquangou Nature Reserve in the present work. Pangquangou Nature Reserve, located at 37°20'-38°20' N, 110°18'-111°18' E, is a part of the Luliang Mountain range. Eighty-nine samples (quadrats) of 10 m x 10 m for for-est, 4 m × 4 m for shrubland and 1m x 1m for grass-land along an elevation gradient, were set up and species data was recorded in each sample. After discussion of the mathematical algorism, clustering technique and the pro-cedure of SOFM, the classification was carried out by using NNTool box in MATLAB (6.5). As a result, the 89 samples were clustered into 13 groups representing 13 types of plant communities. The characteristics of each community were described. The result of SOFM clas-sification was identical to the result of fuzzy c-mean clus-tering and consistent with the distribution patterns of vegetation in the study area and shows significant eco-logical meanings. This suggests that SOFM may clearly describe the ecological relationships between plant com-munities and it is a very effective quantitative technique in plant ecology research.     

集成的专家系统和神经网络应用于大熊猫生境评价

充分了解大熊猫生境的时空格局及其变化,对有效保护大熊猫非常重要.绘制生境图既是野生动物生境评价和监测的一个有效方式,也是一个必要的步骤.新发展起来的人工智能方法(包括专家系统和神经网络方法),在模拟复杂系统过程中能够同时综合定性和定量信息,并可集成于GIS中,有助于大熊猫复杂生境的制图及评价.为了对大熊猫生境进行评价,本文建立了一个较全面的综合制图方法,将专家系统、神经网络和多类型数据全部集成在GIS环境下.结果表明,采用专家系统和神经网络集成方法绘制的大熊猫生境图的精度达到80％以上,高于单一的专家系统方法、神经网络方法和传统的最大似然法制图的精度.Z统计方法也证实了新建立的专家系统和神经网络集成方法要显著好于3种单一方法.     

向海自然保护区丹顶鹤生境结构空间特征

丹顶鹤为国家一级保护珍稀禽类,是向海自然保护区重点保护对象。在我国乃至世界范围的丹顶鹤保护中占有重要的地位。近年来,由于自然条件和人类活动的干扰,丹顶鹤的天然家园．沼泽湿地发生退化,其生存受到威胁,丹顶鹤的数量波动变化较大。为了有效地保护丹顶鹤有必要详细了解和掌握其生境结构的空间特征和变化特点,以了解丹顶鹤的生境动态。在RS、GIS技术和统计分析方法的支持下,运用景观生态学方法对向海自然保护区丹顶鹤生境空间结构特征从景观特征、生境斑块空间关系和生境破碎化3个方面进行分析。选择景观斑块面积、周长、斑块大小以及斑块密度等描述保护区景观格局基本特征。利用斑块的邻接边界长度和斑块间隙指数分析丹顶鹤生境——沼泽斑块的空间邻接关系和聚集程度,数据表明沼泽斑块与人类活动频繁的耕地邻接较为紧密,而自身的间隙指数自20世纪70年代以来有明显增大趋势。分析了由于自然原因和人为活动影响所造成的丹顶鹤生境斑块的空间破碎化程度。计算结果表明,由于沼泽生境自身条件的限制,研究区内物理性破碎化减少的生境面积为2039．6hm^2,人为破碎化（居民地和道路）减少的生境面积为3845．1hm^2,这样研究区内丹顶鹤适宜生境面积为13680．1hm^2,可见人类活动对丹顶鹤生境影响很大。研究为保护区内丹顶鹤物种的保护和生境管理提供重要的科学依据。