基于多源高分辨率遥感数据的人工林树种分类研究
发布时间：2020-10-20 08:47
树种的精细分类对于人工林的资源管理和信息提取至关重要,遥感数据因其覆盖广、具有重复探测能力等特点已经成为了树种制图的重要数据源。近年来,高分辨率数据也用于人工林的提取,但大部分是针对单一的类别或树种,多树种精细分类的研究仍然很少。本文以内蒙古旺业甸为研究区,从多时相ZY-3多光谱和立体像对数据中,提取五种类型的变量:(1)基于像素光谱的特征,例如光谱波段、植被指数;(2)基于空间的特征,例如图像纹理;(3)时相特征,例如生长季和落叶季;(4)基于立体像对提取的高度特征,反映不同的林分立地特征;(5)地形因子,例如高程、坡度和坡向。对比分析不同时相数据(落叶季、生长季、两期数据结合)、不同变量组合(V1-光谱波段;V2-V1+植被指数、图像纹理、分割变量、地形变量;V3-V2+林分结构变量)和不同分类算法(最大似然法(MLC)、人工神经网络(ANN)、k最近邻(kNN))、决策树(DT)、随机森林(RF)和支持向量机(SVM))对树种精细分类的影响,结果表明:(1)相比于仅使用光谱波段,多源变量的组合能提高总体地类和森林的分类精度,其中,总体精度提高3.7-15.5%,森林总体精度提高1.0-12.7%,使用支持向量机时,取得最高总体精度为84.5%,使用最大似然法时,取得最高的森林总体精度为89.2%;(2)多时相数据的结合可以提高分类精度,相比于使用单期数据,多时相数据结合时,总体精度提高了7.8-15.0%,森林总体精度提高了6.0-11.8%;(3)仅使用光谱变量时,最大似然法比机器学习算法取得更高的总体精度;但是当使用多源变量时,随机森林和支持向量机等机器学习算法的总体精度要高于最大似然法;林分结构变量的加入,对白桦和樟子松的分类精度有所提高,其他树种的精度没有明显变化;(4)对于单树种,油松、樟子松、红松、杨树和榆树、其他阔叶的树种精度在92%以上,落叶松和白桦的树种精度分别为87.3%和84.5%,但是,这些单树种的最高树种精度来自不同的数据源和分类算法,没有单一的分类算法可以为所有的树种提供最高的树种精度。本研究的目的是为总体地类、森林和单树种分类识别合适的变量和分类算法,研究表明同一数据或分类算法不能为所有的地类提供最佳的分类精度,在以后的研究中可以尝试使用分层分类的方法,分别使用单树种对应的最佳变量和分类方法。
【学位单位】：浙江农林大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S725.7;S757.2
【部分图文】：
（1）以多时相 ZY-3 数据为基础，选择生长季数据、落叶季数据和两期数据结合共三种数据方案，探究不同时相数据对树种精细分类的影响；（2）从多光谱和立体像对种共提取五种类型的变量：①基于像素的光谱特征，例如光谱波段、植被指数；②基于空间的特征，例如图像纹理，图像分割变量；③时相特征，例如生长季和落叶季；④基于立体像对提取的高度特征，反映不同的林分立地特征；⑤地形因子，例如高程、坡度和坡向。设计三种不同的变量组合：V1-光谱波段；V2-V1+植被指数、图像纹理、分割变量、地形变量；V3-V2+高度特征。探究光谱波段、多源变量组合、立体像对计算的相对树高等不同变量对树种精细分类的影响；（3）分别使用最大似然法、人工神经网络、k 最近邻、决策树、随机森林和支持向量机六种分类算法进行分类，探究不同分类算法对树种精细分类的影响。1.3.3 技术路线本文技术路线如图 1.1 所示，主要包括：（1）数据收集及预处理；（2）变量的提取和筛选；（3）分类方法的选择；（4）分类方案设计和分类结果精度验证。
图 2.1 研究区地理位置Figure 2.1 Location of the study area2.2 样地数据的收集与处理野外调查数据是选择训练样本和验证样本的基础，本研究中的野外调查数据为2017 年 9 月获取，在野外调查前，通过分析研究区的林相图，道路分布图及高分辨率卫星数据， 确定外业勘察的路线及典型区的外业调查地点。共采集林场内 112 个样点，每个样点包括空间位置和周围树种分布信息，主要的人工林种类有落叶松、油松、樟子松等，主要的阔叶树种有白桦、杨树、榆树等，其中分布最为广泛的人工林为落叶松和油松，这些人工林中一部分为林场所有，一部分为个人所有，个人栽种的以落叶松为主。样地数据的空间位置及属性，是森林精细分类的基础，本次考察获取的样地数据基本覆盖整个研究区范围，将外业调查获取的林分种类、树种、地理位置等信息汇总成地理空间信息数据，汇总入数据库，每个样点的位置如图 2.1 所示。2.3 遥感数据的收集与预处理
图 2.2 主要树种在不同时相数据中的光谱特征，（1）生长季；（2）落叶季；（a）白桦；（b）油松；（c）其他阔叶；（d）落叶松Figure 2.2 A comparison of color composites in leaf-on season (1) and leaf-off season (2) showingdifferent representations of four tree species classes: birch (a) Chinese pine (b) a composite of differentbroadleaf tree species (c) and larch (d)2.3.2 遥感数据预处理遥感数据多光谱影像的预处理主要包括辐射定标、大气校正、正射校正、图像配准、图像融合和地形校正。（1）辐射定标卫星传感器获取的原始数据记录的是地物的灰度值，是一个无量纲的整数值，值的大小受卫星传感器、地物和大气等各种因素的影响。使用遥感影像进行各种生产应用的第一步首先要进行辐射定标，即将原始图像的灰度值转换为表观反射率。表观反射率是消除了传感器本身误差之后的大气层顶的反射率。本研究中根据已发布的ZY3-02 星的辐射定标系数进行辐射定标。
【参考文献】
本文编号：2848470
【学位单位】：浙江农林大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：S725.7;S757.2
【部分图文】：
（1）以多时相 ZY-3 数据为基础，选择生长季数据、落叶季数据和两期数据结合共三种数据方案，探究不同时相数据对树种精细分类的影响；（2）从多光谱和立体像对种共提取五种类型的变量：①基于像素的光谱特征，例如光谱波段、植被指数；②基于空间的特征，例如图像纹理，图像分割变量；③时相特征，例如生长季和落叶季；④基于立体像对提取的高度特征，反映不同的林分立地特征；⑤地形因子，例如高程、坡度和坡向。设计三种不同的变量组合：V1-光谱波段；V2-V1+植被指数、图像纹理、分割变量、地形变量；V3-V2+高度特征。探究光谱波段、多源变量组合、立体像对计算的相对树高等不同变量对树种精细分类的影响；（3）分别使用最大似然法、人工神经网络、k 最近邻、决策树、随机森林和支持向量机六种分类算法进行分类，探究不同分类算法对树种精细分类的影响。1.3.3 技术路线本文技术路线如图 1.1 所示，主要包括：（1）数据收集及预处理；（2）变量的提取和筛选；（3）分类方法的选择；（4）分类方案设计和分类结果精度验证。
图 2.1 研究区地理位置Figure 2.1 Location of the study area2.2 样地数据的收集与处理野外调查数据是选择训练样本和验证样本的基础，本研究中的野外调查数据为2017 年 9 月获取，在野外调查前，通过分析研究区的林相图，道路分布图及高分辨率卫星数据， 确定外业勘察的路线及典型区的外业调查地点。共采集林场内 112 个样点，每个样点包括空间位置和周围树种分布信息，主要的人工林种类有落叶松、油松、樟子松等，主要的阔叶树种有白桦、杨树、榆树等，其中分布最为广泛的人工林为落叶松和油松，这些人工林中一部分为林场所有，一部分为个人所有，个人栽种的以落叶松为主。样地数据的空间位置及属性，是森林精细分类的基础，本次考察获取的样地数据基本覆盖整个研究区范围，将外业调查获取的林分种类、树种、地理位置等信息汇总成地理空间信息数据，汇总入数据库，每个样点的位置如图 2.1 所示。2.3 遥感数据的收集与预处理
图 2.2 主要树种在不同时相数据中的光谱特征，（1）生长季；（2）落叶季；（a）白桦；（b）油松；（c）其他阔叶；（d）落叶松Figure 2.2 A comparison of color composites in leaf-on season (1) and leaf-off season (2) showingdifferent representations of four tree species classes: birch (a) Chinese pine (b) a composite of differentbroadleaf tree species (c) and larch (d)2.3.2 遥感数据预处理遥感数据多光谱影像的预处理主要包括辐射定标、大气校正、正射校正、图像配准、图像融合和地形校正。（1）辐射定标卫星传感器获取的原始数据记录的是地物的灰度值，是一个无量纲的整数值，值的大小受卫星传感器、地物和大气等各种因素的影响。使用遥感影像进行各种生产应用的第一步首先要进行辐射定标，即将原始图像的灰度值转换为表观反射率。表观反射率是消除了传感器本身误差之后的大气层顶的反射率。本研究中根据已发布的ZY3-02 星的辐射定标系数进行辐射定标。
【参考文献】
相关期刊论文 前8条
1 吴长波;马成功;;奋斗六十载 圆梦旺业甸——内蒙古自治区赤峰市旺业甸实验林场发展纪实[J];国土绿化;2015年07期
2 汪小钦;王苗苗;王绍强;吴云东;;基于可见光波段无人机遥感的植被信息提取[J];农业工程学报;2015年05期
3 吴飏;张登荣;张汉奎;武红敢;;结合图像纹理特征的森林郁闭度遥感估测[J];林业科学;2012年02期
4 蔡曙光;董建林;马玉明;;气象因子对喀喇沁旗油松飞播造林成效的影响[J];内蒙古林业科技;2009年01期
5 国庆喜;;中国人工林栽培现状与发展趋势[J];AMBIO-人类环境杂志;2000年06期
6 祁英,白楷姝,王本俊,王瑞杰,崔吉吉;TM卫片在森林资源规划设计调查中的应用研究[J];内蒙古农业大学学报(自然科学版);1999年04期
7 吴国祥;;旺业甸实验林场经营有方[J];内蒙古林业;1989年01期
8 赵献英;喀喇沁旗植被的过渡性及牧业生产的有利条件[J];自然资源;1987年03期
本文编号：2848470
本文链接：https://www.wllwen.com/nykjlw/lylw/2848470.html
