［目的］通过机载遥感影像对普洱山区进行植被分类研究，为山区森林经营规划与可持续经营方案的制图提供高效应用途径。［方法］将２０１４年４月航拍的机载ＡＩＳＡ ＥＡｇｌＥ ＩＩ高光谱和ｌＩ ＤＡＲ同步数据融合，利用点云数据提取的数字冠层高度模型（ＣＨＭ）得到树种的垂直结构信息，结合经过主成分分析（ＰＣＡ）的高光谱降维影像，选用支持向量机（ＳＶＭ）分类器进行分类。［结果］普洱市万掌山实验区主要树种分为思茅松、西南桦、刺栲、木荷等。融合影像数据分类的总体精度和ＫＡＰＰＡ系数分别为８０．５４％、０．７８，比单一高光谱影像数据分类精度分别提高６．５５％、０．０８，其中主要经营树种思茅松的制图精度达到了９０．．．．

[目的]使用窄波段植被指数、纹理信息等特征对影像进行分类,探究植被指数和纹理信息对于云阴影下树种分类的潜力。[方法]使用经过大气校正后的高光谱影像进行窄波段植被指数的计算、纹理分析以及主成分分析,并对计算的结果进行波段组合。用于计算纹理信息的波段通过最佳指示因子进行选择,选取的波段数为31(0.67 nm),51(0.86 nm),55(0.89 nm) 3个波段。结合高分辨率的航空相片进行训练样本的选择,采用Support Vector Machine(SVM)方法对经过大气校正后的反射率影像和重组后的特征影像分别进行分类,使用样地实测的树种信息对分类结果进行验证,使用总体精度和Kappa系数作为分类精度的评价指标。[结果]相对于直接使用反射率影像进行分类,使用窄波段植被指数以及纹理信息可以显著地提高云阴影下地物的分类精度,其分类精度和Kappa系数分别为90.4%和0.88,比直接使用反射率影像的分类精度和Kappa系数分别提高了18%和0.2。[结论]使用重新组合后的影像进行树种分类比直接使用反射率影像进行分类,其分类精度更高,说明窄波段植被指数与纹理特征可以提高云阴影区树种分类的精度。使用波段重组后的影像对云阴影下地物分类,其对于单个地物的分类精度也有明显的提高。

训练样本的选取是影响监督分类精度的直接原因之一,数据空间分辨率越高,训练样本要求越准确,而人机交互训练样本选取推广力有限。利用机载高光谱(AISA)和激光雷达(LiDAR)主被动遥感数据,探讨基于高分辨率影像的训练样本自动提取技术以及适合树种识别的遥感变量。根据树木的结构和高度差异,开展树高分层掩膜试验,并计算光谱间夹角,在每个高度层中自动化优选树种的高纯度训练样本。计算植被指数、主成分分析等特征变量,基于支持向量机分类器对研究区进行树种精细分类。实验表明:通过对阔叶林、马尾松Pinus massonia

【目的】基于机载高光谱影像的分类研究中,利用不同尺度纹理特征与面向对象分类相结合的方法在树种分类的研究中应用较少,并且相关研究主要针对单一树种识别而不考虑多种树种,因此对于复杂林分中的树种识别能力有待进一步研究。本研究拟探究不同尺度纹理特征结合面向对象的分类技术在树种精细分类中的应用效果。【方法】利用机载高光谱数据进行面向对象的树种精细分类。根据研究区内地表类型情况,采用分层分类的方法区分非林地、其他林地与有林地,对有林地进行树种的精细分类。从机载高光谱图像中提取特征变量,包括独立主成分分析ICA变换光谱特征以及空间纹理特征,分析各树种的光谱反射率及所适合的纹理尺度,依据不同尺度纹理特征进行分层分类,比较不同特征利用支持向量机SVM分类的树种分类结果。【结果】结合单一尺度纹理特征的分类结果总体精度为87.11%,Kappa系数为0.846;结合不同尺度纹理特征的分类总体精度为89.13%,Kappa系数为0.87,相比于仅利用光谱特征的分类精度分别提升了4.03%和6.05%。说明在面向对象的分类中,纹理特征的加入对于提升树种分类的精度具有显著效果。结合不同尺度纹理特征的树种分类精度要高于单一尺度纹理特征的分类精度,尤其在其他阔叶树种和马尾松树种的分类中,制图精度较单一纹理尺度分别提高了5.48%和6.12%。【结论】利用不同尺度的纹理特征分类比单一尺度纹理特征分类更具优势,提高了纹理特征在树种分类中的贡献率;综合利用机载高光谱影像的光谱特征和不同尺度纹理特征的面向对象分类方法,使得树种识别更为精细和准确。该方法对于复杂林分树种的分类是有效的,能够满足机载高光谱影像树种精细识别的应用需求。

高光谱数据波段多、波段之间相关性强,导致信息冗余严重,增加了数据处理的工作量,有效准确地在众多波段中选择具有代表性的波段尤为重要。首先用Wilks'Lambda(WL),随机森林(random forest,RF)与自适应波段选择(adaptive band selection,ABS)这3种方法对高光谱数据进行降维处理。然后提出了基于曲线误差指数的评价方法,用此指数的趋势来确定每种降维方法所要选择的合适波段数量,同时用指数的大小评价不同降维方法的优劣,并用分类方法对评价结果加以验证。结果显示:Wilks

本文基于低密度的机载激光雷达(L iDAR)数据生成林区树冠高度模型(CHM),结合高分辨率CCD数码相机影像勾绘林分多边形,由改进的树冠识别算法提取林分平均树高。结果表明:全部有效数据林分总体精度达74.86%,刺槐精度达75.62%,油松精度达74.74%,结果受点云密度影响,使得阔叶树种的精度稍高于针叶树种,因此,低密度激光雷达数据结合高分辨率CCD可以快速、准确地提取林分平均高。

【目的】探索植物非结构性碳水化合物(NSC)组分随物种和植物器官的变化特征,了解不同树种的生长动态、碳代谢特征及生长对策。【方法】在云南普洱季风常绿阔叶林中,选取20个重要物种,采集植物叶片、枝条、树干及树根,测定其可溶性糖类(蔗糖、果糖、葡萄糖)及淀粉浓度,分析其NSC各组分随物种和植物器官的变化特征。【结果】不同植物器官间NSC存在显著差异,叶片中蔗糖、果糖、葡萄糖浓度最高,树干中浓度最低,而根中淀粉浓度最高,叶片中浓度最低。不同物种之间蔗糖、果糖、葡萄糖及淀粉浓度均存在显著性差异。绝大多数物种可溶性

[目的]高光谱成像技术在卫星遥感平台上由于飞行高度与技术限制等原因无法满足当前对于智慧农业与精准农业的需求,无人机平台的出现可以有效地弥补这一问题,给精细化、定量化研究农田信息提供数据支持。受平台稳定性,荷载能力等因素的制约,传统的推扫式高光谱成像仪不适用于无人机平台,而框幅式成像仪的应用前景较为广泛。但此类成像仪由于成像原理等因素的影响,获取的波段图像间存在姿态与位置差异,无法直接投入到后期应用中,在投入使用前需要进行波段配准。[方法]结合传统基于特征点的配准方法针对波段配准展开研究,对图像间灰度与位置

【目的】频谱作为物质的能量特征进行地物的识别是可行的。本文针对国内外利用频谱进行地物分类尤其是森林植被分类研究的匮乏,探索频谱的地物识别潜力,将高光谱影像的光谱曲线转化为频谱进行地物识别研究。【方法】以福建将乐林场为研究区,利用国产环境小卫星高光谱影像(HJ-1A HSI)和同时成像的多光谱影像(CCD),通过能量分离变换的方法对高光谱和多光谱进行融合,获取高空间分辨率的高光谱影像;然后,将融合影像的光谱曲线转化到频率域,进而获取频谱;通过"频谱距离"对研究区进行地物分类,并将分类结果与光谱角填图(SAM)分类结果进行比较。【结果】在频域中植被类别和非植被类别的低阶幅度谱具有明显的可分性,频谱方法提高了马尾松、杉木和阔叶林的制图精度,对于光谱特征相似的不同森林植被具有更好的区分能力;非植被类别在1阶谐波的频谱容易区分,植被类别需要用前7次谐波的幅度谱进行区分,随着频率的增大,频谱变化趋于相似,并且非植被类别在频域的能量累计速度高于植被类别;与SAM的分类结果比较发现,基于频谱的分类方法总体分类精度为84.19%,比SAM分类结果总体精度提高0.7%。【结论】利用频谱信息可以降低光谱曲线上噪声的影响,保留类别的重要区别信息,提高地类的分类精度,因此利用频域中的频谱进行地类识别具有可行性。

【目的】在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。【方法】将6类常见树种(樟子松、山杨、白桦、落叶松、雪松和白皮松)图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。【结果】本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB+H通道+LBP条件下,验证识别准确率最高,达到93.50%;RGB+HSV+LBP+HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。【结论】基于RGB+H通道+LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。

以香格里拉市云南松、高山松、云杉和冷杉4种典型针叶树种为研究对象,运用ASD Field Spec 3地物光谱仪测定野外叶片光谱,并对原始光谱进行微分变换处理,再采用Fisher判别分析方法对4种针叶树种最佳波段窗口进行分析.结果表明:Fisher判别分析能有效判别4种典型针叶树种原始光谱、一阶微分光谱和二阶微分光谱差异显著的波段,主要位于近红外波段,最佳波段窗口分别为980～989、415～424、960～969 nm;原始光谱的二阶微分处理更能有效判别4种针叶树种,Fisher总判别精度高达98.8%;根据4种典型针叶树空间分布特征,将其分为云南松、高山松和云冷杉两组,云南松、高山松的最佳波段窗口为870～879、1 020～1 029、530～539 nm,云杉、冷杉的最佳波段窗口为540～549、520～529、1 150～1 159 nm.本研究结果可为中大尺度机载、星载高光谱遥感树种精细分类提供指导.

为建立果树花期树种识别的有效模型,利用ASD Field Spec 3全波段便携式光谱分析仪采集了4种果树花期花的光谱数据。利用剔除异常光谱、5点移动平滑等技术对4种果树花期花的光谱反射率进行预处理,使用连续投影算法(SPA)进行有效波长选取并获得7个波长下的反射光谱,同时增加了590 nm和720 nm处2个波形差异大的光谱,与归一化植被指数(INDV)和比值植被指数(IRV)共11个特征波段作为分类建模数据,建立了偏最小二乘判别分析(PLS-DA),正交偏最小二乘判别分析(O-PL-DA)和基于误差反

提出一种将资源三号(ZY-3)立体影像的空间连续测量特性与LiDAR数据的高精度定位测高优势相结合的林分平均树高估测方法。首先从LiDAR离散点云提取地面点并内插生成分辨率为1m的林区DEM,同时根据点云强度提取与DEM同源且分辨率为1m的正射影像,分别作为ZY-3数据定向处理的高程控制基准和平面控制基准。通过ZY-3多类像对组合提取研究区DSM,其中三视DSM较二视DSM高程精度最佳。基于三视DSM,林区DEM,ZY-3多光谱数据提取的植被指数和野外实测树高数据,利用回归分析方法及高程误差修正方法分别建立了四个树高估测模型,实验表明,经高程误差修正后的改进树高估测模型精度最高,模型Adj R~2=0.913,其精度达到93.29%,是最佳树高估测模型。

高光谱遥感的出现使树种的精细识别成为可能,而高光谱数据具有波段多、数据量大、冗余度大等特点,利用高光谱遥感技术进行树种鉴别时,光谱特征的选择及提取是个非常重要的过程。选择了樟树Cinnamomum camphora,麻栎Quercus acutissima,马尾松Pinus massoniana和毛竹Phyllostachys pubescens4个树种,利用包络线去除法对ASD高光谱仪实测的原始光谱数据处理,比较原始光谱和包络线去除曲线图,选择差异较大的波段用于识别不同树种,用欧氏距离法检验所选择的波段识别不同树种的效果。结果证明,利用波段较窄的高光谱数据能够挖掘出不同树种的光谱差异,实现不...

【目的】探索一种适用于已具备林下地形,可协同利用少量实测样地数据、抽样式采集的机载激光雷达(LiDAR)条带数据和区域全覆盖的资源三(ZY3)立体像对数据有效估测区域森林平均高的方法,为提高森林资源调查效率和精度提供技术支撑。【方法】以广西高峰林场2个分场为研究区,2018年获取覆盖整个研究区的机载LiDAR、ZY3立体像对和少量实测样地数据。将LiDAR数据提取的DEM作为历史已存在的林下地形,从全覆盖的LiDAR数据中抽取12条飞行条带的LiDAR数据"模拟"抽样式采集的LiDAR数据,形成"林下地形+LiDAR抽样+ZY3立体像对+样地"数据集;以样地和LiDAR数据提取出LiDAR抽样数据对应的森林平均高为模型建立的参考数据(因变量Y),以ZY3立体像对提取的数字表面模型(DSM)减去数字高程模型(DEM)得到的CHM_(ZY3)为自变量(X),采用普通最小二乘(OLS)模型、k-邻近(KNN)模型和回归克里格(RK)模型估测森林平均高,并对其估测效果进行比较评价。【结果】OLS和KNN模型的均方根误差(RMSE)分别为1.88和1.96 m,估测精变(EA)分别为87.18%和86.64%;RK模型估测精度相对较高,RK_(OLS)模型的RMSE=1.84 m,EA=87.42%;RK_(KNN)模型的RMSE=1.86 m,EA=87.32%。【结论】本研究中2类4种模型均可有效估测森林平均高,回归克里格模型(RK_(OLS)、RK_(KNN))优于非空间模型(OLS、KNN),RK_(OLS)模型估测精度最高;在林下地形已知时,协同利用少量实测样地数据、抽样式采集的机载LiDAR条带数据和区域全覆盖的ZY3立体像对数据能够实现区域森林平均高的高效、高精度估测。