共查询到20条相似文献，搜索用时 531 毫秒
1.
2.
【目的】采用无人机遥感技术对古尔班通古特沙漠南缘荒漠林的大沙鼠洞密度进行监测,探究大沙鼠鼠洞航空影像最佳解译方法,为快速解译低空遥感航拍鼠害数据提供解决途径。【方法】采用固定翼无人机搭载高清数码相机,获取0.024 m空间分辨率的航空影像,预处理得到TDOM影像;分别采用人工目视解译、最大似然分类方法及面向对象分类方法,对TDOM影像进行解译,进而提取鼠洞空间分布信息,然后分析评价各方法在荒漠林鼠洞提取中的适用性和分类精度。【结果】对比3种解译方法发现,人工目视解译准确度高,但工作量太大;最大似然分类方法的分类精度较低,不适用;而面向对象分类方法不仅分类精度与人工目视解译结果基本吻合,而且很大程度上提高了大数据的处理速度,提高了大面积鼠害遥感监测的效率。【结论】无人机遥感技术在荒漠林大沙鼠灾害监测中有很好的适用性和应用潜力,为今后采用低空遥感技术进行鼠害监测提供了参考。 相似文献
3.
喜德县林地变更调查是在四川省林地"一张图"基础上,以2009年林地保护利用规划数据为基础,2009年的SPOT-5影像(分辨率2.5 m)、2010年ALOS影像(分辨率2.5m)、2014年度国土遥感影像数据为信息源,利用GIS软件进行遥感数据区划并进行现地核实。结合2016年喜德县最新森林资源规划设计调查初步成果,形成本期林地更新数据和林地变化数据,统计分析了林地动态变化原因,并对喜德县林地变更存在的问题提出了相应的建议。 相似文献
4.
陡坡耕地退耕还林是减少水土流失、改善生态环境的关键措施。为了使这项工作顺利进行 ,不仅需要按照国家政策规定退耕 ,而且还要搞好这些退耕地的造林作业设计。造林作业设计是退耕还林工程建设的必要程序 ,也是造林施工的依据 ,为了统一全市退耕还林作业设计方案 ,保证退耕还林技术方案的落实 ,在退耕还林作业设计中 ,应明确下列几个问题。1 退耕还林地、荒山荒地造林宜林地的确定1.1 退耕还林地的确定对于水土流失严重或者粮食产量低而不稳的耕地、沙化地或生态重点治理区的坡耕地 ,都属于退耕还林地的范畴。属于基本农田范围的耕地不能… 相似文献
5.
根据2000年以来,云南省利用美国TM、印度IRS-P6、法国SPOT-5三种卫星影像进行森林资源调查地类分类的应用实践,提出3种卫星影像在森林资源地类分类划分中的优缺点,以及提高卫星影像在森林资源调查中地类分类精度的方法、建议。 相似文献
6.
以IRS-P 6为遥感数据源,对湖北武汉地区进行了波段组合和遥感制图研究.采用统计分析的方法计算各波段的熵、标准差以及波段之间的相关系数矩阵,采用联合熵法和最佳指数法选择最佳波段组合方式,通过影像空间分辨率分析、基于像素级的分类精度评价和图斑面积解译精度检验三个方面评价了IRS-P 6影像的制图精度.结果表明：IRS-P 6影像各波段熵的大小顺序为：波段4〉波段5〉波段2〉波段3,标准差的大小顺序为：波段2〉波段4〉波段5〉波段3,最佳波段组合方式为：5（R）4（G）2（B）;采用最大似然监督分类方法进行分类的总体精度达93.50%,K appa系数达0.87;利用Q u ickB ird影像对IRS-P 6影像各地类图斑面积解译精度进行检验,总体精度达88.31%;IRS-P 6影像是遥感应用领域中5 m分辨率卫星数据的补充,适合于1∶2.5万、1∶5万等中等比例尺图件的制作. 相似文献
7.
多源数据林地类型的精细分类方法 总被引：1，自引：0，他引：1
《林业科学》2016,(6)
【目的】探讨复杂中山区域、多源数据支持下,高空间分辨率遥感影像林地类型层次化精细分类方法,以促进高分辨率遥感数据在森林资源调查与监测方面的深入应用。【方法】以嘉陵江上游甘肃省小陇山林业实验局百花林场为研究区,以SPOT5和高分一号(GF-1)遥感影像为主要数据源,综合利用影像光谱特征、植被指数特征、纹理特征与时相特征、地形特征、森林资源"二类调查"成果数据与林相图等辅助信息,及典型地类与主要森林类型外业调查样本数据,发展针对暖温带典型天然次生林区、复杂山区地形条件下高空间分辨率遥感影像林地类型多层次信息提取与森林类型精细识别的有效方法。在分析不同时相影像光谱特征的基础上,构建并优选归一化植被指数(NDVI)、比值植被指数(RVI)、比值短波红外指数(RSI)、差值植被指数(DVI)4种植被指数特征和均值(ME)、同质性(HOM)、非相似性(DIS)、信息熵(ENT)、角二阶距(ASM)、相对峰值(RK)6种纹理特征,引入与主要森林类型空间分布相关的DEM高程值、坡度、坡向3个敏感地形因子,利用不同林地类型时相动态特征和辅助信息特征,在不同层次影像上分别采用适于该层待分信息类别的阈值法、支持向量机(SVM)、多分类器组合(MCC)、人工神经网络(ANN)分类方法,将各层分类结果合并获得整个研究区林地类型精细分类图。最后,采用分层随机抽样的独立检验样本对分类结果中7类林地类型进行精度验证,并对5类主要森林类型精细识别结果进行面积统计,与"二类调查"及影像解译结果各类型面积统计值进行对比分析,进一步从整体上检验分类方法的有效性和分类结果的可信度。【结果】本文所发展的分类方法对林地类型信息提取精度较高,有林地、其他林地、苗圃地等7类林地类型总体分类精度达92.28%,总Kappa系数为0.899 6;油松林、华山松林、日本落叶松林、栎类落叶阔叶林、其他落叶阔叶混交林5类主要森林类型面积统计结果的平均相对精度为92.4%。【结论】多源数据支持下的多层次林地类型精细分类方法是一种有效的林地类型信息精准监测方法,具有精度高和可信度高的优势,且森林类型精细识别详细程度达到优势树种(组)级别,是解决复杂山区林地类型精细分类与森林类型精细识别的一种有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。 相似文献
8.
传统影像解译方法在高分影像信息提取逐渐失去优势,而面向对象分类方法的信息提取能利用高分影像的纹理、光谱等空间信息,使其成为影像信息提取研究的热点。基于高分辨率航片对实验区域贵州省镇西厂地区使用eCognition软件进行面向对象分类方法的信息提取方案分析,重点讨论了航片的多尺度分割,分割最优尺度的确定,分类特征描述与应用、并进行分类精度评价等。同时,还使用ENVI软件基于像元的地类提取,对比两者分类结果与精度,面向对象的最邻近方法信息提取总体精度为89%,Kappa系数为87%,而面向像元的最大似然信息提取总体精度为78%,Kappa系数为75%,面向对象的信息提取结果更加接近人工目视解译,对高分影像的信息提取具有更好的优势。 相似文献
9.
林地落界是为了掌握林地的现有状况,为林地的保护利用规划提供重要的基础数据。高空间分辨率的遥感影像很大幅度地提高了室内林地落界的精度。该文是以高空间分辨率遥感影像为底图,在目视解译的方法上,结合二类调查基础数据,通过建立高清影像的判读解译标志,提取六合区林地,得到南京市六合区林地分布图,与基于中分辨率影像,采用面向对象的方法提取的林地分布图比较,并选取六合区龙袍镇为对象,分析比较了本次林地落界数据和二类调查数据的林地变化率和林地小班的差值变化。结果表明:0.5 m分辨率的影像能够达到将林地落实到田间地块的目的;六合区龙袍镇林地落界由林地到非林地变化率是15%,林地小班差值D的均值为0.24,说明利用高空间分辨率的遥感影像作为目视解译的底图,在林地地类识别和落界精度上都有较大的提高。 相似文献
10.
融合数据因其综合了不同遥感数据源的优势,充分协同利用了多源信息,被广泛应用于各个领域。SPOT-5遥感卫星集合了多重分辨率、多种遥感器于一身,该特点使得它在资源环境调查和规划与动态监测、地图制图与更新等领域得到广泛应用。本文从SPOT-5数据的自身融合和SPOT-5与ETM+数据融合两方面着手,利用遥感应用中常用的HIS变换、Brovey变换、HPF变换,探寻有利于植被识别的融合方法。结果表明:1)HPF变换对目视判读最为有利,依次是Brovey变换法、HIS变换法;2)SPOT-5数据自身融合的视觉效果优于SPOT-5与ETM+两种数据融合的;3)将植被分为5种类型,对SPOT-5自身融合影像进行目视判读,再通过实地验证,得出HPF变换、Brovey变换、HIS变换的加权精度分别为:82.99%、79.01%、71.02%。 相似文献
11.
面向对象的退耕还林造林效果遥感特征提取技术研究 总被引：3，自引：0，他引：3
以河北省张家口市2002年的退耕还林地为研究对象,以高空间分辨率(以下简称高分辨率)遥感(Quick-bird-快鸟,分辨率0.6m)为信息载体。运用严格的传感器物理模型对快鸟预正射影像进行正射处理,采用Median滤波、Gaussian滤波和均值滤波三种滤波技术对图像进行增强处理。采用面向对象的图像信息提取技术,提取退耕还林地树冠特征值,进而计算退耕还林造林保存率。研究结果表明:由遥感数据自动提取的树冠尺寸(直径)在1.2m以上,平均保存率为85.11%,精度达到了89.837%。 相似文献
12.
基于面向对象方法和SPOT5的丘陵山区林地分类研究 总被引：1，自引：0，他引：1
采用4种面向对象分类方法 (最邻近法、隶属度函数法、决策树和支持向量机),利用SPOT5影像对湖南省会同县部分地区进行林地类型提取。结合研究区林地类型,将分类提取6种林地类型、6种非林地类型,并相应地构建分类层次结构。通过比较4种面向对象方法的分类结果,发现最邻近法擅长提取对象特征相近的地物类型,更适合于丘陵地区的林地信息提取。其在南方丘陵山区进行林地信息提取精度显著高于其他3种方法,其总体分类精度可达76.12%(分12类),Kappa系数为0.73(分12类)。 相似文献
13.
14.
基于MERSI数据的山西森林覆盖监测 总被引：1，自引：0，他引：1
利用FY3-3A/MERSI可见光和近红外波段数据合成得到假彩色卫星数字图像,结合区域土地利用、植被类型及森林资源分布等数字化图件,在对图像进行目视解译及多波段数据非监督分类基础上,将地物覆盖划分为林地、冬小麦、水体和裸地4种类型;采用4种监督分类方法(最大似然分类法、平行算法、最小距离法和马氏距离法)进行地物分类;在分析分类结果可行基础上,依据区域森林覆盖数字化图件对林地分类结果进行精度评估,确定研究区域林地空间分布结果.结果表明:4种监督分类方法中,最大似然分类法分类结果的精度最高,达到85%,其次是最小距离和马氏距离法,平行算法的结果较差.可见,利用MERSI数据采用监督分类和非监督分类相结合的方法提取的山西省森林资源分布结果精度较高,符合实际情况,可作为区域宏观森林资源分布监测的有效手段. 相似文献
15.
16.
多源高分辨率卫星遥感影像监测林地动态变化研究 总被引：3，自引：2，他引：1
以内蒙古大兴安岭克一河林业局、吉文林业局林地动态变化监测为目标,应用多期国产高分辨率卫星遥感数据,辅以德国Rapid Eye、法国SPOT5和SPOT6、美国TM遥感影像;叠加占用征收林地资料、伐区作业设计、林木采伐许可证、林政案件资料、森林资源二类调查以及林地保护利用规划等专题数据资料。通过目视解译与提取识别,检测林地和林木的变化情况,结果表明:卫星遥感影像对林木采伐、占地、毁林开垦和森林灾害监测效果明显。 相似文献
17.
《中南林业调查规划》2016,(2)
在1999年SPOT 5遥感图像退耕还林本底解译成果数据的基础上,利用2011年SPOT 5遥感影像作为数据更新的资料,通过遥感图像数字处理和信息提取,对退耕还林工程进行评价。结果表明:1研究区朝着有利于生态环境改善的方向发展,森林覆盖率从63.31%升至63.94%,土地利用变化的突出特征是林地、草地的增加和陡坡耕地、宜林地的减少;2研究区土壤物理性质得到改良,养分含量明显提高,野生动物数量和年均河流量增加;3优化了农村经济产业结构,林业收入总体呈增加趋势。 相似文献
18.
利用QuickBird高分辨率影像,根据QuickBird影像自身特点,改进已有像元二分模型2个参数的估算方法,建立用NDVI归一化植被指数定量估算植被覆盖度的模型,并将该模型应用到退耕地中.结果表明:利用QuickBird影像监测退耕地的植被覆盖度受到退耕苗木树冠大小的限制,树龄小于1年的树木监测效果不佳;树龄大于2.5年的树木监测效果较好,精度可达83%以上,表明用此改进模型对2.5年以上退耕地进行植被覆盖度监测是可行的. 相似文献
19.
《林业科学》2017,(2)
【目的】针对森林资源遥感监测效果往往受森林类型识别分类方法的影响,提出一种基于元胞自动机的遥感影像森林类型分类方法,以提高Landsat-TM遥感影像的分类精度,为森林资源遥感监测提供技术支持。【方法】以小兴安岭带岭林业经营管理局为研究区,基于2010年Landsat5-TM影像数据和2012年森林资源二类调查数据,采用窗口法获取TM第5波段各待分类别的像元均值作为聚类中心,以元胞自动机的Moore模型为框架,以元胞为基本单位,以像元均值为对象,利用最小距离法求取进化规则(判断准则是中心元胞周围的8个元胞距每类聚类中心的距离最近且像元数量最多,则中心元胞属于该类别),充分考虑影像及地物之间的空间特征,采用元胞自动机分类方法进行森林类型的识别分类。同时,以相同的样本数,采用3层BP神经网络模型对TM遥感影像进行分类试验,并比较2种方法的分类效果。【结果】基于元胞自动机的分类方法总体分类精度为88.712 1%,Kappa系数为0.829 1,针叶林、阔叶林和针阔混交林的用户精度分别为73.60%,92.94%和94.13%,达到了区分针叶林、阔叶林和针阔混交林的分类目的。BP神经网络算法的总体分类精度为86.671 3%,Kappa系数为0.798 4,针叶林、阔叶林和针阔混交林的用户精度分别为69.22%,93.37%和90.76%。2种分类方法均可有效识别森林类型信息。【结论】元胞自动机模型应用于遥感影像森林类型识别分类可弥补因TM影像空间分辨率较低造成的遥感影像分类精度过低的问题,提高分类精度。在森林分布破碎、种类类型多样且结构复杂的带岭林区,该研究结果有助于森林资源监测与管理,可为大区域尺度的森林动态信息监测提供更好的数据及技术支持。 相似文献
20.
《林业科学》2021,57(5)
【目的】探讨随机森林、支持向量机分类器下机载高光谱影像和激光雷达点云数据源对林分类型识别的影响,并检验叶绿素在林分类型识别中的作用,为提高林分类型分类精度提供科学依据,为森林资源管理和监测提供技术支持。【方法】以东北林业大学帽儿山实验林场老山施业区为研究区,以机载高光谱影像和激光雷达点云为数据源,在多尺度影像分割基础上,从高光谱影像中提取光谱、纹理和叶绿素指数等特征,从Li DAR点云中提取高度、强度等特征。通过随机森林的特征选择,选取重要性较高的特征变量,在随机森林和支持向量机分类器下,以影像分割数据为试验样本,设置6种分类方案(随机森林分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据,支持向量机分类器下高光谱影像与激光雷达点云数据结合、高光谱影像数据、激光雷达点云数据),对阔叶混交林、樟子松林、落叶松林、红松林和蒙古栎林5种林分类型进行识别,比较不同分类器下不同数据源的分类效果。【结果】高光谱影像数据共提取34个特征变量,激光雷达点云数据共提取72个特征变量,经特征选择后,高光谱影像数据和激光雷达点云数据各选取11个重要性较高的特征(共22个),其中高光谱影像数据提取的归一化植被指数(NDVI)重要性最大。6种分类方案中,随机森林分类器下高光谱影像与激光雷达点云数据结合的分类精度最高(88.02%),支持向量机分类器下激光雷达点云数据的分类精度最低(76.19%)。多源数据协同的平均分类精度(86.22%)高于单源数据(79.98%),随机森林分类器的平均分类精度(82.92%)高于支持向量机分类器(81.19%)。叶绿素指数参与分类后,分类精度提高约3.32%。5种林分类型中,阔叶混交林分类效果最好,平均分类精度为92.62%,红松林分类效果最差,平均分类精度为49.67%。【结论】多数据源较单源数据可更好地提高分类精度,即2种数据协同可以提高林分类型识别精度;单一数据源相比,高光谱影像数据源的分类效果更好,光谱特征是林分类型识别的重要影响因子;林分类型识别时,不同机器学习模型相比,随机森林分类器较支持向量机分类器分类效果更优;叶绿素作为生物化学参数对林分类型识别有积极影响。 相似文献