宋洁[1]（2021）在《祁连山森林碳储量与森林景观格局时空变化研究》文中提出高纬度山地森林由于受人为干扰的影响相对较小,已被证实成为不断增长的陆地碳汇的主要贡献者。但由于高纬度山地森林中贮存的碳极容易受到气候变化的影响,使得其森林景观及森林碳储量在数量和空间分布上都存在很大的不确定性。监测高纬度山地森林景观及碳储量的时空变化情况,对理解全球碳循环具有重要的意义。祁连山是我国西部重要的生态安全屏障和固碳场所。2017年6月祁连山国家公园体制试点的设立,更为实现祁连山生态系统整体保护和系统修复奠定了坚实的基础。在此背景下,本研究基于多源遥感数据、样地调查数据、空间环境数据以及相关辅助数据,综合运用3S现代技术手段,在对森林类型进行分类的基础上,对祁连山森林碳储量现状进行估算。并从森林面积、森林覆盖度、森林景观格局角度分析祁连山1990-2018年森林景观时空动态变化情况。建立基于光学遥感变量的森林碳储量估算模型,监测祁连山森林碳储量1990-2018年间时空分布变化。并基于不同海拔、坡向、水平范围以及行政区域空间梯度对森林景观和森林碳储量时空变化模式进行分析。基于不同的空间尺度,分析祁连山森林景观格局与森林碳储量之间的相关关系。为理解山地森林生态系统碳循环以及制定祁连山国家公园森林资源保护及生态系统管理措施提供参考。本研究主要结果如下:（1）相比仅依据光谱特征进行分类,依据光谱及垂直结构综合特征分类时,总体分类精度提高了10.67%,具有相似光谱特征但不同垂直结构的不同植被类型分类精度提升作用明显,森林范围的识别精度提高。地形信息加入后森林类型的分类精度提升了23.94%,显着提升了森林类型识别精度。相比海拔信息,坡向信息对提升分类精度效果更为显着。季相特征能够对不同森林类型的识别提供帮助,而不同波段组合虽然对地物增强的效果不同,但其对分类精度几乎没有影响。（2）2018年祁连山国家公园森林总碳储量为30.09×106t,平均森林碳储量密度为47.55t/hm2。公园内针叶林总碳储量约为阔叶林碳储量的5.5倍,但阔叶林森林平均碳密度稍高于针叶林。不同空间梯度森林碳储量的分布有较大的不同,对于不同的海拔梯度,海拔2770～3770m以及海拔1770～2770m分别拥有最多的森林碳储量和最高的森林平均碳密度;对于不同的坡向,森林碳储量与森林平均碳密度分布从高到低均依次为阴坡>半阴坡>半阳坡>阳坡;对于不同的水平范围,森林碳储量分布从高到低依次为东段>中段>西段,而森林平均碳密度在中段最高,接下来依次为东段和西段,西段森林碳储量与碳密度与东中两段差距较大;对于不同的行政梯度,甘肃省境内森林碳储量与碳密度均大于青海省。其中不同海拔梯度森林碳储量与森林平均碳密度差距最大,接下来森林碳储量与森林平均碳密度均差距较大的为不同行政区域,山区复杂的地形和不同行政区域管理措施的不同对森林碳储量及碳密度均有较大的影响。（3）1990-2018年间,祁连山国家公园内森林面积变化呈现先上升,后减少的趋势。其中1990-2010年,公园内针叶林和阔叶林面积均逐年增加。2010年起,阔叶林面积下降,2015-2018年,区内针叶林及阔叶林面积均较前一时期有所减少,且阔叶林下降幅度较大。不同空间梯度森林面积变化的分布不同,森林面积变化波动较大的区域主要分布在以畜牧业生产为主的地区。1990-2018年,祁连山国家公园森林覆盖度占比最大的值域区间均为70～100%,研究区内森林覆盖度较高的区域主要分布在祁连山中、东段针叶林分布较为密集的地区。2015年以前,区内森林植被覆盖未发现有明显的变化。2015-2018年,研究区森林覆盖度出现下降现象。针叶林作为研究区内的绝对优势景观,其景观异质性程度、景观复杂程度、景观聚集程度均较阔叶林高,而阔叶林的分布相较针叶林而言在区内更为分散。1990-2018年间,区内森林景观格局基本呈现逐步破碎化、逐步分散、以及逐渐均匀的趋势,森林生态系统脆弱度逐渐升高。（4）1990-2018年间,祁连山国家公园森林碳储量增加了1.09×106t。1990-2010年,公园森林碳储量持续增长,从2010年起,区内森林碳储量出现下降趋势。基于不同的空间梯度分析森林碳储量的时空变化模式,发现各空间梯度上森林碳储量变化强度排序与其所分布森林范围面积排序基本一致。且对研究区而言,相对于森林碳密度,森林面积对森林碳储量的蓄积影响更大。（5）随着尺度的增加,与平均森林碳密度具有相关关系的景观格局指数逐渐减少,说明随着尺度的增加,森林碳密度的影响因素也愈加复杂。与森林碳密度具有显着相关关系的景观格局指数其与森林碳密度间的相关关系模型平均拟合程度均较低,说明景观格局指数与森林碳密度之间的复杂关系较难用简单的线性关系直接进行描述。相反,与森林总碳储量具有相关性的景观格局指数随着研究尺度的增大逐渐增多。斑块总面积、斑块个数、景观形状指数、平均斑块面积、面积加权平均形状指数、斑块连结度指数以及聚集指数在各尺度上均与森林总碳储量呈显着的正相关关系,说明通过增加森林景观面积、增加景观形状复杂度以及景观聚集度和连通性,能够提升森林碳储量的蓄积。而斑块密度在各尺度上均与森林碳储量具有显着的负相关关系,说明减小森林破碎化程度能够在有限空间内为基于发挥最大固碳功能的森林空间布局优化提供帮助。斑块总面积与森林总碳储量间的幂函数关系在各尺度下其模型拟合系数均达到0.95以上。综上所述,本文分别以垂直结构特征、光谱特征、季相特征和地形特征为分类依据,探讨了提升祁连山山地森林面积提取及类型识别精度的可行方法,为森林景观及森林碳储量变化监测研究奠定了基础;以GPS定位、RS遥感以及GIS空间分析技术为基础,梳理了近30年间祁连山重点区域森林景观及森林碳储量时空动态变化情况,并统计了祁连山森林景观及森林碳储量在不同空间梯度的变化模式;以森林碳贮存功能为例,探讨了高海拔山地森林生态系统基于尺度的森林景观格局与森林生态系统功能间的相互关系,为景观生态学“格局—过程—尺度”核心理论的研究提供了实验实例。在未来的研究工作中,探索基于不同传感器的多源数据对历史影像森林类型进行更准确的分类并对森林碳储量变化进行估算,量化气候变化背景下山地区域环境的改变及人为活动因素对山地森林碳储量变化产生的影响,是下一步的研究方向。
梁晨欣[2]（2021）在《柑橘遥感识别方法研究 ——以广西武鸣为例》文中进行了进一步梳理柑橘是我国栽种面积最大、产量最高的水果,产业发展前景大。柑橘果树适宜在我国南方地区栽种,成为该地区脱贫攻坚与乡村振兴的特色支柱产业。准确获取柑橘果园的种植面积和空间分布信息,是指导柑橘产业科学发展的重要基础和依据。遥感为大面积获取柑橘空间分布信息提供可能。然而,柑橘属常绿多年生作物,如何通过遥感手段区分柑橘与耕地作物、林地与园地植被存在挑战;此外,我国南方地区多云多雨、地形复杂,如何有效获取影像数据、并进行柑橘遥感快速识别面临技术难题。针对这些问题,本研究以我国柑橘产业发展的重点县域—广西壮族自治区南宁市武鸣区为研究区域,全面收集多个年份时序Sentinel-2遥感数据,利用1751个实地采集的地面样本作为验证数据,利用Google Earth Engine平台,围绕柑橘遥感识别特征、柑橘遥感识别指数、柑橘遥感识别机器学习算法三个方面,开展柑橘遥感识别方法研究。取得以下研究结论:（1）对多个年份的原始遥感数据进行影像云覆盖检验,以云覆盖率<30%为高质量的标准,发现2018年影像质量整体优于其他年份,且下半年影像质量整体好于上半年。根据研究区柑橘物候历,上半年为柑橘花期,识别特征不明显,而下半年为柑橘果实生长与膨大的旺盛时期,存在关键识别特征。综合考虑数据可用性与柑橘物候特征期,确定2018年下半年为研究时段,选取8月至12月数据构成多时相影像数据集。（2）从光谱、物候、纹理、光谱指数等维度构建柑橘遥感识别特征空间。对比发现柑橘与其他植被的光谱特征、纹理特征差异均不明显,但结合物候特征,在果实膨大期至成熟期（9月-11月）,柑橘植被指数的变化趋势相比其他植被具有显着差异,验证了“柑橘果实生长膨大过程中植被信息会减弱,但成熟之后植被信息又会回升”这一假说。且对比NDVI、GNDVI、DVI等常用植被指数发现NDVI对柑橘的分离性最强。（3）利用Sentinel-2红边波段特性,结合柑橘生长物候特征,提出改进红边波段指数的新思路。根据物候期柑橘与其他作物在三个红边波段RE1、RE2、RE3的差异,构建全新红边植被指数A,对比传统光谱植被指数,A指数可以进一步优化柑橘与其他植被的差异特征。利用多种植被指数对研究区柑橘进行预分类,发现传统植被指数中,NDVI的柑橘识别效果最优,总体精度达到82.75%;而红边植被指数A的柑橘识别精度更优于NDVI,总体精度达到87.44%。此外,相对于A,NDVI的识别结果较为破碎、连续性差。（4）基于上述研究成果,将柑橘遥感识别较为敏感的物候特征与全新红边植被指数A作为分类特征纳入机器学习遥感分类算法,对传统基于光谱与纹理特征的遥感分类算法进行改进。对比随机森林（RF）与支持向量机（SVM）两种常用机器学习分类器发现,RF分类精度总体优于SVM（RF用户精度:91.95%）,考虑物候特征的分类精度远高于不考虑物候特征的分类精度（RF用户精度:92.11%）,且考虑A指数可以进一步提高分类精度（RF用户精度:95.09%）。
周晨[3]（2021）在《基于Sentinel数据的落叶松人工林识别方法研究》文中研究表明落叶松作为我国主要的人工林树种,对国土绿化、改善生态环境及增加林业主副产品等均发挥了巨大作用。近年来,因落叶松人工林面积逐年增加,空间分布尚不明确,大面积种植造成树种单一、抵抗环境变化能力弱和病虫害等问题严重。因此,如何快速获得落叶松人工林的空间位置分布成为落叶松人工林栽培研究的热点问题。伴随遥感技术的快速发展,利用遥感数据快速、准确获取落叶松人工林空间分布,对落叶松人工林的培育、合理利用和规划管理均具有重要的指导意义。本文以河北省塞罕坝林场的落叶松人工林为研究对象,根据落叶松的物候和季相特征,选取典型时期的Sentinel-1和Sentinel-2遥感影像。基于光学数据、雷达数据、以及雷达和光学数据相结合的方式,提取落叶松人工林的多种特征信息并进行优选。通过随机森林（Random Forest,RF）、最大似然法（Maximum Likelihood Classification,MLC）和支持向量机（Support Vector Machine,SVM）分类算法提取落叶松人工林的空间分布,对分类算法的性能进行评价。以期得到提取落叶松人工林最佳的分类时相、特征组合及算法,为快速获取落叶松人工林空间位置分布提供一种方法参考。主要研究结果如下:（1）基于Sentinel-1的单时相、多时相及不同方法的落叶松人工林识别。研究结果表明,在各时相中,最佳分类时相为3月份,RF、MLC和SVM使用VV和VH后向散射系数分类最高精度分别为63.82%、60.28%和62.54%,Kappa系数分别为0.59、0.55和0.57,落叶松提取精度分别为76.48%、72.52%和74.09%;它们结合纹理特征的分类精度提高了 3%～8%,表明纹理特征可以提高落叶松人工林的分类精度。因此,在3月利用RF的VV和VH后向散射系数特征及纹理特征的分类结果最好。综合多时相特征组合和特征重要性选择,RF、MLC和SVM的分类精度分别为73.2%、65.5%和67.41%,提取精度分别为83.39%、76.12%和77.33%。其中RF的分类精度和提取精度最高。相比较于单时相的特征组合,综合多时相的特征组合的分类精度和提取精度更高。因此,结合多时相的特征优选,RF算法最适用于落叶松人工林的分类。（2）基于Sentinel-2的单时相、多时相及不同方法的落叶松人工林识别。利用Sentinel-2影像的光谱特征、植被指数采用RF、MLC、SVM提取落叶松人工林。研究结果表明,SVM、RF和MLC仅利用单时相光谱特征在3月份对落叶松人工林分类精度最高,分别为 90.9%、90.1%、88.42%,提取精度分别为 93.11%、91.32%、89.27%,表明光谱特征在提取落叶松人工林方面具有重要的作用。进一步结合光谱特征和植被指数利用RF、MLC和SVM的最高分类精度分别为89.33%、83.75%和82.25%,提取精度分别为92.02%、84.24%和84.11%,相对仅采用光谱特征落叶松分类精度下降1.6%～6.4%,提取精度下降1.1%～7.1%,表明在单时相加入植被指数对于落叶松人工林分类精度没有显着的作用。最后,综合多时相的光谱特征和植被指数分别采用RF、MLC和SVM的分类精度分别为94.82%、93.7%、94.54%,提取精度分别为94.99%、92.92%和94.48%,其中RF的分类效果最好。因此,采用综合时相的光谱和植被指数特征的分类策略最佳。（3）结合Sentinel-1和Sentinel-2的单时相、多时相及随机森林特征因子重要性评估建立特征库落叶松人工林识别。研究结果表明,结合Sentinel-1和Sentinel-2各对应单时相建立的特征集利用RF的分类精度分别为88.4%、82%、88.63%和88.15%,提取精度分别为91.88%、84.35%、89.34%和89.82%。其中6月份的分类精度最高,3月份提取精度最高。因此,在3月份综合光谱、植被指数、VV、VH及纹理特征采用RF分类策略提取落叶松人工林最准确。另外,结合Sentinel-1和Sentinel-2四个时相的特征,基于随机森林特征重要性评估构建的特征集利用RF分类精度为91.25%,提取精度为92.41%,Kappa系数为0.88。相比较于单时相的最佳分类策略,多时相的分类效果更好,表明雷达特征数据结合光学特征数据对于落叶松人工林提取具有一定的潜力。
宋春雨[4]（2021）在《昆明西山森林公园几种典型植被高光谱特征分析及分类研究》文中研究说明植被的识别分类是管理植被资源的基础和依据,如何高效精准识别植被类型是林业遥感亟待解决的问题。不同的植被具有极其细微的光谱特征差异,利用高光谱遥感探测分析植被间的这种差异特征,一方面可以为植被遥感分类提供先验知识,为区分光谱特征相近的植被提供可能,另一方面能够为监测植被长势以及植被的区域应用提供理论依据和技术支持。本研究将研究区设在昆明西山森林公园,利用SOC710VP地物光谱仪采集滇中11种典型植被地面高光谱影像,无人机搭载S185画幅式机载高速成像光谱仪采集9种典型植被高光谱影像。从所测的高光谱影像中提取典型植被的反射率,分别将典型植被的地面高光谱反射率曲线和机载高光谱反射率曲线进行一阶微分、光谱倒数对数以及连续统去除三种数学变换。充分认识和分析植被的反射率光谱及三种变换曲线,利用植被指数、三边参数和峰谷特征将植被的光谱特征参量化,基于光谱特征分析和马氏距离统计学分析方法提取植被间的可识别波段。通过对高分五号高光谱影像的混合像元进行解混,提取纯净端元,以地面植被和机载植被提取的特征波段为基础,基于波谱角填图法实现对研究区的植被分类识别,对分类后的结果进行分类精度探讨。主要研究发现如下:（1）基于植被光谱特征及其变换分析发现,虽然植被具有相似的光谱特征曲线,但是不同类别的植被光谱在特定波段有一定差异,通过相关的数学变换可以放大不同植被间的光谱差异,同类植被不同个体在地物光谱仪影像和机载高光谱影像上的光谱特征曲线表现不完全相同。（2）针对地物光谱仪和机载高光谱仪实测植被光谱数据的特征波段提取,研究得到倒数对数和连续统去除变换所增加的光谱特征波段范围最大,是最理想的光谱数据处理方法。（3）针对地物光谱仪实测11种植被的光谱特征波段分类,研究得到原始光谱特征波段总体分类精度和Kappa系数最低,分类效果一般。三种变换光谱分类结果与实地植被一致性程度高,分类效果好。（4）针对机载高光谱仪实测9种植被的光谱特征波段分类,研究得到一阶微分特征波段总体分类精度和Kappa系数最低,分类效果一般。原始光谱及倒数对数、连续统去除变换特征波段分类结果与实地植被一致性高,分类效果好。综上所述,本文面向昆明西山森林植被高光谱遥感精细化监测的需求,基于天空地多平台高光谱数据,使用波谱角填图法实现了不同植被类型的精准识别,为多平台高光谱数据应用于林业资源管理提供一定的思路和依据。
申鑫[5]（2021）在《江苏主要森林林分结构与生理参数估测及生长模拟》文中认为随着全球气候变化和人口的增长,以及生态文明建设的需要,提升森林培育的质量和效率,实现森林多种效益和功能的最大化,对于满足人类生态需求、促进经济和社会的可持续发展尤为重要。快速、实时、精确地获取林分结构和林木生理参数是实现森林高效精准培育和可持续经营的重要前提,也是研究森林与社会、环境之间相互作用过程的基础内容。传统的森林林分结构和林木生理参数的获取主要是通过林分实测和实验室观测等来进行,但其通常成本较高且精度和效率受到限制。为此,本研究在江苏省研究区选择了四种典型森林（马尾松、麻栎为主要树种的次生林以及水杉、杨树、银杏人工林）为研究对象,结合多平台、多传感器获取的遥感数据,对林分结构参数（树种、林木直径和树高、单株材积、株数、平均胸径和树高、蓄积量和生物量等）和林木生理参数（叶绿素和类胡萝卜素含量）进行高精度估测,同时结合生理过程模型对林分生长过程进行预测,探索不同培育模式对林分生长的影响规律,以期为森林精准培育过程中林分结构和生理参数的快速高效估测、林分生长模拟和预测提供必要的技术、手段和方法支撑。主要研究结果如下:1、创建了多平台遥感数据集成模型,通过优化信息特征提取、模型构建等方法,实现了快速、准确、无破坏的单株林木树种识别、胸径与材积以及生理参数估测。首先,结合同期获取的机载高光谱和激光雷达数据,在基于点云分割和光照冠层提取的基础上,通过随机森林分类器对次生林进行林木树种识别;同时,通过轻巧型、背负式激光雷达传感器（BLS）获取高密度点云数据,结合树干探测（DBSCAN）及材积模型构建方法,对人工林进行单株林木胸径及材积的快速、精确获取;另外,利用无人机平台获取的高光谱和高密度激光雷达点云数据,结合基于DSM的数据融合方法,建立基于回归方法和辐射传输模型的林木生理参数（叶绿素、类胡萝卜素含量）估测模型并定量分析生理参数在单株林木冠层的垂直分布规律。结果表明:基于点云的分割算法对于单株林木提取精度较高（总体精度=82.9%）,且随机森林分类算法对树种的识别精度较高（总体精度>85.4%）。使用光谱及点云全部特征变量的树种类型识别精度较仅使用光谱特征变量的识别精度高（总体精度提升0.4-5.6%）。与使用完整冠层特征的林木识别结果相比（总体精度=85.4-89.3%）,使用阳光直射部分树冠光谱特征的林木识别精度（总体精度=87.1-91.5%）提升了2.3%;另外,基于密度的有噪空间聚类算法对于单株林木提取精度较高（总体精度=95.77%）。基于背负式激光雷达数据及材积方程的单株林木材积估测精度较高（水杉:R2=0.76,rRMSE=20.02%;杨树:R2=0.98,r RMSE=7.25%）;同时,从无人机高光谱数据中提取的多个植被指数与生理参数相关性较高（Adj-R2=0.85-0.91;r RMSE=5.19-6.38%）。对于水杉和杨树两树种而言,具有一致的垂直分布规律,即低冠层部分（受光影响较小）具有较高的叶绿素和类胡萝卜素含量。另外,单个树冠表面上生理参数的垂直分布特性可能随林木年龄的变化而变化,这可能是由于树冠光合作用能力随林木的生长而发生变化所致。2、创建了多源遥感数据融合模型,发展了结合经验模型和参数优化算法的林分结构参数估测方法,实现了精准、高效、大范围的林分结构参数的获取。首先,利用同时相获取的机载全波形（FWF）激光雷达和高光谱数据,在对脉冲波幅和波形形状进行校正的基础上,结合多元线性回归模型估测森林的林分结构参数（平均胸径、树高、蓄积量和生物量等）;另外,基于无人机系统的多光谱和真彩色影像,利用数字航空摄影测量（DAP）方法生成三维结构点云,并拟合偏最小二乘（PLS）回归模型以估测银杏人工林的林分结构参数。结果表明:在结合全波形激光雷达和高光谱数据的林分结构参数估测中,Lorey’s树高的估测具有相对较高的精度（Adj-R2=0.88,r RMSE=10.68%）,其次是地上生物量的估测（Adj-R2=0.84,r RMSE=15.14%）,而蓄积量的估测具有相对较低的精度（Adj-R2=0.81,r RMSE=16.37%）。仅包含点云特征变量的模型具有较强的森林结构参数估测能力（Adj-R2=0.52-0.81,r RMSE=15.70-40.87%）,而点云、全波形和高光谱特征变量的集成可以提高森林结构参数估测的准确性（Adj-R2=0.68-0.88,r RMSE=10.68-28.67%）;另外,同时包含光谱和结构特征的林分结构参数估测模型精度最高（R2=0.82-0.93,r RMSE=4.60-14.17%）。对模型样本进行分层可以提高估测模型的精度（ΔR2=0-0.07,Δr RMSE=0.49-3.08%）,且其精度随着林分密度的增加而增加。3、构建了水杉、杨树人工林生长过程模型,实现了其林分结构参数和生产力的生长变化预测,探索了不同培育措施对水杉和杨树林分生长的影响机制。首先,通过气候模型Climate AP模拟历史及未来气候数据,并基于3-PG模型,结合实测和遥感数据对水杉、杨树人工林的林分结构参数（林分密度、胸径、干生物量和蓄积量）生长过程进行模拟与验证。同时,对林分初植密度、间伐强度和施肥管理措施进行了梯度调节,以探索不同培育措施对林分生长的影响。结果表明:经遥感估测结果验证,3-PG模型预测林分结构参数准确度较高,其中林分密度精度最高（R2=0.99,r RMSE=5.79%）,其次为蓄积量（R2=0.93,r RMSE=14.18%）和干生物量（R2=0.87,r RMSE=15.79%）,胸径预测精度最低（R2=0.69,r RMSE=16.63%）。对于无间伐水杉样地,前50年胸径生长量为23.22 cm,林分蓄积量为277.54 m3/ha;无间伐杨树样地,前50年胸径生长量为47.63 cm,林分蓄积量为702.61m3/ha。对于有间伐水杉样地,前50年胸径生长量为31.76 cm,林分蓄积量为269.30 m3/ha;有间伐杨树样地,前50年胸径生长量为72.77 cm,林分蓄积量为652.36 m3/ha。在不同培育措施下,随着初植密度的增加,前50年平均胸径生长量逐渐减小,林分蓄积量生长量逐渐增加;随着间伐强度的增加,前50年平均胸径生长量逐渐增加,林分蓄积量生长量逐渐减小;在不同施肥措施下,生长中期进行一次肥料管理有利于林分平均胸径和蓄积量的生长。
孟勐[6]（2020）在《大兴安岭火烧迹地植被-土壤协同恢复机制》文中提出大兴安岭林区是我国北方重要的生态安全屏障,也是我国重要的木材战略储备基地。林火是造成森林退化的主要因子之一,影响了其多种功能的发挥,对火干扰后森林生态系统的恢复及其功能的提升的研究具有重要的理论研究意义和实际应用价值。本研究以大兴安岭北部林区火烧迹地为研究对象,基于Landsat系列遥感数据和野外调查数据,采用相关性分析、冗余分析、通径分析和结构方程模型等统计方法,研究了不同强度火烧迹地植被-凋落物-土壤的恢复过程及主要驱动因素,揭示了植被-凋落物-土壤之间的协同恢复机制,为火烧迹地的植被恢复与重建提供科技支撑。主要研究结果如下:1.大兴安岭北部林区火烧迹地植被的自然演替过程主要为:中度火干扰当年以灌木为主,15年后演替为兴安落叶松-白桦混交林（7落3白）;重度火干扰当年以草本为主,8-15年后形成灌丛,30年后为兴安落叶松-白桦混交林（5落5白）。轻度火烧对植被演替有促进作用,中度/重度火烧迹地自然恢复年限需要15-30年。2.不同强度火干扰后植被覆盖度有明显下降,4年是植被的快速恢复期,之后趋于平稳。随着干扰强度的增加,植被覆盖度的变化表现出明显的滞后性和不稳定性:轻度火干扰后1-10年间不可持续地、相对稳定地快速恢复,10-30年间持续地缓慢恢复;中度火干扰后1-10年间不可持续地、不稳定地显着恢复,10-30年间持续地、稳定地快速恢复;重度火干扰后1-20年间不可持续地、不稳定地快速恢复,20-30年间持续地、稳定地快速恢复。3.轻度火干扰后,直径结构呈右偏峰状,与未干扰无明显变化,中度/重度火干扰后,直径结构呈右偏峰状,大径级（14-20cm）林木占比68～100%,30年后,更新林木生长成6-10cm径阶的林木,直径结构呈左偏峰状。未干扰的林分兴安落叶松和白桦均呈聚集分布,火干扰后聚集强度均明显增加。火干扰促进了更新,更新苗呈聚集分布,随干扰强度的增加,更新速度减缓。火干扰后,喜光植物柴桦、兴安杜鹃、柳兰等侵入,增加了林下植被多样性,其中,中度/重度的柴桦、兴安杜鹃、柳兰在群落中占优势。4.火干扰后,草本层、灌木层、乔木层生物量的恢复时间分别为2个月、3-8年、30年。轻度/中度/重度火干扰后,凋落物现存量分别损失了 56.58%、87.23%、99.37%,30年内未恢复。5.未干扰的凋落物 TC、TN、TP 含量分别为 322.56～442.78g/kg、19.37～27.43g/kg、0.25～0.51g/kg,相比对照样地,轻度/中度/重度火干扰后,TP含量分别增加了 10～18%、33～75%、50～100%,TC和TN含量分别减少了 4～7%、10～16%、30～39%和8～11%、15～20%、40～52%。相比对照样地,轻度/中度/重度火干扰后,凋落物C/P分别下降了 5～19%、22～34%、36～60%。轻度火干扰后,土壤 TOC、TN、TP、TK、AP 含量分别上升30～33%、1～2%、2～9%、1～4%、15～17%,30年内恢复至火前水平;中度火干扰后,土壤TOC、TN分别下降了 11～18%、24～28%,TP、AP、TK、AN含量分别上升了 6～7%、15～16%、19～23%、2～4%,重度火干扰后,土壤TOC、TN、AP含量分别下降了 47～51%、21～24%、11～16%,TP、TK、AN含量分别上升了 33～35%、41～48%、29～34%,其中,AP含量30年内未能恢复,其他营养元素在30年内恢复至火前水平。火干扰后,土壤C/N上升了 48～53%、27～32%、1～2%、C/P下降了0～3%、6～8%、61～64%。火干扰加快了凋落物中磷元素的释放,促进了土壤氮和磷的矿化作用。6.轻度/中度火干扰后,细菌群落多样性分别降低了5～6%、9～10%,真菌群落多样性分别降低了7～8%、8～10%;重度火干扰后,细菌群落多样性降低了9～11%,以变形菌和绿弯菌为主,真菌群落多样性降低了 12～14%,以古根菌为主,除重度真菌外均能在30年内恢复。火干扰后,土壤固碳、木质素降解、有机氮的矿化作用和有机态磷的水解作用增强,反硝化作用减弱。林火对土壤碳、氮、磷循环有一定的积极作用。7.植被-土壤之间表现为正向互作效应:土壤中营养元素的积累有利于地表植被的生长和凋落物营养元素的积累,进而促进土壤养分的恢复;土壤微生物受到植被和土壤共同驱动,同时参与到养分循环中,促进了土壤和植被的恢复。其中,土壤TN、TOC、AP含量是植被恢复的主要驱动因子,土壤功能恢复受到乔灌草生物量、凋落物现存量及土壤微生物的群落结构的驱动。火干扰后,植被群落的恢复速度快于土壤恢复速度（演替协同度指数>1）。8.根据植物和土壤功能恢复的主要驱动因子,综合考虑不同强度火烧迹地的生境和自然演替规律,为了促进演替进程,提出抚育改造、人工促进天然更新、土壤调控、菌根菌剂等人工快速恢复和功能提升技术模式。
刘炀炀[7]（2020）在《基于GEE的林火识别与火后植被恢复评估研究》文中研究指明传统的利用遥感方法监测森林火灾大多在本地设备中完成,本地设备存储和计算的能力直接关系到数据处理的时间,同时也限制了当前对于大尺度区域森林火灾的展开研究。谷歌地球引擎（Google Earth Engine,简称GEE）是对海量遥感数据进行科学分析以及地理信息可视化的综合性大数据平台,数据处理不受本地条件的制约。本研究以内蒙古自治区根河市为研究区,致力于基于GEE进行火情监测,提出一种快速识别提取大尺度区域火烧迹地的新方法,建立市级林火历史属性数据库,分析森林火灾及其火烈度的分布格局,探索精确至月内时段的起火时间判别方法,研究不同条件下火后植被恢复动态的评估方法,以期为当地林业部门监测森林火灾以及制定火后植被恢复经营决策提供理论支持与数据基础。本研究基于GEE获取根河市2001～2010年的年际TM合成影像,选择以影像的近红外波段与d NBR指数作为过火区敏感特征,利用OTSU算法计算阈值后构建决策树分类模型提取根河市年际火烧迹地,验证精度后建立了市级林火历史属性数据库,分析森林火灾的时空分布情况;根据d NBR指数阈值范围进行林火烈度分级,结合DEM数据分析林火烈度的空间分布;基于GEE调用MOD09A1数据集获取过火区及邻近植被区斑块的NDVI、NBR指数时间序列数据,通过对比分析确定火烧迹地起火时间;基于GEE调用Landsat系列数据合成的EVI指数产品提取不同火烧迹地各级林火烈度区域像元的EVI指数时间序列数据,以起火前三年生长期的EVI均值为对照计算d EVI指数,从时间尺度上分析不同林火烈度对火后植被恢复的影响,评估火后植被恢复年限。主要结论如下:⑴基于GEE快速提取大尺度区域火烧迹地的方法可行,火烧迹地提取的总体精度为88.54%,整体较为完整,边界清晰,结果较为可靠。⑵根河市2001～2010年发生的森林火灾具有明显的时间与空间差异,火烧迹地总体分布在东北部地区,而西南部地区较少。在所有森林火灾中,林火预警次数最少,但极易发展为规模更大的森林火灾;一般森林火灾次数最多,频率最高;重大森林火灾14起,总过火面积为3969.3hm2;特大森林火灾次数不多,但其过火面积远超其他等级的森林火灾。所有年份中,2003年总过火面积最大,2006年最小,2004年和2006年森林火灾发生次数最少,都只有4起,2008年次数最多为18起,但大多为过火面积在1～100hm2的一般森林火灾,2003年位于中部地区发生的特大森林火灾过火面积高达84343.3hm2,是根河市历年过火面积最大的森林火灾。⑶根河市森林火灾各级林火烈度的过火面积占比总体呈:中度>重度>轻度,海拔在500～1000m的区域过火面积占比远高于1000m以上的区域;不同坡度过火面积占比总体呈:缓坡>平坡>平地>斜坡>陡坡;不同坡向过火面积从大到小依次为:东>西>北>南>西北>西南>东北>东南>平地。总体来看,海拔在500～1000m、坡度为6～15°以及坡向处于东坡的区域易发生大规模森林火灾,可作为当地林业部门重点林火预防区域。⑷结合NDVI与NBR指数的时序变化确定火烧迹地的起火时间能够有效避免数据噪声和天气变化的影响,可以实现在没有其它林火数据支持的情况下确定起火时间,判别精度可达到月内时间段。森林火灾发生后,NDVI与NBR指数变化显着,NDVI指数通常在火后第1年出现下降趋势,而NBR指数在起火当年即表现出下降的趋势。⑸根河市火后植被指数的总体恢复年限在10年左右,总体表现为:重度火烧更新恢复难,轻度、中度火烧恢复影响因素多,不同火烈度区域的火后植被恢复情况与过火面积并无明显关系。火后EVI指数呈明显上升趋势并伴随一定年际波动,不同林火烈度区域的EVI指数恢复差异明显,重度火烧的恢复速率明显低于轻度、中度火烧,轻度火烧最快1年即可恢复至火前水平,最慢需8年;中度火烧区域最快需2年恢复至火前水平,最慢需8年;重度火烧区域最快4年可恢复,最慢恢复时间长达10年。
马婷[8]（2020）在《基于多源多时相数据的落叶松林识别研究》文中提出落叶松是我国北方林区较为常见的林木,其木材材质优良且具有抗压抗腐蚀等诸多优点,具有较高的社会价值和经济效益。近年来,落叶松作为我国林业重点工程建设的树种之一,造林面积逐年增加。目前,林业部门针对落叶松资源的调查愈发重视,如何快速获取落叶松空间位置分布也成为林业研究的难点之一。本研究以多时相的Landsat8和GF-1影像为主要数据源,在分析落叶松季相和光谱特征基础上,确定落叶松识别的关键时期和参数。同时提取多种特征信息,通过不同分类器的选择,探究提取落叶松最佳特征因子和多特征优化的分类策略,为快速获取落叶松空间位置分布提供一种技术参考。具体研究内容和结果如下:（1）为了探究提取落叶松林的关键物候期,实验以黑龙江省孟家岗林场作为重点研究区,采用最大似然法、随机森林法和支持向量机法对不同时相的Landsat8影像进行森林类型分类,筛选出提取落叶松林的最佳时期和方法。研究结果表明,在这三种分类方法中,最大似然法综合效果最好,其次是随机森林法。结合落叶松NDVI时间序列曲线发现,在落叶松生长期和落叶期与其他植被物候差异显着,分类效果较为理想,分类精度均高于80%。其中11月2日影像分类效果最好,精度最高为85.08%,Kappa=0.81。该结论在大孤家林场的实验中得到进一步验证。（2）同单一时相相比,多时相的影像包含更丰富的地物信息,实验在上述单时相影像分类基础上,筛选出分类精度高于80%的影像,并将这些影像进行排列组合,共构建了 69景多时相组合的遥感影像,最后采用最大似然法依次进行森林类型分类。研究结果表明,①相较于单时相的分类结果,多时相组合可以有效地提高分类精度,更有利于落叶松的提取;②在多时相组合分类中,两个时相组合的影像分类效果最佳;③落叶松生长期和落叶期影像组合可以反映出落叶松独特的物候规律,是进行落叶松识别的最佳时相组合,有利于落叶松的高精度提取。在多时相组合分类结果中,落叶松生长期和落叶期组合的影像,分类效果较为理想,精度均高于85%,其中,3月22日影像（生长期）和10月29日影像（落叶期）组合分类效果最佳,分类精度最高为87.46%,Kappa=0.84。上述结论均在大孤家林场实验中得到进一步验证。（3）实验选择时间相近的GF-1和Landsat8影像为数据源,分别提取了不同植被指数的时间序列特征、不同窗口下的纹理特征以及利用DEM数据提取不同的地形因子。最后采用最大似然法和随机森林法进行分类。研究结果表明,①加入特征因子后,分类精度均有所提高,说明特征因子有助于落叶松的提取。②加入植被指数时序特征后,分类效果最为理想,分类精度显着提高。说明植被指数时间序列特征可以较好地描述落叶松的物候节律,反映出落叶松的季相特征,是提取落叶松的最佳特征因子。（4）实验以黑龙江省大兴安岭国有林场作为整体研究区,采用最大似然法、随机森林法和支持向量机法对MODIS-NDVI时序数据集和MODIS-EVI时序数据集进行森林类型分类。结果表明,最大似然法和随机森林法分类效果较好,分类精度均达到70%以上,面积精度均达到85%以上。其中随机森林法分类效果最好,精度最高,MODIS-NDVI时序数据集分类精度为79.91%,Kappa=0.77,MODIS-EVI时序数据集分类精度为78.27%,Kappa=0.76。说明MODIS时序数据集可反映落叶松的季相特征,适合大区域落叶松林的提取。
刘潘[9]（2020）在《基于MODIS数据的森林火灾监测方法研究》文中研究指明森林火灾会给国家和人民带来巨大的安全威胁和经济损失,我国是森林火灾高发国家之一。通过研究分析发现,可以利用卫星遥感数据从三个方面对森林火灾进行有效管控:灾前预测可以减少火灾发生;灾时实时监测可在最大程度上降低损失;灾后高效、快速的提取火迹地可以为森林的灾后评估、重建方案提供可靠的依据。目前,MODIS数据是使用范围最广的遥感数据之一,对森林火灾监测具有实时性高、效率高、精度好、成本低等优点。本文着重利用MODIS数据对森林火灾的灾前、灾时、灾后三个阶段进行了研究,并针对基于MODIS数据的森林火灾监测过程中存在的问题加以改进,主要分析和结论如下:（1）构建基于多因子森林火险的预测模型。在将静态与动态火险因子相结合,根据层次分析法对各火险因子计算权重并叠加的此基础上,进行森林火险预测,解决了火险因子单一及各火险因子间无相互作用关系问题。该模型通过黑河市2009年4月25日和26日的MODIS数据对4月27日的森林火灾进行火险预测,预测精度分别为83.33%和87.50%,然而传统预测模型精度仅为56.25%和68.75%。研究表明,该模型可以对黑河市的火险进行有效的预测。此外,利用火点数据对静态火险因子进行危险等级划分,在一定程度上提高了该模型对不同地区的适用性。（2）构建基于BP神经网络的烟雾识别模型。通过对地物特征的分析,选用Ref7、Ref8、BT32-BT20、MNDFI、NBR和NDVI作为该模型的输入层,以单一季节、地区的地物样本构建烟雾识别模型,并对该模型的可靠性进行了验证,其总体精度和Kappa系数分别为96.96%和95.78%。最后通过四个地区数据对该模型进行检验,并与多通道阈值法对比,结果表明该模型可以对多季节、地区的陆地上空的烟雾进行有效的监测,同时提高了森林烟雾识别的效率。此外,在陆地上空,使用MNDFI-NDVI-NBR假彩色合成影像对烟雾的显示效果优于真彩色合成影像。（3）利用最大类间方差法对火迹地进行提取。首先,分析NDVI、NBR、NSTv2和NSEv1四种指数对火迹地的敏感度和可分离性;其次,利用最大类间方差法对火迹地进行提取,然后通过Firecci5.1数据对提取结果进行了精度评估,其中NSEv2指数的总体精度和Kappa系数分别为93.47%和83.08%,优于其它指数;最后,对该方法进行多个地区的适用性评估,Kappa系数分别为76.42%、75.06%,具有高度一致性。其结果表明,将最大类间方差法与NSEv2结合,可以快速识别精度较好的火迹地面积,从而克服通过产品数据预测而出现的较大延时性问题。
苏日古嘎[10]（2020）在《基于静止气象卫星的草原火实时监测与预警研究》文中提出及时发现、预警及火蔓延准确模拟对阻击、扑灭草原火非常重要。蒙古国是我国北方的重要邻国,与我国共有4676.8km边境线,边境线两侧的地形、气候、植被类型等相近。近年来蒙古国境内频繁发生草原火,火借风势,经常蔓延到边境线处,严重威胁到我国北方草地生态安全及边境地区人民生命财产安全。本文以中蒙边境地区为研究区,利用时间分辨率较高的新一代静止气象卫星HIMAWARI8/9数据,开展了快速判别火点、实时跟踪监测草原火的发展动态、提取火烧迹地等工作,并对现有的火蔓延元胞自动机模型进行改进,结合气象、地形、可燃物等数据,模拟研究了草原火的蔓延趋势。研究结果表明:（1）开展了基于HIMAWARI8/9数据的草原火快速识别和实时跟踪监测研究。对2019年4月29日-30日发生在蒙古国境内的草原火进行了连续动态监测,发现此次草原火共持续11h30min,HIMAWARI8/9卫星共监测70次,火烧面积共3098.09km2。最初监测到火点坐标为东经115°49′,北纬49°2′,时间为29日14:50（UTC）,距离国境线24公里。通过实时跟踪监测发现,火势向东南方向蔓延,直到30日02:20（UTC）时火头不再往外扩散,逐渐熄灭。火场蔓延过程中,蔓延速度呈增加-减少-增加的趋势,平均蔓延速度约6.08km/h,为急进地表火。采用标准差椭圆分析法评估火点空间分布的准确性,发现基于MODIS、S-NPP/VIIRS和HIMAWARI8/9三种数据判识的火点,其标准差椭圆重心十分接近,均在49.03°N,115.96°E附近,火点分布方向均为西北—东南,与火线移动方向相一致。（2）在火烧迹地提取方面,归一化燃烧指数（Normalized Burn Ration,NBR）与归一化植被指数（Normalized Difference Vegetation Index,NDVI）、增强型植被指数（Enhanced Vegetation Index,EVI）、全球环境监测植被指数（Global Environment Monitoring Index,GEMI）、燃烧面积指数（Burned Area Index,BAI）四种指数相比,分离指数M取值大于1,对火烧迹地的分离能力较好。通过GEMI、BAI、NBR指数对HIMAWARI8/9卫星数据提取火烧迹地并利用Sentinel-2卫星数据进行精度评价,发现NBR指数识别能力较好,总体精度达到96.25%,Kappa系数为0.91,而BAI、GEMI指数提取火烧迹地的潜力相差不大,总体精度分别达到84.86%、83.96%,Kappa系数均为0.60。（3）在掌握元胞自动机原理和王正非—毛贤敏林火蔓延模型的基础上,对张菲菲提出的基于地理元胞自动机的林火蔓延模型进行了改进,构建了草原火蔓延模拟模型。新模型中引入元胞自身燃烧的影响,重新定义元胞的转换规则函数,采用Python语言开发了模拟软件,输入HIMAWARI8/9数据提取的火点信息和气象、地形、可燃物等其他数据,进行了火蔓延模拟实验。根据HIMAWARI8/9数据观测频次和风向风速数据获取时间,采用三种方式进行了模拟,并用实际过火区来验证模拟精度。采用多种方式进行模拟后发现模拟的过火面积总是大于实际过火面积,其中最好的结果显示92.24%的实际过火区域被模型成功模拟重现,模型精度达到73.29%。本文研究结果表明,通过高时间分辨率的静止气象卫星可及时提取火点和实时跟踪,在此基础上结合草原火蔓延模型,可准确模拟火蔓延方向和速度,对境外火越境问题而言,可为防火管理部门提供越境火到达边境的位置和时间等信息,对阻击扑灭工作和应急管理工作提供有效信息。
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
| 摘要 |
| SUMMARY |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 相关研究进展 |
| 1.2.1 森林分类研究 |
| 1.2.2 森林空间分布变化监测研究 |
| 1.2.3 森林景观格局研究 |
| 1.2.4 森林碳储量研究 |
| 1.3 研究内容、技术路线与预期目标 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 预期目标 |
| 第二章 研究区与数据 |
| 2.1 研究区 |
| 2.1.1 整体研究区概况 |
| 2.1.2 重点研究区概况 |
| 2.2 数据收集及预处理 |
| 2.2.1 光学遥感影像数据 |
| 2.2.2 激光雷达数据 |
| 2.2.3 空间环境数据 |
| 2.2.4 野外实地调查数据 |
| 2.2.5 辅助数据 |
| 第三章 山地森林识别精度提升研究 |
| 3.1 研究方法 |
| 3.1.1 构建分类系统 |
| 3.1.2 基于GLAS数据的山地地物高度提取 |
| 3.1.3 森林范围识别 |
| 3.1.4 森林类型识别 |
| 3.2 结果分析与讨论 |
| 3.2.1 森林范围识别精度比较 |
| 3.2.2 森林类型识别精度比较 |
| 3.2.3 讨论 |
| 3.3 本章小结 |
| 第四章 祁连山森林碳储量现状研究 |
| 4.1 研究方法 |
| 4.1.1 森林类型分类及森林区域GLAS脚印点筛选 |
| 4.1.2 GLAS脚印点森林冠层高度估算 |
| 4.1.3 GLAS脚印尺度森林碳储量估算 |
| 4.1.4 基于Max Ent模型的研究区森林碳储量空间分布估计 |
| 4.2 结果分析与讨论 |
| 4.2.1 GLAS脚印点森林冠层高度估算结果 |
| 4.2.2 GLAS脚印点森林碳储量估算结果 |
| 4.2.3 研究区森林碳储量空间分布估计结果 |
| 4.2.4 研究区森林碳储量空间分布特征 |
| 4.2.5 讨论 |
| 4.3 本章小结 |
| 第五章 近30 年祁连山森林景观动态变化研究 |
| 5.1 研究方法 |
| 5.1.1 历史影像森林面积提取及类型识别 |
| 5.1.2 森林面积动态变化分析 |
| 5.1.3 森林覆盖度动态变化分析 |
| 5.1.4 森林景观格局动态变化分析 |
| 5.2 结果分析与讨论 |
| 5.2.1 研究区1990-2018 年森林类型分类结果 |
| 5.2.2 研究区1990-2018 年森林面积动态变化分析 |
| 5.2.3 研究区1990-2018 年森林覆盖度动态变化分析 |
| 5.2.4 研究区1990-2018 年森林景观格局动态变化分析 |
| 5.2.5 讨论 |
| 5.3 本章小结 |
| 第六章 近30 年祁连山森林碳储量时空变化研究 |
| 6.1 研究方法 |
| 6.1.1 森林碳储量估算 |
| 6.1.2 相对辐射校正 |
| 6.1.3 森林碳储量的时空变化分析 |
| 6.2 结果分析与讨论 |
| 6.2.1 基于遥感变量的森林碳储量估算 |
| 6.2.2 研究区1990-2018 年森林碳储量空间分布 |
| 6.2.3 研究区1990-2018 年森林碳储量时空变化分析 |
| 6.2.4 讨论 |
| 6.3 本章小结 |
| 第七章 不同尺度森林景观格局与森林碳储量相关性研究 |
| 7.1 研究方法 |
| 7.1.1 实验区域选择 |
| 7.1.2 划分不同尺度森林样区 |
| 7.1.3 景观指数选取 |
| 7.1.4 不同尺度样区内森林碳储量及景观指数提取 |
| 7.1.5 统计分析 |
| 7.2 结果分析与讨论 |
| 7.2.1 研究区不同尺度样区划分结果 |
| 7.2.2 不同尺度森林景观格局与森林碳储量相关性分析 |
| 7.2.3 不同尺度森林景观格局与森林碳储量相关关系模型 |
| 7.2.4 讨论 |
| 7.3 本章小结 |
| 第八章 结论、讨论与展望 |
| 8.1 讨论 |
| 8.2 主要研究结论 |
| 8.2.1 山地森林识别精度提升研究 |
| 8.2.2 祁连山森林碳储量现状研究 |
| 8.2.3 近30 年祁连山森林景观动态变化研究 |
| 8.2.4 近30 年祁连山森林碳储量时空变化研究 |
| 8.2.5 不同尺度森林景观格局与森林碳储量相关性研究 |
| 8.3 特色与创新点 |
| 8.4 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 在读期间发表论文和研究成果等 |
| 导师简介 |
| 摘要 |
| Abstract |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 作物遥感识别特征选择研究现状 |
| 1.2.2 作物遥感识别植被指数研究现状 |
| 1.2.3 作物遥感识别机器学习算法研究现状 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 研究区域与数据预处理 |
| 2.1 研究区介绍 |
| 2.1.1 研究区选择依据 |
| 2.1.2 研究区自然地理条件 |
| 2.2 研究数据 |
| 2.2.1 遥感数据 |
| 2.2.2 地面调查数据 |
| 2.3 数据预处理 |
| 2.3.1 Google Earth Engine平台 |
| 2.3.2 数据集构建 |
| 2.4 研究方法 |
| 2.4.1 植被指数构建方法 |
| 2.4.2 随机森林分类算法 |
| 2.4.3 支持向量机分类算法 |
| 2.4.4 精度验证方法 |
| 第三章 柑橘特征空间构建 |
| 3.1 物候历与生长特性 |
| 3.2 光谱特征分析 |
| 3.3 植被指数与对比 |
| 3.4 纹理特征 |
| 3.5 本章小结 |
| 第四章 改进的红边波段指数与柑橘遥感识别 |
| 4.1 红边波段指数对比与改进 |
| 4.2 结合物候信息的柑橘识别方法 |
| 4.3 常用光谱指数的柑橘识别结果与评价 |
| 4.3.1 不同植被指数的识别结果对比 |
| 4.3.2 精度验证与面积统计 |
| 4.4 改进红边波段指数的柑橘识别结果与评价 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第五章 基于机器学习算法的柑橘遥感制图 |
| 5.1 基于物候信息的柑橘特征选择 |
| 5.2 基于随机森林的特征重要性评价 |
| 5.3 基于机器学习算法的多时相与单时相柑橘识别 |
| 5.3.1 多时相与单时相的识别结果对比 |
| 5.3.2 精度验证 |
| 5.4 本章小结 |
| 第六章 全文结论 |
| 6.1 研究结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 人工林树种识别常用的遥感数据 |
| 1.2.2 人工林树种识别中常用的特征 |
| 1.2.3 人工林树种识别中常用的分类方法 |
| 1.3 存在问题 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 论文结构 |
| 2 研究区与数据 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.2.1 遥感数据 |
| 2.2.2 辅助数据 |
| 2.3 Sentinel数据预处理 |
| 2.3.1 Sentinel-1数据预处理 |
| 2.3.2 Sentinel-2数据预处理 |
| 2.4 本章小结 |
| 3 分类特征与方法 |
| 3.1 分类特征 |
| 3.1.1 光谱特征 |
| 3.1.2 植被指数特征 |
| 3.1.3 纹理特征 |
| 3.2 分类方法 |
| 3.2.1 最大似然 |
| 3.2.2 随机森林 |
| 3.2.3 支持向量机 |
| 3.3 分类精度评价 |
| 3.4 本章小结 |
| 4 基于Sentinel-1和Sentinel-2的落叶松人工林识别 |
| 4.1 基于Sentinel-1单时相的落叶松人工林识别 |
| 4.1.1 基于VV、VH后向散射系数 |
| 4.1.2 基于VV、VH后向散射系数和纹理特征 |
| 4.2 基于Sentinel-1多时相的落叶松人工林识别 |
| 4.3 基于Sentinel-2单时相的落叶松人工林识别 |
| 4.3.1 基于光谱特征 |
| 4.3.2 基于光谱特征和植被指数特征 |
| 4.4 基于Sentinel-2多时相的落叶松人工林识别 |
| 4.5 本章小结 |
| 5 结合Sentinel-1和Sentinel-2的落叶松人工林识别 |
| 5.1 基于Sentinel-1和Sentinel-2单时相的落叶松人工林识别 |
| 5.2 基于Sentinel-1和Sentinel-2多时相的落叶松人工林识别 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 高光谱遥感概述 |
| 1.2.2 植被高光谱特征研究现状 |
| 1.2.3 高光谱遥感植被分类研究现状 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 第二章 研究区概况及数据处理 |
| 2.1 研究区域概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候和地形地貌 |
| 2.1.3 植被与土壤 |
| 2.2 数据获取 |
| 2.2.1 地面实测高光谱数据 |
| 2.2.2 无人机高光谱影像 |
| 2.2.3 高分五号卫星影像 |
| 2.3 高光谱数据处理与分析方法 |
| 2.3.1 反射率转换 |
| 2.3.2 光谱平滑去噪 |
| 2.3.3 高分五号影像预处理 |
| 2.3.4 光谱变换方法 |
| 2.4 本章小结 |
| 第三章 植被光谱曲线变换及分析 |
| 3.1 原始反射率光谱曲线分析 |
| 3.1.1 地面植被反射率光谱曲线分析 |
| 3.1.2 机载植被反射率光谱曲线分析 |
| 3.1.3 地面与机载植被反射率光谱曲线分析 |
| 3.1.4 小结 |
| 3.2 一阶微分光谱曲线分析 |
| 3.2.1 地面植被一阶微分光谱分析 |
| 3.2.2 机载植被一阶微分光谱分析 |
| 3.2.3 小结 |
| 3.3 倒数对数光谱分析 |
| 3.3.1 地面植被倒数对数光谱分析 |
| 3.3.2 机载植被倒数对数光谱分析 |
| 3.3.3 小结 |
| 3.4 连续统去除光谱分析 |
| 3.4.1 地面植被连续统去除分析 |
| 3.4.2 机载植被连续统去除分析 |
| 3.4.3 小结 |
| 3.5 本章小结 |
| 第四章 植被光谱特征参量化 |
| 4.1 植被指数 |
| 4.1.1 地面植被指数 |
| 4.1.2 机载植被指数 |
| 4.2 三边参数 |
| 4.2.1 地面植被三边参数 |
| 4.2.2 机载植被三边参数 |
| 4.3 植被峰谷特征 |
| 4.3.1 地面植被峰谷特征 |
| 4.3.2 机载植被峰谷特征 |
| 4.3.3 地面机载植被峰谷特征对比 |
| 4.4 本章小结 |
| 第五章 植被特征波段选择及分类 |
| 5.1 特征波段提取 |
| 5.1.1 基于光谱特征分析 |
| 5.1.2 基于统计学分析方法 |
| 5.2 端元获取 |
| 5.2.1 MNF变换 |
| 5.2.2 PPI像元纯净指数 |
| 5.2.3 N维可视化 |
| 5.3 分类方法与精度评价方法 |
| 5.3.1 光谱角填图法 |
| 5.3.2 精度评价方法 |
| 5.4 结果与分析 |
| 5.4.1 地面植被分类结果及精度评价 |
| 5.4.2 机载植被分类结果及精度评价 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 讨论与展望 |
| 致谢 |
| 参考文献 |
| 附录 (攻读学位期间的主要学术成果) |
| 致谢 |
| 摘要 |
| abstract |
| 第一章 前言 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 林分结构与生理参数估测研究现状 |
| 1.2.2 林分生长研究现状 |
| 1.3 研究问题及内容 |
| 1.3.1 研究目的和问题 |
| 1.3.2 研究内容 |
| 第二章 研究区概况 |
| 2.1 国营虞山林场 |
| 2.2 国营东台市林场 |
| 2.3 邳州铁富银杏基地 |
| 2.4 研究材料 |
| 第三章 基于机载高光谱和激光雷达数据的林木树种识别 |
| 3.1 材料与方法 |
| 3.1.1 地面数据调查 |
| 3.1.2 遥感数据获取 |
| 3.1.3 数据预处理 |
| 3.1.4 光谱特征计算 |
| 3.1.5 单株林木提取 |
| 3.1.6 激光雷达特征计算 |
| 3.1.7 光照树冠提取 |
| 3.1.8 光谱特征变量及其选择 |
| 3.1.9 随机森林及其应用 |
| 3.2 结果 |
| 3.2.1 单株林木提取 |
| 3.2.2 光照树冠提取 |
| 3.2.3 树种识别及其精度 |
| 3.3 讨论 |
| 3.3.1 数据融合与树种识别 |
| 3.3.2 PCS单株林木提取 |
| 3.3.3 光谱及点云特征变量 |
| 3.4 小结 |
| 第四章 基于背负式激光雷达数据的单株林木胸径及材积估测 |
| 4.1 材料与方法 |
| 4.1.1 地面数据调查 |
| 4.1.2 激光雷达数据获取及其预处理 |
| 4.1.3 树干探测及胸径估算 |
| 4.1.4 单株林木分割 |
| 4.1.5 树干直径提取及削度方程构建 |
| 4.1.6 立木材积模型构建及应用 |
| 4.2 结果 |
| 4.2.1 单株林木提取 |
| 4.2.2 胸径、树高提取及其精度 |
| 4.2.3 削度方程拟合及优化 |
| 4.2.4 材积方程及其应用 |
| 4.3 讨论 |
| 4.3.1 单株林木提取 |
| 4.3.2 胸径提取 |
| 4.3.3 材积估测 |
| 4.4 小结 |
| 第五章 基于机载激光雷达及光学影像的林分蓄积量和生物量等参数估测 |
| 5.1 全波形激光雷达和高光谱数据的林分结构参数估测 |
| 5.1.1 材料与方法 |
| 5.1.2 结果 |
| 5.2 无人机载多光谱和真彩色影像数据的林分结构参数估测 |
| 5.2.1 材料与方法 |
| 5.2.2 结果 |
| 5.3 讨论 |
| 5.3.1 全波形Li DAR和高光谱数据林分结构参数估测 |
| 5.3.2 无人机影像数据的林分结构参数估测 |
| 5.3.3 全波形激光雷达和高光谱特征变量 |
| 5.3.4 影像数据的光谱与结构特征变量 |
| 5.3.5 多光谱与真彩色影像点云 |
| 5.3.6 精度与效率 |
| 5.4 小结 |
| 第六章 基于无人机高光谱和激光雷达数据的林木生理参数估测 |
| 6.1 材料与方法 |
| 6.1.1 地面数据调查 |
| 6.1.2 实验室量测 |
| 6.1.3 遥感数据获取 |
| 6.1.4 无人机高光谱和激光雷达数据融合 |
| 6.1.5 经验模型估测生理参数 |
| 6.1.6 辐射传输模型估测生理参数 |
| 6.1.7 生理参数垂直分布 |
| 6.1.8 冠层生理参数及光合能力随年龄的变化 |
| 6.2 结果 |
| 6.2.1 经验模型构建及精度验证 |
| 6.2.2 辐射传输模型及其估测精度 |
| 6.2.3 生理参数区域范围分布 |
| 6.2.4 生理参数在单株林木冠层内的分布 |
| 6.2.5 生理参数分布随年龄的变化 |
| 6.2.6 冠层光合作用强度随年龄的变化 |
| 6.3 讨论 |
| 6.3.1 基于DSM的数据融合算法与生理参数三维分析 |
| 6.3.2 高光谱特征变量及其可用性 |
| 6.3.3 影响生理参数冠层分布的可能性因素 |
| 6.3.4 不同年龄单株林木的冠层光和能力 |
| 6.4 小结 |
| 第七章 基于生理过程模型的林分生长模拟 |
| 7.1 材料与方法 |
| 7.1.1 地面数据调查 |
| 7.1.2 遥感数据获取及处理 |
| 7.1.3 研究区历史气候数据获取 |
| 7.1.4 模型参数优化及输出 |
| 7.1.5 模型预测及精度验证 |
| 7.1.6 不同培育措施对林分生长的影响 |
| 7.2 结果 |
| 7.2.1 研究区历史及未来气候数据 |
| 7.2.2 林分生长过程模拟 |
| 7.2.3 3-PG模型估测精度验证 |
| 7.2.4 不同初植密度对林分生长的影响 |
| 7.2.5 不同间伐强度对林分生长的影响 |
| 7.2.6 不同施肥管理方式对林分生长的影响 |
| 7.3 讨论 |
| 7.3.1 模型参数及生长过程模拟 |
| 7.3.2 培育措施对人工林生长过程的影响 |
| 7.3.3 不同树种的生长差异 |
| 7.4 小结 |
| 第八章 主要结论与展望 |
| 8.1 主要结论 |
| 8.2 本文创新点 |
| 8.3 研究展望 |
| 附录Ⅰ 符号与参数说明 |
| 攻读学位期间发表的学术成果 |
| 参考文献 |
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 森林火灾及其恢复过程的监测与评价 |
| 1.2.2 火干扰后植被群落的演替特征 |
| 1.2.3 火干扰后凋落物和土壤的养分特征 |
| 1.2.4 火干扰后土壤微生物群落的演替特征 |
| 1.3 研究区域概况 |
| 1.4 研究内容 |
| 1.5 技术路线图 |
| 2 火烧迹地景观尺度时空变化特征 |
| 2.1 研究方法 |
| 2.1.1 火烧迹地提取和分级 |
| 2.1.2 土地覆盖时空变化分析 |
| 2.1.3 植被覆盖度变化趋势的分析 |
| 2.2 火烧迹地的分布特征 |
| 2.2.1 火烧迹地识别结果评价 |
| 2.2.2 不同火烈度火烧迹地面积统计 |
| 2.3 火烧迹地土地覆盖时空变化特征 |
| 2.3.1 土地覆盖类型时空分布 |
| 2.3.2 不同类型火干扰区土地覆盖类型变化特征 |
| 2.4 火烧迹地植被覆盖时空变化趋势 |
| 2.4.1 FVC时间变化特征 |
| 2.4.2 FVC空间变化趋势 |
| 2.4.3 FVC稳定性的空间格局 |
| 2.4.4 FVC持续性的空间格局 |
| 2.5 讨论与小结 |
| 2.5.1 讨论 |
| 2.5.2 小结 |
| 3 火烧迹地植被演替特征 |
| 3.1 研究方法 |
| 3.1.1 样地设置 |
| 3.1.2 植被因子调查 |
| 3.1.3 乔木及更新苗的直径分布 |
| 3.1.4 乔木及更新苗的空间分布格局 |
| 3.1.5 林下植被物种多样性特征和种间格局 |
| 3.1.6 植被生物量测定 |
| 3.1.7 演替阶段划分 |
| 3.2 乔木的数量特征及分布格局 |
| 3.2.1 乔木的数量特征 |
| 3.2.2 林分直径结构特征 |
| 3.2.3 乔木层空间分布格局 |
| 3.3 更新苗的数量特征及分布格局 |
| 3.3.1 更新苗的数量特征 |
| 3.3.2 更新苗的空间分布格局 |
| 3.4 林下灌草的群落特征 |
| 3.4.1 林下灌木的群落特征 |
| 3.4.2 林下草本植被的群落特征 |
| 3.4.3 林下灌草群落种间关联性 |
| 3.5 地上生物量垂直分布特征 |
| 3.5.1 地上生物量分配特征 |
| 3.5.2 地上生物量恢复特征 |
| 3.6 演替阶段的识别 |
| 3.6.1 火干扰后植被群落演替程度的量化 |
| 3.6.2 火干扰后植被群落演替阶段的识别 |
| 3.7 讨论与小结 |
| 3.7.1 讨论 |
| 3.7.2 小结 |
| 4 火烧迹地土壤恢复特征 |
| 4.1 研究方法 |
| 4.1.1 样品采集 |
| 4.1.2 凋落物和土壤化学性质的测定 |
| 4.1.3 土壤微生物群落的高通量测序 |
| 4.1.4 数据处理 |
| 4.2 凋落物层现存量和养分特征 |
| 4.2.1 凋落物层现存量 |
| 4.2.2 凋落物层养分元素含量 |
| 4.2.3 凋落物层化学计量特征 |
| 4.2.4 凋落物层营养元素储量特征 |
| 4.3 土壤养分含量与化学计量特征 |
| 4.3.1 土壤养分含量 |
| 4.3.2 土壤营养元素化学计量特征 |
| 4.4 土壤微生物群落特征 |
| 4.4.1 土壤细菌群落特征 |
| 4.4.2 土壤真菌群落特征 |
| 4.4.3 土壤元素循环相关功能特征 |
| 4.5 讨论与小结 |
| 4.5.1 讨论 |
| 4.5.2 小结 |
| 5 植被-土壤协同恢复机制 |
| 5.1 研究方法 |
| 5.1.1 植被-土壤驱动因子分析 |
| 5.1.2 植被-土壤协同恢复作用 |
| 5.2 树木生长特征与土壤养分因子的耦合关系 |
| 5.2.1 树木生长特征与土壤养分因子之间的RDA分析 |
| 5.2.2 树木生长特征与土壤养分因子之间的Pearson相关性分析 |
| 5.3 更新苗密度与环境因子的耦合关系 |
| 5.3.1 更新苗密度与主导环境因子的相关分析 |
| 5.3.2 更新苗密度与主导环境因子的通径分析 |
| 5.4 林下灌草群落特征与环境因子的耦合关系 |
| 5.4.1 林下灌草物种分布与环境因子RDA分析 |
| 5.4.2 林下灌草群落特征与环境因子之间的Pearson相关分析 |
| 5.5 凋落物养分特征与环境因子的耦合关系 |
| 5.5.1 凋落物养分特征与植被因子间的Pearson相关性 |
| 5.5.2 凋落物养分特征与土壤养分因子间的Pearson相关性 |
| 5.6 土壤微生物群落特征与环境因子的耦合关系 |
| 5.6.1 土壤细菌群落特征与环境因子RDA分析 |
| 5.6.2 土壤细菌群落特征与环境因子之间Pearson相关分析 |
| 5.6.3 土壤真菌群落特征与环境因子CCA分析 |
| 5.6.4 土壤真菌群落特征与环境因子之间Pearson相关分析 |
| 5.7 植被-土壤协同演变特征 |
| 5.7.1 植被-土壤结构方程模型 |
| 5.7.2 植被-土壤系统协同效应 |
| 5.8 讨论与小结 |
| 5.8.1 讨论 |
| 5.8.2 小结 |
| 6 火烧迹地恢复和重建模式 |
| 6.1 火烧迹地恢复和重建模式 |
| 6.2 火烧迹地恢复和重建技术 |
| 7 结论 |
| 致谢 |
| 参考文献 |
| 作者简介 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感提取火烧迹地 |
| 1.2.2 林火烈度分析 |
| 1.2.3 火后植被监测 |
| 1.3 研究内容及方法 |
| 1.4 拟解决关键科学问题 |
| 1.5 技术路线 |
| 2 研究区与数据 |
| 2.1 研究区概况 |
| 2.1.1 地理位置 |
| 2.1.2 气候特征 |
| 2.1.3 地质地貌 |
| 2.1.4 土壤条件 |
| 2.1.5 植被状况 |
| 2.2 云计算平台及数据介绍 |
| 2.2.1 GEE云平台 |
| 2.2.2 Landsat数据 |
| 2.2.3 MODIS数据 |
| 2.2.4 辅助数据 |
| 2.3 本章小结 |
| 3 火烧迹地提取与林火烈度分析 |
| 3.1 提取火烧迹地 |
| 3.1.1 数据获取 |
| 3.1.2 过火区敏感特征 |
| 3.1.3 阈值获取 |
| 3.1.4 构建决策树 |
| 3.1.5 火烧迹地提取结果 |
| 3.1.6 精度验证 |
| 3.1.7 构建林火历史属性数据库 |
| 3.2 林火烈度空间分析 |
| 3.2.1 林火烈度分级 |
| 3.2.2 林火烈度面积分布 |
| 3.2.3 林火烈度与地形 |
| 3.3 本章小结 |
| 4 火后植被动态监测 |
| 4.1 判别起火时间 |
| 4.1.1 指数选择 |
| 4.1.2 数据获取 |
| 4.1.3 噪声处理 |
| 4.1.4 结果与分析 |
| 4.2 火后植被恢复 |
| 4.2.1 植被指数分析 |
| 4.2.2 数据获取与噪声处理 |
| 4.2.3 dEVI指数动态变化 |
| 4.2.4 火后植被恢复评价 |
| 4.3 本章小结 |
| 5 结论与讨论 |
| 5.1 结论 |
| 5.2 讨论 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录清单 |
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 研究内容 |
| 1.4 研究路线 |
| 1.5 论文结构 |
| 1.6 本章小结 |
| 2 数据与方法 |
| 2.1 重点研究区概况 |
| 2.2 整体研究区概况 |
| 2.3 数据获取情况 |
| 2.3.1 重点研究区 |
| 2.3.2 验证研究区 |
| 2.3.3 整体研究区 |
| 2.4 数据预处理 |
| 2.4.1 辐射定标 |
| 2.4.2 大气校正 |
| 2.4.3 正射校正 |
| 2.4.4 图像镶嵌和裁剪 |
| 2.4.5 图像配准 |
| 2.4.6 图像融合 |
| 2.5 基本方法与原理 |
| 2.5.1 最大似然法 |
| 2.5.2 随机森林法 |
| 2.5.3 支持向量机法 |
| 2.5.4 C5.0决策树 |
| 2.5.5 精度评价方法 |
| 2.6 本章小结 |
| 3 基于不同时相落叶松林识别分析 |
| 3.1 解译样地布设 |
| 3.2 基于单时相落叶松林识别 |
| 3.2.1 单时相落叶松林分类实验 |
| 3.2.2 分类结果及分析 |
| 3.3 基于多时相组合落叶松林识别 |
| 3.3.1 双时相组合落叶松林分类实验 |
| 3.3.2 分类结果与分析 |
| 3.3.3 多时相组合落叶松林实验 |
| 3.3.4 分类结果与分析 |
| 3.4 本章小结 |
| 4 特征提取与分析 |
| 4.1 光谱特征提取 |
| 4.2 植被指数时间序列特征提取 |
| 4.3 纹理特征提取 |
| 4.4 地形因子提取 |
| 4.5 本章小结 |
| 5 基于不同特征的落叶松林识别 |
| 5.1 基于单特征落叶松松林识别 |
| 5.1.1 单特征落叶松林分类实验 |
| 5.1.2 分类结果与分析 |
| 5.2 基于多特征组合落叶松林识别 |
| 5.2.1 多特征组合落叶松分类实验 |
| 5.2.2 分类结果与分析 |
| 5.3 错分、漏分现象分析 |
| 5.4 本章小结 |
| 6 基于时序遥感影像的落叶松林识别 |
| 6.1 基于大孤家林场的落叶松林识别 |
| 6.1.1 解译样地布设 |
| 6.1.2 单时相落叶松林研究 |
| 6.1.3 多时相组合的落叶松林研究 |
| 6.2 基于大兴安岭地区的落叶松林识别 |
| 6.2.1 样地布设 |
| 6.2.2 数据预处理 |
| 6.2.3 大兴安岭林场落叶松林识别 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 摘要 |
| abstract |
| 缩写符号列表 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 森林火灾预测模型 |
| 1.2.2 基于遥感影像的森林火灾探测研究 |
| 1.2.3 灾后火迹地识别及重建 |
| 1.3 研究内容以及技术路线 |
| 1.4 章节安排 |
| 2 数据与方法 |
| 2.1 数据介绍 |
| 2.1.1 MODIS数据 |
| 2.1.2 数据获取 |
| 2.2 数据预处理 |
| 2.2.1 去除蝴蝶结效应及几何校正 |
| 2.2.2 计算反射率和辐射率 |
| 2.2.3 亮温计算 |
| 2.3 基础理论 |
| 2.3.1 层次分析法 |
| 2.3.2 BP神经网络模型 |
| 2.3.3 多通道阈值方法 |
| 2.3.4 最大类间方差原理 |
| 2.4 小结 |
| 3 基于多因子的森林火险预测模型 |
| 3.1 研究区域概况 |
| 3.2 火险预测模型的流程图 |
| 3.3 静态森林火险指数 |
| 3.3.1 可燃物火险等级 |
| 3.3.2 地形危险等级 |
| 3.3.3 人类影响指数 |
| 3.3.4 静态火险因子图 |
| 3.4 动态森林火险指数 |
| 3.4.1 垂直水分指数 |
| 3.4.2 可见大气阻力指数 |
| 3.4.3 修正的归一化火灾指数 |
| 3.4.4 地表温度 |
| 3.4.5 动态火险因子图 |
| 3.5 建立森林火险模型 |
| 3.5.1 传统森林火灾模型 |
| 3.5.2 森林火险指数权重的确定 |
| 3.5.3 基于AHP的森林火灾模型 |
| 3.6 森林火险指数的精度评估 |
| 3.7 小结 |
| 4 基于BPNN的烟雾识别模型 |
| 4.1 烟雾识别模型流程图 |
| 4.2 构建烟雾识别模型 |
| 4.2.1 选取训练样本 |
| 4.2.2 云、烟的波谱分析 |
| 4.2.3 模型的精度评估 |
| 4.3 BP神经网络模型的应用 |
| 4.3.1 样本地区的云烟识别 |
| 4.3.2 同地区不同季节的云烟识别 |
| 4.3.3 不同地区不同季节的云烟识别 |
| 4.4 小结 |
| 5 基于最大类间方差的火迹地识别方法 |
| 5.1 火迹地识别流程图 |
| 5.2 最大类间方差图像分类 |
| 5.2.1 火迹地指数计算 |
| 5.2.2 提取火迹地 |
| 5.3 精度评估 |
| 5.4 适用性验证 |
| 5.5 小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 中文摘要 |
| abstract |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 火点遥感提取研究进展 |
| 1.2.2 火烧迹地提取研究进展 |
| 1.2.3 火蔓延模拟研究进展 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.3.3 技术路线 |
| 2 研究区概况与数据 |
| 2.1 研究区概况 |
| 2.1.1 自然地理概况 |
| 2.1.2 社会经济概况 |
| 2.1.3 草原火发生概况 |
| 2.2 数据来源与预处理 |
| 2.2.1 遥感数据 |
| 2.2.2 气象数据 |
| 2.2.3 地形数据 |
| 3 草原火实时监测与火烧迹地提取 |
| 3.1 基于HIMAWARI8/9 数据的火点实时监测 |
| 3.1.1 草原火遥感监测理论基础 |
| 3.1.2 遥感火点判识算法 |
| 3.1.3 基于HIMAWARI8/9 数据的火点监测 |
| 3.1.4 火点提取精度分析 |
| 3.2 基于HIMAWARI8/9 数据的火烧迹地提取 |
| 3.2.1 火烧迹地提取方法 |
| 3.2.2 基于HIMAWARI8/9 数据的火烧迹地提取 |
| 3.2.3 火烧迹地提取精度分析 |
| 4 草原火蔓延模型构建和模拟 |
| 4.1 几种常用的火蔓延模型介绍 |
| 4.2 元胞自动机原理 |
| 4.3 基于元胞自动机的草原火蔓延模型构建 |
| 4.3.1 定义元胞自动机的基本要素 |
| 4.3.2 火蔓延速度模型 |
| 4.3.3 草原火蔓延模型构建 |
| 4.4 草原火蔓延模拟与精度验证 |
| 4.4.1 模型输入参数的确定和模拟 |
| 4.4.2 模拟结果与精度分析 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 讨论 |
| 5.3 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的科研成果 |
