img

官方微信

遥感技术与应用, 2021, 36(3): 544-551 doi: 10.11873/j.issn.1004-0323.2021.3.0544

森林遥感专栏

基于AISA Eagle Ⅱ机载高光谱数据的森林可燃物类型识别方法

李晓彤,, 覃先林,, 刘倩, 赵俊鹏, 王崇阳

中国林业科学研究院资源信息研究所 国家林业局林业遥感与信息技术实验室,北京 100091

通讯作者: 覃先林(1969-),男,四川南溪人,研究员,主要从事林业遥感、森林灾害监测研究。E⁃mail: noaags@ifrit.ac.cn

收稿日期: 2020-02-09   修回日期: 2021-04-09   网络出版日期: 2021-07-21

基金资助: 中央级公益性科研院所基本科研业务费专项资金课题“基于多源空间数据的森林火灾综合监测技术与应用示范”.  2017JYZJ20
国防科工局重大专项“高分森林灾害监测应用示范子系统(二期)”.  21-Y30B02-9001-19/22/6

Received: 2020-02-09   Revised: 2021-04-09   Online: 2021-07-21

作者简介 About authors

李晓彤(1995-),女,山东德州人,硕士研究生,主要从事林业遥感、森林火险预警技术研究E⁃mail:lixiaotong36@163.com , E-mail:lixiaotong36@163.com

摘要

为形成林场级森林可燃物类型遥感精细识别方法,以内蒙古大兴安岭根河林业局潮查林场为试验区,结合地面调查和森林资源调查等资料,建立了该区域的森林可燃物类型机载高光谱影像数据分类体系;通过对各类型的原始光谱曲线、一阶微分曲线、二阶微分曲线和包络线消除曲线进行分析,得到了适用于各类型识别的特征波段;并基于生成的特征波段的主成分分析分量(信息量95%以上)及其纹理特征影像,采用随机森林方法对该区域的森林可燃物类型进行了识别。利用机载高光谱遥感数据与其他数据相结合,研究形成了林场级森林可燃物类型随机森林识别方法,识别总体精度达86.31%,Kappa系数0.836;兴安落叶松和白桦的制图精度分别达到95.58%、94.34%,表明该方法适宜用于乔木可燃物的细分,可为林场级森林可燃物更新管理、森林火灾的科学预防及扑救提供技术支撑。

关键词: 森林火灾 ; 森林可燃物类型 ; AISA Eagle Ⅱ ; 随机森林

PDF (4123KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

李晓彤, 覃先林, 刘倩, 赵俊鹏, 王崇阳. 基于AISA Eagle Ⅱ机载高光谱数据的森林可燃物类型识别方法. 遥感技术与应用[J], 2021, 36(3): 544-551 doi:10.11873/j.issn.1004-0323.2021.3.0544

1 引 言

森林火灾是森林生态系统最主要的干扰因素之一,森林火灾的发生往往会造成森林资源的严重损失,破坏当地的生态系统。森林可燃物是森林火灾发生的主体,它是指森林和林地上一切可以燃烧的物质1。通过森林可燃物类型的划分,可以预测森林火灾扩散速率和强度,从而推测林火蔓延并制定防火措施2。对于森林火灾管理而言,准确了解森林可燃物类型的空间分布至关重要。

森林中可燃物的分类标准与土地覆盖分类标准不同,更不是狭义上的森林林种分类标准3。森林可燃物的分类主要是根据其火行为为出发点,常用的森林可燃物划分方法主要有按照物种类别 [4]、按分布的空间位置5、按照生活力等要素划分6。按照物种类别划分最为常用,不同的物种群落反映了植物与环境的关系,也反映了森林可燃物的数量、种类以及相应的火行为特征7。前苏联和我国东北地区一直沿袭了按植物群落和林型划分森林可燃物类型,如单延龙8将我国大兴安岭地区的森林可燃物划分为坡地落叶松林、平地落叶松林、樟子松林、桦木林、次生柞木林、沟塘草甸、采伐迹地7种类型。郑焕能等1将森林可燃物分为死地被物、地衣、苔藓、草本植物、灌木、乔木和森林杂乱物等。我国“全国森林火险区划等级”标准中也明确规定了将优势树种作为重要火险因子,用于划分不同森林可燃物类型9

传统上通过野外工作、生态建模等方式对森林中的可燃物进行分类,这些工作成本较高且更新速率较慢,而遥感的出现弥补了这一不足。随着航空航天技术的快速发展,基于遥感数据划分森林可燃物类型是一种新的技术应用趋势。与传统方法相比具有覆盖范围广、高时间分辨率以及可实时更新森林可燃物信息等优点10。Stefanidou等11采用面向对象的方法,结合植被密度信息对灾害监测星座和Landsat-8 OLI卫星影像分别进行森林可燃物类型图的绘制,精度可达到80%以上;Marino等12根据机载激光扫描仪数据获得的森林可燃物垂直结构信息,建立了可燃物类型划分决策算法,并生成了森林可燃物类型图;Pettinari等13利用MERIS土地覆盖产品,并结合生态区划数据,生成了全球森林可燃物类型图;陈冀岱等14选用GF-1WFV影像,利用EnMAP-box软件中的支持向量机(Support Vector Machine, SVM)算法、随机森林(Random forest, RF)以及基于CART的决策树分类方法进行森林可燃物识别,结果表明SVM方法所得结果精度最高。目前这些研究大多基于中低空间分辨率的多光谱数据,而如何利用具有高空间分辨率和高光谱分辨率的航空遥感数据形成林场级森林可燃物类型识别方法这一问题还有待进一步探索。内蒙古大兴安岭根河林业局属于我国一级森林火险区,主要森林可燃物类型与内蒙古大兴安岭林区北部几个林业局的森林可燃物类型分布相似。本文以该林业局潮查林场为试验区,通过建立该区域尺度的森林可燃物类型遥感分类体系,结合AISA Eagle Ⅱ机载高光谱数据具有的高空间和高光谱分辨率特点,对该区域的森林可燃物类型识别方法进行研究。这不仅在空间尺度上实现了可燃物类型的精细划分,而且还可以为该林区森林可燃物时空分布遥感制图和森林火灾风险评估应用工作提供技术参考和指导。

2 试验区与数据

2.1 试验区概况

实验区位于内蒙古大兴安岭重点国有林管理局根河林业局潮查林场,地处大兴安岭西北坡,地理坐标50°49′~50°51′ N,120°30′~121°31′ E,海拔800~1 100 m。以坡度15° 之内的缓坡为主,河谷地区多形成沼泽湿地。该区属于寒温带湿润型森林气候,冬季漫长,夏季短暂,年平均气温为-5.4 ℃,年降水量450~550 mm,多集中在7、8月间。全年无霜期80 d15-16

该试验区按中国植被区划属于寒温带针叶林区域17。试验区的优势树种为兴安落叶松(Larix gmelinii),在缓坡地带伴生有白桦(Betula platyphylla)。林下植物主要包括兴安杜鹃(Rhododendron dauricum)、柴桦(Betula fruticosa)、杜香(Ledum palustre)、越桔(Vaccinium vitisidaea)、绣线菊(Spiraea Salicifolia)、红花鹿蹄草(Pyrola incarnata)、禾本科 (Poaceae)、莎草科(Cyperaceae)等。

2.2 数据与预处理

2.2.1 AISA Eagle Ⅱ机载高光谱数据

实验使用的机载高光谱影像来源于973项目“复杂地表遥感信息动态分析与建模”,该数据于2016年8月28日获取,飞行平台为运-5型飞机,巡航速度约为170 km/h,搭载载荷为CAF-LiCHy系统,集成了AISA Eagle II高光谱扫描仪等传感器。AISA Eagle Ⅱ衍生光栅推扫式高光谱成像仪是由芬兰SPECIM公司生产,包括传感器和控制器,并由IMU以及外接GPS提供准确的位置信息18。影像幅宽6 km×6 km,空间分辨率为1 m,光谱分辨率为3.3 nm,光谱范围400~1 000 nm,共有64个波段。地理坐标系统为WGS84椭球体,北半球UTM 51度带投影。该数据已利用SPECIM公司提供的标定AISA Eagle Ⅱ传感器的标定文件、外部GPS、IMU信息结算的航迹文件和试验区DEM数据对AISA Eagle Ⅱ原始高光谱数据完成辐射定标和几何校正。应用ATCOR 4软件,通过采集的太阳方位角、太阳天顶角等因子,调节邻近像元的影像,完成高光谱数据的大气校正。

2.2.2 外业调查数据

2016年8月,以航测区域为主要调查区域,选取样地进行外业调查。样地大小为30 m×30 m的方形样地,在样地中心采用GNSS手持机(Trimble Geo Explorer 6000)记录样地中心位置坐标,同时记录树种类型、郁闭度等因子,并拍摄样地照片。野外调查共采集机载影像覆盖区域实测样地40个,包括兴安落叶松林、白桦林、灌丛和沼泽草甸等类型。

2.2.3 森林资源规划设计调查数据

内蒙古大兴安岭重点国有林管理局根河林业局潮查林场森林资源规划设计调查数据由根河林业局提供,其中详细记录了小班内的地形、优势树种、林龄、树种组成、郁闭度、下木及地被物盖度和平均高等信息。

3 研究方法

首先参考国内外森林可燃物的卫星遥感分类体系,以及试验区植被类型及分布特征,结合选用的机载高光谱数据特性,建立了该区域尺度的森林可燃物分类体系;然后,根据外业数据和森林资源规划设计调查数据,利用预处理后的AISA Eagle Ⅱ机载高光谱影像构建了各森林可燃物类型样本;并通过样本提取了各类型影像的原始光谱曲线、一阶微分曲线、二阶微分曲线和包络线消除曲线19,分析选取出有利于分类的特征波段;利用主成分分析(Principal Component Analysis,PCA)对选取的特征波段进行降维,并与其均值、方差、一致性、对比、相异性、信息熵、二阶性、相关性等纹理特征结合,采用RF法进行森林可燃物识别。本文技术路线见图1

图1

图1   技术路线

Fig.1   Flowchart of technique


3.1 森林可燃物分类系统

在借鉴国内外利用卫星遥感数据进行森林可燃物分类体系的基础上,结合试验区植被类型及分布特征,制定了该区域尺度的森林可燃物分类体系,即将森林可燃物按两个级别进行划分,第一级类型按照草本、灌木、乔木群落划分出草本可燃物、灌木可燃物、乔木可燃物和其他;并根据该区域主要植被类型分布将一级类细分为二级类,包括兴安落叶松、白桦、柴桦、绣线菊、兴安杜鹃以及草。

3.2 森林可燃物类型识别方法

3.2.1 样本选择

由于工作量以及样地可达性等因素的限制,外业调查的样地数量有限,不足以用作分类和验证。结合实验区林相图中的植被类型信息,并综合已测样地位置、纹理和光谱等特征,对样本数量进行一定的扩充,力求将选择的样本均匀分布在试验区,以使样本更具有代表性,并将样本分为分类训练样本和精度评价验证样本两组。样本选择结果见表2

表1   森林可燃物分类体系

Table 1  Classification system of forest fuel types

一级类二级类描述
乔木兴安落叶松落叶针叶树,树冠稀疏,但该树种含有树脂,较易燃,且为试验区的优势树种,占80%以上
白桦落叶阔叶树,该树种体内含水分较多,属于可燃树种,试验区内白桦纯林较少,多与兴安落叶松混生
灌木柴桦灌木,高0.5~2.5 m,位于沼泽地中或河溪旁等缓坡平地上,常密集成灌丛
绣线菊灌木,高1~2 m,多位于阳坡或半阳坡地区
兴安杜鹃灌木,高0.5~2 m,位于山地中,兴安落叶松林下主要灌木类型
草本多为禾本科、莎草科等一年生草本,分布于山地的沟塘、平缓谷地、阴坡下部的沼泽地,极易燃
其他其他包括道路、裸土、水体等

新窗口打开| 下载CSV


表2   森林可燃物类型及样本数量

Table 2  Forest fuel types and sample number

森林可燃物类型训练样本数验证样本数森林可燃物类型训练样本数验证样本数
兴安落叶松160176兴安杜鹃89134
白桦1461843583
柴桦79129其他1434
绣线菊5975

新窗口打开| 下载CSV


3.2.2 特征波段选择及数据降维

高光谱数据具有较高的光谱分辨率,能够较为精确地反映地物波谱信息,从而为森林可燃物类型精细识别提供可能;然而,较多的波段也使得数据冗余,因此需通过波段选择处理,以提高运算效率。

通过原始光谱曲线,分别将各森林可燃物类型的样本对应像元的平均波谱反射率曲线导入Excel软件进行分析。将各类型的曲线波段反射率数值两两做差,将各类型间差值绝对值最大的波段作为新的特征波段。

除了原始光谱曲线,微分处理也是较为常用的光谱分析手段20。光谱微分一方面可以凸显光谱显著变化的位置21;另一方面,光谱微分还可以消除光谱数据间的系统误差,削弱由于背景噪声对目标光谱的影响22。对原始影像做一阶微分和二阶微分处理,公式分别为(1)和(2)所示。采用与原始光谱曲线相同的处理方法,提取各类森林可燃物在一阶微分和二阶微分曲线中的特征波段。

FDRλj=dRdλ=Rλj+1-RλjΔλ
SDRλj=d2Rdλ2=d dRdλ dλ=Rλj+2-2Rλj+1+Rλj(Δλ)2

其中:FDRλj是波段j和波段j+1之间的光谱一阶微分;SDRλj是波段j和波段j+1之间的光谱二阶微分;λj是第j波段;RλjRλj+1Rλj+2是第jj+1j+2波段的原始光谱反射率;Δλ是波段j+1和波段j之间的波长差距。

除此之外,由于地物组成复杂,图像像元多为混合像元,它们的光谱是多种物质光谱的合成。包络线消除法可以有效地突出光谱曲线的吸收和反射特征,并归一到同一个光谱背景上23,有利于突出各类光谱曲线特征。其公式如(3)、(4)所示。

CRλj=RλjRs+K×(λj-λs)
K=Re-Rsλe-λs

其中:CRj是波段j的包络线消除值;λj是第j波段中心波长; Rj是波段j的原始光谱反射率;ReRs是在吸收曲线里的起始点和末端点的原始光谱反射率;λeλs是在吸收曲线里的起始点波长和末端点波长;K是在吸收曲线里起始点波段和末端点波段之间的斜率。

对影像进行包络线消除处理,图2分别为试验区森林可燃物类型原始光谱曲线、波段一阶微分曲线、波段二阶微分曲线、包络线消除光谱曲线。通过不同的光谱处理方法可从不同角度突出反映不同森林可燃物类型差异的波段,将4种光谱曲线中各森林可燃物类型的数值两两做差求其绝对值,将差值绝对值最大的波段作为特征数据波段。

图2

图2   四种处理方法光谱曲线图

Fig.2   Spectral profile of four process methods


选用PCA法去除特征波段之间的多余信息,将特征波段的信息压缩到更有效的少数几个转换后的分量,以达到数据降维目的。将PCA信息量达95%以上的前4个分量用于森林可燃物类型识别。

3.2.3 纹理特征提取

对于光谱信息相似的地物,可以通过纹理特征加以区分。计算PCA前4个分量的8种纹理特征[24],分别为均值、方差、一致性、对比、相异性、信息熵、二阶性和相关性。

3.2.4 随机森林方法

利用处理生成的PCA分量及纹理特征,并结合选取的各森林可燃物类型训练样本,在比较最大似然(Maximum Likelihood)、神经网络(Neural Networks)、SVM、RF等方法所得结果后,最终选择了分类精度最高的RF方法作为森林可燃物识别研究的分类器。

RF算法以决策树为基本单元,本质上属于机器学习的一大分支26。在解决分类问题时,RF利用随机重采样技术bootstrap和节点随机分裂技术构建多棵决策树,每棵决策树都是一个分类器,对于一个输入样本,RF集成了所有决策树的分类投票结果,将投票次数最多的类别指定为最终的输出27。已有研究表明,在随机森林分类器学习过程中,随机森林树数量的增加在一定程度可以使分类器精度更稳定,但并不能提高分类精度,反而会加大计算量28。除此之外,随机森林分类器学习过程中还需要设定节点输入的特征参数数量、衡量节点不纯度的函数、结点停止分裂的最小样本数等参数。本研究选用ENVI5.3软件中的RF分类器,利用生成的PCA分量、各分量的纹理特征,以及选取的各类森林可燃物训练样本,开展研究区森林可燃物类型识别。在用RF分类器进行森林可燃物分类过程中,将随机森林树数量设定为100,节点输入的特征参数数量选用总特征参数个数的算数平方根,衡量节点不纯度的函数选用Gini系数,结点停止分裂的最小样本数设定为1。

3.3 精度评价

利用选取的各类型的验证样本(数量见表2)对森林可燃物类型识别结果进行评价;通过建立混淆矩阵,使用总精度、Kappa系数以及各类地物的分类精度(生产者精度和用户精度)作为分类结果的评价指标对影像分类精度进行评价[24]

4 结果与分析

4.1 特征波段提取结果分析

按照3.2.2节方法,得到表3所示的特征波段集。不同光谱处理方法具有一定的差异性,但都是各森林可燃物类型间差异较大的波段。去除重复的波段,从64个波段中筛选出20个波段,为后续森林可燃物识别工作提供了数据支持。

表3   4种方法所选取的特征波段中心波长 (nm(波段编号))

Table 3  Center wavelength of feature bands selected by four process methods

原始光谱曲线一阶微分曲线二阶微分曲线包络线消除曲线
685.34(32) 742.95(38)416.27(3) 704.5(34)685.34(32) 742.95(38)416.27(3) 425.18(4)
781.54(42) 800.88(44)733.32(37) 858.99(50)398.55(1)443.1(6) 543.72(17)
849.3(49) 888.07(53)553.02(18) 571.7(20)
897.76(54) 917.13(56)618.74(25) 666.24(30)
685.34(32)

新窗口打开| 下载CSV


选取的特征波段中心波长分布较均匀,最短为中心波长398.55 nm的第1波段;最长为中心波长917.13的第56波段。通过原始光谱曲线提取的特征波段共8个,位于685.34~917.13 nm的近红外光谱之间。各类森林可燃物类型显著变化的波段较为相似,因此通过一阶微分曲线和一阶微分曲线提取的特征波段数量较少,总数为7个;这些特征波段主要集中在685.34~742.95 nm的区间范围内,正是植被“红边”现象最为显著的波段区间。通过包络线消除曲线提取的特征波段数量为9个,集中在416.27~685.34 nm的紫外到近红外光谱之间。可以看出,微分处理法和包络线消除法可以基于不同的角度来提取各类型的光谱特征,进而弥补原始光谱曲线方法的不足。

利用选取的特征波段生成光谱曲线,如图3所示。与原始光谱曲线图2(a)相比,除部分细节消除外,图3保留了各类型主要光谱特征。

图3

图3   森林可燃物特征波段光谱曲线

Fig.3   Feature bands spectral profile of forest fuel types


其他类型(包括道路、裸土、水体等)在特征波段区间中呈上升趋势。分析各类森林可燃物的光谱曲线,在543.72~553.02 nm的绿光波段区间内有明显的“绿峰”,在666.24~685.34 nm的红光区间内有吸收谷,在近红外区间704.5~733.32 nm内有明显的反射峰(“红边”)。绣线菊反射率明显高于其他森林可燃物类型;白桦在543.72~666.24 nm区间内反射率显著低于其他森林可燃物,但在733.32~917.13 nm之间反射率仅次于绣线菊,大大高于其他类型;其他森林可燃物类型在618.74~685.34 nm和781.54~917.13 nm区间内存在明显差异,表明利用选取的特征波段进行森林可燃物类型识别具有一定的可行性。

4.2 森林可燃物识别结果及精度评价

图4为森林可燃物类型识别结果以及局部区域识别结果的精细展示,表4为识别出的各森林可燃物类型所占面积及占森林可燃物总面积的百分比。

图4

图4   森林可燃物类型分布图

Fig.4   Distribution of forest fuel types


表4   森林可燃物类型面积及比例

Table 4  Area and proportion of forest fuel types

森林可燃物类型面积/hm2占森林可燃物总面积的百分比/%森林可燃物类型面积/hm2占森林可燃物总面积的百分比/%
兴安落叶松2274.2368.82柴桦93.652.83
白桦522.0915.80绣线菊9.760.30
兴安杜鹃355.9510.7748.811.48

新窗口打开| 下载CSV


通过图4表4可以看出,实验区森林覆盖度较高,兴安落叶松占比重最大,约69%;其次是白桦,约占16%左右。兴安落叶松分布较广,在山地、平缓谷地、溪流潮湿地区均有其分布;白桦多位于山地。草本可燃物占1.36%,主要在沟塘、平缓谷地、阴坡下部。兴安杜鹃、绣线菊多位于山地,柴桦主要分布在河谷、溪流旁等平缓区域,与现实情况较为一致,但它们占可燃物总面积的百分比较低,这是因为能够识别到的灌木可燃物多位于林窗或者缓坡平地等开阔地区,未被高大乔木遮挡。

用验证样本对识别结果进行精度评价,评价结果如表5所示。从表中可以看出:利用RF方法识别森林可燃物类型的总精度为86.31%,Kappa系数为0.836;兴安落叶松、白桦的识别精度较高,制图精度均达到94%以上,同时用户精度高于87%;灌木和草本可燃物(兴安杜鹃、柴桦、绣线菊、草)精度相对略低,分析原因主要是因为这几类可燃物类型一方面部分会被上层植被遮挡;另一方面,由于阴影等因素影响,使高度低于乔木的灌木可燃物光谱产生了差异;另外,在样本选取中不可避免地存在人为主观因素,这些因素都会影响可燃物类型识别的精度;但其制图精度和用户精度都在70%以上,表明本文所采用的研究方法比较可行。

表5   森林可燃物类型识别精度评价结果

Table 5  The identification accuracy evaluation result of forest fuel types

森林可燃物 类型制图精度 /%用户精度 /%总精度 /%Kappa系数
兴安落叶松95.5887.48
白桦94.3498.43
兴安杜鹃72.3584.21
柴桦84.0584.6486.310.836
绣线菊85.7180.89
81.6273.32
其他93.6586.69

新窗口打开| 下载CSV


5 结论与展望

通过机载高光谱数据与其他数据相结合,对实验区乔木、灌木和草本可燃物进行了精细识别研究,形成了林场级森林可燃物高光谱遥感识别方法,实现了林场级可燃物类型高光谱精细分类。本文采用RF方法识别的森林可燃物类型总精度为86.31%,Kappa系数为0.836;各类森林可燃物的制图精度和用户精度均优于70%,而兴安落叶松和白桦的制图精度分别达到95.58%、94.34%。表明所采用的森林可燃物类型识别方法所得结果具有一定可靠性,尤其是对冠层可燃物的识别精度比较高。当然,由于所用机载高光谱数据覆盖的区域和时次限制,本文方法是否适用于其他区域的森林可燃物精细识别还有待进一步验证。另外,随着我国高分五号等卫星投入运行,未来也可利用星载高光谱数据对本文森林可燃物精细分类的研究方法进行完善,并实现森林可燃物类型的遥感更新制图。

由于所用机载高光谱仅具有可见近红外波谱范围探测能力的被动光学传感器,不能获取林内植被垂直信息;实验仅以森林可燃物的物种类别作为划分依据,使得森林可燃物类型划分参量较为单一。下一步可借助激光雷达(LiDAR)数据,获取森林植被垂直参数,并辅助林下地面外业调查数据,增加森林可燃物类型划分参量,完善森林可燃物分类体系,以进一步提升森林可燃物识别精度。

未来将利用本文的森林可燃物类型识别结果对历史森林资源调查资料中的植被类型信息进行更新,并基于火险估测算法软件(如FCCS)开展经营尺度上的森林火灾风险评估应用,从而为林场级的森林可燃物管理、森林火灾的预防及控制提供信息和技术支撑。

参考文献

Zheng HuannengWang YesuiGuo Kuideet al.

Forest Fire Prevention

[M]. BeijingAgricultural Publishing Press1962.郑焕能,王业遂,郭奎德,.森林防火学[M].北京农业出版社,1962.

[本文引用: 2]

He HongshiChang YuHu Yuanmanet al.

Contemporary Studies and Future Perspectives of Forest Fuel and Fuel Management

[J]. Chinese Journal of Plant Ecology,2010346): 741-752.

[本文引用: 1]

贺红士常禹胡远满.

森林可燃物及其管理的研究进展与展望

[J].植物生态学报,2010346):741-752.

[本文引用: 1]

He ChanghongHuang Quanyi.

Research on Classification of Forest Fuel based on Remote Sensing Image

[J]. Journal of Zhejiang Forestry Science and Technology,2014344):55-61.

[本文引用: 1]

何长虹黄全义.

遥感影像提取森林火灾可燃物类型的研究

[J]. 浙江林业科技,2014344):55-61.

[本文引用: 1]

Zheng HuannengJu EndeChai Ruihaiet al.

Forest Fire Fanagement

[M]. HarbinNortheast Forestry University Press1988.郑焕能,居恩德,柴瑞海,.林火管理[M].哈尔滨:东北林业大学出版社,1988.

[本文引用: 1]

Deeming J ELancaster J WFosberg M Aet al.

The National Fire-Danger Rating System

[R].

[本文引用: 1]

U.S.Department of AgricultureService Forest1972165.

[本文引用: 1]

Yuan ChunmingWen Dingyuan.

Current Status and Prospect of the Study on Classification and Modeling of Forest Fuel

[J].World Forestry Research, 2001142):29-35.

[本文引用: 1]

袁春明文定元.

森林可燃物分类与模型研究的现状与展望

[J]. 世界林业研究,2001142):29-35.

[本文引用: 1]

Shan Yanlong.

Research on Forest Fuels in Da Xing'anling Mountains District

[D]. HarbinNortheast Forestry University2003.

[本文引用: 1]

单延龙.

大兴安岭森林可燃物的研究

[D]. 哈尔滨东北林业大学2003.

[本文引用: 1]

Liu XiaodongWang JunZhang Dongshenget al.

Study on the Combustible Matter Model of Xing'an Larch Forest in the Greater Xing'an Mountains

[J]. Forest Fire Prevention, 19953): 8-9.

[本文引用: 1]

刘晓东王军张东升.

大兴安岭地区兴安落叶松林可燃物模型的研究

[J]. 森林防火, 19953): 8-9.

[本文引用: 1]

Tian XiaoruiDai Xing'anWang Mingyuet al.

Study on the Types Classification of Forests in Beijing

[J]. Scientia Silvae Sinicae,20064211):76-80.

[本文引用: 1]

田晓瑞戴兴安王明玉.

北京市森林可燃物分类研究

[J]. 林业科学,20064211): 76-80.

[本文引用: 1]

Stefanidou ADragozi EStavrakoudis Det al.

Fuel Type Mapping Using Object-based Image Analysis of DMC and Landsat-8 OLI Imagery

[J]. Geocarto International,20183310): 1-53.

[本文引用: 1]

Marino ERanz PJosé L Tet al.

Generation of High-resolution Fuel Model Maps from Discrete Airborne Laser Scanner and Landsat-8 OLI: A Low-cost and Highly Updated Methodology for Large Areas

[J]. Remote Sensing of Environment,20161874):267-280.

[本文引用: 1]

Pettinari M LChuvieco E.

Generation of a Global Fuel Data Set using the Fuel Characteristic, Classification System

[J]. Biogeosciences, 2016137): 2061-2076.

[本文引用: 1]

Chen JiyueNiu Shukui.

Classification and Change Analysis of Forest Fuels by Multi-temporal High Resolution Remote Sensing Images

[J]. Journal of Beijing Forestry University. 20184012): 38-48.

[本文引用: 1]

陈冀岱牛树奎.

多时相高分辨率遥感影像的森林可燃物分类和变化分析

[J].北京林业大学学报. 20184012): 38-48.

[本文引用: 1]

Xu Huacheng. Da Xing'anling Mountains Forests in China[M]. BeijingScience Press1998.

[本文引用: 1]

徐化成. 中国大兴安岭森林[M]. 北京科学出版社1998.

[本文引用: 1]

Zhang HengYang YuWang Baijieet al.

Emission Characteristics of Water-soluble Ions in PM2.5 Released by Forest Fuel Combustion in Daxing'an Mountains, Inner Mongolia, China

[J].Chinese Journal of Applied Ecology,2021327):1-11.

[本文引用: 1]

张恒杨雨王柏杰.

内蒙古大兴安岭森林可燃物燃烧释放PM2.5中水溶性离子排放特性

[J]. 应用生态学报,2021327):1-11.

[本文引用: 1]

Wang Jing’aiZuo Wei. Geographic Atlas of China[M]. BeijingChina Cartographic Publishing House2010.

[本文引用: 1]

王静爱左伟. 中国地理图集[M]. 北京中国地图出版社2010.

[本文引用: 1]

Jia WenPang YongYue Caironget al.

Mountain Forest Classification based on AISA Eagle Ⅱ Hyperspectral Data

[J]. Forest Inventory and Planning, 2015401):9-14.

[本文引用: 1]

荚文庞勇岳彩荣.

基于AISA EagleⅡ机载高光谱数据的普洱市山区森林分类

[J].林业调查规划, 2015401):9-14.

[本文引用: 1]

Yu Long.

The Explore of Forest Tree Species Discrimination based on Hyperspectral Remote Sensing Data

[D]. HangzhouZhejiang A & F University2013.

[本文引用: 1]

于龙.

基于高光谱遥感数据的树种组分类方法探讨

[D]. 杭州浙江农林大学2013.

[本文引用: 1]

Li Mingzhou. Technologies and Applications of Spectral Analysis.[M]. BeijingScience Press2006.

[本文引用: 1]

Tong QingxiZhang BingZheng Lanfen. Hyperspectral Remote Sensing-Principle,Technology and Application[M].Bei-jingHigher Education Press2006.

[本文引用: 1]

Wang ZhihuiDing Lixia.

Tree Species Discrimination based on Leaf-Level Hyperspectral Characteristic Analysis

[J]. Spectroscopy and Spectral Analysis, 2010307): 1825-1829.

[本文引用: 1]

王志辉丁丽霞.

基于叶片高光谱特性分析的树种识别

[J]. 光谱学与光谱分析, 2010307): 1825-1829.

[本文引用: 1]

Tong Qingxi. Hyperspectral Remote Sensing[M]. BeijingHigher Education Press2006.

[本文引用: 1]

童庆禧. 高光谱遥感—原理、技术与应用[M]. 北京高等教育出版社2006.

[本文引用: 1]

Zhao Yingshi. Principles and Methods of Remote Sensing Application Analysis(Version 2)[M]. BeijingScience Press2016.

赵英时. 遥感应用分析原理与方法第2版[M]. 北京科学出版社2016.

Breiman L.

Random Forests

[J]. Machine Learning, 2001451):5-32.

[本文引用: 1]

Verikas AGelzinis ABacauskiene M.

Miningdata with Random Forests: A Survey and Results of New Tests

[J]. Pattern Recognition, 2011117): 51-58.

[本文引用: 1]

Liaw AWiener M

Classification and Regression by random Forest

[J]. Rnews, 20022323): 18-22.

[本文引用: 1]

/