基于遥感的广州市森林健康分析与恢复对策研究

林业资源管理 ›› 2013›› Issue (5): 85-90.

基于遥感的广州市森林健康分析与恢复对策研究

杨超裕, 杨燕琼, 罗富和, 李洁华

华南农业大学林学院,广州 510642

收稿日期:2013-07-16 修回日期:2013-09-25 出版日期:2013-10-28 发布日期:2020-11-23
通讯作者: 杨燕琼(1964-),女,副教授,博士,主要研究方向为3S技术在农林方面的应用。Email:lik@scau.edu.cn
作者简介:杨超裕(1987-),女,广东湛江人,在读硕士,主要从事森林资源动态监测研究。Email:554159346@qq.com

Analysis and Recovery Measures of Guangzhou Forest Health Based on Remote Sensing Technology

YANG Chaoyu, YANG Yanqiong, LUO Fuhe, LI Jiehua

College of Forestry,South China Agricultural University,Guangzhou 510642,China

Received:2013-07-16 Revised:2013-09-25 Online:2013-10-28 Published:2020-11-23

摘要/Abstract

摘要： 以Landsat 5 TM为信息源,广州市为研究区,遥感(RS)、地理信息系统(GIS)及统计分析等为手段,结合实地调查及文献资料,用相关分析和主成分分析方法分析森林健康状况的遥感光谱、植被指数特征。结果表明:遥感光谱值和植被指数能在一定程度上反映森林健康状况,特别是TM2,TM3,TM4,TM7光谱值和植被指数DVI,ARVI,PVI;健康和较健康森林的遥感光谱值和植被指数差异较小,不足以区分健康和较健康森林,但健康和亚健康森林的遥感光谱值和植被指数存在较大的差异,可利用它们取值范围的差异判读健康和亚健康森林;广州市森林健康状况良好,健康森林(含较健康森林)占71.74%,亚健康的森林(含不健康森林)占28.26%。

关键词: 遥感, 地理信息系统, 森林健康, 森林健康恢复对策

Abstract: Based on remote sensing technology,GIS software,and SPSS data analysis method,the thesis selects the factors of forest health assessment and summarizes their variation rules in remote sensing spectral features and vegetation index,through correlation analysis,principal component analysis and the use of Landsat 5 TM data.The result shows that remote sensing spectral features and vegetation index are of high relevance to forest health,which can reflect forest health condition to a certain degree,especially remote sensing factors TM2,TM3,TM4,TM7 and vegetation index DVI,ARVI,PVI.Then,by making use of those variation rules,this paper analyzes the health conditions of Guangzhou’s forests via supervised classification,and according to the actual situation of the region,raises solutions to the restoration of Guangzhou’s forest health.

Key words: remote sensing, geographic information system, forest health, principal component analysis, recovery measures of forest health

中图分类号:

杨超裕, 杨燕琼, 罗富和, 李洁华. 基于遥感的广州市森林健康分析与恢复对策研究[J]. 林业资源管理, 2013,(5): 85-90.

YANG Chaoyu, YANG Yanqiong, LUO Fuhe, LI Jiehua. Analysis and Recovery Measures of Guangzhou Forest Health Based on Remote Sensing Technology[J]. FOREST RESOURCES WANAGEMENT, 2013,(5): 85-90.

[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]	朱赞, 王勇军, 王建琦, 许玉兰, 丘鑫琪, 万喜. 基于无人机倾斜摄影的广西桉树冠层碳储量计量模型构建[J]. 林草资源研究, 2024, 0(1): 88-94.
[3]	任晓琦, 侯鹏, 陈妍. 森林地上生物量遥感反演研究进展[J]. 林草资源研究, 2023, 0(6): 146-158.
[4]	焦全军, 郑焰锋, 黄文江, 张兵, 张鹤译, 史宜梦, 吴发云, 付安民. 陆地生态系统碳监测卫星松材线虫病变色木识别指数研究[J]. 林业资源管理, 2023, 0(4): 123-131.
[5]	邹为民, 陈超, 黄蕾, 宋美萱, 李雪建, 杜华强. 地理加权回归模型结合卫星遥感的松阳县森林地上碳储量估算[J]. 林业资源管理, 2023, 0(4): 132-140.
[6]	梁立成, 傅晓强, 张滨, 程谷栒, 李佐晖. 基于GEE与随机森林的象山港互花米草动态监测[J]. 林业资源管理, 2023, 0(3): 38-45.
[7]	周梅, 李春干, 杨承伶, 李振. 无人机激光雷达人工林参数估测试验[J]. 林业资源管理, 2023, 0(3): 90-97.
[8]	张绘芳, 朱雅丽, 张景路, 高健, 地力夏提·包尔汉. 基于高分遥感数据的阿尔泰山乔木林地上生物量预测[J]. 林业资源管理, 2023, 0(2): 104-110.
[9]	聂靖, 陆驰, 欧光龙, 胥辉. 基于Landsat8 OLI遥感因子的思茅松地上生物量二阶抽样估测[J]. 林业资源管理, 2022, 0(6): 68-75.
[10]	杨雪清, 孙志超, 王立生, 柴政, 邱议文, 蒋春颖. 森林可燃物大样地抽样调查方法研究[J]. 林业资源管理, 2022, 0(5): 53-59.
[11]	秦琳, 孟先进, 张水花, 薛亚东, 刘新科, 邢鹏. 北京三号卫星数据在松材线虫病遥感监测中的应用评价[J]. 林业资源管理, 2022, 0(4): 126-133.
[12]	田海静, 王林, 韩立亮, 范云豹, 杨吉林. 基于哨兵2号多光谱遥感数据的草原植被盖度反演——以内蒙古自治区为例[J]. 林业资源管理, 2022, 0(4): 134-140.
[13]	任天晨, 陈军锋, 刘楠. 山西省五台山地区近30年植被覆盖动态变化及影响因素[J]. 林业资源管理, 2022, 0(4): 89-99.
[14]	郝帅, 王星, 张秋良, 王冰, 田原. 大兴安岭火烧迹地遥感提取研究[J]. 林业资源管理, 2022, 0(2): 75-81.
[15]	王伟, 杨净, 高显连, 曾伟生. 2020年全球森林资源评估遥感调查方法和思考[J]. 林业资源管理, 2021, 0(6): 1-5.