1 西南林业大学林学院, 云南 昆明 650233
2 西南林业大学大数据与智能工程学院, 云南 昆明 650233
3 西南林业大学大数据与智能工程研究院, 云南 昆明 650233
4 西南林业大学生态大数据国家林业与草原局重点实验室, 云南 昆明 650233
为探究高光谱影像丰富的光谱信息对山区茶园的提取效果, 促进国产卫星高光谱影像在茶园分布制图与资源监测中的应用, 以普洱市南部山区茶园典型分布区为研究区, 以高分五号AHSI(GF-5 AHSI)影像以及数字高程模型(DEM)为主要数据源, 结合实地调查数据, 构建基于随机森林(RF)分类器的亚热带山区茶园提取算法。 首先, 将去除噪声影响后剩余的250个波段作为光谱特征(SF); 在分析研究区主要地物(茶园、 森林、 农田)光谱的基础上, 分别构建植被指数特征(VIF)45个, 地形特征(TRF)3个。 然后, 利用RF进行特征重要性排序, 按照特征重要性从大到小依次将特征输入RF分类器进行茶园提取, 随着特征的不断输入, 茶园提取的F1-Score达到饱和不再明显增加时的特征维度即为最优选择特征。 依据3种特征因子(SF, VIF和TRF)构建12种分类方案。 最后, 比较12种方案的茶园提取精度, 最终确定最优方案。 结果显示, 不同特征组合茶园提取F1-Score排序为SF+VIF+TRE+FS>TRF+VIF+FS>SF+TRF+FS>TRF+VIF>VIF+FS>SF+VIF+FS>SF+VIF+TRF>SF+FS>SF+TRF>VIF>SF+VIF>SF。 FS后6种分类方案中, SF参与分类的4种方案中被选中2次的波段为b4、 b5、 b6、 b27、 b133、 b150和b281; 在VIF参与分类的4种方案中被选中4次的指数分别为REP、 VOG2、 SR2、 SR3、 WBI、 TIP3和TIP9; TRF参与分类的4种方案中坡度、 坡向、 高程均被选中。 此外, SF+TRF+VIF特征进行FS后结合RF算法能够对亚热带茶园分布进行有效识别, 具有较好的识别精度和可信度, GF-5 AHSI卫星数据在茶园分布制图和资源监测等领域有着较好的应用潜力和前景。
GF-5影像 高光谱 茶园 特征重要性 提取 GF-5 image Hyperspectral Feature importance Tea plantations, Extraction 光谱学与光谱分析
2023, 43(11): 3591
1 西南林业大学林学院，云南 昆明 650224
2 西南林业大学大数据与智能工程学院，云南 昆明 650224
3 富民县款庄镇农业综合服务中心，云南 昆明 650404
4 中国地质调查局昆明自然资源综合调查中心，云南 昆明 650111
针对我国森林资源调查监测手段落后的局面，研究开发一种机械式电子森林罗盘仪，以实现样地周界、树高和林木坐标等的测量。通过对比机械式电子森林罗盘仪、布鲁莱斯测高器、森林罗盘仪和手持激光测距仪等常用仪器测量结果的分析，结果显示：机械式电子森林罗盘仪的测量方位角、高度和水平距的准确度分别为0.30°、0.03 m和0.06 m，精密度分别为0.30°、0.94 m和3.53 m，方差分别为313.60、1.12和17.97，标准差分别为17.71、1.06和4.24，S值分别为310.50、1.12和18.05，机械式电子森林罗盘仪的各项测量结果都要更优。机械式电子森林罗盘仪的研制为我国“天地空”森林资源立体化监测体系，特别是地面调查手段更新探索了新途径。
方位角 树高 水平距 内外业一体化 azimuth tree height horizontal distance integration of indoor and outdoor work
1 西南林业大学大数据与智能工程学院,云南 昆明 650233
2 西南林业大学大数据与智能工程研究院,云南 昆明 650233
3 西南林业大学林业生态大数据国家林业与草原局重点实验室,云南 昆明 650233
云南茶园主要分布于山区, 往往与其他地物混合, 破碎化程度高, 给基于遥感的高精度茶园提取带来困难。 破碎化山地茶园的遥感识别能力有待进一步提高。 以西双版纳北部及普洱市南部山区为研究区, 以高分一号(GF-1)遥感影像为数据源, 基于易康(eCognition9.0)软件, 采用多尺度分割(MRS)方法对影像进行分割, 并通过ED3Modified评估影像的最优分割尺度。 首先构造了包括14个光谱特征、 6个纹理特征和3个空间特征的23维初始特征, 通过计算样本的分离度对分类特征空间进行优化, 确定了16维最优特征空间。 然后应用面向对象的监督分类方法[贝叶斯(Bayes)、 决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。 采用实地调查样点和随机点结合的方法对提取结果进行精度验证, 并比较了不同分类方法的茶园提取精度。 面向对象的监督分类[多分类(茶园、 森林、 农田、 不透水层、 水体)]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70), (DT: 88.52%, 0.72), (RF: 91.23%, 0.78)。 三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%), (DT: 68.84%, 83.83%), (RF: 70.54%, 87.13%); 相比于面向对象的RF多分类, 面向对象RF二分类(茶园、 其他地物)OA和Kappa系数分别提高了3.24%和0.07, 茶园提取的PA与UA分别提高了5.99%和5.61%; 相较于仅利用光谱特征的基于像元的RF多分类, 面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27, 茶园提取PA与UA分别提高了21.10%和29.03%。 结果表明: 采用面向对象的监督分类方法在对茶园提取方面有应用潜力, 尤其面向对象的RF分类精度更高, 二分类相较于多分类对于茶园提取更为精细和准确。 该方法对于复杂、 破碎山地茶园提取精度较高, 能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。
茶园 面向对象 纹理特征 空间特征 多光谱 监督分类 Tea plantations Object-oriented GF-1 Texture feature Spatial feature Multispectral Supervised classification GF-1 光谱学与光谱分析
2021, 41(8): 2565
1 北京林业大学测绘与3S研究中心, 北京100083
2 北京农业职业学院, 北京102442
3 中国农业大学水利与土木工程学院, 北京100083
4 西南林业大学计算机与信息学院, 云南 昆明650224
为了建立立木材积模型, 每年有数十万棵优质活立木被伐倒, 这是一种破坏性较大的实验。 应用光电经纬仪自动量测与手工量测活立木地径、 胸径相结合, 通过活立木材积计算软件批量计算, 获得中林系107杨（Zhonglin aspens No.107）的胸径、 树高、 树干材积值400组数据集。 采用粒子群算法嵌入支持向量机（PSO-SVM）建立了非线性智能活立木材积预报模型, 并以400组实验数据集作为研究资料, 随机抽选300组数据的胸径和树高作为输入值, 材积为输出值, 用MATLAB软件运行PSO-SVM工具箱, 训练得到PSO-SVM模型, 用100组数据进行检验预测。 研究表明, PSO-SVM算法模型预测值与实测值间复相关系数r为0.91, r值比Spurr二元材积模型计算值高出2%, 平均绝对误差率提高0.44%。 引用经典Spurr二元材积模型计算值和PSO-SVM模型预报值进行对比, 认为将PSO算法引入到SVM参数优化中, 使活立木材积预报具有自学习能力和自适应能力, PSO-SVM模型对样本数量要求较小、 预报准确率高、 学习速度快, 具有很好的推广价值与应用前景。
粒子群算法（PSO） 支持向量机（SVM） 活立木材积 光电经纬仪 Particle swarm optimization（PSO） Support vector machine（SVM） Living tree volume Photoelectric theodolite
1 北京林业大学测绘与3S技术中心， 北京100083
2 西南林业大学计算机与信息学院， 云南 昆明650224
3 昆明学院数学系， 云南 昆明650214
4 清华大学工程物理系, 公共安全研究院， 北京100084
树冠投影面积和树冠体积是研究单木生物量估测、 三维绿量测算等的重要测量因子。 针对树冠结构复杂、 形态各异， 树冠因子难以精确测量等问题， 为实现单木树冠投影面积和树冠体积的自动提取和精准测量， 以三维激光扫描获取的树木点云数据为数据源， 运用平面散乱点集凸包算法——Graham扫描算法和不规则体切片分割累加算法， 以VC++6.0和Matlab 7.0混合编程， 实现树冠投影面积和树冠体积的自动提取。 以实验区选取具有代表性的22株不同树种的样木为研究对象， 并与传统人工测量方法进行了对比分析。 试验结果表明， 树冠投影面积人工测量（A4）结果与点云数据的自动计算（AV）结果相关性较好， r=0.964（p<0.01）， A4高于AV的平均值为25.5%。 近似规则几何体方法树冠体积测量（VC）结果与基于点云数据的自动计算（VVC）结果之间呈现较强的相关性， r=0.960（p<0.001）， VC低于VVC的平均值为8.03%。 该方法基于高精度单木点云数据， 实现了树冠结构的高精度快速重构、 单木树冠投影面积和树冠体积的无损自动提取， 可以为单木树冠结构的研究提供参考， 在精准林业领域具有推广应用价值。
树冠 点云数据 投影面积 体积 Tree crown Point cloud data Projection area Volume
