高分辨率航片小班区划与树种判读

doi:10.13466/j.cnki.lyzygl.2020.01.018

林业资源管理 ›› 2020›› Issue (1): 143-150.doi: 10.13466/j.cnki.lyzygl.2020.01.018

高分辨率航片小班区划与树种判读

熊昊¹, 庞勇¹(), 李春干², 代华兵³

^1. 中国林业科学研究院资源信息研究所,北京 100091
^2. 广西大学林学院,南宁 530004
^3. 广西林业勘测设计院,南宁 530011

收稿日期:2019-10-15 修回日期:2019-12-13 出版日期:2020-02-28 发布日期:2020-05-18
通讯作者: 庞勇
作者简介:熊昊(1995-),女,湖北武汉人,在读硕士,主要从事遥感林业应用研究。Email: 374369675@qq.com
基金资助:
国家自然科学基金“基于高分辨率遥感数据的森林生物多样性监测”(31570546);亚太森林恢复与可持续管理网络项目“Regional Forest Observations for Sustainable Forest Management”(2018P1-CAF)

Sub-compartment Division and Interpretation of Tree Species Based on High-resolution Aerial Photos

Hao XIONG¹, Yong PANG¹(), Chungan LI², Huabing DAI³

^1. Institute of Forest Resource Information Techniques,Chinese Academy of Forestry,Beijing 100091
^2. Forestry College of Guangxi University,Nanning 530004
^3. Guangxi Forest Inventory and Planning Institute,Nanning 530011

Received:2019-10-15 Revised:2019-12-13 Online:2020-02-28 Published:2020-05-18
Contact: Yong PANG

摘要/Abstract

摘要：

以广西壮族自治区南宁市高峰林场为研究区,采用CAF-LiCHy系统获取的20cm空间分辨率的CCD影像进行森林资源二类调查小班区划与树种判读技术研究。对研究区常见树种建立高分辨率航片树种解译标志,结合上一期二类调查的小班区划结果,使用目视解译的方法重新区划了小班边界,并根据解译标志完成了小班优势树种判读,使用实地调查数据进行精度验证表明,目视解译总体精度为92.11%,Kappa系数为0.90。结果表明,高分辨率航片在小班区划和优势树种判读中具有很好的应用潜力。

关键词: 高分辨率航片, 森林资源二类调查, 目视解译, 森林航测, 森林经理

Abstract:

This paper studied the sub-compartment division and tree species interpretation techniques of forest resources management inventory in Guangxi Gaofeng Forest Farm.The 0.2m spatial resolution CCD data were used,which were obtained by CAF-LiCHy Airborne Observation System.The interpretation signatures of common tree species were built.The sub-compartment boundaries were divided using visual interpretation,combined with the division results from previous forest inventory.Then,the dominant species was interpreted based on the interpretation signatures and the results were verified by filed data.According to the accuracy verification,the overall accuracy is 92.11% and Kappa coefficient is 0.90.The results indicate that high spatial resolution remote sensing data have high potential in sub-compartment division and tree species interpretation.

Key words: high-resolution aerial photo, forest resources management inventory, visual interpretation

中图分类号:

S757
S771.5

熊昊, 庞勇, 李春干, 代华兵. 高分辨率航片小班区划与树种判读[J]. 林业资源管理, 2020,(1): 143-150.

Hao XIONG, Yong PANG, Chungan LI, Huabing DAI. Sub-compartment Division and Interpretation of Tree Species Based on High-resolution Aerial Photos[J]. FOREST RESOURCES WANAGEMENT, 2020,(1): 143-150.

图/表 9

表1

图1

图2

表2

图3

图4

图5

表3

表4

参考文献 21

[1]	Bilous A, Myroniuk V, Holiaka D , et al. Mapping growing stock volume and forest live biomass:a case study of the Polissya region of Ukraine[J]. Environmental Research Letters, 2017,12(10):105001. doi: 10.1088/1748-9326/aa8352
[2]	Karlson M, Reese H, Ostwald M . Tree crown mapping in managed woodlands(parklands)of semi-arid West Africa using World View-2 imagery and geographic object based image analysis[J]. Sensors, 2014,14(12):22643-22669. doi: 10.3390/s141222643 pmid: 25460815
[3]	Bastin J F, Berrahmouni N, Grainger A , et al. The extent of forest in dryland biomes[J]. Science, 2017,356(6338):635-638. doi: 10.1126/science.aam6527 pmid: 28495750
[4]	Hansen M C, Potapov P V, Moore R , et al. High-resolution global maps of 21st-century forest cover change[J]. science, 2013,342(6160):850-853. doi: 10.1126/science.1244693
[5]	De Sy V, Herold M, Achard F , et al. Land use patterns and related carbon losses following deforestation in South America[J]. Environmental Research Letters, 2015,10(12):124004. doi: 10.1088/1748-9326/10/12/124004
[6]	Pengra B, Long J, Dahal D , et al. A global reference database from very high resolution commercial satellite data and methodology for application to Landsat derived 30m continuous field tree cover data[J]. Remote Sensing of Environment, 2015,165:234-248. doi: 10.1016/j.rse.2015.01.018
[7]	Beyal A , Sánchez-Paus Díaz A,Maniatis D,et al.Collect earth:Land use and land cover assessment through augmented visual interpretation[J]. Remote Sensing, 2016,8(10):807. doi: 10.3390/rs8100807
[8]	Schepaschenko D, See L, Lesiv M , et al. Recent advances in forest observation with visual interpretation of very high-resolution imagery[J]. Surveys in Geophysics, 2019,40:839-862. doi: 10.1007/s10712-019-09533-z
[9]	Curtis P G, Slay C M, Harris N L , et al. Classifying drivers of global forest loss[J]. Science, 2018,361(6407):1108-1111. doi: 10.1126/science.aau3445 pmid: 30213911
[10]	陈树彪 . 遥感影像判读在森林资源二类调查中的应用与研究——以西林吉林业局判读调查工作为例[J]. 内蒙古林业调查设计, 2016,39(2):16-17.
[11]	张明 . 林业调查中地类面积遥感判读模型研究[J]. 新疆林业, 2016(6):15-16.
[12]	史洁青, 冯仲科, 刘金成 . 基于无人机遥感影像的高精度森林资源调查系统设计与试验[J]. 农业工程学报, 2017,33(11):82-90.
[13]	Brassel P, Heìke L . Swiss national forest inventory:methods and models of the second assessment[M]. WSL Swiss Federal Research Institute, 2001.
[14]	Tomppo E, Gschwantner T, Lawrence M , et al. National forest inventories[M]. Dordrecht:Springer, 2010.
[15]	Hirschmugl M Gallaun H., Wack R ., et al. EUFODOS:European Forest Downstream Services-Improved Information on Forest Structure and Damage[J]. International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences, 2013(1):127-131.
[16]	Pang Yong, Li Zengyuan, Ju Hongbo , et al. LiCHy:The CAF's LiDAR,CCD and hyperspectral integrated airborne observation system[J]. Remote Sensing, 2016,8(5):398. doi: 10.3390/rs8050398
[17]	Pix4d SA.Pix4Dmapper 4.1 User Manual.Available.[DB/OL]. https://support.pix4d.com/hc/en-us/articles/204272989-Offline-Getting-Started-and-Manual-pdf .
[18]	熊泽彬 . 森林资源二类调查中小班区划方法研究[J]. 林业资源管理, 2002(5):24-26.
[19]	张艮龙, 冯益明, 贾建华 , 等基于SPOT-5遥感影像的小班区划探讨[J]. 浙江林学院学报, 2010,27(2):299-303.
[20]	张芳, 李鑫, 陈佳楠 . 卫星遥感影像目视解译在森林资源调查中的应用分析[J]. 内蒙古林业调查设计, 2009,32(4):72-73.
[21]	徐凯健, 田庆久, 岳继博 , 等基于多光谱影像的森林树种识别及其空间尺度响应[J]. 应用生态学报, 2018,29(12):3986-3994.

组件	技术指标
CCD相机	型号:IGI DigiCAM-H60
	图像尺寸(像素):8956×6708
	感光单元尺寸:6 μm
	空间分辨率:0.12 m(1000 m高度)
	焦距:50 mm
	最大光圈:3.5
	采样深度:16 bit
POS系统	型号:AEROcontrol/NovAtel OEM4
	IMU采样频率:256 Hz
	GNSS采样帧率:2 Hz
	可观测天顶角范围:5~55°

优势树种(组)	色调	亮度	纹理	形状	空间位置	判读难易程度
杉木(Cunninghamia lanceolata)	深绿	偏暗	不规则	大小不一团块状	低山、丘陵	易判
马尾松(Pinus massoniana)	绿	中等	均匀、紧密	较大的球形	低山、丘陵	易判
荔枝(Litchi chinensis Sonn.)	浅绿	中等	紧密	较圆的团块状	道旁、居民点附近	可判
油茶(Camellia oleifera Abel)	蓝绿、灰绿	偏暗	均匀、紧密、沿等高线排列整齐	较小的团块状	低山、丘陵	可判
八角(Illicium verum Hook.f.)	黄绿	偏亮	均匀、紧密、排列整齐	较小的球形	低山、丘陵	易判
玉桂(Cinnamomum cassia Presl)	黄绿	偏亮	紧密	较大团块状	低山、丘陵	可判
红椎(Castanopsis hystrix Miq.)	绿	中等	稀疏	松散型	低山、丘陵	难判
西南桦(Betula alnoides Buch.-Ham.ex D.Don)	黄绿	偏亮	稀疏	松散团块状	低山、丘陵	可判
荷木(Schima superba Gardn.et Champ.)	绿	偏暗	紧密	团块状	带状分布作为防火林带	可判
巨尾桉(Eucalyptus grandis x urophylla)	灰绿、深绿	偏暗	均匀、紧密、沿等高线排列整齐	圆形颗粒状	低山、丘陵	易判
杂交相思(Acacia mangium×A.auriculiformis)	绿	中等	紧密	多角星形	道旁	易判
黑木相思(Acacia melanoxylon R.Br.)	黑绿	偏暗	稀疏	组合团块状	道旁	可判
火力楠(Michelia macclurei Dandy)	深绿、蓝绿	中等	紧密	不规则团块状	带状分布作为防火林带	易判
米老排(Mytilaria laosensis Lec.)	深绿、蓝绿	中等	紧密	大小不一较圆团块状	低山、丘陵	可判
椴树(Tilia tuan Szyszyl.)	深绿	偏暗	紧密	较圆的团块状	低山、丘陵	可判
竹类	浅绿	偏亮	稀疏	羽毛状	道旁、居民点附近	易判
其他软阔	多种	中等	有紧密有稀疏	不同的团块状	低山、丘陵	可判

实测类型	判读类型
实测类型	桉树	八角	火力楠	杉木	马尾松	新造未成林地	总和
桉树	27	0	0	0	0	1	28
八角	1	8	0	0	0	0	9
火力楠	0	0	10	0	0	2	12
杉木	0	0	0	8	0	2	10
马尾松	0	0	0	0	12	0	12
新造未成林地	0	0	0	0	0	5	5
总和	28	8	10	8	12	10	76

类型	制图精度	漏分误差	用户精度	错分误差
桉树	96.43	3.57	96.43	3.57
八角	88.89	11.11	100.00	0.00
火力楠	83.33	16.67	100.00	0.00
杉木	80.00	20.00	100.00	0.00
马尾松	100.00	0.00	100.00	0.00
新造未成林地	100.00	0.00	50.00	50.00
总体精度	92.11%	kappa系数	0.90

高分辨率航片小班区划与树种判读

Sub-compartment Division and Interpretation of Tree Species Based on High-resolution Aerial Photos

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 21

相关文章 7

编辑推荐

Metrics

本文评价

[1]	彭检贵. 不同发育阶段马尾松人工林经营效果动态分析[J]. 林业资源管理, 2020, 0(1): 62-69.
[2]	陈新云, 王文文, 曾伟生, 杜鹏志, 党永锋, 王威, 孟京辉. 北京市二类调查小班蓄积量预估模型研究[J]. 林业资源管理, 2019, 0(5): 33-36.
[3]	庞丽峰, 姜俊, 陆元昌. 森林经理科学数据整合技术研究[J]. 林业资源管理, 2014, 0(5): 146-151.
[4]	冯仲科, 郭欣雨, 丁秀珍. 我国森林经理技术若干问题及其完善途径[J]. 林业资源管理, 2014, 0(4): 23-28.
[5]	罗明灿, 靳爱仙. 新形势下的森林经理学——实践内容的拓展[J]. 林业资源管理, 2011, 0(2): 1-4.
[6]	詹昭宁. 对当前森林经营的思考[J]. 林业资源管理, 2010, 0(6): 1-6.
[7]	林龙卓. 论森林经理在林业现代化中的作用[J]. 林业资源管理, 2008, 0(4): 37-39.