检索结果-内蒙古大学图书馆

遥感学报 2025年第1期29卷 167-180页

作者：张猛钟安豪齐帅洋刘洋张怀清中南林业科技大学林业遥感信息工程研究中心长沙410004 中南林业科技大学林业遥感大数据与生态安全湖南省重点实验室长沙410004 中南林业科技大学南方森林资源经营与监测国家林业与草原局重点实验室长沙410004 中国林业科学研究院资源信息研究所北京100091

针对目前中国沼泽湿地净初级生产力NPP(Net Primary Production)估算研究相对薄弱以及植被指数饱和导致NPP估算精度偏低等问题,本研究基于MODIS遥感数据产品(MOD13Q1和MCD12Q1),利用核函数RBF(Radial Basis Function)构建的核归一化植... 详细信息

针对目前中国沼泽湿地净初级生产力NPP(Net Primary Production)估算研究相对薄弱以及植被指数饱和导致NPP估算精度偏低等问题,本研究基于MODIS遥感数据产品(MOD13Q1和MCD12Q1),利用核函数RBF(Radial Basis Function)构建的核归一化植被指数(kNDVI)与CASA(Carnegie-Ames-Stanford approach)模型估算了近20年中国沼泽湿地NPP,并定量分析并探讨了2001年—2020年中国沼泽湿地时空演变及其驱动机制。研究结果表明:基于kNDVI估算得到的NPP_Kndvi(以C计)与实测值具有较高的相关性(R^(2)=0.854)和较低的均方根误差(14.46 g/m^(2)·month),与NPP_NDVI相比更接近真实值;相比于NDVI等传统植被指数,kNDVI缓解了植被指数自身的饱和效应,在一定程度上提高了植被净初级生产力NPP的估算精度;近20年中国沼泽NPP年均值变化幅度162.73—189.34 g(/m^(2)·a),呈波动上升趋势,增速为1.215 g(/m^(2)·a)(R^(2)=0.82)。此外,在空间上,中国沼泽湿地NPP增加和减少的区域比例分别为72.96%和26.27%,主要集中在东北平原、青海省东北部和西南部以及四川北部。相比于人类活动,气候变化是影响中国沼泽湿地时空演变的主要驱动因子,两者影响区域占比分别为66.23%和33.76%。本研究可为中国沼泽湿地NPP估算及时空演变研究提供技术与数据支持。

关键词：沼泽湿地净初级生产力时空演变人类活动气候变化

来源：评论

学校读者我要写书评

暂无评论

采用全卷积神经网络与Stacking算法的湿地分类方法

引用

农业工程学报 2020年第24期36卷 257-264,F0003页

作者：张猛林辉龙湘仁中南林业科技大学林业遥感信息工程研究中心长沙410004 中南林业科技大学林业遥感大数据与生态安全湖南省重点实验室长沙410004 中南林业科技大学南方森林资源经营与监测国家林业与草原局重点实验室长沙410004

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高等问题,提出了一种采用全卷积神经(Fully Convolutional Neural,FCN)网络与集成学习的湿地分类方法。首先利用全卷积神经网络(SegNet、UNet... 详细信息

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高等问题,提出了一种采用全卷积神经(Fully Convolutional Neural,FCN)网络与集成学习的湿地分类方法。首先利用全卷积神经网络(SegNet、UNet及RefineNet)对GF-6影像的语义特征进行提取与融合,然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明,采用全卷积神经网络与Stacking算法能有效提取湿地信息,总体分类精度为88.16%,Kappa系数为0.85。与采用全卷积神经网络与单一机器学习的随机森林(Random Forest,RF)、支持向量机(Support Vector Machin,SVM)与k-近邻(Nearest Neighbor,kNN)算法相比,该研究提出的湿地分类方法在总体分类精度上分别提高了4.87,5.31和5.08个百分点;与采用单一全卷积神经网络(RefineNet、SegNet、UNet)与Stacking算法下的湿地分类结果,该文提出的湿地分类方法在总体分类精度上分别提高了2.78,4.48与4.91个百分点;该方法一方面能通过卷积神经网络提取遥感影像深层的语义特征,另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组,从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。

关键词：湿地分类卷积神经网络 Stacking 集成学习

来源：评论

学校读者我要写书评

暂无评论

洞庭湖湿地净初级生产力估算研究

引用

遥感学报 2023年第6期27卷 1454-1466页

作者：张猛陈淑丹林辉刘洋张怀清中南林业科技大学林业遥感信息工程研究中心长沙410004 中南林业科技大学林业遥感大数据与生态安全湖南省重点实验室长沙410004 中南林业科技大学南方森林资源经营与监测国家林业与草原局重点实验室长沙410004 中国林业科学研究院资源信息研究所北京100091

湿地是地球上重要的“碳库”之一,针对湿地净初级生产力NPP (Net Primary Productivity)模拟中时空分辨率不高和估算精度不稳定等方面的问题,本文提出了一种修正的CASA (Carnegie-Ames-Stanford Approach)模型。首先采用遥感云计算下的... 详细信息

湿地是地球上重要的“碳库”之一,针对湿地净初级生产力NPP (Net Primary Productivity)模拟中时空分辨率不高和估算精度不稳定等方面的问题,本文提出了一种修正的CASA (Carnegie-Ames-Stanford Approach)模型。首先采用遥感云计算下的时空融合算法快速、准确地获得了时间序列的Landsat 8多光谱影像,解决湿地NPP估算中高时空分辨率影像缺失问题。然后,利用Landsat 8数据集(光谱波段、陆表水体指数、归一化植被指数等)与自适应Stacking算法得到高精度的植被分类图,并结合植被分类图确定每个植被像元理想条件下最大光能利用率εmax。同时,利用时序陆表水体指数及降水数据计算获得NPP估算中所需的水分胁迫因子。最后,基于归一化植被指数、水分胁迫因子、εmax及气象数据等多种参数,驱动CASA模型对洞庭湖湿地NPP进行估测。研究结果显示,与其他模型相比,本文修正CASA模型估算的NPP与实测的NPP具有最高的相关系数(R2=0.85)和最低的RMSE (20.16 g C/m2),表明该方法能有效、准确地模拟区域湿地生态系统NPP。洞庭湖区主要湿地植被类型芦苇与苔草的NPP均值分别为424.26 g C/m2和357.50g C/m2。

关键词：遥感湿地净初级生产力 CASA 时空融合分类洞庭湖湿地

来源：评论

学校读者我要写书评

暂无评论

2000—2018年深圳市植被覆盖动态变化与预测

引用

应用生态学报 2020年第11期31卷 3777-3785页

作者：吴炳伦孙华石军南张雨田石灵杰中南林业科技大学林业遥感信息工程研究中心长沙410004 林业遥感大数据与生态安全湖南省重点实验室长沙410004 南方森林资源经营与监测国家林业与草原局重点实验室长沙410004

采用Landsat系列多时相影像数据,以像元二分法估算植被覆盖度,运用线性回归分析、重心迁移等方法来探究深圳市2000—2018年植被覆盖的时空变化特征,并结合CA-Markov模型对深圳市未来土地覆盖情况进行预测。结果表明:2000—2018年,深圳... 详细信息

采用Landsat系列多时相影像数据,以像元二分法估算植被覆盖度,运用线性回归分析、重心迁移等方法来探究深圳市2000—2018年植被覆盖的时空变化特征,并结合CA-Markov模型对深圳市未来土地覆盖情况进行预测。结果表明:2000—2018年,深圳市植被覆盖呈明显的地域分异特征,在区域上表现为东部大于西部、南部大于北部,此分异特征与区域地形效应具有良好的一致性。植被覆盖度重心的空间迁移特征为西北-东南-西北,迁移速率为551.2 m·a-1,此进程与深圳市城市化进程密切相关。2000—2018年间,深圳市植被覆盖度总体呈改善趋势,改善速率为0.005·a-1,其中,植被覆盖度显著改善和退化的面积比例分别为30.8%和12.8%。采用CA-Markov方法分理论、自然两种情景对深圳市2024年土地覆盖/利用类型进行预测,两种预测方法所得土地覆盖/利用类型的面积所占比例之间没有显著差异,其差异阈值在0~1.2%。与2018年之前相比,2024年深圳市乔木林、耕地等转化为建设用地的比例将明显减少,但供需矛盾仍然紧张。

关键词：植被覆盖度重心迁移 CA-Markov模型预测深圳市

来源：评论

学校读者我要写书评

暂无评论

改进分类回归树模型的青冈枝叶点云分类研究

引用

南京林业大学学报（自然科学版） 2024年第4期48卷 123-131页

作者：潘政尚马开森龙依赖珍贵孙华中南林业科技大学林业遥感信息工程研究中心林业遥感大数据与生态安全湖南省重点实验室南方森林资源经营与监测国家林业和草原局重点实验室湖南长沙410004 中南林业科技大学芦头实验林场湖南岳阳414000

【目的】传统的树木枝叶点云分类模型结构与特征过于复杂,存在稳定性差、精度低、模型过拟合及计算成本高等问题。研究以阔叶树青冈(Quercus glauca)地面激光点云数据为基础,提出一种改进的分类回归树(classification and regression tr... 详细信息

【目的】传统的树木枝叶点云分类模型结构与特征过于复杂,存在稳定性差、精度低、模型过拟合及计算成本高等问题。研究以阔叶树青冈(Quercus glauca)地面激光点云数据为基础,提出一种改进的分类回归树(classification and regression tree, CART)枝叶点云分类模型。【方法】首先根据点的邻域特征构造特征描述子,确定邻域搜索参数的最佳取值。通过逐步引入变量和调整决策树模型结构实现对分类回归树模型的改进。将改进后模型的分类结果与Logistics回归和K近邻模型进行对比。【结果】特征描述子作为变量引入后,模型测试数据分类准确率有所提升,比Logistics回归和K近邻模型分别高出13.1%和13.6%;改进后的分类回归树模型准确率有较大提升,稳定性好且模型大小显著降低,模型大小较改进前减少了99.9%,数据训练时间仅为调整前的51.3%;改进后的方法在树干和树叶上的综合评价指标均在0.9左右,差距小于0.001,无过拟合现象。【结论】改进的CART模型具有较高的精度,在小样本上也能取得较好的分类效果,稳定性好。研究结果可为地面激光雷达枝叶点云精准快速分类提供参考。

关键词：地面激光雷达点云分类点云特征分类回归树

来源：评论

学校读者我要写书评

暂无评论

1990—2020年长江源地区生态环境质量动态变化及驱动力分析

引用

南京林业大学学报(自然科学版) 2024年

作者：王天宏蒋馥根龙依邓目丽孙华中南林业科技大学林业遥感信息工程研究中心林业遥感大数据与生态安全湖南省重点实验室南方森林资源经营与监测国家林业与草原局重点实验室

【目的】高效监测长江源地区生态环境质量的时空分布特征及其变化趋势，对维护三江源地区生态环境质量保护、制定长期、有效的生态保护恢复措施具有重要意义。由于遥感影像空间分辨率和数据获取及处理的限制，大区域遥感生态指数（remot... 详细信息

【目的】高效监测长江源地区生态环境质量的时空分布特征及其变化趋势，对维护三江源地区生态环境质量保护、制定长期、有效的生态保护恢复措施具有重要意义。由于遥感影像空间分辨率和数据获取及处理的限制，大区域遥感生态指数（remote sensing ecological index，RSEI）评价仍然存在局限性，需要完善方法，发挥其快速、客观、高效、可视化和可预测的优势。【方法】以Landsat系列影像为数据源，基于Google Earth Engine（GEE）平台快速云端计算获取1990—2020年植被生长季（6—9月）长江源地区的遥感影像，并计算区域长时间序列RSEI。使用变异系数、Sen+MK趋势分析、Hurst指数及趋势分析法，对长江源地区RSEI稳定性、时空变化特征、未来演化趋势及驱动力进行分析。【结果】①1990—2020年长江源地区RSEI主要分布于0.4～0.6之间，空间尺度上呈东高西低、南高北低的分布特征；②长江源地区RSEI变异系数均值为6.52%，表明东部和西部地区变化相对剧烈，中部地区变化相对稳定。RSEI整体呈现缓慢波动增加的趋势，年平均增速为0.004 7。在空间上，RSEI呈现整体改善，其中改善的区域占研究区面积的83.30%。③长江源地区RSEI的Hurst指数值平均值为0.53，未来变化持续性强于反持续性。长江源地区生态环境质量未来变化以持续改善为主，但整体趋势性偏弱，仍然存在退化的风险。④长江源地区RSEI与气温、夜间灯光指数、潜在蒸散发量均表现为正相关，表明自然因子和人类活动在一定程度上均能够影响生态环境质量改善。【结论】使用GEE获取遥感数据并结合时间序列数据分析，有快速监测大尺度生态环境质量的潜力，可以为三江源地区生态环境监测和保护提供参考。

关键词：长江源地区遥感生态指数(RSEI) 生态环境质量 Google Earth Engine(GEE) Hurst指数

来源：评论

学校读者我要写书评

暂无评论

基于多源遥感数据的CNN水稻提取研究

引用

国土资源遥感 2020年第4期32卷 97-104页

作者：蔡耀通刘书彤林辉张猛中南林业科技大学林业遥感信息工程研究中心长沙410004 林业遥感大数据与生态安全湖南省重点实验室长沙410004 南方森林资源经营与监测国家林业局重点实验室长沙410004 中南林业科技大学林学院长沙410004

水稻是中国种植面积最广泛的粮食作物之一,适时、准确的水稻识别与监测对于国家粮食安全和农用地空间格局演变具有重要意义。基于水稻物候关键期的多时相Sentinel-2A光谱数据、植被指数、植被丰度以及基于Landsat8反演得到的地表温度(la... 详细信息

水稻是中国种植面积最广泛的粮食作物之一,适时、准确的水稻识别与监测对于国家粮食安全和农用地空间格局演变具有重要意义。基于水稻物候关键期的多时相Sentinel-2A光谱数据、植被指数、植被丰度以及基于Landsat8反演得到的地表温度(land surface temperature,LST),采用卷积神经网络(convolutional neural network,CNN)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)算法对高异质化的长株潭核心区的水稻进行了提取,并得到了对应的水稻填图。研究结果显示,利用多时相多源遥感数据通过CNN算法能够有效提取高异质化程度区域的水稻信息,水稻分类总体精度(overall accuracy,OA)和Kappa系数分别达到了92%与0.90以上。该文提出的基于CNN的水稻信息识别方法,能够为改善与提高异质化程度较高区域水稻信息提取的精度提供行之有效的技术与途径。

关键词：水稻 Sentinel-2A Landsat8 CNN 长株潭地区

来源：评论

学校读者我要写书评

暂无评论

地面激光雷达扫描参数与点云简化对林木参数提取的影响

引用

中南林业科技大学学报 2024年第5期44卷 35-45页

作者：向兴龙孙华唐杰潘政尚周榕宋柯馨中南林业科技大学林业遥感信息工程研究中心湖南长沙410004 中南林业科技大学林业遥感大数据与生态安全湖南省重点实验室湖南长沙410004 中南林业科技大学南方森林资源经营与监测国家林业和草原局重点实验室湖南长沙410004

【目的】林木参数是森林蓄积量、森林生物量估算的基础指标,传统的人工调查方式费时费力,已难以适应新形势下数字化森林资源监测技术的要求。地面激光雷达扫描技术能够获取小尺度高分辨率的林分内部结构信息,为林分环境条件下林木胸径... 详细信息

【目的】林木参数是森林蓄积量、森林生物量估算的基础指标,传统的人工调查方式费时费力,已难以适应新形势下数字化森林资源监测技术的要求。地面激光雷达扫描技术能够获取小尺度高分辨率的林分内部结构信息,为林分环境条件下林木胸径、树高提取提供一种新的思路。【方法】以芦头实验林场杉木林样地为研究对象,针对FARO Focus 3D X330三维激光扫描仪设计了7种不同的扫描组合方式对样地进行扫描,提出象限角点云简化思路进行参数提取和精度评价,探究不同扫描组合方式对林木胸径、树高参数提取精度与效率的影响。【结果】1)当扫描分辨率为1/2、质量为4X时,胸径参数提取精度最高;当扫描分辨率为1/4、质量为4X时,树高参数提取精度最高。2)在林木参数提取结果没有显著性差异的前提下,扫描分辨率为1/4、质量为4X的扫描参数工作效率最高。3)选取同时兼顾精度和效率的1/4扫描分辨率、质量4X的扫描结果,进行象限角点云简化,简化的点云能够准确地提取出林木胸径参数。【结论】研究结果对于具有相同或相似地理条件和树种的林地选择扫描参数和点云简化方式具有重要参考价值,可以提高内业工作效率,同时也为地面激光雷达野外样地调查提供方法和技术参考。

关键词：地面激光雷达林木参数点云数据扫描分辨率象限角点云简化

来源：评论

学校读者我要写书评

暂无评论

基于Sentinel-2与机载激光雷达数据的误差变量联立方程组森林蓄积量反演研究

引用

中南林业科技大学学报 2020年第12期40卷 44-53页

作者：陈松孙华吴童蒋馥根中南林业科技大学林业遥感信息工程研究中心湖南长沙410004 中南林业科技大学林业遥感大数据与生态安全湖南省重点实验室湖南长沙410004 中南林业科技大学南方森林资源经营与监测国家林业与草原局重点实验室湖南长沙410004

【目的】研究通过提取Sentinel-2中的特征变量与机载激光雷达(Light detection and ranging,LiDAR)中的冠层高度模型(Canopy height model,CHM),探索使用误差变量联立方程组反演森林蓄积量制图的新方法。【方法】以广西壮族自治区国有... 详细信息

【目的】研究通过提取Sentinel-2中的特征变量与机载激光雷达(Light detection and ranging,LiDAR)中的冠层高度模型(Canopy height model,CHM),探索使用误差变量联立方程组反演森林蓄积量制图的新方法。【方法】以广西壮族自治区国有高峰林场的界牌与东升分场为研究区,机载LiDAR和Sentinel-2影像为数据源,利用皮尔森相关系数与方差膨胀因子(Variance inflation factor,VIF)结合线性逐步回归进行遥感特征变量筛选。通过VIF判断和线性逐步回归保留后的遥感特征变量与LiDAR提取的CHM,分别选用普通回归模型(多元线性逐步回归与Logistic模型)、误差变量联立方程组、随机森林(Random forest,RF)、kNN(k-Nearest Neighbor,kNN)4种反演方法开展森林蓄积量反演,并利用地面实测数据对反演结果进行验证。【结果】1)在普通回归模型中,Logistic模型的反演精度(RRMSE=30.41%)优于MLR模型的反演精度(RRMSE=30.53%);2)在误差变量联立方程组反演方法中,MLR-Logistic联立模型精度(RRMSE=29.29%)优于Logistic-Logistic、MLR-MLR与Logistic-MLR联立模型(RRMSE分别为29.40%、29.60%与29.66%);3)在4种反演方法中,误差变量联立方程组反演结果精度最高(R2=0.60),显著优于普通回归模型方法、随机森林与kNN反演方法(R2分别为0.56、0.39与0.28)。【结论】误差变量联立方程组反演方法更适用于森林蓄积量遥感估测,其反演精度最高,且获得的蓄积量空间连续分布结果与实际接近,制图效果最好,表明误差变量联立方程组反演森林蓄积量制图方法是可行的。

关键词：蓄积量遥感反演联立方程组机载激光雷达 Sentinel-2影像

来源：评论

学校读者我要写书评

暂无评论

神木市植被NDVI动态变化及时空格局分析

引用

中南林业科技大学学报 2023年第7期43卷 109-119,140页

作者：邓目丽蒋馥根龙依王天宏孙华中南林业科技大学林业遥感信息工程研究中心湖南长沙410004 中南林业科技大学林业遥感大数据与生态安全湖南省重点实验室湖南长沙410004 中南林业科技大学南方森林资源经营与监测国家林业和草原局重点实验室湖南长沙410004

【目的】归一化植被指数(normalized difference vegetation index,NDVI)可以指示植被生长和覆盖状况,探究其长时间序列时空动态变化特征规律,对明确区域植被生态变化情况具有重要意义。【方法】利用谷歌地球引擎(google earth engine,G... 详细信息

【目的】归一化植被指数(normalized difference vegetation index,NDVI)可以指示植被生长和覆盖状况,探究其长时间序列时空动态变化特征规律,对明确区域植被生态变化情况具有重要意义。【方法】利用谷歌地球引擎(google earth engine,GEE)云平台获取植被生长季(7—9月)长时间序列Landsat影像并构建NDVI指数。通过变异系数、Sen+Mann-Kendall趋势分析、未来趋势变化分析和空间自相关性计算,分析2000—2020年神木市NDVI时空变化特征及空间格局,并提取NDVI不同聚集区面积结合植被生长季累计降水量和平均气温进行分析。【结果】2000—2020年神木市NDVI显著增加,增速为1.25%·a^(-1);NDVI增加区域、稳定不变区域和退化区域分别占总面积的97.8%、0.4%和1.8%,退化区域主要分布在矿区和城市聚集区;NDVI变异系数主要集中在0.3~0.5之间,整体波动比较剧烈,变异程度呈现“东南高、西北较低”的空间格局;全区NDVI平均Hurst指数0.69,持续显著增加面积占比93.7%,未来植被变化趋势良好。全局Moran’I指数波动下降,NDVI全局空间自相关性逐渐减弱;NDVI低-低型聚集区的面积波动减少,与植被生长季累计降水量表现为显著负相关(P<0.05),低-高型聚集区面积与植被生长季平均气温表现为显著负相关,高-高型聚集区的面积波动增加,与植被生长季累计降水量表现为显著正相关(P<0.05)。【结论】近21年神木市NDVI整体变化较为剧烈,呈现增加趋势,其空间分布趋于破碎化,降水和升温对植被恢复有一定促进作用,且降水对于植被恢复的影响更大,未来植被覆盖状况变化表现为持续性显著增加。

关键词： NDVI google earth engine 变异系数 Sen+Mann-Kendall 空间格局神木市

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：