论文部分内容阅读
随着国产高分卫星数据的增多,越来越多的遥感数据被应用在森林调查、森林管理、森林变化检测等实际生产应用中。高分一号(GF-1)卫星数据在森林信息方面提取方面已取得一定成果,但在光谱信息仅含4个光谱波段,对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,国内发射了首颗宽视场、携带红边、黄边的多光谱卫星数据-高分六号(GF-6),为挖掘林地与非林地识别快速提取提供了难得机遇。本研究基于国家高分辨率对地观测系统重大专项应用共性关键技术项目,结合国家林地“一张图”数据,选取天水市、黄山市、宜昌市、普洱市、承德市、本溪市、防城港七个地级市作为研究区。首先,通过面积一致性、空间一致性评价对3个全球森林产品数据在中国的可靠性进行了评估;然后,根据森林产品数据差异性以及森林资源分布选择黄山市、天水市作为重点GF-6研究区,结合机器学习分类方法在分类精度上,计算效率较好的优势,选择K近邻(KNN)、朴素贝叶斯(NB)、CART决策树(CART)、支持向量机(SVM)、随机森林(RF)5种机器学习分类方法,通过不同方案比较,挖掘GF-6新增波段、时相等特征在林地上的分类潜力。最后,利用基于模型和统计的方法评价对林地分类贡献最大的特征,并且通过林地类型光谱特征分析了造成分类精度差异的原因。主要研究如下:(1)全球森林数据产品中国可靠性评估结果表明:南方区域的全球森林产品可靠性优于北方;FROM-GLC10数据产品可靠性优于FNF以及GFCM数据产品。(2)通过5种机器学习分类方法对比,随机森林分类方法在黄山、天水研究区中林地与非林地分类整体分类精度均为最高,其次为支持向量机,其他三种分类器在不同研究区差异较大。(3)通过典型林地类型分类以及特征贡献度分析表明,GF-6的红边波段或者红边波段构建的红边植被指数、多时相特征及地形特征对林地非林地分类具有重要的潜力,尤其对于其他灌木林地影响最大。(4)在黄山、天水研究区,包含茶树、苹果树、核桃树、花椒树、桑树在内的稀疏林与耕地地类光谱特征极其相似,是造成典型林地分类误差的主要原因之一。