在連年種植桉樹的區(qū)域選取了不同齡期及其生長特性的樣本點形成桉樹樣本集,并以Landsat 8為數(shù)據(jù)源進行樣本集NDVI等8種指數(shù)的統(tǒng)計規(guī)律性分析,構建了一種基于指數(shù)分布規(guī)律性的自動閾值決策樹分類方法,通過GEE平臺將該方法應用于研究區(qū)的桉樹林分類中,試驗表明:1)2013—2019連年種植桉樹樣本集的多種指數(shù)變化具有明顯的規(guī)律,各種指數(shù)每隔3年出現(xiàn)一次極小值,符合桉樹的種植-砍伐周期性;2)與隨機森林算法分類結果相比,自動閾值決策樹的分類結果精度提高了約4%,平均分類總體精度達到0.88,平均kappa系數(shù)達到0.83;3)利用谷歌歷史影像對自動閾值決策樹分類結果進行驗證,桉樹分布區(qū)域重合率達到88.4%。以上結論均表明本文提出的自動閾值決策樹分類法能有效實現(xiàn)桉樹信息提取。 

【文章來源】：林業(yè)資源管理. 2020,(04)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

各指數(shù)值域直方圖

利用GEE將樣本點隨機抽樣,按70%和30%分成訓練點與測試點兩組放入分類器進行桉樹提取。為驗證自動閾值決策樹分類對桉樹信息提取的準確性,利用隨機森林算法對相同的實驗數(shù)據(jù)進行桉樹信息提取,并將兩種方法的分類結果進行比較分析。整體而言,兩種分類方法較為一致(圖9、圖10),桉樹種植區(qū)主要分布在研究區(qū)四周,其中研究區(qū)西南側地形相對平坦,桉樹連片大規(guī)模種植;而在中部種植區(qū)域較為分散,桉樹多數(shù)分布在遠離居民地集聚地區(qū)的道路兩側。兩種方法所提取的桉樹種植信息與實際種植分布相一致,表明兩種方法均取得較好的分類效果。具體來看,2013年9月研究區(qū)桉樹種植規(guī)模較大,面積高達26.9km2,因2014年南寧出臺飲用水水源保護區(qū)內(nèi)禁止種植速生桉的政策,此后桉樹種植有所下降;2015—2017年種植面積相對穩(wěn)定,分別為23.1,25.3,24.4 km2;2019年桉樹種植面積增加,達到30.6 km2,但斑塊分布較為集中。圖9 2013—2019年研究區(qū)桉樹隨機森林分類結果

2013—2019年研究區(qū)桉樹隨機森林分類結果

【參考文獻】：
期刊論文
[1]基于GEE平臺廣西桉樹快速提取研究[J]. 盧獻健,黃俞惠,晏紅波,周呂,吳宸龍,周斌,羅樂.  林業(yè)資源管理. 2019(05)
[2]面向對象CART決策樹方法的濕地遙感分類[J]. 姚博,張懷清,劉洋,劉華,凌成星.  林業(yè)科學研究. 2019(05)
[3]江蘇水稻高溫熱害氣象指數(shù)保險風險綜合區(qū)劃[J]. 任義方,趙艷霞,張旭暉,王平,何浪.  中國農(nóng)業(yè)氣象. 2019(06)
[4]新疆精河縣生態(tài)變化評價及驅動力研究[J]. 王麗春,焦黎,來風兵,代鵬超.  生態(tài)與農(nóng)村環(huán)境學報. 2019(03)
[5]基于遙感生態(tài)指數(shù)的雄安新區(qū)生態(tài)質量評估[J]. 楊江燕,吳田,潘肖燕,杜海童,李金鹿,張利,門明新,陳影.  應用生態(tài)學報. 2019(01)
[6]一種基于高斯擬合的水生植被遙感分類閾值確定方法[J]. 閆大鵬,周興東,劉偉,羅菊花,芮佳,汪政輝,余悠然.  西安科技大學學報. 2018(05)
[7]面向水稻LAI監(jiān)測的植被指數(shù)土壤調(diào)節(jié)參數(shù)修正[J]. 謝京凱,王福民,王飛龍,張東尼.  遙感技術與應用. 2018(02)
[8]Google Earth Engine平臺支持下的贛南柑橘果園遙感提取研究[J]. 徐晗澤宇,劉沖,王軍邦,齊述華.  地球信息科學學報. 2018(03)
[9]面向對象隨機森林方法在濕地植被分類的應用[J]. 李方方,劉正軍,徐強強,任海成.  遙感信息. 2018(01)
[10]基于RGB-NDVI圖像的桉樹人工林區(qū)森林覆蓋變化年度監(jiān)測[J]. 周梅,李春干,代華兵.  南京林業(yè)大學學報(自然科學版). 2017(05)

博士論文
[1]基于高分辨率遙感的桉樹林空間異質性與尺度效應研究[D]. 張雪紅.南京大學 2012

碩士論文
[1]基于優(yōu)化光譜指數(shù)的草地生物量估算[D]. 安海波.內(nèi)蒙古農(nóng)業(yè)大學 2015
[2]支持向量機在遙感影像分類中應用的若干研究[D]. 季敏燕.南京林業(yè)大學 2011



本文編號：3565321