用微信扫码二维码

分享至好友和朋友圈

WE ARE COMMITTED TO REPORTING THE LATEST FORESTRY ACADEMIC ACHIEVEMENTS

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

竹林信息遥感提取方法研究进展

蒲梦馨 倪忠云 赵银兵 周国李 梁家凤

蒲梦馨, 倪忠云, 赵银兵, 等. 竹林信息遥感提取方法研究进展[J]. 四川林业科技, 2021, 42(4): 122−131 doi: 10.12172/202103090002
引用本文: 蒲梦馨, 倪忠云, 赵银兵, 等. 竹林信息遥感提取方法研究进展[J]. 四川林业科技, 2021, 42(4): 122−131 doi: 10.12172/202103090002
Pu M X, Ni Z Y, Zhao Y B, et al. Research progress on remote sensing extraction method of bamboo forest information[J]. Journal of Sichuan Forestry Science and Technology, 2021, 42(4): 122−131 doi: 10.12172/202103090002
Citation: Pu M X, Ni Z Y, Zhao Y B, et al. Research progress on remote sensing extraction method of bamboo forest information[J]. Journal of Sichuan Forestry Science and Technology, 2021, 42(4): 122−131 doi: 10.12172/202103090002

竹林信息遥感提取方法研究进展


doi: 10.12172/202103090002
详细信息
    作者简介:

    蒲梦馨(1997—),女,硕士研究生,942183161@qq.com

    通讯作者: 35838282@qq.com
  • 基金项目:  国家林业和草原局/北京市共建竹藤科学与技术重点实验室开放基金(ICBR-2020-16);四川省社科重点研究基地国家公园研究中心项目(GJGY2019-ZD003)

Research Progress on Remote Sensing Extraction Method of Bamboo Forest Information

More Information
    Corresponding author: 35838282@qq.com
  • 摘要: 开展竹林信息遥感提取方法研究有利于竹林生态经济发展和生态环境保护。本文梳理了竹林信息遥感提取方法发展的三个阶段,包括传统的统计识别模型、机器学习分类、多源信息复合分类。指出受竹林生长特征、遥感数据源及遥感信息提取方法的诸多影响,竹林信息提取面临高时空分辨率遥感数据难获取、光学遥感信息提取具有不完备性、林冠下竹林信息提取难度大以及大空间尺度信息提取精度欠缺等不足。基于竹林信息提取发展历史和现状问题,展望未来发展趋势,亟待开展竹林基础研究、跟踪传感器改进、实现多源长时序数据动态监测、加深多种提取方法交叉融合。
  • 图  1  竹林信息提取方法[14, 15]

    Fig.  1  Methods for extracting bamboo forest information

    表  1  三种不同阶段方法优缺点比较

    Tab.  1  Comparison of advantages and disadvantages of three different stages of bamboo forest information remote sensing extraction method

    方法优点缺点
    传统的统计识别模型 计算快速简便,可快速控制训练样本,调节分类精度;竹林信息提取中所需数据易获取;方法的可扩展性强。 竹林信息提取结果受限于样本数量,方法单一;受数据空间分辨率影响较大,易出现错分漏分现象,竹林分类结果精度较低。
    机器学习分类 方法的使用较为灵活,客观性较强;可自动化组织和拟合竹林有关参数,在图像中可用的竹林特征数量增多时,能解决计算时多维高维问题,提高分类效能。 当竹林有关特征样本较多时,计算量较大,计算过程需要大量内存;受竹林观测样本影响较大;大量模型会降低训练效率和泛化性,形成过度拟合的情况。
    多源信息复合分类 在多种竹林有关信息的融合下,结果精度较高;可弥补基于光谱信息的竹林信息提取中 “同谱异物,同物异谱”的现象;增添了遥感影像中竹林识别的多样性,避免了信息源的单一性。 计算复杂度较大;收集连续多时序遥感影像困难;需要进行大量实验选取有利于竹林提取的指标;当基于竹林纹理特征提取时,对影像空间分辨率要求较高。
    下载: 导出CSV
  • [1] 官凤英,范少辉,郜燕芳,等. 不同分类方法在竹林遥感信息识别中的应用[J]. 中国农学通报,2013,29(1):47−52. doi: 10.3969/j.issn.1000-6850.2013.01.009
    [2] 陈先刚,张一平,张小全,等. 过去50年中国竹林碳储量变化[J]. 生态学报,2008(11):5218−5227. doi: 10.3321/j.issn:1000-0933.2008.11.003
    [3] XU X, DU H, ZHOU G, et al. Estimation of aboveground carbon stock of Moso bamboo (Phyllostachys heterocycla var. pubescens) forest with a Landsat Thematic Mapper image[J]. International Journal of Remote Sensing, 2011, 32(5): 1431−1448. doi: 10.1080/01431160903551389
    [4] ZHOU Y, ZHOU G, DU H, et al. Biotic and abiotic influences on monthly variation in carbon fluxes in on-year and off-year Moso bamboo forest[J]. Trees, 2019, 33(1): 153−169. doi: 10.1007/s00468-018-1765-1
    [5] 余坤勇,许章华,刘健,等. “基于片层-面向类”的竹林信息提取算法与应用分析[J]. 中山大学学报(自然科学版),2012,51(1):89−95.
    [6] KUMAR A. Rediscovering bamboo: remote sensing and geographic information systems perspective[J]. Journal of Applied Remote Sensing, 2008, 2(1): 22501. doi: 10.1117/1.3010736
    [7] MOCHIZUKI S, MURAKAMI T. Accuracy comparison of land cover mapping using the object-oriented image classification with machine learning algorithms[J]. 33rd Asian Conference on Remote Sensing 2012, ACRS 2012, 2012, 1: 126−133.
    [8] ZHAO Y, FENG D, JAYARAMAN D, et al. Bamboo mapping of Ethiopia, Kenya and Uganda for the year 2016 using multi-temporal Landsat imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 66: 116−125. doi: 10.1016/j.jag.2017.11.008
    [9] ZHANG M, GONG P, QI S, et al. Mapping bamboo with regional phenological characteristics derived from dense Landsat time series using Google Earth Engine[J]. International Journal of Remote Sensing, 2019, 40(24): 9541−9555. doi: 10.1080/01431161.2019.1633702
    [10] LI L, LI N, LU D, et al. Mapping Moso bamboo forest and its on-year and off-year distribution in a subtropical region using time-series Sentinel-2 and Landsat 8 data[J]. Remote Sensing of Environment, 2019, 231: 111265. doi: 10.1016/j.rse.2019.111265
    [11] AFRIN T, TSUZUKI T, WANG X. UV absorption property of bamboo[J]. Journal of the Textile Institute, 2012, 103(4): 394−399. doi: 10.1080/00405000.2011.580543
    [12] 孙少波,杜华强,李平衡,等. 基于小波变换的毛竹叶片净光合速率高光谱遥感反演[J]. 应用生态学报,2016,27(1):49−58.
    [13] GUANG L, LI L, GONG H, et al. Multisource Remote Sensing Imagery Fusion Scheme Based on Bidimensional Empirical Mode Decomposition (BEMD) and Its Application to the Extraction of Bamboo Forest[J]. Remote Sensing, 2016, 9: 19. doi: 10.3390/rs9010019
    [14] 史泽鹏,马友华,王玉佳,等. 遥感影像土地利用/覆盖分类方法研究进展[J]. 中国农学通报,2012,28(12):273−278. doi: 10.11924/j.issn.1000-6850.2011-2692
    [15] 王斌,范冬林. 深度学习在遥感影像分类与识别中的研究进展综述[J]. 测绘通报,2019(2):99−102.
    [16] 华朝朗. 卫星影像目视解译森林资源调查数据中存在的问题及对策[J]. 云南林业调查规划设计,2000(1):16−19.
    [17] 孙茂盛,钱强,付小勇,等. 高分辨遥感技术在德宏州竹类植物资源调查中的应用[J]. 世界竹藤通讯,2012,10(4):8−11. doi: 10.3969/j.issn.1672-0431.2012.04.002
    [18] 李俊祥,达良俊,王玉洁,等. 基于NOAA-AVHRR数据的中国东部地区植被遥感分类研究[J]. 植物生态学报,2005(3):336−343.
    [19] 官凤英,范少辉,蔡华利,等. 竹林遥感信息提取方法比较研究[J]. 安徽农业科学,2010,38(8):4333−4335. doi: 10.3969/j.issn.0517-6611.2010.08.175
    [20] 桂玲,孙华,陈利. 基于中等分辨率遥感影像的桃源县竹林信息提取研究[J]. 中国农学通报,2012,28(1):85−91. doi: 10.3969/j.issn.1000-6850.2012.01.017
    [21] BOYD D S, DANSON F M. Satellite remote sensing of forest resources: three decades of research development[J]. Progress in Physical Geography: Earth and Environment, 2016, 29(1): 1−26.
    [22] MURAKAMI T. How is Short-wave Infrared (SWIR) Useful to Discrimination and Classification of Forest Types in Warm Temperate Region?[J]. Journal of Forest Planning, 2006, 12(2): 81−85. doi: 10.20659/jfp.12.2_81
    [23] 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(2):235−240.
    [24] 杜凤兰,田庆久,夏学齐. 遥感图像分类方法评析与展望[J]. 遥感技术与应用,2004(6):521−525. doi: 10.3969/j.issn.1004-0323.2004.06.018
    [25] GUO Z, JIANG H, CHEN J, et al. The methods research of deriving bamboo information based on IKONOS image, 2009.
    [26] 高国龙,杜华强,韩凝,等. 基于特征优选的面向对象毛竹林分布信息提取[J]. 林业科学,2016,52(9):77−85.
    [27] 孙伟伟,杨刚,陈超,等. 中国地球观测遥感卫星发展现状及文献分析[J]. 遥感学报,2020,24(5):479−510.
    [28] 龚健雅. 人工智能时代测绘遥感技术的发展机遇与挑战[J]. 武汉大学学报(信息科学版),2018,43(12):1788−1796.
    [29] TANIGAKI Y, HARADA I, HARA K. A preliminary study on the method for extracting bamboo groves in Chiba prefecture, Japan using ALOS/AVNIR-2 data[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS Archives, 2010, 38: 507−512.
    [30] 崔璐,杜华强,周国模,等. 决策树结合混合像元分解的中国竹林遥感信息提取[J]. 遥感学报,2019,23(1):166−176.
    [31] DU H, LI Y, ZHU D, et al. Mapping Global Bamboo Forest Distribution Using Multisource Remote Sensing Data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(5): 1458−1471. doi: 10.1109/JSTARS.2018.2800127
    [32] 蔡华利. 基于SVM的多源遥感分类的竹林信息提取方法研究[D]. 北京林业大学, 2009.
    [33] BELGIU M, DRĂGUŢ L. Random forest in remote sensing: A review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 24−31. doi: 10.1016/j.isprsjprs.2016.01.011
    [34] GHOSH A, JOSHI P K. A comparison of selected classification algorithms for mapping bamboo patches in lower Gangetic plains using very high resolution WorldView 2 imagery[J]. International Journal of Applied Earth Observation & Geoinformation, 2014, 26: 298−311.
    [35] WASKE B, BENEDIKTSSON J A, ÁRNASON K, et al. Mapping of hyperspectral AVIRIS data using machine-learning algorithms[J]. Canadian journal of remote sensing, 2014, 35(sup1): S106−S116.
    [36] 严欣荣,张美曼,郑亚雄,等. 基于Sentinel-2的丛生竹林信息提取方法比较及分布特征[J]. 生态学杂志,2020,39(3):1056.
    [37] 陈绍杰,逄云峰. Boosting和Bagging算法的高分辨率遥感影像分类探讨[J]. 测绘科学,2010,35(5):169−172.
    [38] L. D, H. D, F. M, et al. D, H. D, F. M, et al. Very High Resolution Remote Sensing Imagery Classification Using a Fusion of Random Forest and Deep Learning Technique—Subtropical Area for Example[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 113−128. doi: 10.1109/JSTARS.2019.2953234
    [39] 孔嘉鑫,张昭臣,张健. 基于多源遥感数据的植物物种分类与识别: 研究进展与展望[J]. 生物多样性,2019,27(7):796−812.
    [40] 陈效逑,王林海. 遥感物候学研究进展[J]. 地理科学进展,2009,28(1):33−40.
    [41] 郝成元,马春艳,朱宗泽. 基于NOAA/AVHRR和Terra/MODIS数据的植被指数季节信息比较[J]. 地理与地理信息科学,2009,25(6):30−33.
    [42] 李晓兵,史培军. 基于NOAA/AVHRR数据的中国主要植被类型NDVI变化规律研究[J]. 植物学报,1999(3):88−91.
    [43] BANSKOTA A, KAYASTHA N, FALKOWSKI M J, et al. Forest Monitoring Using Landsat Time Series Data: A Review[J]. Canadian Journal of Remote Sensing, 2014, 40(5): 362−384. doi: 10.1080/07038992.2014.987376
    [44] LIU C, XIONG T, GONG P, et al. Improving large-scale moso bamboo mapping based on dense Landsat time series and auxiliary data: a case study in Fujian Province, China[J]. Remote Sensing Letters, 2018, 9(1): 1−10. doi: 10.1080/2150704X.2017.1378454
    [45] NATH, DAS, DAS A K. Vegetative phenology of three bamboo species in subtropical humid climate of Assam[J]. Tropical Ecology, 2008, 49(1): 85−89.
    [46] de CARVALHO A L, NELSON B W, BIANCHINI M C, et al. Bamboo-dominated forests of the southwest Amazon: detection, spatial extent, life cycle length and flowering waves[J]. PloS one, 2013, 8(1): e54852. doi: 10.1371/journal.pone.0054852
    [47] LI X, MAO F, DU H, et al. Spatiotemporal evolution and impacts of climate change on bamboo distribution in China[J]. Journal of Environmental Management, 2019, 248: 109265. doi: 10.1016/j.jenvman.2019.109265
    [48] 范少辉,官凤英,苏文会,等. 基于遥感技术的竹资源变化监测研究[J]. 西北林学院学报,2012,27(5):169−173. doi: 10.3969/j.issn.1001-7461.2012.05.32
    [49] 余坤勇,刘健,许章华,等. 南方地区竹资源专题信息提取研究[J]. 遥感技术与应用,2009,24(4):449−455.
    [50] 颜梅春,张友静,鲍艳松. 基于灰度共生矩阵法的IKONOS影像中竹林信息提取[J]. 遥感信息,2004(2):31−34. doi: 10.3969/j.issn.1000-3177.2004.02.009
    [51] 刘丽,匡纲要. 图像纹理特征提取方法综述[J]. 中国图象图形学报,2009,14(4):622−635.
    [52] LAN Z, LIU Y. Study on Multi-Scale Window Determination for GLCM Texture Description in High-Resolution Remote Sensing Image Geo-Analysis Supported by GIS and Domain Knowledge[J]. ISPRS International Journal of Geo-Information, 2018, 7(5): 175. doi: 10.3390/ijgi7050175
    [53] 李永亮,林辉,马延辉. 基于CBERS-02B星数据的竹林、针叶林纹理特征变化分析[J]. 西北林学院学报,2011,26(1):171−175.
    [54] 李春干,代华兵. 基于光谱纹理信息和知识挖掘的SPOT5遥感图像分类研究[J]. 福建林学院学报,2009,29(3):231−236. doi: 10.3969/j.issn.1001-389X.2009.03.008
    [55] 刘扬,付征叶,郑逢斌. 高分辨率遥感影像目标分类与识别研究进展[J]. 地球信息科学学报,2015,17(9):1080−1091.
    [56] 万昌君,吴小丹,林兴稳. 遥感数据时空尺度对地理要素时空变化分析的影响[J]. 遥感学报,2019,23(6):1064−1077.
    [57] 黎夏,叶嘉安,王树功,等. 红树林湿地植被生物量的雷达遥感估算[J]. 遥感学报,2006,10(3):387−396.
    [58] LUCKMAN A, BAKER J, KUPLICH T M, et al. A study of the relationship between radar backscatter and regenerating tropical forest biomass for spaceborne SAR instruments[J]. Remote Sensing of Environment, 1997, 60(1): 1−13. doi: 10.1016/S0034-4257(96)00121-6
    [59] BITENCOURT M D, de MESQUITA J H N, KUNTSCHIK G, et al. Cerrado vegetation study using optical and radar remote sensing: two Brazilian case studies[J]. Canadian Journal of Remote Sensing, 2007, 33(6): 468−480. doi: 10.5589/m07-054
    [60] WANG T J, SKIDMORE A K, TOXOPEUS A G. Improved understorey bamboo cover mapping using a novel hybrid neural network and expert system[J]. International Journal of Remote Sensing, 2009, 30(4): 965−981. doi: 10.1080/01431160802411867
    [61] LINDERMAN M, LIU J, QI J, et al. Using artificial neural networks to map the spatial distribution of understorey bamboo from remote sensing data[J]. International Journal of Remote Sensing, 2004, 25(9): 1685−1700. doi: 10.1080/01431160310001598971
    [62] SKIDMORE A, TOXOPEUS A, LIU X. Understory Bamboo Discrimination Using a Winter Image[J]. Photogrammetric Engineering and Remote Sensing, 2009, 75: 37−47. doi: 10.14358/PERS.75.1.37
    [63] 贾炅. 森林下层植物资源的航空遥感分析——以川西针叶林下箭竹为例[J]. 北京师范大学学报(自然科学版),1993(3):416−421.
    [64] 邓旺华. 竹林地面光谱特征及遥感信息提取方法研究[D]. 中国林业科学研究院, 2009.
    [65] 杨超,邬国锋,李清泉,等. 植被遥感分类方法研究进展[J]. 地理与地理信息科学,2018,34(4):24−32. doi: 10.3969/j.issn.1672-0504.2018.04.005
    [66] 徐冠华,柳钦火,陈良富,等. 遥感与中国可持续发展: 机遇和挑战[J]. 遥感学报,2016,20(5):679−688.
    [67] 李国庆,张红月,张连翀,等. 地球观测数据共享的发展和趋势[J]. 遥感学报,2016,20(5):979−990.
    [68] 赵忠明,高连如,陈东,等. 卫星遥感及图像处理平台发展[J]. 中国图象图形学报,2019,24(12):2098−2110. doi: 10.11834/jig.190450
    [69] 李国元,高小明,陈继溢,等. 资源三号02星激光测高数据质量分析[J]. 遥感学报,2019,23(6):1159−1166.
    [70] 顾行发,余涛,田国良,等. 40年的跨越—中国航天遥感蓬勃发展中的“三大战役”[J]. 遥感学报,2016,20(5):781−793.
    [71] 周会珍,吴双,毛德发,等. 多卫星传感器数据的Brovey融合改进方法[J]. 遥感学报,2012,16(2):343−360.
    [72] QU Y, TIAN W, LI Y, et al. Improvement of the Space Resolution of the Optical Remote Sensing Image By the Wavelet Bi-cubic Interpolation[J]. Acta Photonica Sinica, 2004, 33(5): 601−604.
    [73] 李垒,任越美. 基于随机森林的高光谱遥感图像分类[J]. 计算机工程与应用,2016,52(24):189−193. doi: 10.3778/j.issn.1002-8331.1503-0255
    [74] 谭炳香,李增元,陈尔学,等. 高光谱遥感森林信息提取研究进展[J]. 林业科学研究,2008(S1):105−111.
    [75] 刘健,顾林彬,余坤勇,等. 毛竹林HJ-1HIS专题信息的响应与识别[J]. 江西农业大学学报,2016,38(6):1100−1109.
    [76] TONG Q, XUE Y, ZHANG L. Progress in Hyperspectral Remote Sensing Science and Technology in China Over the Past Three Decades[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(1): 70−91. doi: 10.1109/JSTARS.2013.2267204
    [77] 陈永刚,丁丽霞,葛宏立,等. 基于Mann-Whitney非参数检验和SVM的竹类高光谱识别[J]. 光谱学与光谱分析,2011,31(11):3010−3013. doi: 10.3964/j.issn.1000-0593(2011)11-3010-04
    [78] 张雨,林辉,臧卓,等. 高光谱遥感影像森林信息提取方法比较[J]. 中南林业科技大学学报,2013,33(1):75−79.
    [79] DUTTA K, REDDY C S. Geospatial Analysis of Reed Bamboo (Ochlandra travancorica) Invasion in Western Ghats, India[J]. Journal of the Indian Society of Remote Sensing, 2016, 44(5): 699−711. doi: 10.1007/s12524-015-0534-5
    [80] SONG X, PENG C, ZHOU G, et al. Climate warming-induced upward shift of Moso bamboo population on Tianmu Mountain, China[J]. Journal of Mountain Science, 2013, 10(3): 363−369. doi: 10.1007/s11629-013-2565-0
    [81] 官凤英,范少辉,肖复明. 闽北山区竹林分布及动态变化的地形分异特征研究[J]. 遥感技术与应用,2012,27(4):623−628. doi: 10.11873/j.issn.1004-0323.2012.4.623
  • [1] 郑崇文, 王婉尧, 陆斌, 李丕军, 吴泞孜, 邢文曦, 王静, 杨金亮, YANGJingliang.  利用微卫星标记鉴定核桃杂交子代的亲本 . 四川林业科技, 2024, 45(2): 1-6. doi: 10.12172/202209210002
    [2] 张岳, 孙梦鑫, 辛宇, 杨存建.  成渝城市群土地利用变化与冲突识别研究 . 四川林业科技, 2023, 44(4): 49-57. doi: 10.12172/202209210003
    [3] 曾颖, 陈明华, 曲比石布, 曾进科, 龚亿华, 黄尤优, 张泽钧, 韦伟.  放牧对大熊猫栖息地竹林及林下土壤性质影响 . 四川林业科技, 2023, 44(2): 44-50. doi: 10.12172/202209030001
    [4] 税雅鑫, 苟德斌, 李西, 江明艳, 李晓玲, 孙凌霞.  立竹密度调控对雷竹林下黄精生长及药用价值的影响 . 四川林业科技, 2023, 44(1): 59-64. doi: 10.12172/202204120002
    [5] 王光剑, 王晓娟, 先锐, 杨东生, 李呈翔, 马光良, 王燕, 杨斌.  短期竹-菌套作对竹林生态的影响 . 四川林业科技, 2021, 42(2): 87-93. doi: 10.12172/202008210001
    [6] 王晓娟, 陈洪, 王光剑, 马光良, 李呈翔, 杨东生, 王准, 宋华.  不同竹林下套种食用菌的产量与经济效益评估 . 四川林业科技, 2020, 41(5): 50-53. doi: 10.12172/202004270004
    [7] 刘远志, 杨瑶君, 付春.  慈竹和麻竹林间动物群落组成的调查与动态分布 . 四川林业科技, 2020, 41(3): 122-131. doi: 10.12172/201912260005
    [8] 肖春莲.  立地分类与评价研究现状 . 四川林业科技, 2019, 40(1): 92-97. doi: 10.16779/j.cnki.1003-5508.2019.01.020
    [9] 吴雨峰, 曹小军, 张小平, 魏晋东, 熊壮, 尤继勇, 干少雄, 陈涤非, 张好.  苦竹林分结构对鲜笋产量的影响分析 . 四川林业科技, 2019, 40(6): 55-59. doi: 10.16779/j.cnki.1003-5508.2019.06.010
    [10] 陈洪, 简霁, 杨东生, 先锐, 李呈翔, 王光剑, 马光良.  不同覆盖模式对毛竹林出笋的影响 . 四川林业科技, 2019, 40(1): 43-47. doi: 10.16779/j.cnki.1003-5508.2019.01.009
    [11] 刘雄, 谌立贞, 谭靖星, 李林, 戴晓康, 黄从德.  立竹密度对古蔺县方竹林笋产量的影响 . 四川林业科技, 2018, 39(6): 40-43. doi: 10.16779/j.cnki.1003-5508.2018.06.008
    [12] 吴志乐.  长期模拟氮沉降对苦竹林土壤氮组分的影响 . 四川林业科技, 2017, 38(4): 10-14. doi: 10.16779/j.cnki.1003-5508.2017.04.003
    [13] 王玲, 郑荣周, 王晓斌, 童龙, 谢锦忠, 杨文英, 吕玉奎.  利用麻竹废弃物在麻竹林下套种竹荪技术 . 四川林业科技, 2016, 37(4): 130-132,136. doi: 10.16779/j.cnki.1003-5508.2016.04.031
    [14] 曹小军, 苏德尧, 邱月群, 张小平, 干少雄.  密度调节对绵竹林生产力水平的影响 . 四川林业科技, 2015, 36(4): 49-52. doi: 10.16779/j.cnki.1003-5508.2015.04.009
    [15] 刘立才, 胡景容, 孙成明.  楠竹林施肥试验研究 . 四川林业科技, 2015, 36(1): 53-54. doi: 10.16779/j.cnki.1003-5508.2015.01.012
    [16] 管云岩.  防雷技术在林业信息塔的应用 . 四川林业科技, 2014, 35(2): 70-73. doi: 10.16779/j.cnki.1003-5508.2014.02.017
    [17] 祝国祥, 叶荣炼.  基于资源一号卫星QUICK和FLAASH大气较正植被信息的表相 . 四川林业科技, 2014, 35(4): 76-78,22. doi: 10.16779/j.cnki.1003-5508.2014.04.018
    [18] 孙存举, 梁楠.  遥感光谱混合模型在成都城区植被信息提取中的应用 . 四川林业科技, 2014, 35(5): 84-87. doi: 10.16779/j.cnki.1003-5508.2014.05.018
    [19] 赵鹏, 姜方海, 赵晓云.  四川江安县人工经营毛竹林分结构特征 . 四川林业科技, 2013, 34(5): 1-7. doi: 10.16779/j.cnki.1003-5508.2013.05.001
    [20] 杨军, 赵勇, 张红实, 李国祥, 罗洪.  利用卫星遥感影像数据分析邛海湿地近50年的变迁 . 四川林业科技, 2013, 34(4): 65-68,13. doi: 10.16779/j.cnki.1003-5508.2013.04.018
  • 加载中
  • 图(1) / 表(1)
    计量
    • 文章访问数:  853
    • HTML全文浏览量:  349
    • PDF下载量:  83
    • 被引次数: 0
    出版历程
    • 收稿日期:  2021-03-09
    • 网络出版日期:  2021-05-31
    • 刊出日期:  2021-08-25

    竹林信息遥感提取方法研究进展

    doi: 10.12172/202103090002
      作者简介:

      蒲梦馨(1997—),女,硕士研究生,942183161@qq.com

      通讯作者: 35838282@qq.com
    基金项目:  国家林业和草原局/北京市共建竹藤科学与技术重点实验室开放基金(ICBR-2020-16);四川省社科重点研究基地国家公园研究中心项目(GJGY2019-ZD003)

    摘要: 开展竹林信息遥感提取方法研究有利于竹林生态经济发展和生态环境保护。本文梳理了竹林信息遥感提取方法发展的三个阶段,包括传统的统计识别模型、机器学习分类、多源信息复合分类。指出受竹林生长特征、遥感数据源及遥感信息提取方法的诸多影响,竹林信息提取面临高时空分辨率遥感数据难获取、光学遥感信息提取具有不完备性、林冠下竹林信息提取难度大以及大空间尺度信息提取精度欠缺等不足。基于竹林信息提取发展历史和现状问题,展望未来发展趋势,亟待开展竹林基础研究、跟踪传感器改进、实现多源长时序数据动态监测、加深多种提取方法交叉融合。

    English Abstract

    • 竹资源作为一种重要的非木材林产品和木材替代品,是一种巨大的、绿色的、可再生的森林资源,对竹资源的有效监测是利用竹资源的基本前提[1]。竹林的生物量是生活在竹林或以竹笋为食的野生动物栖息地建模的重要数据,竹资源评价是生态系统碳储量估算的重要依据[2-4]。传统上,竹林分布等相关信息多通过实地调查实现[5],遥感技术提升了人们的空间识别能力,同时极大地提升了遥感技术在竹林监测、评价和开发利用等方面的应用潜力[6]。前人提出了很多基于遥感影像的竹林信息提取方法,从主观性强的目视解译到具有客观性的非监督分类和监督分类。随着遥感技术的发展,传统的统计识别模型因其局限性不能满足多样化的竹林信息提取需求,从20世纪80年代开始,计算机模拟人工行为操作的机器学习分类在各大领域日益兴起,多维图像分类方法随之逐渐融入竹林信息提取中,如决策树以及随机森林分类器等[7]。由于竹林与相邻森林影像光谱特征相似,且竹林生长速度快,样本采集困难等问题,对竹林进行有效的遥感监测仍然具有挑战性[8]。近年来,为解决竹林生长区域云量多、单时相遥感数据识别精度低等问题,部分学者根据竹林生长物候差异等特点,提出了多时序遥感影像与物候特征和纹理信息相结合的方法,聚焦竹林的变化特征,提高竹林与其他绿色植被的可分性[9, 10]。随着光谱信息种类的衍化和卫星技术的精进,如今除了利用常见多光谱光学传感器获取的可见光遥感影像信息之外,发挥竹林树干笔直光滑和结构多样性低的特点,其他波谱特征(红外光谱、高光谱、SAR等)也逐渐被应用于竹林信息提取[11-13]

      本文梳理了遥感影像的竹林信息提取方法发展的三个阶段,总结竹林信息提取方法中存在的不足,展望竹林信息提取方法未来的发展趋势,该项工作有利于为竹林信息提取提供理论和方法参考,积极服务于竹资源开发和生态保护。

      • 竹林信息遥感影像的识别从最初简单的地物分类到后期森林资源的调查,细化到了如今竹林信息的提取。期间各类的遥感图像分类方法都被应用于竹林信息提取的研究中,形成了以监督分类和非监督分类为主的两类方法,此外随着遥感图像信息的深入挖掘,多源信息的加入在竹林信息提取中也发挥了重要的作用(图1)。竹林遥感信息提取方法的发展可以分为三个阶段。

        图  1  竹林信息提取方法[14, 15]

        Figure 1.  Methods for extracting bamboo forest information

      • 早期在林业调查中获取竹林信息,需要大量劳动力进行野外实地调查。自1972年Landsat系列卫星数据采集和应用以来,遥感技术逐渐运用于森林资源的调查中,最初主要是通过卫星影像的目视解译完成,需要利用影像和空间特征与其他信息资料相结合识别地物,受影像分辨率的限制,林地层次信息复杂,解译精度受人为主观影响较大[16]。为达到理想的分类精度,保证竹林信息提取结果的准确性以及时间效率,目视解译只适用于空间尺度小,分辨率高的竹资源调查中[17]。随着计算机技术逐渐与遥感影像分类相结合并逐步实现竹林分类技术的提升,监督分类和非监督分类方法相继出现。较之于监督分类,非监督分类依靠竹林的光谱特征完成自动化分类,“同谱异物”和“同物异谱”现象严重,时间和地形变化等因素对分类结果影响较大,在竹林监测中适应性较差。李俊祥等(2005)在利用NOAA-AVHRR数据进行森林资源调查时发现用非监督分类中的IsoData方法对竹林进行分类的精度仅有28.7%[18];官凤英等(2010)在进行非监督分类、最大似然法和子像元分类比较研究中发现,非监督分类结果中图斑的数量众多,并且边缘含有大量的细碎斑块,导致界限不清,难以识别植被类型[19]。使用非监督分类所得结果往往并不理想,因此有关竹林信息提取研究大多选择监督分类进行,而非监督分类在竹林信息提取中的应用较少。

        非监督分类在竹林信息提取中仅依靠机器自动完成,而监督分类以统计识别函数为基础,再配合人为的主观参与,在竹林信息提取的应用中更加灵活[20]。在遥感影像分类方法发展的前期,1984年发射的Landsat5为竹林信息提取提供了数据基础,其搭载的ERTS-1多光谱扫描仪(MSS)和专题制图仪(TM),被应用于地球自然资源的监测[21]。选取合适月份的Landsat5数据,采用监督分类的方法,能够成功地提取出竹林的分布情况。如Murakami等(2006)使用监督分类方法对日本福冈县久山和佐柳市附近的森林地区的Landsat5影像进行分类,成功识别出竹林、针叶林和阔叶林[22]。在Landsat5之后,从1999年开始由IKONOS卫星领衔的高分辨率卫星陆续发射成功,在监督分类和非监督分类的基础上,高分辨率影像的加入增加了有效识别竹林与相邻地类之间差异的可能性,例如利用IKONOS影像进行最小距离法和ISODATA非监督分类竹林分类精度分别可以达到80%和60%以上[23]。20世纪末,人们提出基于监督分类的面向对象分类方法,该方法在高分辨率图像中的应用比普遍的面向像素分类方法具有更丰富的竹林分类依据,如颜色、形状、纹理、拓扑等都有助于充分挖掘高分辨率遥感影像中的细节信息[24]。Guo等(2009)在基于IKONOS图像的竹林信息提取中发现,相比于最佳迭代非监督分类和决策树方法,面向对象分类方法在高分辨率图像中具有一定优势[25]。为了避免面向对象分类中由于特征集过多引起的“维数灾难”,有研究人员在进行竹林信息提取中提出了相应的解决方法,如Relief算法中的Filter模型[26]。我国2010年启动的“高分专项”计划提升了面向对象分类依据其获取细节信息的能力,“高分”系列卫星数据在竹林信息提取中更加具有应用潜力[27]

      • 基于概率统计的机器学习有效地推动了遥感影像地物识别的研究进度[28]。以中、高分辨率数据为主,决策树分类、支持向量机以及随机森林分类器为代表的分类方法在竹林信息提取中得到了广泛应用。决策树分类从1999年出现相关研究,它借助竹林生长中的差异性并直观利用概论分析,逐步形成熵值,该方法能够根据不同地区竹林分布,物种生长状态和遥感数据类型的差异合理调整,可用于提取较大区域尺度甚至是全球尺度的竹林信息。如Y. TANIGAK等(2010)通过ALOS AVNIR-2A卫星图像使用最大似然法和决策树分类对日本的竹林进行监测[29]。随着数据集时序间隔愈加密集,决策树分类出现在更大尺度区域的竹林提取研究中。如崔璐等(2017)通过MODIS和Landsat数据,利用决策树结合混合像元分解的分类方法进行了中国全国大尺度的竹林遥感信息提取[30];Du等(2018)将最大似然法和决策树分类相结合,并根据各国分布,物种生长和遥感数据的差异调整阈值,提取了全球范围内竹林分布信息[31]。决策树分类往往能处理大量竹林特有的辅助特征,并包含多种不同类型算法,形成一个庞大的分叉树筛选体系,但是决策树分类更适合大尺度信息提取,而在中小空间尺度的高分辨率影像提取竹林信息中优势并不明显。

        在决策树分类的遥感应用出现之后,由于竹林分布特征的复杂性以及图像中可用特征数量增多,迫切需要新的方法应对分类过程中的多维性。从2002年开始,备受关注的支持向量机和随机森林分类的机器学习分类开始融入遥感图像信息提取中,它比决策树分类具有更佳的泛化性。Corinna Cortes和Vapnik在1995年的研究指出支持向量机算法受主观影响小,可以基于最小经验风险理论对影像进行分类,比非监督分类、最大似然法等传统分类方法更加适用于竹林信息提取[32]。为获取更详尽的竹林信息,支持向量机与随机森林法通常被用作对比研究,Breiman在2001年提出的随机森林法由bootstrap样本训练的决策树集成,在大数据中能够根据特征变量重要性进行调整,对决策树分类中的每个节点进行分裂并减少泛化误差,能够解决决策树分类中过度拟合引起的误差,它和支持向量机一样适用于竹林信息中高维度特征的分类[33]。2014年支持向量机运用于遥感影像国土监测的研究成果大增,其他方法也逐渐被引入竹林信息提取的研究中。如印度学者Ghosh等(2014)在使用WorldView2对印度西孟加拉邦竹林监测中发现支持向量机较之于随机森林分类具有更高精度[34]。但是基于不同的基础数据和研究区域,在竹林相关特征种类重要性程度不同且特征数量较多时,随机森林算法可以分解变量的数量,降低计算复杂度,而支持向量机在具有大量竹林观测样本的情况下效率较低[35]。严欣荣等(2020)在利用Sentinel-2A影像对滇西南地区的竹林遥感监测中发现,在反向神经网络、随机森林分类和支持向量机这三种方法中,随机森林总体分类精度最高达到90%[36]。由于机器学习算法的性能受到特征提取和方法选择的限制,机器学习在竹林信息提取中除了使用单种分类器之外,近年不少学者为了提高图像识别的灵活性将注意力转向了集成分类器,如常见的Bagging和Boosting分类器[37]。竹林信息提取方法的集成可以针对不同需求进行融合,得到的模型数据简单且信息丰富,例如将随机森林分类替换卷积神经网络中的全连接层(Fully Connected,FC)用于VHRRS图像中亚热带森林信息提取[38]。与传统的分类方法相比,随机森林分类和支持向量机通常能成功的从森林中识别出更加精细的竹林信息,这两者之间的拓展运用亟待深入。

      • 随着遥感图像分辨率的提高,可供竹林信息提取的遥感数据选择更加多样化。为充分利用获取的数据,多时相多源信息的应用是提高竹林信息提取的途径之一,基于物候学分类和基于纹理信息结构分类法的融入,突破了单一使用光谱信息的局限性,使得竹林信息提取更具多元化[39]。部分研究在1995年就将纹理特征和物候信息应用于遥感图像分类中,近十年来,国内外遥感技术的发展提供了高时空分辨率的遥感数据源,使得纹理特征和物候信息的挖掘空间增加,这些信息助推了竹林信息提取。植物物候现象在不同的时间周期中能够对气候变化做出快速响应,随着遥感数据的时间分辨率和空间分辨率的提高,物候学在气候变化和陆地生态系统的动态耦合关系研究中处于前沿领域[40]。竹林的物候现象成为竹林信息研究的突破口,而多时序的遥感数据则是竹林物候研究的数据支撑,NOAA系列卫星中的全球植被指数在1981年就投入到竹林物候研究中,但是数据的低分辨率限制了对地观测的精细程度[41, 42]。较之于低空间分辨率卫星生产的NDVI数据,同样具有高时间密度的Landsat系列数据在竹林监测中更加适用,从第一颗Landsat卫星发射开始已经成功收集了连续40年的对地观测数据,利于进行多时态表征[43]。如Liu等(2018)和Zhang等(2019)在分别对福建省和中国青岛市的竹林信息提取研究中皆得出,基于全季多时相特征集的分类结果明显比基于单季节特征集精度高[9, 44]。在过去的20年来,不乏竹林生长过程中物候学的研究能够为竹林信息提取研究提供参考,如印度学者Nath等(2008)对印度地区三种竹林两年期间鞘、叶和茎秆变化进行了记录[45],de Carvalho等(2013)绘制了亚马逊西南部地区中一个以竹子为主的原始森林中竹林的开花范围,推断了其生命周期长度,并描述了其开花的时空模式[46]。Li等(2019)通过研究制约竹林分布的关键因子预测了在未来气候条件的影响和制约下中国竹林的潜在分布[47]。将这一系列竹林物候研究与遥感数据相结合可以实现竹林信息的动态监测,将竹林相关物候指标,如归一化植被指数、归一化水分指数、增强植被指数、温度以及降水等作为特征因子,可以弥补影像信息单一的缺点。

        单纯使用光谱特征获取竹林信息容易将具有相似光谱的植被类型混淆,所以纹理特征通常作为另一个重要的辅助信息应用于竹林信息提取中,光谱信息和纹理信息的结合能够实现竹林信息有效提取[48, 49]。如今随着高分辨率影像获取愈加便利,具有详细的映射能力和监视复杂森林模式能力的纹理特征能够挖掘更多遥感影像中潜在的竹林信息。竹子的纹理特征较其他树种而言差异明显,纹理信息的加入比仅基于像素值分类具有更强的适用性[50]。20世纪80年代最初的纹理特征仅限于特定的纹理信息,如直线型以及粗糙度等,没有完整的定义以及参考模型[51]。在此之后,纹理特征的相关模型逐渐被提出,其中能够直观地观察研究对象并反映空间形状特征的灰度共生矩阵法常用于竹林纹理特征研究中,其具有14种纹理特征指标,如间隔、方向和变化幅度等,能够深入挖掘季节变化中竹林纹理特征值的变化并实现自动化分类[52, 53]。灰度共生矩阵的加入能够捕捉不同植被空间混合时所导致的复杂色调特征区域,Liu等(2018)在使用Landsat8影像对毛竹林的提取中,将是否加入灰度共生矩阵的分类结果进行对比,发现在云量较少的情况下使用纹理信息的分类结果精度普遍有所上升[44]。与具有中分辨率的Landsat影像相比,高级遥感产品获取的高分辨率影像的细节表述能力更能体现纹理在竹林信息提取中的重要性,如法国2002年发射的SPOT5卫星获取的遥感影像空间分辨率最高可达2.5 m,并且较短的重访周期使得其在重复观测中能够改进植被类型的识别能力,将SPOT5影像用于竹林光谱纹理信息的挖掘中,对竹林分类的精度可以达到95%以上[54]。纹理通过植被之间空间排列的关系,借助竹林不同季节生长的规律和特征以实现竹林信息监测,它是竹林信息提取中的一大“利器”。

        竹林信息提取的方法经过三个阶段的改进后,形成了较为完备的方法体系。在三个阶段的逐层进阶中,根据竹林信息提取的需求以及数据在不同方法应用中的灵活程度,对三种不同阶段方法的优缺点进行了总结(表1)。

        表 1  三种不同阶段方法优缺点比较

        Table 1.  Comparison of advantages and disadvantages of three different stages of bamboo forest information remote sensing extraction method

        方法优点缺点
        传统的统计识别模型 计算快速简便,可快速控制训练样本,调节分类精度;竹林信息提取中所需数据易获取;方法的可扩展性强。 竹林信息提取结果受限于样本数量,方法单一;受数据空间分辨率影响较大,易出现错分漏分现象,竹林分类结果精度较低。
        机器学习分类 方法的使用较为灵活,客观性较强;可自动化组织和拟合竹林有关参数,在图像中可用的竹林特征数量增多时,能解决计算时多维高维问题,提高分类效能。 当竹林有关特征样本较多时,计算量较大,计算过程需要大量内存;受竹林观测样本影响较大;大量模型会降低训练效率和泛化性,形成过度拟合的情况。
        多源信息复合分类 在多种竹林有关信息的融合下,结果精度较高;可弥补基于光谱信息的竹林信息提取中 “同谱异物,同物异谱”的现象;增添了遥感影像中竹林识别的多样性,避免了信息源的单一性。 计算复杂度较大;收集连续多时序遥感影像困难;需要进行大量实验选取有利于竹林提取的指标;当基于竹林纹理特征提取时,对影像空间分辨率要求较高。
      • 从竹林信息遥感提取方法的研究中得出,分类结果受时间和空间分辨率的影响较大,空间分辨率为10 m以上且时间分辨率高的影像得到的分类精度通常在90%以上,比低中分辨率影像提取的结果高出许多,但是高时空分辨率遥感数据获取较为困难。随着高分辨率对地观测系统中的时间和空间分辨率的提升,传统的Landsat系列等中分辨率遥感影像并不具备高分辨影像所拥有的复杂特征,在竹林信息提取中的优势逐渐被高分辨率影像取代[55]。如今世界上已经具有庞大的高分辨率影像遥感观测体系,其中包括国内的高分系列、资源系列卫星等,国外的Worldview、Quick Bird、SPOT卫星等,但是高分辨率航空遥感数据由于角度数据不足且尺度过于精细,只能适用于局部观测中。并且高分辨影像大多为商用,获取渠道少,难以得到大面积多角度的影像。如何利用少量高分辨率数据获得较多的竹林信息量来提高竹林分类精度的问题亟待解决[56]

      • 在过去竹林信息提取的大量研究中,大多侧重于光学遥感的研究,但是仅仅根据少数的波段特征,忽略树枝形状、种植间隔以及植被高度等不同所带来的植被差异,竹林的错分漏分情况时有发生,导致信息不完备。遥感卫星大多运用可见光探测地物,由于云层的穿透力不强,在天气复杂的研究区域竹林信息提取的结果受云层影响大。与光学遥感相比,微波雷达技术作为一项主动遥感新兴探测技术,具有传统光学遥感所不具备的优点,能够对竹林实现全天时全天候的观测,可用于竹林的垂直特征识别中,如树高、种植密度等[57]。现今雷达技术已经运用在不少植被识别及监测中,如森林中生物量密度测量[58]、估算树干和树枝的生物量[59]等。竹子树干光滑,在垂直面上有识别度,但是雷达影像在竹林信息提取中的运用较少,仅使用可见光和部分红外波谱组成的遥感影像缺少竹林的三维观测角度且受天气影响大,限制了竹林信息提取的精度,在竹林信息提取中亟须突破光学遥感的限制,从不同的数据源中实现较为完备的信息获取。

      • 在不同的林冠种类中,竹林通常被认为是一种下层植被,反射光谱多被林冠上层遮盖,冠层覆盖率不同、底层植被种类复杂以及竹林生长高矮不一等问题使得遥感影像中竹林分辨率低,无法准确获取下层竹林空间分布信息[60]。在竹林分类中需要一种基于遥感技术的方法来实现底层植被监测,以进行更准确的森林系统监测和生物多样性评估[61]。在林下竹类探测中,竹林物候信息和植被指数等都可以应用其中,如冬季可以作为衡量混交林区常绿林下竹林覆盖率的最佳季节[62]。除了物候特征,冠层的背景特征、竹林环境限制以及上层植被与下层林之间共生关系等特征都可以在竹林信息提取的研究中发挥作用[63]。如何突破影像表层信息的限制来获取林下竹林信息的问题亟需解决。

      • 目前采用传统的方法和遥感数据源完成大尺度、高精度、工作量较小的竹林信息提取研究困难重重,精度通常不能达到理想的状态。国内许多竹林信息提取的相关研究仅限于一个县城的面积大小,扩展到省以及国家尺度面积较少,且不能充分利用遥感数据所提供信息的最大限度,难以获取满意的分类结果。当需要提取的竹林范围过大时,不同区域气候、地貌、竹林种类、降雨量等因素之间的差异都会对构建竹林信息提取模型时参数的设置造成影响,并且大尺度高精度的遥感影像数据量大,影响提取效率。多种遥感数据的综合是解决大尺度竹林信息提取问题的有效途径之一,怎样从有限的遥感数据中获取大量的竹林信息且实现方法高度自动化是目前大尺度竹林信息提取的一大难题。

      • 近年来遥感对地观测系统越加完善,国内外传感器技术的发展迅猛,并且利用遥感系统进行竹林监测不再局限于可见光等信息,尤其是高光谱技术和激光雷达等新兴探测技术在的遥感系统观测中的应用逐渐加深。另外竹林信息提取的各类方法逐渐趋于成熟,各种方法之间相互交叉融合为竹林信息提取提供了新思路。为获取更加完善的竹林信息,竹林基础研究、传感器的改进、多源多时序数据的应用以及多种提取方法交叉融合都能够推进竹林信息遥感提取方法的发展。

      • 随着近年来竹林信息提取研究的区域多样性增加,不同区域中竹林生长状况和环境之间关系研究较为欠缺,竹林生长的地理环境以及物候特征等信息皆能提高方法选择的多样性,竹林的基础研究亟待深入。竹林分布形式复杂,研究竹林生长过程中影像色调和纹理的变化起着重要的作用,挖掘多时相图像中的物候信息对竹林的监测至关重要[64]。在竹林生长周期变化研究中,考虑气候、地形、土壤等辅助信息,能够拓展竹林信息提取的途径,有利于克服“同谱异物、同物异谱”的植被分类局限性[65]。随着竹林基础研究的跟进,在竹林信息提取中能够更加熟练的掌握竹林生长特性,并将其运用于影像的识别中,多源信息的复合分析能发挥更大的优势。

      • 竹林信息的提取技术与遥感技术的发展有较高的契合度,随着时间的推移各国遥感卫星源源不断地发射成功,国内外传感器数量和种类的增多有利于数据源的改善,推进竹林信息提取技术逐步走向成熟。在过去的40多年来,各类国际遥感计划在各国推出(如EOS、PO-EM、BOREAS等),成为传感器发展的推动力,推动国外传感器所获取的遥感影像空间分辨率从最初Landsat5的30 m上升到了如今Worldview3的0.31 m[66]。随着国内外对地观测系统突飞猛进,竹林信息提取中数据的选择日益增多,在互联网大数据的背景下,许多国家将大量中高空间分辨率的遥感影像数据(如MODIS、Landsat、Sentinel、ASTER等)进行了共享,竹林信息提取研究中数据的获取愈加便利[67]。美国、欧洲和加拿大等提供的高精度商用卫星也可以满足高分辨率条件下的竹林遥感信息获取需求,另外ALOS卫星搭载的雷达数据PALSAR、哨兵数据等也可应用于竹林信息提取与监测中。

        近20年来国内的遥感技术迅猛发展,自我国1999年第一颗自主遥感卫星发射以来,已成功发射近百个陆地观测卫星,拥有高分、资源、环境以及测绘四大系列[68]。我国民用卫星中资源三号系列卫星提供了激光测高系统,为竹林的立体测量提供了可能,2020年立项的资源三号系列第四颗卫星的计划发射可以满足基础竹林信息提取需求[69]。空间分辨率达到1 m的“高分”系列卫星也成为我国遥感界的新宠,它具备高光谱、高时密以及高辐射分辨率的优势可以为竹林信息的监测提供强大的数据支持[70]。商业卫星中已经发射成功的北京二号卫星和2018年以来持续发射的吉林一号卫星等都可以为研究学者提供精确、高效的提取数据源。除了传感器硬件本身的改进之外,遥感影像的校正方法以及多数据时空定量信息融合方法等也随着传感器性能的改进处于不断探索中发展之中,如多卫星传感器影像的Brovey融合[71]和小波双三次插值方法提高空间分辨率[72]等。传感器的持续发展将会为遥感数据库的搭建提供技术支撑,为竹林信息的提取提供可靠的数据来源,特别是在我国,随着遥感事业的跟进,数据的逐渐累积,从硬件和软件方面对数据源持续改进,竹林遥感信息的提取将得到进一步改善。

      • 由于单种数据具有时间和空间分辨率单一的局限性,为应对多尺度、多时相的竹林信息研究,多源长时序数据在竹林的植被监测中可以发挥重要的作用。高分辨率数据可以很好地提取竹林信息,但是提取区域范围小,数据计算量大,而低分辨率数据可以用于大规模植被监测,但是竹林与相邻植被之间的像素容易混淆,结果精度低。多源长时序遥感数据可以克服竹林相关数据集中时间、空间和光谱分辨率的不足,在竹林的动态监测中既能表现低精度影像中的宏观变化,也能保留高精度影像的空间细节[73]。为了获取多样的光谱波段,从2000年开始,高光谱数据逐渐出现在研究学者的视野中,利用高光谱数据波段多、光谱分辨率高和“谱像合一”等特点,可以根据需求选择适用于竹林的特征光谱,为多信息、高精度竹林信息提取提供了重要的手段[74, 75]。随着高光谱成像机制以及光学成像和衍射技术的发展,如中国中分辨率成像光谱仪(CMODIS)的星载成像光谱仪,目前许多新颖的光谱仪和技术都已运用在竹林信息提取中[76]。如程永刚等(2011)利用ASD Fieldspec Pro FR野外光谱辐射仪获取高光谱数据,基于非参数检验,利用支持向量机方法成功识别了不同的竹类[77]。张雨等(2013)使用Hyperion高光谱数据进行了森林信息提取,其中竹林信息提取精度达到了80%以上[78]。由此可见,多源长时序数据在大规模、综合性的森林资源监测中具有明显优势,在一定程度上提高了竹林信息监测的准确性。

      • 基于遥感技术提取竹林信息最初只是单一地运用模式识别模型(监督分类、非监督分类)进行分类,从2000年开始,经过对传统分类方式不断改进后,大量基于计算机技术分类方法的出现(支持向量机、决策树分类、神经网络分类等),使得图像分类技术实现了巨大的飞跃,多种方法之间的相互配合逐渐应用于竹林信息的提取中。相关研究表明,仅采用一种分类方法所得到的结果精度较低,并且不同方法所得结果精度差异较大。多数分类方法都是基于竹林在电磁光谱中的差异性进行分类,但大量已有研究中分类结果表明仅凭光谱信息无法准确将竹林与其他森林类型区分开来[79]。将常用的分类方法与多源信息结合通常能获得可信的结果,例如气温的上升与竹林生长高度的向上扩散有密切关系,地形也是影响竹类资源分布重要因素之一,所以多种环境因子可作为竹林信息提取的重要辅助条件[80, 81]。除了特征信息的加入之外,近十年来随着遥感影像分类方法的运用越加灵活以及方法多样性的增加,有不少学者建议将两种以及两种以上的方法综合地应用于竹林信息的提取中,提高了竹林分类精度,因此多种方法交叉融合的加深在竹林信息提取中具有良好的应用前景。

      • 竹林信息遥感提取方法经过多阶段的进展已经形成了多种适用的方法,能够满足竹林信息提取的基础需求。但是受到遥感数据精度的限制,无法从多角度去获得详尽的竹林信息,因此竹林信息的提取方法亟须加入新兴的遥感技术来应对更高精度要求。现今遥感技术的发展正是竹林信息提取方法的突破口,国内外近年新增的高光谱遥感影像以及雷达影像已经投入许多遥感信息的提取中,特别是我国陆地卫星的迅猛发展将形成逐年的数据积累为长时间序列的竹林信息研究提供支撑。遥感影像分类方法随着新一代信息技术的冲击在传统的分类方法基础上也有了一定的突破,机器学习算法的应用逐渐广泛以及纹理信息的获取和竹林物候特征的研究愈加全面,将多源信息和各种改进后的方法相结合以开展竹林信息提取研究更是如虎添翼。如今互联网大数据为竹林信息提取提供了海量的数据,但是现在针对竹林信息提取方法的研究较少,难以形成系统的方法体系,因此完善的竹林信息提取方法体系值得进一步探讨。

    参考文献 (81)

    目录

      /

      返回文章
      返回