Research on Eucalyptus Extraction Based on Automatic Threshold Decision Tree Classification

doi:10.13466/j.cnki.lyzygl.2020.04.017

Abstract

Abstract:

Eucalyptus of different ages and growth characteristics were selected to form the sample set,and the statistical analysis of the sample set of 8 kinds of NDVI was carried out by using Landsat 8 as the data source.Therefore,an automatic threshold decision tree classification method based on the law of exponential distribution is proposed,which is applied to the Eucalyptus forest classification in the study area through GEE.Results show that:1) from 2013 to 2019,the indexes of the sample set of planting eucalyptus follow certain rules,each index presents a minimum value every three years,which accords with the periodicity of planting and felling of Eucalyptus;2) compared with the classification result of random forest algorithm,the accuracy of classification result of automatic threshold decision tree is improved by about 4%,the average total accuracy of classification is 0.88,the average Kappa Coefficient is 0.83;3) Google historical image is applied to verify the classification result of automatic decision tree,and the coincidence rate of eucalyptus distribution area is 88.4% .All the above results show that the automatic threshold decision tree classification method proposed in this paper can effectively achieve information extraction of Eucalyptus.

Key words: automatic threshold, decision tree classification, eucalyptus, multi-index, sample set, remote sensing image processing

CLC Number:

TP75

LU Xianjian, HUANG Yuhui, YAN Hongbo, WEI Wanqiu, LI Zhenbao. Research on Eucalyptus Extraction Based on Automatic Threshold Decision Tree Classification[J]. FOREST RESOURCES WANAGEMENT, 2020, (4): 117-126.

Figures/Tables 15

Fig.1

Tab. 1

Fig.2

Fig.3

Fig.4

Fig. 5

Fig. 6

Fig. 7

Fig. 8

Fig. 9

Fig.10

Fig.11

Fig.12

Tab.2

Tab.3

References 21

[1]	吕建雄, 殷亚方, 赵有科, 等. 我国南方地区不同桉树人工林树种生长应变水平的评估[J].北京林业大学学报, 2005(4):69-72.
[2]	颜梅春. 高分辨率影像的植被分类方法对比研究[J]. 遥感学报, 2007,11(2):235-240.
[3]	季敏燕. 支持向量机在遥感影像分类中应用的若干研究[D]. 南京:南京林业大学, 2011.
[4]	李方方, 刘正军, 徐强强, 等. 面向对象随机森林方法在湿地植被分类的应用[J]. 遥感信息, 2018,33(1):111-116.
[5]	姚博, 张怀清, 刘洋, 等. 面向对象CART决策树方法的湿地遥感分类[J]. 林业科学研究, 2019,32(5):95-102.
[6]	闫大鹏, 周东兴, 刘伟, 等. 一种基于高斯拟合的水生植被遥感分类阈值确定方法[J]. 西安科技大学学报, 2018,32(5):776-782.
[7]	徐晗泽宇, 刘冲, 王军邦, 等. Google Earth Engine平台支持下的赣南柑橘果园遥感提取研究[J]. 地球信息科学学报, 2018,20(3):396-404.
[8]	黎森. 广西九龙瀑布群国家森林公园风景资源评价与开发[J]. 广西农学报, 2012,27(1):44-48.
[9]	黎森. 广西九龙瀑布群国家森林公园风景资源评价与开发[J]. 广西农学报, 2012,27(1):44-48.
[10]	司马杭仁. 制成十数载今始上太空——美国发射国防气象卫星[J].现代军事, 2014(5):50-52.
[11]	张颖, 王越男, 陈利, 等. 基于Landsat 8 影像森林植被信息计算机自动提取研究[J]. 中国农学通报, 2014,30(28).
[12]	安海波. 基于优化光谱指数的草地生物量估算[D]. 呼合浩特:内蒙古农业大学, 2015.
[13]	周梅, 李春干, 代华兵. 基于RGB-NDVI图像的桉树人工林区森林覆盖变化年度监测[J].南京林业大学学报:自然科学版, 2017(41):71.
[14]	张雪红. 基于高分辨率遥感的桉树林空间异质性与尺度效应研究[D]. 南京:南京大学, 2012.
[15]	陈军纪, 杨更强, 曹秋梅, 等. 安西极旱荒漠国家级自然保护区南、北部植被指数和水热因子变化及相关性分析[J]. 植物资源与环境学报, 2015,24(3):94-98.
[16]	姚远, 丁建丽, 倪绍忠, 等. 基于垂直植被指数的干旱区荒漠环境人工杨树林生物量模型[J].生态学杂志, 2012(1):224-228.
[17]	谢京凯, 王福民, 王飞龙, 等. 面向水稻LAI监测的植被指数土壤调节参数修正[J]. 遥感技术与应用, 2018,33(2):342-350.
[18]	杨江燕, 吴田, 潘肖燕, 等. 基于遥感生态指数的雄安新区生态质量评估[J]. 应用生态学报, 2019,30(1):280-287.
[19]	卢献健, 黄俞惠, 晏红波, 等. 基于GEE平台广西桉树快速提取研究[J].林业资源管理, 2019(5):52-61.
[20]	任义方, 赵艳霞, 张旭晖, 等. 江苏水稻高温热害气象指数保险风险综合区划[J]. 中国农业气象, 2019,40(6):391-401.
[21]	王丽春, 焦黎, 来风兵, 等. 新疆精河县生态变化评价及驱动力研究[J]. 生态与农村环境学报, 2019,35(3):316-323.

谷歌历史影像时间	桉树 /个	其它植被 /个	建筑物 /个	耕地 /个	裸地 /个	水系 /个
20130919	98	76	12	21	14	10
20150419	98	84	14	25	13	7
20171023	67	72	16	26	18	5
20191122	62	71	11	27	17	10
合计	325	303	53	99	62	32

序号	中心点位置	谷歌历史影像面积/km²	分类结果面积/km²	面积重复率/ %	验证区说明
验证区1	23° 2'3.90N 109° 9'47.13E	0.0106	0.0117	90.59	平均海拔高度为280m,位于耕地后方,地形较为平坦,周围植被单一。
验证区2	23° 2'16.93N 109°10'0.98E	0.0052	0.0063	82.54	平均海拔高度为324m,位于居民集聚地附近,周围植被种类较多。
验证区3	23° 2'59.29N 109°10'12.93E	0.0131	0.0126	96.18	平均海拔高度为434m,位于山区,地势复杂,周围植被种类较少。
验证区4	23° 4'48.61N 109°10'35.86E	0.0091	0.0108	84.26	平均海拔高度为439m,位于山区,地势陡峭,围植被种类较多。

影像时间	随机森林分类		自动阈值决策树分类
影像时间	分类总体精度	kappa 系数	分类总体精度	kappa 系数
2013年9月19日	0.81	0.79	0.85	0.82
2015年4月19日	0.88	0.86	0.91	0.84
2017年10月23日	0.89	0.83	0.90	0.84
2019年11月22日	0.85	0.82	0.89	0.83