考虑地形因素的像元均方差抛物线拟合高山松丰度研究

doi:10.13466/j.cnki.lyzygl.2016.05.011

林业资源管理 ›› 2016›› Issue (5): 59-64.doi: 10.13466/j.cnki.lyzygl.2016.05.011

考虑地形因素的像元均方差抛物线拟合高山松丰度研究

蒋胜昌¹, 张加龙^1,2, 陆驰^1,2, 胥辉¹, 黄传烯¹, 罗云江¹

1.西南林业大学林学院,昆明 650224;
2.西南林业大学云南高校林业3S技术工程研究中心,昆明 650224

收稿日期:2016-07-20 修回日期:2016-09-08 出版日期:2016-10-28 发布日期:2020-11-02
通讯作者: 张加龙(1981-),男,湖北随州人,副教授,硕导,主要从事林业遥感方面的研究工作。Email:jialongzhang@swfu.edu.cn
作者简介:蒋胜昌(1993-),男,云南曲靖人,在读学士,主要从事林业遥感方面的研究工作。Email:1905262731@qq.com
基金资助:
云南省教育厅科学研究基金重点项目(2015Z143);西南林业大学林学一级学科中青年后备人才培养计划(5009750101-1);国家林业局林业公益性行业科研专项(201404309)

Pixel Mean Variance Parabola Fitting of Pinus densata Abundance Based on Topographic Factors

JIANG Shengchang¹, ZHANG Jialong^1,2, LU Chi^1,2, XU Hui¹, HUANG Chuanxi¹, LUO Yunjiang¹

1. Faculty of Forestry,Southwest Forestry University,Kunming 650224,Yunnan,China;
2. 3S Technology and Engineering Research Center in Forestry of the Yunnan Universities,Southwest Forestry University,Kunming 650224,Yunnan,China

Received:2016-07-20 Revised:2016-09-08 Online:2016-10-28 Published:2020-11-02

摘要/Abstract

摘要： 基于香格里拉地区Landsat 8影像、外业调查和森林资源二类调查数据,采用坡度匹配法对遥感数据进行了地形校正,使用线性波谱分离(LSU)、匹配滤波(MF)、最小能量约束(CEM)、像元均方差抛物线(PMVP)等4种方法,提取了高山松丰度图。分析丰度结果,4个典型样区平均均方根误差值排序为LSU<PMVP<CEM<MF,PMVP能较好地分出高山松边界信息,丰度提取效果较好。使用上述4种不同方法将4个不同的地物混合类型提取的高山松丰度与真实丰度(0.557 7)进行对比,接近程度依次为PMVP,LSU,CEM,MF。利用像元均方差抛物线方法提取高山松丰度精度较高,后期还可以探索更合适的拟合曲线方法,使其能应用到森林树种的丰度提取和林地覆盖分类中。

关键词: 高山松, 混合像元分解, 香格里拉, Landsat 8, 像元均方差抛物线

Abstract: Four typical research sample areas which are boundary mixed were selected based on Landsat8 images.The method of slope matching was used to do topographic corrections.The abundance of the Pinus densat was extracted using the method of linear spectral separation(LSU),matched filtering(MF),the minimum energy constraint(CEM),the pixel mean variance parabola(PMVP).The results of the abundance show that the order of the average root mean square error values of the four typical sample areas is:LSU <PMVP<CEM <MF.The PMVP could better separate Pinus densat boundary with a good result.Using PMVP to extract abundance has achieved higher accuracy.It could also explore more suitable curve fitting methods applied to the extraction of forest tree species abundance and land cover classification in the future.

Key words: Pinus densata, mixed pixel unmixing, Shangri-La, Landsat 8, pixel mean variance parabola fitting

中图分类号:

TP79

蒋胜昌, 张加龙, 陆驰, 胥辉, 黄传烯, 罗云江. 考虑地形因素的像元均方差抛物线拟合高山松丰度研究[J]. 林业资源管理, 2016,(5): 59-64.

JIANG Shengchang, ZHANG Jialong, LU Chi, XU Hui, HUANG Chuanxi, LUO Yunjiang. Pixel Mean Variance Parabola Fitting of Pinus densata Abundance Based on Topographic Factors[J]. FOREST RESOURCES WANAGEMENT, 2016,(5): 59-64.

参考文献

[1] 张加龙,胥辉,岳彩荣,等.基于CA-Markov的香格里拉县森林景观格局变化及预测[J].东北林业大学学报,2013(6):46-49.
[2] 胥辉,岳彩荣.基于遥感技术的香格里拉县森林景观变化与森林生物量估测研究[M].昆明:云南科技出版社,2014.
[3] Woodcock C E,Allen R,Anderson M,et al.Free access to Landsat imagery[J].Science,2008,320:1011.
[4] Yang J,Weisberg P J,Bristow N A.Landsat remote sensing approaches for monitoring long-term tree cover dynamics in semi-arid woodlands:comparison of vegetation indices and spectral mixture analysis[J].Remote Sensing of Environment,2012,119(8):62-71.
[5] 吕长春,王忠武,钱少猛.混合像元分解模型综述[J].遥感信息,2003(3):55-58.
[6] Somers B,Cools K,DelalieuxS,et al.Nonlinear hyperspectral mixture analysis for tree cover estimates in orchards[J].Remote Sensing of Environment,2009,113(6):1183-1193.
[7] 李素,李文正,周建军,等.遥感影像混合像元分解中的端元选择方法综述[J].地理与地理信息科学,2007,23(5):35-38,42.
[8] 唐晓燕,高昆,倪国强.高光谱图像非线性解混方法的研究进展[J].遥感技术与应用,2013,28(4):731-738.
[9] 许菡.遥感影像混合像元分解新方法及应用研究[D].北京:首都师范大学,2013.
[10] Chander G,Markham B L,Helder D L.Summary of current radiometric calibration coefficients for Landsat MSS,TM,ETM+,and EO-1 ALI sensors[J].Remote Sensing of Environment,2009,113(5):893-903.
[11] Berk A,Bernstein L S,Anderson G P,et al.MODTRAN cloud and multiple scattering upgrades with application to AVIRIS[J].Remote Sensing of Environment,1998,65(3):367-375.
[12] Nichol J,Sing L K.Empirical correction of low Sun angle images in steeply sloping terrain:a slope-matching technique[J].International Journal of Remote Sensing,2006,27(3):629-635.
[13] 田珊珊,杨敏华.遥感影像混合像元分解算法对比分析[J].现代测绘,2016,39(1):11-13.

考虑地形因素的像元均方差抛物线拟合高山松丰度研究

Pixel Mean Variance Parabola Fitting of Pinus densata Abundance Based on Topographic Factors

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 12

编辑推荐

Metrics

本文评价

[1]	郝君, 吕康婷, 胡天祺, 王云阁, 徐刚. 基于机器学习的红树林生物量遥感反演研究[J]. 林草资源研究, 2024, 0(1): 65-72.
[2]	谭德宏, 舒清态, 赵洪莹, 王柯人, 袁梓健. 基于遗传算法优化BP神经网络模型估测高山松叶面积指数[J]. 林业资源管理, 2020, 0(5): 123-130.
[3]	王小兰, 陈甲瑞, 邢震, 张传龙. 藏东南高山松胸径与冠径的相关性分析及应用研究[J]. 林业资源管理, 2019, 0(1): 63-69.
[4]	赵勋, 岳彩荣. 基于遥感数据的林地变化检测方法研究[J]. 林业资源管理, 2019, 0(1): 101-108.
[5]	任怡, 王海宾, 许等平. 基于Landsat 8影像的乔木林地上生物量估算[J]. 林业资源管理, 2018, 0(6): 38-44.
[6]	王宗梅, 徐天蜀, 岳彩荣, 刘琦. 基于哑变量的高山松蓄积量反演模型研究[J]. 林业资源管理, 2017, 0(4): 75-81.
[7]	孙雪莲, 熊河先, 胥辉, 魏安超, 李超, 闾妍宇, 张博, 欧光龙. 高山松天然林单木生物量因子模型构建[J]. 林业资源管理, 2016, 0(3): 49-53.
[8]	张焱, 舒清态, 徐云栋, 李圣娇, 王永刚. 香格里拉高山松天然林最优树高曲线研究[J]. 林业资源管理, 2016, 0(1): 46-51.
[9]	五金旦增, 郑维列, 张昆林, 卢杰. 西藏色季拉山高山松林降雨再分配格局研究[J]. 林业资源管理, 2013, 0(6): 133-136.
[10]	张超, 王妍, 岳彩荣, 袁华. 香格里拉县森林景观格局多尺度效应分析[J]. 林业资源管理, 2011, 0(6): 31-36.
[11]	张超, 岳彩荣, 胥辉, 徐天蜀, 袁华. 基于综合建模的香格里拉县林业发展区划方法研究[J]. 林业资源管理, 2011, 0(3): 43-46.
[12]	潘灼坤, 王芳, 夏丽华, 王晓轩, 刘汉湖. 基于植被丰度分析的城市植被胁迫遥感监测[J]. 林业资源管理, 2010, 0(6): 97-101.