主被动遥感特征优化的天然林森林蓄积量估测

结合国产主被动遥感数据高分六号（GF-6） PMS和高分三号（GF-3）双极化PolSAR估测森林蓄积量,并针对多源遥感数据的冗余问题进行特征组合优化。以新疆巩留县天然林地为研究区,提取GF-6 PMS数据的光谱信息、植被指数、纹理以及植被覆盖度信息和GF-3 PolSAR数据的后向散射系数、极化分解参数,结合地形因子,在森林样地调查数据的基础上,利用快速迭代特征选择的 K 最近邻法（K-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS）估测研究区的森林蓄积量。对比国产主被动遥感数据和单一遥感数据源时的估测结果,基于最优特征组合反演研究区的森林蓄积量,结果表明：联合GF-3 PolSAR和GF-6 PMS数据估测研究区森林蓄积量的精度为 R2=0.72,RMSE=92.48 m3/hm2,相比于仅使用GF-6 PMS数据估测的精度（R2=0.56,RMSE=118.8 m3/hm2）,R2提高了0.16,提高了28.6%,RMSE降低了26.32 m3/hm2,降低22.2%。说明主被动遥感数据协同反演可以提高森林蓄积量估测精度,KNN-FIFS方法可以有效地估测天然林森林蓄积量。     

基于高分辨遥感数据的胡杨与柽柳树冠提取

胡杨、柽柳是干旱荒漠区生境的指示种,其树冠提取是荒漠生境遥感定量监测的基础。以塔里木河下游胡杨、柽柳为研究对象,基于QuickBird数据,使用光谱单数据源SVM、光谱结合纹理SVM、面向对象分类和最大似然分类法提取树冠。结果表明:1光谱结合纹理SVM比光谱单源SVM分类精度高9.65%,冠幅估测精度高7.18%,表明高分辨影像上纹理是提高分类精度的重要因素;2面向对象分类法精度最高,分类总体精度86.47%,较光谱单源SVM提高15.67%,较光谱结合纹理SVM提高6.02%,较最大似然法提高22.58%,其冠幅估测精度达87.45%。它兼顾面向对象影像分割与支持向量机方法优点,有效利用分割对象光谱、纹理和空间等信息,较好地解决了其他方法"同物异谱、异物同谱"造成提取树冠破碎的问题,使树冠提取具有较好的稳定性和较高精度。