基于GF-6 WFV数据的林地非林地快速提取技术研究

发布时间：2022-01-24 08:21

　　随着国产高分卫星数据的增多,越来越多的遥感数据被应用在森林调查、森林管理、森林变化检测等实际生产应用中。高分一号（GF-1）卫星数据在森林信息方面提取方面已取得一定成果,但在光谱信息仅含4个光谱波段,对于在森林信息提取上的研究仍受到一定的限制。在2018年6月,国内发射了首颗宽视场、携带红边、黄边的多光谱卫星数据-高分六号（GF-6）,为挖掘林地与非林地识别快速提取提供了难得机遇。本研究基于国家高分辨率对地观测系统重大专项应用共性关键技术项目,结合国家林地“一张图”数据,选取天水市、黄山市、宜昌市、普洱市、承德市、本溪市、防城港七个地级市作为研究区。首先,通过面积一致性、空间一致性评价对3个全球森林产品数据在中国的可靠性进行了评估;然后,根据森林产品数据差异性以及森林资源分布选择黄山市、天水市作为重点GF-6研究区,结合机器学习分类方法在分类精度上,计算效率较好的优势,选择K近邻（KNN）、朴素贝叶斯（NB）、CART决策树（CART）、支持向量机（SVM）、随机森林（RF）5种机器学习分类方法,通过不同方案比较,挖掘GF-6新增波段、时相等特征在林地上的分类潜力。最后,利用基于模型和... 

【文章来源】：贵州师范大学贵州省

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

七个典型研究区分布图

贵州师范大学硕士学位论文10山、丘陵、平原等组成。其中，西部山地、中部丘陵、东部平原分别约占全市面积的69%、21%、10%，俗称“七山二丘一分平”[33]。宜昌森林覆盖率达65.16%，主要森林类型有马尾松纯林、柏木林、杉栎或者松栎混交林及经济林（火棘、柑橘）、灌丛等。2.2基于GF-6WFV数据林地提取技术研究区域由于北方与南方区域在林地类型、覆盖度、海拔分布等特征上差异较大，这里仅选择甘肃省天水市作为典型北方研究区，安徽省黄山市作为南方典型区域。其中两研究区地理空间位置如图2中D、F位置，黄山与天水研究区高程分布如图3、图4所示。图3黄山市研究区高程图Fig3ElevationmapofHuangshanResearchDistrict图4天水市研究区高程图Fig4ElevationmapofTianshuiResearchDistrict

贵州师范大学硕士学位论文10山、丘陵、平原等组成。其中，西部山地、中部丘陵、东部平原分别约占全市面积的69%、21%、10%，俗称“七山二丘一分平”[33]。宜昌森林覆盖率达65.16%，主要森林类型有马尾松纯林、柏木林、杉栎或者松栎混交林及经济林（火棘、柑橘）、灌丛等。2.2基于GF-6WFV数据林地提取技术研究区域由于北方与南方区域在林地类型、覆盖度、海拔分布等特征上差异较大，这里仅选择甘肃省天水市作为典型北方研究区，安徽省黄山市作为南方典型区域。其中两研究区地理空间位置如图2中D、F位置，黄山与天水研究区高程分布如图3、图4所示。图3黄山市研究区高程图Fig3ElevationmapofHuangshanResearchDistrict图4天水市研究区高程图Fig4ElevationmapofTianshuiResearchDistrict

【参考文献】：
期刊论文
[1]基于GEE平台广西桉树快速提取研究[J]. 卢献健,黄俞惠,晏红波,周吕,吴宸龙,周斌,罗乐.  林业资源管理. 2019(05)
[2]全球海岸带多源土地利用/覆盖遥感分类产品一致性分析[J]. 侯婉,侯西勇.  地球信息科学学报. 2019(07)
[3]森林类型遥感分类及变化监测研究进展[J]. 颜伟,周雯,易利龙,田昕.  遥感技术与应用. 2019(03)
[4]Worldview-2树种分类T&N波段优势分析[J]. 刘怀鹏,安慧君.  西部林业科学. 2019(03)
[5]Stable classi?cation with limited sample: transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Peng Gong,Han Liu,Meinan Zhang,Congcong Li,Jie Wang,Huabing Huang,Nicholas Clinton,Luyan Ji,Wenyu Li,Yuqi Bai,Bin Chen,Bing Xu,Zhiliang Zhu,Cui Yuan,Hoi Ping Suen,Jing Guo,Nan Xu,Weijia Li,Yuanyuan Zhao,Jun Yang,Chaoqing Yu,Xi Wang,Haohuan Fu,Le Yu,Iryna Dronova,Fengming Hui,Xiao Cheng,Xueli Shi,Fengjin Xiao,Qiufeng Liu,Lianchun Song.  Science Bulletin. 2019(06)
[6]基于随机森林特征选择的城市绿化乔木树种分类[J]. 温小乐,钟奥,胡秀娟.  地球信息科学学报. 2018(12)
[7]C5.0决策树Hyperion影像森林类型精细分类方法[J]. 王怀警,谭炳香,房秀凤,李世明,李太兴.  浙江农林大学学报. 2018(04)
[8]基于GF-1 WFV和Landsat-8 OLI提取植被信息方法比较研究[J]. 杨斌,高桂胜,王磊,程璐.  测绘工程. 2018(08)
[9]基于稳定像元的决策树分类后比较法在林地变化检测中的应用[J]. 庞博,王浩,宁晓刚.  生态学杂志. 2018(09)
[10]全国林地“一张图”遥感影像数据服务系统建设[J]. 任怡,郑冬梅.  科技创新导报. 2018(18)

博士论文
[1]基于高分一/六号卫星影像特征的农作物分类研究[D]. 郑利娟.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]中高分辨率遥感影像森林类型精细分类与森林资源变化监测技术研究[D]. 任冲.中国林业科学研究院 2016
[3]高分辨率遥感森林植被分类提取研究[D]. 李伟涛.北京林业大学 2016
[4]支持向量机分类与回归方法研究[D]. 孙德山.中南大学 2004

硕士论文
[1]基于GF-1多光谱影像的林地变化检测方法研究[D]. 郝荣欣.西安科技大学 2016
[2]基于非监督分类与决策树相结合的30m分辨率土地利用遥感反演研究[D]. 王瀚征.河北师范大学 2016



本文编号：3606228