隨著國產(chǎn)高分衛(wèi)星數(shù)據(jù)的增多,越來越多的遙感數(shù)據(jù)被應用在森林調(diào)查、森林管理、森林變化檢測等實際生產(chǎn)應用中。高分一號（GF-1）衛(wèi)星數(shù)據(jù)在森林信息方面提取方面已取得一定成果,但在光譜信息僅含4個光譜波段,對于在森林信息提取上的研究仍受到一定的限制。在2018年6月,國內(nèi)發(fā)射了首顆寬視場、攜帶紅邊、黃邊的多光譜衛(wèi)星數(shù)據(jù)-高分六號（GF-6）,為挖掘林地與非林地識別快速提取提供了難得機遇。本研究基于國家高分辨率對地觀測系統(tǒng)重大專項應用共性關鍵技術項目,結合國家林地“一張圖”數(shù)據(jù),選取天水市、黃山市、宜昌市、普洱市、承德市、本溪市、防城港七個地級市作為研究區(qū)。首先,通過面積一致性、空間一致性評價對3個全球森林產(chǎn)品數(shù)據(jù)在中國的可靠性進行了評估;然后,根據(jù)森林產(chǎn)品數(shù)據(jù)差異性以及森林資源分布選擇黃山市、天水市作為重點GF-6研究區(qū),結合機器學習分類方法在分類精度上,計算效率較好的優(yōu)勢,選擇K近鄰（KNN）、樸素貝葉斯（NB）、CART決策樹（CART）、支持向量機（SVM）、隨機森林（RF）5種機器學習分類方法,通過不同方案比較,挖掘GF-6新增波段、時相等特征在林地上的分類潛力。最后,利用基于模型和... 

【文章來源】：貴州師范大學貴州省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

七個典型研究區(qū)分布圖

貴州師范大學碩士學位論文10山、丘陵、平原等組成。其中，西部山地、中部丘陵、東部平原分別約占全市面積的69%、21%、10%，俗稱“七山二丘一分平”[33]。宜昌森林覆蓋率達65.16%，主要森林類型有馬尾松純林、柏木林、杉櫟或者松櫟混交林及經(jīng)濟林（火棘、柑橘）、灌叢等。2.2基于GF-6WFV數(shù)據(jù)林地提取技術研究區(qū)域由于北方與南方區(qū)域在林地類型、覆蓋度、海拔分布等特征上差異較大，這里僅選擇甘肅省天水市作為典型北方研究區(qū)，安徽省黃山市作為南方典型區(qū)域。其中兩研究區(qū)地理空間位置如圖2中D、F位置，黃山與天水研究區(qū)高程分布如圖3、圖4所示。圖3黃山市研究區(qū)高程圖Fig3ElevationmapofHuangshanResearchDistrict圖4天水市研究區(qū)高程圖Fig4ElevationmapofTianshuiResearchDistrict

貴州師范大學碩士學位論文10山、丘陵、平原等組成。其中，西部山地、中部丘陵、東部平原分別約占全市面積的69%、21%、10%，俗稱“七山二丘一分平”[33]。宜昌森林覆蓋率達65.16%，主要森林類型有馬尾松純林、柏木林、杉櫟或者松櫟混交林及經(jīng)濟林（火棘、柑橘）、灌叢等。2.2基于GF-6WFV數(shù)據(jù)林地提取技術研究區(qū)域由于北方與南方區(qū)域在林地類型、覆蓋度、海拔分布等特征上差異較大，這里僅選擇甘肅省天水市作為典型北方研究區(qū)，安徽省黃山市作為南方典型區(qū)域。其中兩研究區(qū)地理空間位置如圖2中D、F位置，黃山與天水研究區(qū)高程分布如圖3、圖4所示。圖3黃山市研究區(qū)高程圖Fig3ElevationmapofHuangshanResearchDistrict圖4天水市研究區(qū)高程圖Fig4ElevationmapofTianshuiResearchDistrict

【參考文獻】：
期刊論文
[1]基于GEE平臺廣西桉樹快速提取研究[J]. 盧獻健,黃俞惠,晏紅波,周呂,吳宸龍,周斌,羅樂.  林業(yè)資源管理. 2019(05)
[2]全球海岸帶多源土地利用/覆蓋遙感分類產(chǎn)品一致性分析[J]. 侯婉,侯西勇.  地球信息科學學報. 2019(07)
[3]森林類型遙感分類及變化監(jiān)測研究進展[J]. 顏偉,周雯,易利龍,田昕.  遙感技術與應用. 2019(03)
[4]Worldview-2樹種分類T&N波段優(yōu)勢分析[J]. 劉懷鵬,安慧君.  西部林業(yè)科學. 2019(03)
[5]Stable classi?cation with limited sample: transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017[J]. Peng Gong,Han Liu,Meinan Zhang,Congcong Li,Jie Wang,Huabing Huang,Nicholas Clinton,Luyan Ji,Wenyu Li,Yuqi Bai,Bin Chen,Bing Xu,Zhiliang Zhu,Cui Yuan,Hoi Ping Suen,Jing Guo,Nan Xu,Weijia Li,Yuanyuan Zhao,Jun Yang,Chaoqing Yu,Xi Wang,Haohuan Fu,Le Yu,Iryna Dronova,Fengming Hui,Xiao Cheng,Xueli Shi,Fengjin Xiao,Qiufeng Liu,Lianchun Song.  Science Bulletin. 2019(06)
[6]基于隨機森林特征選擇的城市綠化喬木樹種分類[J]. 溫小樂,鐘奧,胡秀娟.  地球信息科學學報. 2018(12)
[7]C5.0決策樹Hyperion影像森林類型精細分類方法[J]. 王懷警,譚炳香,房秀鳳,李世明,李太興.  浙江農(nóng)林大學學報. 2018(04)
[8]基于GF-1 WFV和Landsat-8 OLI提取植被信息方法比較研究[J]. 楊斌,高桂勝,王磊,程璐.  測繪工程. 2018(08)
[9]基于穩(wěn)定像元的決策樹分類后比較法在林地變化檢測中的應用[J]. 龐博,王浩,寧曉剛.  生態(tài)學雜志. 2018(09)
[10]全國林地“一張圖”遙感影像數(shù)據(jù)服務系統(tǒng)建設[J]. 任怡,鄭冬梅.  科技創(chuàng)新導報. 2018(18)

博士論文
[1]基于高分一/六號衛(wèi)星影像特征的農(nóng)作物分類研究[D]. 鄭利娟.中國科學院大學(中國科學院遙感與數(shù)字地球研究所) 2017
[2]中高分辨率遙感影像森林類型精細分類與森林資源變化監(jiān)測技術研究[D]. 任沖.中國林業(yè)科學研究院 2016
[3]高分辨率遙感森林植被分類提取研究[D]. 李偉濤.北京林業(yè)大學 2016
[4]支持向量機分類與回歸方法研究[D]. 孫德山.中南大學 2004

碩士論文
[1]基于GF-1多光譜影像的林地變化檢測方法研究[D]. 郝榮欣.西安科技大學 2016
[2]基于非監(jiān)督分類與決策樹相結合的30m分辨率土地利用遙感反演研究[D]. 王瀚征.河北師范大學 2016



本文編號：3606228