林业遥感技术
林业遥感技术范文第1篇
关键词：铜仁地区；大生态；林业遥感；研究动向；区域协调发展
中图分类号：P237
文献标识码：A 文章编号：16749944（2017）10020504
1 引言
森林是陆地生态系统的主体，其广泛的地表分布与复杂的林间结构，为多种生物栖息提供了良好的环境，维护着生态系统的安全与稳定。与森林有关的林木参数、环境要素、干扰等因子共同指向森林生态系统的演替、健康与安全，因此相关森林生态系统参数的获取十分重要。遥感可以多时相、大尺度对地进行观测，海量数据的利用有助于对生态环境状况进行综合分析。
铜仁地区森林资源十分丰富，在维护自然生态平衡中起着重要作用，良好的森林植被是铜仁地区的生态品牌、最突出的生态优势[1，2]。但铜仁地区森林生态系统仍十分脆弱，需要加强保护[3，4]。丰富的资源与脆弱的生态系统，亟需要获取相关的森林生态系统参数，用以突显地方特色和进行生态保护。
笔者总结了遥感在林业环境信息化中可供应用的技术范畴，分析了阻碍林业遥感快速发展的原因，提出了在大生态背景下，铜仁地区遥感技术应用应关注的研究方向与研究内容，用以深入开展遥感研究，充分利用遥感技术，为生产实践、区域吸引力提高提供科学支撑与方法，进一步利用遥感大数据，分析森林资源响应环境变化，为维护区域生态系统安全与稳定提供数据决策，促进区域社会与环境协调健康发展。
2 林业遥感技术的应用
2.1 技术产品
利用图像处理技术，可获取的林业遥感产品包括：二、三维电子影像产品，纸质影像产品，地形图产品，林相图产品，郁闭度、密度、植被指数产品，地表反射率产品，温度、湿度、负离子浓度反演产品，资源动态监测产品，灾害监测产品等[5，6]。此外，还可研发可视化的林业遥感参数数据库产品[7]。
2.2 森林参数反演
利用影像与野外实测值建立关系模型，可对森林的温度、湿度、空气负离子含量、叶面积指数、冠幅、郁闭度、密度、胸径、蓄积量、碳储量等进行反演[8～12]。在分类基础上，基于地理坐标信息确定不同林地类型的面积[13]。利用摄影测量方法测定个体树高，利用影像光谱信息、纹理信息，结合常规分类方法（最大似然、支持向量机、随机森林等）确定森林类型、树种类型，经影像分类或野外实测GPS坐标等方法确定林木的位置分布等[14～16]。
2.3 动态监测
采用不同时相的数据源，经特定信息提取，对土地的石漠化、荒漠化、沙化程度M行监测；影像对比分析，对土地利用现状进行监测[17]；提取湿地信息，经过不同时相数据源的叠加分析，可对湿地资源进行监测[18]；分析多时相影像，对林业生态工程建设成效进行监测[19]；对灾害（雪灾、火灾、水灾、地质灾害、病虫害）进行监测。监测中，根据遥感提供的技术方法，确定监测对象的原貌、现状、动态过程及发展趋势，为生态恢复或建设成效评价提供决策与分析依据[20]。
2.4 生物多样性空间信息共享
利用不同时空尺度的遥感观测数据通过定量反演等方法，可以获取许多与生物多样性有关的环境变量，例如：NDVI、地表温度、大气水分、土壤湿度等，这些环境变量可以为生态学家提供参考[21，22]。在对生物多样性监测指标体系模型中的环境变量进行分析时，利用地理信息系统可以将这些因素根据时空的变化统一在一起，通过其强大的空间分析功能，从空间的维度，挖掘生物多样性信息隐含的空间规律，为生物多样性的信息共享提供新的途径与技术支持，提高生物多样性领域的空间信息共享和服务水平[23，24]。
3 阻碍林业信息化发展的原因
遥感技术在林业信息化进程中具有广阔的舞台，但从目前的研究中可以看出，有许多需要通过遥感技术来解决的实际林业问题容易被搁浅，导致遥感技术在林业中的应用与大众的期望存在很大的差距。
3.1 数据价格问题
阻碍遥感研究的其中一个壁垒是价格因素。来自中国遥感数据网的资料显示，低分辨率的遥感卫星影像每景的价格上千元，而1 m高分辨率的遥感卫星影像每景的价格高达数万元，这样昂贵的价位使庞大的民用市场潜力难以发挥。遥感数据价格较贵，针对大尺度、多时相的研究，投入成本太大，影响相关研究，因此，在我国，遥感应用主要局限在公共事业部门和科研机构，遥感数据利用率、共享率和商业化水平较低[25，26]。
3.2 图像信息提取不易
由于遥感数据空间分辨率、光谱分辨率低及传感器在光谱、空间分辨率方面二者不能兼顾的问题，以及地物间同物异谱、异物同谱现象的存在，目前基于像元、基于对象的计算机自动分类方法很难实现对森林树种的识别。因此，在特定地物信息提取中，遥感技术还不能完全解决所有问题，存在技术瓶颈问题，为研究人员解决实际问题带来困扰，也提出了巨大挑战，在相当长一段时间内会制约着确切地物类型的识别[27～29]，比如森林树种分类。
3.3 自然因素导致影像不可获取
由于我国南方地区多云雨天气，阴天数比例过高，卫星过境扫描成像时会受到云层的干扰，想要获取特定时相遥感数据的机会大大降低。研究中，特定森林参数提取可能需要多时相的影像数据，但由于某期影像被云全覆盖或云的比例过高而不能使用，这样特定的森林参数就无法被提取，好的实验设计不能被执行，无法实现区域环境遥感监测，妨碍了专家学者通过遥感技术对森林环境进行深入研究。
3.4 其他因素
地区经济发展水平落后、研究人员的科研技术落后、创新理念薄弱、科研投入不足、科研管理等问题与原因都会导致林业信息化进程变缓，甚至停止不前。
4 森林环境遥感研究动向
林业遥感研究一方面要注重生态功能，研究结果要有利于保持区域生态环境的平衡稳定与安全；另一方面要突出特色，研究结果可展示区域环境魅力，增加旅游吸引力，促进区域社会经济的发展；更重要的是通过整合多源大数据信息，对区域生态环境变化的格局、过程、机理等进行研究，建立多学科遥感指标体系，通过模型预测区域生态环境的时空分布特征，为决策者利用自然资源、保护自然资源提供基础数据，促进人与自然和谐发展。
4.1 特定信息提取
树种的识别是林业遥感尚未解决的科学难题之一，亟需深入研究。铜仁地区森林资源丰富，可采用高分辨影像进行分类试验；另外对于珍贵的古树名木（古茶树、菩提树、楠木、红豆杉等）、珍稀濒危树种（银杏、珙桐等）、外来种等林木也要进行遥感识别研究，建立档案数据，实施长期监测，避免外来物种胁迫，致使当地物种灭绝。
通过遥感手段识别树种，确定特定树种的空间分布，进行动态监测，除了可以有力推进解决遥感技术识别树种的问题，还可减轻森林资源调查的工作量，具有重要的理论与现实意义[30，31]。
4.2 遥感监测
我国南方较容易发生的灾害有雪灾、水灾、地质灾害、病虫害等，这些灾害破坏森林环境，严重威胁着人民的生命财产安全，阻碍社会经济的可持续发展。通过遥感方法，准确预报灾害，实时监控灾情发展，为灾害的防控提供强有力的支持，也是环境遥感需持续研究与解决的重大问题。可从下面一些方向展开研究：利用遥感图像编制地质灾害分布图；研究识别不同遥感图像下不同规模、不同亮度或对比度的滑坡和泥石流的方法；三维建模模拟分析、雷达数据分析，监测水灾、滑坡活动可能达到的程度；建立遥感快速辨别森林病虫害监测的体系等。
4.3 环境要素遥感反演
对区域环境中的温度、湿度、空气负离子浓度等进行遥感反演，分析其时空分布与动态变化，生成遥感影像产品或动画影片。以科学研究结果为依据，分析确定最适宜于人体养生养心的温度、湿度与负氧离子浓度分布区，通过媒体宣传，增强科普力度，彰显区域特色，提高旅游吸引力[32，33]，引导游客进行养心养生旅游，有利于人们的身心健康，同时也有助力地方经济的发展。
4.4 多元数据的整合与应用
应用遥感机理结合环境变化的模型算法分析人类活动对区域气候变化的影响；利用RS与GIS相结合的生态环境分析模型分析人类活动、气候自然变化双重因素对生态环境的影响；应用“3S”技术，对因大型环境工程而受损的生态环境进行恢复和重建，模拟过程，评价结果。
通过对多源信息区域陆表生态过程响应因子的多学科理解与知识发现，以遥感信息提取和模型建立为基础，建立多学科的遥感指标研究体系，对区域生态环境变化的格局、过程、机理等进行分析，研究区域生态环境时空分布特征及其动态变化。
研l可视化的遥感产品，建立多时相区域林业遥感参数数据库，实现区域环境动态分析，预警环境变化。通过利用遥感的监测数据与其他环境要素变化建立关系模型，开发一些预测生态系统未来的模型，利用强大的机器学习能力，巨大的数据的搜寻能力，帮助决策者评估各种人类行动方案所产生的生态后果及补偿机制。
5 结语
在科学技术日益进步的今天，生态领域的大数据时代已经来临，生态观测将迎来“数据洪流”，如何处理与有效利用这些数据已经成为亟需解决的关键问题。林业遥感数据是生态领域大数据中的一类数据，该数据可提取、凝练大量与生态系统有关的森林参数，用以具体刻度区域生态环境的时空特征变化。
铜仁地区森林资源丰富、物种多样，拥有巨大的生态优势。在依托生态优势的发展过程中应充分利用遥感（或“3S”技术）等技术手段，监测环境变化，实现对区域生态环境的保护；确定珍稀濒危树种的遥感分布，绘制温度、湿度、空气负离子浓度时空图谱，彰显区域生态特色，增强旅游吸引力，为经济发展做出贡献；整合多元数据，分析生态环境时空变化，维护区域生态系统安全与稳定，促进区域社会与环境协调、友好、健康发展。
参考文献：
[1]穆 彪. 贵州森林旅游资源的类型特征及其区划[J]. 中南林业科技大学学报， 2011， 31（2）：103～108.
[2]张百平， 聂朝俊， 朱 军，等. 贵州省森林资源动态变化[J]. 地理研究， 2003， 22（6）：725～732.
[3]杨应权. 制定《西部地区生态平衡补偿法》刍议[J]. 贵州民族， 2011（13）：20～22.
[4]苏维词. 浅论喀斯特区域生态系统多样性[J]. 环保科技， 1996（1）：42～48.
[5]贺广均， 李 虎， 李家国，等. 生态环境遥感产品生产分系统架构设计与实现[J]. 微计算机信息， 2012（9）：252～254.
[6]宋宏利， 张晓楠. 中国区域多源土地覆被遥感产品精度分析与验证[J]. 农业工程学报， 2012， 28（22）：207～214.
[7]周 兵， 李家国， 吴贯锋，等. 面向遥感产品生产的可视化数据流模型[J]. 河南大学学报（自然科学版）， 2013， 43（1）：74～78.
[8]游世林. 海面气温、湿度遥感信息反演与提取[D]. 成都：电子科技大学， 2004.
[9]侯光雷. 吉林省中部地表温度和湿度的反演及空间分布[D]. 长春：东北师范大学， 2008.
[10]闫秀婧， 冯仲科， 马俊吉，等. 基于3S技术的小陇山林区负离子动态监测与预测研究[J]. 北京林业大学学报， 2008（s1）：133～137.
[11]王立辉. 神农架样区森林叶面积指数与郁闭度遥感定量反演研究[D]. 北京：中国科学院大学， 2013.
[12]张 超， 彭道黎. 基于PCA-RBF神经网络的森林碳储量遥感反演模型研究[J]. 中国农业大学学报， 2012， 17（4）：148～153.
[13]何彦然， 彭道黎， 李云霄，等. 基于不同抽样方案的三峡库区林地面积遥感监测研究[J]. 中南林业科技大学学报， 2015， 35（7）：50～56.
[14]刘怀鹏， 安慧君， 王 冰，等. 基于递归纹理特征消除的WorldView-2树种分类[J]. 北京林业大学学报， 2015（8）：53～59.
[15]刘怀鹏. 基于WorldView-Ⅱ数据的呼和浩特市绿化树种分类研究[D]. 呼和浩特：内蒙古农业大学， 2013.
[16]刘怡君， 庞 勇， 廖声熙，等. 机载LiDAR和高光谱融合实现普洱山区树种分类[J]. 林业科学研究， 2016， 29（3）.
[17]吴 薇， 王熙章. 毛乌素沙地沙漠化的遥感监测[J]. 中国沙漠， 1997， 17（4）：415～420.
[18]李建平， 张 柏， 张 泠，等. 湿地遥感监测研究现状与展望[J]. 地理科学进展， 2007， 26（1）：33～43.
[19]陈巧. 林业生态工程遥感监测关键技术研究[D]. 北京：中国林业科学研究院， 2013.
[20]莫伟华， 王君华， 钟仕全，等. 基于MODIS的冰雪遥感灾害监测与评估技术[J]. 林业科学， 2009， 45（10）：88～93.
[21]徐文婷， 吴炳方. 遥感用于森林生物多样性监测的进展[J]. 生态学报， 2005， 25（5）：1199～1204.
[22]方 彬， 陈 波， 张 元. 生物多样性遥感监测尺度选择及制图研究[J]. 地理与地理信息科学， 2007， 23（6）：78～81.
[23]徐文婷. 三{库区森林植被生物多样性遥感定量监测方法研究[D]. 北京：中国科学院遥感应用研究所， 2004.
[24]梁大双. 森林植物多样性遥感监测应用研究[D]. 北京：北京林业大学， 2011.
[25]谭炳香. 新世纪遥感与林业信息需求[J]. 遥感信息， 2002（2）：32～37.
[26]孙 华， 林 辉， 莫登奎，等. 高分辨率遥感影像在林业应用中存在的问题与思考[J]. 湖南工业大学学报（社会科学版）， 2005， 10（5）：24～27.
[27]王 蕾， 黄华国， 张晓丽，等. 基于知识规则的马尾松林遥感信息提取技术研究[J]. 北京林业大学学报， 2007， 29（3）：124～130.
[28]郜丽静. 生态环境专题要素的多层次遥感信息提取方法研究：以水体提取为主要案例[D]. 北京：中国科学院遥感应用研究所， 2009.
[29]蔡玉林， 孙国清， 庞 勇，等. 林分因子遥感定量提取技术中的后处理[J]. 测绘与空间地理信息， 2006， 29（5）：33～34.
[30]徐应华， 张华海， 杨帮华，等. 贵州现存古树名木分布特点研究[J]. 四川林勘设计， 2006（4）：15～19.
[31]张华海. 贵州珍稀濒危植物地理分布研究[J]. 种子， 2009， 28（6）：68～72.
林业遥感技术范文第2篇
关键词：遥感 森林资源 调查
遥感作为获取地球表面时空多变要素的先进方法，是地球系统的科学研究的重要组成部分，是对全球变化进行动态监测不可替代的手段。利用遥感技术进行森林资源管理、抽样调查、航片判读、监测森林火灾和病虫害有十分重要的意义。20世纪70年代末至80年代初，许多林业先进的国家把航天遥感用于森林资源调查和森林灾害监测。林业遥感具有宏观性、获取信息快、重复周期短和成本低等特点。航空遥感已成为森林调查和灾情监测的必要手段。航天遥感已在全国性或大面积林区的森林资源清查和灾情监测得到应用，都具有广阔的发展前景。
1、遥感技术的分类
按遥感平台的高度和特点，一般分为航天遥感、航空遥感、近地遥感。①航天遥感。又称卫星遥感。指轨道高度在100000米以上的人造卫星、航天飞机和天空实验室等遥感。由于轨道高度和遥感对象不同，遥感器的地面分辨率和可能识别的地物大小也不同。例如，用于监测大气活动的气象卫星所获取的遥感图像的地面分辨率为1.1～1.4公里；用于资源勘测与环境监测的陆地卫星或资源卫星为20、30、80米不等；适用于资源详查和城市、海岸带研究的回收型卫星或航天飞机一般可达 5～10米。②航空遥感。利用飞机携带遥感仪器的遥感，包括距地面高度600～10000米的低、中空遥感和10000～25000米的高空、超高空遥感，可获取分辨率很高、波谱信息很丰富的照片或扫描图像。由于航空遥感继承并发展了航空摄影测量学的原理和方法，因而具有较高的定位精度和编制大比例尺系列专题地图的功能。但是，航空遥感覆盖的地区较小，技术处理过程较复杂，生产周期较长，主要适用于城市管理、工程设计、污染监测和灾情调查等方面。③近地遥感。指距地面高度在1000米以下的系留气球（500～1000米）、遥感铁塔（30～400米）、遥感长臂车（8～25米）等的遥感，主要用于对大气辐射订正和光谱特性测试，以辅助高空遥感器的波谱选择、辐射订正和为图像判读分析提供参考。遥感铁塔还可用于海面污染和森林火灾监测。另外，有火箭和高空气球遥感，这些一般只作为一种辅助手段，以快速获取短暂的局部性的大气或地面信息。
按电磁波的波谱范围，遥感可分为可见光遥感、红外遥感、紫外遥感、微波遥感、超短波遥感和多谱段遥感。①可见光遥感。用分波段照相机或用多波段扫描仪采集0.34～0.76微米波段的信息。主要用于立体摄影测量、资源调查、军事侦察等。②红外遥感。指利用波长0.76～3.0微米的近红外和波长3.0～15微米的远红外波段的遥感。红外遥感对地表热力场和植物叶绿素含量特别敏感，温度分辨率可达0.1～0.2℃。用于城市热岛、温泉、海面温度、埃尔尼诺现象、海洋中的淡水涌泉、海冰、积雪、冰川和湖泊的观测，以及森林、草场、作物长势的分级和湖泊富营养化、海面赤潮、海洋初级生产力的估算等。③紫外遥感。利用波长0.3～0.4微米的紫外波段的遥感，主要用于大气和海洋温度场的探测。④微波遥感。利用 1～1000毫米波段的遥感。具有全天候工作和穿透云层、干冰、沙漠和植被的功能，但空间分辨率低。可用于地质勘探、资源调查等。⑤多谱段遥感。利用几个不同波段范围，同时对某一地物或地区进行遥感，对获得的信息加以组合，以获取有关物体的更多的信息。⑥超短波遥感。利用超短波的 α射线和X射线的遥感。如拖曳于海底的α射线探测仪，用于海底沉积和基岩剖面的探测。⑦激光遥感。用于大地测量的卫星定位、活动断层地形变化和 40～200米以内水下地形的测绘等。
2、林业遥感的应用范围
20世纪20年代开始试用航空目视调查和空中摄影；30年代采用常规的航空摄影编制森林分布图；40年代航空像片的林业判读技术得到发展，开始编制航空像片蓄积量表；50年展了航空像片结合地面的抽样调查技术；60年代中期，红外彩色片的应用促进了林业判读技术的进步，特别是树种判读和森林虫害探测；70年代初，林业航空摄影比例尺向超小和特大两极分化，提高了工作效率，与此同时，陆地卫星图像在林业中开始应用，并在一定程度上代替了高空摄影；70年代后期，陆地卫星数据自动分类技术引入林业，多种传感器也用于林业遥感试验；80年代，卫星不断提高空间分辨率，图像处理技术日趋完善，伴随而来的是地理信息，森林资源和遥感图像数据库的建立。抽样调查中，观测和调查的单位是单元。单元的集合体称总体。总体的范围可以大至全国，小至一个林分。总体和单元的划分关系到调查成本，乃至调查的成效。为了获得部分单元的观测值，用以推断总体，先要抽取部分单元组成样本。这些组成样本的每个单元称样本单元。样本单元的基本形式有样地、样木、样线和样点，常被用作调查方法的名称，如带状样地调查，点抽样等。
2.1 森林经理调查
运用航空像片按调查因子判读（见航空像片森林判读）勾绘小班轮廓，估测小班蓄积量。常用的方法有：①典型选样法。在像片上选取足够数量有代表性的样点，然后持像片到样点实测各项林分调查因子，计算出小班各因子的平均值和蓄积量；②样地实测法。在勾绘的小班内设置带状或方形样地，进行每木检尺，然后计算样地和每公顷蓄积量；③分层抽样法。根据航空像片上林分影像特征进行分层（即分类型），判读勾绘分层小班，应用分层抽样法（见森林抽样调查）估测总体森林蓄积量；④像片判读与实测回归法。即利用航空像片判读蓄积量与地面实测蓄积量进行回归估计；⑤多元回归估测法。选择影响森林蓄积量并能在航空像片上判读的各种数量因子，建立多元线性回归方程，然后根据小班判读因子估测小班蓄积量。
2.2 森林火灾和病虫害探测
利用遥感技术可以观察火灾发生条件，有利于尽早发现火情，以便及时采取预防救灾措施。主要包括下列内容：①森林火灾等级划分。即为调查森林火灾在地域上分布的特点而进行的大区域宏观分类。可根据森林植被、气候状况及火源分布，利用卫星图像目视判读划分；也可利用近红外波段影像对林区水热分布状况反应比较灵敏的特性，应用电子计算机数字图像处理，提取植被、气候和火源分布的信息划分火险区。最后根据所获得的有关森林植被易燃性能、燃烧环境的和火源密度等信息，综合确定火险等级，编绘森林火灾危险分类图。②森林火灾探测。应用分辨率较高的双通道红外扫描探测仪探测火情，仪器上采用3～4微米和8.5～11微米两个波段探测装置，可从5000米高空探测到0～50℃森林背景中0.09平方米的600℃火场目标，既能探测林火，又能扫描成图显示火情图像。将仪器安装在森林防火巡逻的飞机上，可以监视森林火灾的蔓延发展情况，能够发现地面上直径6米的火情，以至地表下腐殖层里的火情。③森林火灾损失调查。森林植被火烧以后，地被波谱发生变化，在陆地卫星多光谱图像上就会发生与正常林地不同的异常反映。火烧迹地吸收红光不反射红外光，因此在0.5～0.6微米波段的图像上偏淡变浅，而在近红外0.7～1.1微米波段的图像上又比正常林地偏黑。在实际工作中使用这两个波段图像配合判读分析，不但可以正确识别火烧迹地的位置和轮廓，还能估计火烧迹地年龄，绘制火场和森林火灾强度图。
森林病虫害探测 受害林木和正常生长林木比较，在光谱反射率和温度方面都会发生异常现象。因此可用航空光谱辐射计和红外辐射计加以探测。如松树病虫为害中期的针叶内部结构被破坏，叶绿素减少、针叶变黄，或因叶肉含水减少，针叶干枯萎缩，在可见光波长范围里（0.45～0.55微米）针叶的光谱吸收就减少，而光谱反射率增加。这样，从不同长势的松树光谱反射曲线图上（见图），就可发现受害和健康树反射特性曲线的明显差异。在病虫害初期，针叶内部和叶绿素含量发生变化，则会在近红外波段里（0.7～1.3微米）发现受害松树的光谱反射率较低，也可在彩色片或彩色红外片大比例尺和特大比例尺航空像片上，早期探测到病虫灾害，甚至可从这种影像上统计受害株数，划分受害程度。现在已可利用卫星上安装的高分辨率红外扫描仪和多光谱扫描仪对同一地区进行重复探测以比较灾情发展情况，可比目测提前几天至十几天发现病虫害。
林业遥感技术范文第3篇
关键字：土地利用、动态变化、遥感技术、动态监测
中图分类号：P285.2 文献标识码： A
0 前言
土地资源是重要的生产资料，是人们赖以生存和发展的基础。近年来，随着全球人口的不断增加,经济的不断发展，土地资源超量开发，人类生存环境受到了严重的威胁，土地利用/土地覆盖变化已经成为影响全球环境变化的一个重要原因。1993年“国际地圈与生物圈计划”(IGBP)和“全球变化人类影响和响应计划”(HDP)共同将土地利用/土地覆盖变化(LUCC)列为全球变化研究的核心计划[1]。土地利用/土地覆盖现状既反映了过去土地利用历史，又强有力地影响着未来的土地利用方向，因此及时掌握土地利用变化信息已显得非常重要。遥感技术以其快速、准确、准时、周期性短等优点在土地利用/覆盖变化的动态监测中显示出明显的优势，在国内外得到了广泛应用。综合国内外学者的研究成果，现将遥感技术在土地利用类型调查中的研究方向从以下方向进行阐述。
1遥感图像的选择
1.1最佳时相的选择
正确选择遥感图像能大大提高解译的速度和精度。其中时相是反映遥感图像特征的重要因素之一。以植被景观为例进行研究，关于植被景观遥感最佳时相的选择，张银辉等指出不同时相遥感图像的选择对分类精度具有很大的影响，因植物物种、长势及生长阶段等不同而在遥感图像上有不同的光谱表现形式[2~3]。邹尚辉[4]根据植物光谱的种间变化及物候变化和太阳高度角对植物光谱的影响，研究了湖北省及北亚热带植被分类的最佳时相选择问题，指出最佳时期主要集中在4月下旬至5月中旬和10月下旬至次年3月下旬。程弘等[5]通过对TM影像在甘肃省白龙江林区(总面积56.8’万ha)森林资源调查中的应用实践，将遥感图像识别的最佳时期定为秋季和春季。姜晓华等[6]探讨了应用两期遥感数据目视解译调查新伐区的方法，以及所用数据的最佳时相，指出调查新伐区最理想的时相是8、9月份。林辉[7]以山东、河南、江苏、安徽的平原地区为例，结合生产实践对TM图像在森林资源清查中应用的处理问题作了探讨.并指出其时相选择最好在10月中下旬及11月上旬，而山区的选择，较为理想的则是4月、5月、10月、11月。一般时相的选择应在林木生长较为旺盛的时期，但这只是一个总的原则，还要根据不同地区、不同清查需求而定。杨朝俊等[8]概述了植被调查中利用遥感技术的最佳时相的选择，分析了四川森林植被的特点及其遥感干扰信息的物候特点。根据影响遥感时相选择的平台、太阳高度角和代表光谱等因素，针对四川不同地区森林植被遥感识别的特点，按照5个区域提出了四川森林植被遥感识别的最佳时期，主要集中在10月下旬至3月下旬。以上学者分别对不同研究地点的最佳时相进行了研究，最佳时相的选择除受遥感平台、太阳高度角和代表光谱等因素影响外，受地理位置和植被的特性影响也较大。因此，最佳时相的选择具有一定的地域性和特定性。同时，也有学者将最佳时相的选择，用于对农作物的分类，也得出了相同的结论[9~10]。
1.2图像类型和比例尺的选择
目前对图像类型的选择和比例尺的研究还不太成熟，没有统一的定论。张银辉等以对土地利用与土地覆盖的研究为例，指出大区域范围研究一般采用低分辨率的大尺度图像(如:NOAA/ AVHRR 1km数据)，局部区域的土地利用调查一般采用高精度高分辨率的MSS图像、TM图像、SPOT图像或它们之间的结合等。姜晓华等除确定遥感判读的最佳时相以外，又将采伐区目视判读用图的最佳比例尺定为l:2.5万。
2解译范围在遥感图像上的定位
准确界定研究区的范围是遥感在土地利用类型提取中的首要工作。林桂兰等[11]以厦门市饮用水源中的北溪引水渠(管道)和坂头水库为例，根据饮用水源保护区划分原则，研究了基于数字化的地形图建立数字高程模型并自动生成汇水区盆地和流域范围的GIS技术、获取相关自然环境专题信息的遥感技术、以及综合利用社会和自然等多种数据源进行保护区范围界定的方法。利用GIS技术对区域界定确属一种精度较高的方法，但遥感图像的数据量一般都很大，少则几百兆，GIS软件很难处理如此大的图像数据。再者，利用GIS软件进行影像区域界定后，能被遥感判读软件如 Erdas Imagine分析的文件类型十分有限，导致图像的精度明显降低，甚至不能满足需要。
王小龙等[12]采用相似三角形原理，结合海岛多年的潮汐分析，在高分辨率遥感数据的支持下，可以比较准确地确定海岛潮间带范围，特别是对于分辨率为lm左右的IKONOS和 Quick Bird图像，提取结果保持了较高的一致性。使用该种几何方法对研究区域进行界定，虽然取得了较好的效果，但是此方法对图像资料的要求比较高、成本也较高，故也具有很大的局限性。
陆海英等[13]在ArcGIS和 Erdas Imagine软件的支持下，综合考虑建筑物的物理特性和光谱特征，以及城市扩展的规律，将遥感数据、城市建成区边界以及行政边界图叠置起来进行提取，该方法使用方便，操作简单，判读精度也比较高，是对生态旅游地范围精确界定问题的发展和完善。但特别注意的是必须使遥感影像与地形数据、行政区等矢量图层具有一致的坐标系统。
3几种土地利用类型的遥感采集技术
3.1常见的遥感解译方法
刘玉萍[14]以遥感的功能为基础，阐述了遥感目视判读在土地利用类型划分及森林生态变化监测评价研究中的应用和方法，应以常规法和遥感相结合。为森林生态系统恢复提供依据和决策支持。张飞等[15]主要是对遥感影像进行非监督分类，分类后采用合并类、上下文分析、聚类处理等，如果发现精度较低则再次进行解译，再评价，直至获得一个符合精度要求的非监督分类影像。田静毅等[16]采取监督分类和目视解译相结合的方法判读遥感影像，提取土地利用类型预解译图。在室内完成的图件往往存在错误或者难以确定的类型，需要进行野外实地调查与验证。全斌等[17]采用人机交互式解译并结合自动分类对2001年 Landsat TM影像进行解译。张玉进等[18]根据2001年野外实地考察的经验，采用最大似然分类法对上述3个时期的遥感影像进行监督分类，实际操作在软件PCI下进行，最终分类精度均在85%以上，符合研究所要求的精度.吴泉源等[19]利用多期遥感数据，采用目视解译和人机交互计算机分类技术提取 1984至2004年间龙口市海岸带土地利用信息，从土地利用总量变化、土地利用变化速度、土地利用类型之间的相互转化、土地利用类型变化的海岸区位效应等方面分析龙口市海岸带动态变化特点。梁伟等[20]据 1975年的Landsat MSS、1986年和 1997年的1月 Landsat TM影像资料，运用遥感影像计算机自动分类方法获取土地利用信息，用GIS空间分析方法以及数理统计方法全面分析了黄河中游多沙粗沙区1975~1986年和1986~1997年两个时期内各土地利用类型的变化幅度、变化速度、数量变化的区域差异、变化方向以及变化方向的区域差异等。
3.2 高分辨率图像的遥感解译方法
田建林等[21~22]利用Quick Bird影像数据进行土地利用类型调查过程中采用计算机图像预处理与人工目视判读的方法获取相对准确的土地利用类型信息。也利用高分辨率卫星遥感影像代替航空遥感影像进行土地利用现状调查。主要采用目视判读和外业调查的方法来完成遥感图像的判读。目视判读的难点是对易混淆地类和森林类型的判读，包括草地与农田、灌木丛与果园地、经济林与用材林、陡坡地与常年早地等。通过适当的前期图像处理，以建立解译标志为基础，采用综合的判读方法可将上述类型大部分判读出来。
3.3 遥感解译与其他知识相结合的方法
刘云等[23]借助TM遥感影像采用两种方法来解译北京昌平沙河区景观土地利用：其一是利用TM影像的4、5、3波段的假彩色合成来该地区的土地利用解译；其二是借助TM影像3和4波段计算的NDVI来判定土地利用，并与土地统计数据对比，结果表明第一种方法解译城郊景观的土地利用类型效果较好，而第二种方法对有植被覆盖的土地利用类型解译较好。李爱农等[24]针对我国西南地区地貌类型复杂、土地利用多元化的特征，着重研究了在大面积的土地利用调查中应用遥感图像自动分类方法来获取土地利用信息的一整套技术路线和方法；将非监督分类、监督分类以及野外调查、专家知识和特殊地区的分区分类有机地结合起来，大大提高了可操作性和分类精度。李春华等[25]以福州市琅歧岛土地覆盖/土地利用类型为例，以遥感影像解译知识为基础，使用TM、Aster的融合影像和NDVI生成的植被覆盖度影像，并结合DEM、土地利用等地理辅助数据，将DEM和NDVI因子作为待分类影像的波段加入其中，构成新的待分类影像，运用Bayes分类方法，通过循环迭代的方法消除先验概率对分类精度的影响，实例证明比运用单一的分类方法精度明显提高。张春桂等[26]应用新一代对地观测卫星EOS的MODIS数据，在地理信息系统的支持下，对2001~2005年福州地区不同地表类型的归一化植被指数年际动态变化进行计算分析，在此基础上开展福州地区土地利用/覆盖变化的监测研究，并初步分析了土地变化的驱动力。结果表明：基于MODIS的归一化植被指数对区域土地利用/覆盖的年际变化反映是敏感的，应用MODIS数据可以监测区域土地利用/覆盖变化的空间分布和面积大小。
参考文献：
[1]焉莉.基于3S技术的西部石羊河流域土地利用/土地覆盖变化研究[J].地质与资源,2003,12(3):188-192.
[2] Gralldell J.Subpixel land use classification and retrieval of forest stem volume in the boreal forest zone by employing SSMP/I data [J]. Remote sensing of Environment.1998,63:140~154.
[3]张银辉,赵庚星.土地利用/土地搜盖遥感分类方法的研究综述[J].中国农业资源与区划,2002,23(3):21~25.
[4]邹尚辉.植被资源调查中最佳时相遥感图象的选择研究[J].植物学报,1985,27(5):25~31.
[5]程弘,李福林.航天遥感技术在森林资源调查中的应用研究[J].甘肃林业科技,1995,(2):l~6.
[6]姜晓华,韩爱惠,党永峰.应用两期遥感数据目视解译的方法翻查采伐区―以大兴安岭松岭林业局为实验区[J].林业资源管理,2001,(4):60~63.
[7]林辉.林业遥感图像处理点滴[J].云南林业调查规划设计,2001,26(l):40~41.
[8] 杨朝俊,胡庭兴,梁玉喜.四川森林植被遥感识别最佳时相的选择[J].四川林业科技,2005,26(5):68~71.
[9] 李国靖,台社红.北京地区农业卫星遥感数据时相选择[J].中国农业资源与区划,2004(4):40~44.
[10]汪逢熙.棉花遥感识别的最佳时相及地面模式[A].环境监测与作物估产的遥感研究论文集[C].北京:北京大学出版社,1991:86~91.
[11]林桂兰,庄翠蓉,孙飒梅,等.水源保护区划界的遥感与GIS技术研究[J].遥感技术与应用,2002,17(2):99~103.
[12]王小龙,张杰,初佳兰.基于光学遥感的海岛潮间带和湿地信息提取―以东沙岛(礁)为例[J].海洋科学进展,2005,23(4):477~481.
[13]陆海英,杨山,张婷,等.基于遥感的城乡结合部地域范围界定研究―以无锡市为例[J].南京师大学报(自然科学版),2004,27(2):98~102.
[14]刘玉萍.RS技术在编制土地利用类型专题图件中的应用[J].内蒙古林业调查设计,2002,25(4):38~39.
[15]张飞,塔西甫拉提.特依拜,孔祥德等.干早区绿洲土地利用景观空间格局动态变化研究[J].资源科学,2006,28(6):167~174.
[16]田静毅,林年丰,王立新,等.秦皇岛市水土流失遥感调查与监测闭.安徽农业科学,2006,34(16):41~43.
[17]全斌,朱鹤健,陈松林,等.遥感技术在区域土地利用/锁被变化中的应用[J].中国土地科学,2006,20(2):39~43.
[18]张玉进,肖继东,袁春琼,等.基于卫星遥感的区域土地利用/覆盖变化研究[J].新弧气象,2004,27(3):16~19.
[19]吴泉源,侯志华,于竹洲,等.龙口市海岸带土地利用动态变化分析闭.地理研究,2006, 25(5):921~930.
[20]梁伟,杨勤科.基于Rs的黄河中游多沙粗沙区土地利用变化分析[J].水土保持研究,2006,13(5):臾卜92.
[21]田建林,雷平,石军南.QuickBird影像目视判读在土地利用类型调查中的应用研究[J].四川林刊设计,2006,(l):45~48.
[22]金文.区域土地利用/土地覆盖的遥感调查[J].上海标准化,2004,(6):54~56.
[23]刘云,赵群,寇明军,等.基于TM影像的城郊景观土地利用初步研究[J].遥感技术与应用,2005,20(6):563~568.
[24]李爱农,江小波,马泽忠,等.遥感自动分类在西南地区土地利用调查中的应用研究[J].遥感技术与应用,2003,18(5):282~286.
林业遥感技术范文第4篇
20世纪90年代，NASA经过统计发现：全球33%的土地为森林覆盖，90%的生物量来自于森林，65%的净初级生产量也来自于森林。随着全球人口不断增长，森林资源持续减少，所以及时、准确地获取全球森林资源变化的信息显得极其重要。但从传统的方法得到的数据中获得这些信息往往不能一直保证准确性，而应用遥感的技术方法却可以满足这方面的需求：如利用AVHRR数据就可以获得这些信息。人类从未间断过对森林资源的研究，遥感利用电磁波的微观信息来探测我们周围空间的客观规律，并由此及彼成为人类认识物质的运动形式与能量交换规律的一种现代化手段。为地球资源调查与开发——国土整治——环境监测以及全球性研究提供了一种新的探测手段。自20世纪60年代遥感技术发展起，遥感技术被积极地应用到森林资源研究中。
1 森林遥感概述
森林遥感是遥感众多应用中的一种，有着其特定的规律，表现为遥感技术和林业学科的结合，需要物理、数学、计算机、林学、地理和测绘多学科的支持。在森林资源应用中，已显示出很大的优越性。自20世纪70年代末，中国林业工作者开始了一系列有关航天遥感技术应用于森林资源的研究。经过20多年的发展，这项先进的技术被引入到森林资源研究中的各个领域，充分展现了其在森林资源应用中的巨大生命力。
2 森林生态研究应用
2.1 森林生物量估测
森林植被具有最广泛的分布面积、最高的生产力和最大的生物量累积。森林生态系统的生物量与碳储量对陆地生态系统的碳循环，吸收和固定大气中的CO2，维护大气成分的平衡起着极为重要作用。随着遥感技术的普及，利用遥感技术和地理信息系统等先进手段可以测定从林分到区域等不同空间尺度的森林生物量。生物量的遥感估测是利用红波段和近红外波段的组合即植被指数(Vegetation Indices)和叶面积指数(LAI)及植被覆盖度等的关系，推断出植被指数与生物量之间的关系进而求得生物量。目前人们通过卫星、雷达等传感器对森林资源进行调查，从而形成了多种遥感数据，将其应用于森林生物量的估算，大大提高了估算的精度和效率，并且不会对生态环境产生破坏。徐天蜀利用遥感数据与GIS相关地形因子信息，结合地面调查数据建立多元回归模型用于估测森林生物量，效果十分理想；Santos等利用了遥感技术估算了巴西热带雨林的生物量；Dong 等[10]利用遥感数据估计了温带及寒带的森林生物量，并对其碳源或碳汇功能做了评价。
目前，雷达遥感方法已为生物量的估测提供了最大的保障，总体而言主要有4种：（1）简单雷达截面法；（2）Dob-son法；（3）Ranson法；（4）Kasischke法。在应用这些方法对生物量进行估测时，存在以下几条相关关系：（1）树干生物量是树高和基本面积的函数；（2）树干生物量是树枝生物量的函数；（3）树冠生物量，树干生物量和总生物量是树枝生物量的函数。在各种生物量估测中， LHV（L-band, Horizontal transmit, Vertical receive）是最重要的参数，其他通道的SAR数据，如CHH (C-band, Horizontal transmit and receive)、CHV (C-band, Horizontal transmit, Vertical receive)则对于改变生物量的估测较为有利。
应用多时相的遥感数据和GIS技术相结合，能实现区域甚至全球尺度不同生态系统的动态监测。Prince等认为地上生物量与植物生长季节内最小的可见光反射率存在着负相关，并建立了生物量遥感估算统计模型。Hame等结合地面调查和TM、NOAAAVHRR遥感数据，成功地估算了欧洲森林生物量。Austin首次利用JERS-1 SAR数据探测了澳大利亚桉树林的生物量，结果表明，在考虑地形、地表水和森林结构的情况下，雷达遥感数据能够精确地估测桉树林生物量。
2.2 森林动态变化监测
森林生态系统是由植物、动物、微生物等组成的结构复杂、功能稳定、生物量巨大的生态系统，探讨森林生态环境的动态变化、功能变迁，需要整个生态系统在不同空间、时间上的变化资料。传统的森林资源清查的周期为5~10年，由于调查周期长，前期已经完成的成果不能准确反映森林资源的现有情况，不能满足森林资源管理的需要，亟待更新。为加快进度，同时又保证精度，需要充分利用遥感技术宏观、综合、快速、动态、准确的优势，实现对森林资源的现代化管理。
遥感技术主要用于森林资源的调查和动态监测，编制大面积的森林分布图，对宜林荒山荒地进行立地条件调查，绘制林地立地图、土地利用现状图和土地潜力图等，测算各类土地面积，进行土地评价。遥感应用于“三北”防护林综合调查，2年时间查清了占全国60%面积的“三北”地区森林、土地、草场等再生资源的数量，并对其生态环境进行了评价。我国利用遥感技术已开展了多项草地资源的调查、监测和资源评价，如2003年完成的全国草地资源动态监测工作，建成了1∶50万比例尺的草地资源数据库。把地面调查数据同时间空间不断变化的遥感图像结合起来，使森林资源遥感监测技术从图像和图形处理上升到一个立体化、多元化综合分析处理的阶段，这也是遥感技术发展的一个趋势。
目前人们逐渐认识到，全球变暖与CO2气体在大气聚集的数量密切相关。由于大部分的CO2气体的吸收和转化，主要靠森林的生态系统来实现，大气中CO2气体的含量增加说明全球的森林状况发生了很大的变化，而这种变化在高纬度地区显得尤为突出。在加拿大接收站和阿拉斯加SAR实验室收集的ERS-1 SAR数据为研究该地区森林生态系统提供了便利。用ERS-1 SAR图像来研究北方森林，主要是研究森林生长季节的长短如何影响各季节CO2的变化，以及北方森林的火灾如何影响生物有机碳的释放。由于高纬度地区长年被云层覆盖，利用优势更加明显的成像雷达监测森林冰冻和融化的过程，可以测量出生物季节的长短。
2.3 森林生态环境评价
森林生态环境是全球生态系统的重要组成部分，区域生态平衡不断遭到破坏，生态环境逐渐恶化，已成为制约我国国民经济可持续发展的重要因素之一。遥感技术的应用，为适时、准确地把握森林生态变化提供了可能。
张娜等建立了基于景观尺度上描述了一个反映系统碳循环和水循环的生态系统生产力过程模型(EPPML)，该模型以遥感影像为数据源，从中获取影响植被生产力的重要变量——叶面积指数(LAI)，对生态系统的净初级生产力(NPP)和蒸散量的空间分布格局和时间动态进行模拟，并借助地理信息系统手段对空间数据进行处理、分析和显示，从而实现将植物生理生态研究的结果从小尺度向中尺度进行拓展和转换，较好地模拟了1995年长白山自然保护区的植被生产力状况。结果表明，EPPML可以比较准确地模拟该保护区主要植被的净初级生产力。
高世忠等用遥感技术构建了生态监测评价模型，对各生态因子的空间分布特征及生态变化的影响规律分析，利用遥感信息，以及地形、土壤、林分和林木受害程度等要素的几个因子的模糊综合评判，通过多组数据的多元统计分析，建成森林火灾后生态变化遥感监测评价模型。为使该模型能适应森林生态遥感监测运行系统的需要，对各监测因子数据的获取、植被指数的提取等方面进行了深入的方法探索。
任学慧采用遥感影像目视解译与野外考察、气候常规分析、地学相关分析和定点防护林小气候观测等多种方法，进行防护林工程的生态效益研究，指出自然环境的变化（防护林建成后），气候资源的生态效益亦发生了显著变化，并给出了生态效益估算数学模式。
喻梅等借助遥感技术对现有的区域植被动态模型进行了改进，对生态系统中生物量动态、植被结构动态、氮元素循环过程三者进行耦合，并将植被和土壤的相互作用联为一体，模拟出当前气候条件下植被的生物量、生产力和氮素吸收等动态过程。然后将改进后的模型用于中国陆地生态系统对全球变化响应的研究中，得出了未来我国森林资源的变化特征。
林业遥感技术范文第5篇
（内蒙古自治区第二林业监测规划院，乌兰浩特137400）
摘 要：文章对森林资源二类调查方法的研究现状及新技术的应用前景，进行了初步探讨。
关键词 ：林业；二类调查：方法
中图分类号：S757.2
文献标识码：B
收稿日期：2015-05-25
作者简介：何岚（1969 -），女，内蒙古通辽市人，林业工程师．
森林是陆地生态系统的主体，是国家、民族最大的生存资本，是人类生存的根基。林业是生态文明建设的主战场，对建设美丽中国、实现中华民族永续发展将产生极为深远的影响。我国政府提出“到2020年森林面积比2005年增加4000万hm2、森林蓄积量增加13亿m3的双增目标。为实现这一伟大目标，要扎实开展植树造林，全面加强生态建设保护，着力改善生态状况，着力强化森林经营，进一步提高森林质量。
林业现代化的追求，要求森林资源调查工作要适应现代林业快速、全面、深入的特点。现代森林资源调查工作要有助于保护资源和环境、有助于实现“双增”目标、有助于森林分类经营、抚育补贴等林业工程的顺利施行，对树立我国森林资源可持续发展的良好国际形象具有重要意义。森林资源规划设计调查（以下简称二类调查）应用技术与方法的研究是林业基础工作，文章对其新技术应用进行了简要分析。
1 二类调查现状
目前，二类调查主要内容多为森林种类、分布等静态现状，很少涉及生态、演变等动态信息。对森林资源种类和分布的调查工作，经常采用的方法是：以遥感影响为工作底图，手工勾绘林班和小班，再转绘到地形图，最后绘制林业专题图。个别小班虽然采用PDA验证和调绘，但因人员、技术和设备等限制，PDA也仅发挥了gps的作用，没有真正把GPS、RS和GIS有机地结合起来，工作效率低。森林资源数据更新少则5a、多则10a、甚至15a才能重新更新一次，二类调查也基本上推倒重来，有的地方因行政区划发生变动，导致资源数据的不连续性和没有可比性，动态监测、绩效监测无法实现。当前，二类调查的主要内容已逐步转向生态建设和经营管理，相关的调查方法研究已成为关键问题。
2 二类调查方法
现在采用的二类调查方法多为详查，一般分为以下几个步骤。
2.1 踏查
对调查范围内的森林资源进行全面了解，在有代表性的地区选择地形变化较大，植被类型丰富的地段设置踏查路线，然后进行线路调查，对调查地区森林分布情况、气候、地形、植被、土壤及森林资源现状等一般情况进行全面概括的了解。
2.2 详查
详查即全面调查，是在踏查、林业区划之后，详细调查记录小班的土地种类、面积、权属、立地条件、林种、树种、区位、位置等情况的过程．是完成资源种类、分布和数量调查的最终步骤
分布面积的确定是调查工作的第一步 一般步骤为：①界定行政范围和施业区范围。②利用航片和卫片结合地形图，对整个调查区域进行林业经营单位区划。③在区划的林班内，根据小班区划条件进行小班的划分。④进行实地调查核实并修改小班界限。⑤利用网格纸、求积仪或GIS求算小班面积。
小班因子调查，常用经验法（目测）和抽样调查（实测）的方法。目测即调查员根据多年调查经验判断立地条件、树种组成、树高、郁闭度和单位蓄积等小班因子：实测多采用角规或样地等方法进行调查估算。
林相图、森林分布图和统计汇总表是调查最后的成果材料。根据小班因子调查表形成数据库文件，对数据库进行统计分析，根据需要形成各种形式的统计表，同时，绘制林相图和森林分布图等专题图。
2.3 统计报表
对于调查年度间隔期，采用统计报表的方式，以行政区为单位，记录森林资源年度变化情况，然后汇总，得到森林资源数据。这种方法对于时间短、区域小的地区是可行的。
3 现代调查技术
当前，在森林资源调查和信息管理上，已开始广泛应用“3S”技术，即遥感(RS)、地理信息系统(GIS)、全球定位系统(GPS)技术。遥感技术是其中的基础，地理信息系统起信息处理作用，全球定位系统用于空间定位。近年来，也有人把智能决策系统(IDSS)及专家系统(ES)合在一起，统称为“5S”技术。
GPS和RS用于获取点、面空间信息，GIS提供工作平台，用于空间数据存储、分析和处理，三者功能上互补。生产实践中，人们逐渐意识到将他们集成在一个统一的平台上，其优势才能得到充分发挥。
然而在实际应用中，“3S”集成则主要以GPS/GIS、RS/GIS，GIS/RS两两间的集成。更早期的二类调查往往是单独使用遥感技术，外业调绘，航（卫）片转绘、面积量算、利用现状图的编制均采用手工操作，导致调查过程繁琐、周期长、耗费大量人力物力及容易引入误差等缺点。GIS具有空间处理和分析数据的优势，他与遥感结合是发展的必然趋势。
在没有全球定位系统(GPS)前，遥感图像的几何校正和定位等必须通过地面控制点，进行大地测量才能确定，不但费时、费力，且当无地面控制点时就无法实现，严重影响了数据实时进入系统。全球定位系统的快速定位，为遥感数据实时进入GIS提供可能，促进“3S”的综合应用。
目前，“3S”技术仅仅停留在共同使用上，距离真正的集成还很远，“3S”技术如能从本质上实现一体化集成，不但可以克服一些技术难题，而且可以做到面积、蓄积等信息实时、快速、可信度高的收集、存储、管理和分析评价等，为系统管理提供全新的研究手段和创新平台。
4 二类调查方法研究
森林资源可持续利用及生物多样性保护成为林业研究领域的热点：退耕还林工程、天然林资源保护工程、京津风沙源治理工程、三北及长江流域等重点防护林体系建设工程、重点地区逮生丰产用材林基地建设工程等林业重点工程全面展开。集体林权制度改革深入推进。中央财政加大对林业补贴范围和力度，森林抚育补贴、林木良种补贴、造林补贴和湿地保护补助试点工作全面展开。森林资源管理进一步加强，持续推进森林可持续经营。然而，与其相关的二类调查方法研究却比较少，有必要在结合传统调查方法基础上进行深入研究，加大新技术和方法的引进。
4.1 新技术及理论的引入
许多林业调查设计单位针对“3S”技术在二类调查中的应用，做了大量的探索工作，取得了一定的进展。将“3S”技术引进到二类调查，既是二类调查方法发展的必然选择，也是“3S”技术的发展趋势之一。以其中的核心遥感技术为例，遥感技术从20世纪50年代诞生以来，取得了很大的发展和进步。分辨率不断提高、新的类型传感器不断涌现、地理信息系统和全球定位系统的结合，也使得其定位精度和处理数据的能力大大改善。在应用方面，正由土地利用、大范围植被面积以及生物量的估计向范围更小的环境及灾害监测、生长监测、碳汇林业等领域拓展。更小范围区域调查是遥感的发展方向之一，以遥感技术为核心的“3S”技术应用于二类调查．是“3S”技术发展的必然趋势。
除了“3S”技术，网络技术、数学建模技术、灰色理论、模糊数学等，都应该结合实际工作引进到二类调查研究中来，以促进森林资源二类调查方法的现代化。
4.2 抽样调查方法和新技术的结合
利用“3S”等高新技术对森林资源进行快速、精确的定位和量化，然后利用抽样调查方法进行验证和精度控制，快速高效的实施森林资源动态监测。“3S”技术为二类调查提供速度和规模支持，抽样调查为二类调查提供深度和精细保证。二者结合可以实现低成本、高速度、可对比、精细化的二类调查目标。
林业遥感技术范文第6篇
P键词：高光谱；LiDAR；树种识别
中图分类号：TP751
文献标识码：A文章编号：16749944（2017）8021203
1引言
现如今，复杂森林的树种级分类正在成为一个非常重要的研究方向。但是，随着不断变化的气候条件以及自然和人为因素的干扰，使得全国森林物种丰富度不断减少，严重影响了我国森林可持续发展。另外，目前广泛开展的森林地上碳储量估算的准确程度，也依赖于树种识别的精度。以往主要靠实地调查来识别树种，但这种方法费时、费力、成本高。随着遥感技术的迅速发展和高科技社会时代的需求，遥感影像数据在林业上发挥着越来越重要的作用。高光谱、高时空分辨率影像在林业研究上提供更精细的数据，并越来越受广大林业研究者们的喜爱。同时近年来迅猛发展的机载LiDAR作为主动遥感技术，能表征林分垂直结构信息，当它与表征冠层水平方向信息的高光谱数据融合后，形成优势互补，并有效提高分类精度[1]，使得高效精细地识别树种成为可能。
2高光谱数据的应用
目前，宽谱段以及中、低分辨率遥感数据应用较广泛，但由于空间和光谱分辨率均较低，仅能实现森林类型的识别，在树种级识别仍然是个难题，实际效用不大。高光谱影像蕴含着近乎连续的地物光谱信息，能准确探测到具有细微光谱差异的各种地物类型，同时具有“谱像合一”、波段多、数据量大的特点，使树种识别精度从源数据上得到一定程度的提高。
2.1高光谱数据的应用方法
目前高光谱数据在树种识别上的能力正在不断增强。m鹏等[2]利用CASI高光谱数据，对美国加州的6种针叶树种进行识别，证实了高光谱遥感在树种识别领域的可行性。多位研究者发现高空间分辨率遥感影像与多光谱遥感影像协同进行树种识别时，因有高光谱影像的辅助使得树种识别精度有所提高，证明高光谱遥感数据的森林类型识别能力更强[3，4]。而且高光谱所提取的纹理信息对树种识别十分有效[5]。
目前，遥感影像的分类主要是基于像元和面向对象两大类。基于像元分类为目前应用广泛的分类方法，它根据要求的不同可分为监督分类、非监督分类，硬分类、软分类，或是以随机数学理论为基础的分类、模糊分类等多种形式。采用面向对象分类法进行树种识别的方法才刚刚兴起，它是针对高空间分辨率数据发展而提出的。面向对象分类的关键技术是影像分割技术，其分类质量和精度，取决于分类算法的好坏以及如何定性或定量地进行最优尺度分割[6]。国内学者多侧重于图像分割方法、特征变量选取及分类方法的比较[7]。
2.2高光谱数据应用的不足
由于地物分布具有一定连续性，遥感图像上相邻像元之间必定存在相关性，而高光谱只能表征林分水平方向的信息，这使得“同物异谱、异物同谱”的现象难免存在。由于不同的树种常有极为相似的光谱特性，则称为“异物同谱”现象；由于光照条件的多变，可能引起相同的树种具有明显不同的光谱特性，即所谓的“同物异谱”现象[8]。所以，遥感图像上的混合像元问题，影响到整个像元的光谱反射率。因此，即便是利用高空间分辨率的光谱图像进行精确到树种级的分类也是很困难的。
3机载激光雷达的应用
由于地球60%～70%被云层覆盖，这对于高光谱数据的采集非常不利，而机载LiDAR具有全天时、全天候以及迅速获取高精度数据的能力。在林业应用方面，LiDAR能够获取单株木三维结构特征，这对于森林类型识别、森林结构特性以及冠层理化特征提取均具有明显优势。
3.1机载激光雷达的应用方法
LiDAR数据分点云数据和全波形数据，其中点云数据应用广泛。通常使用Tarroslid等工具对原始点云数据进行滤波，获得地面点和非地面点，由地面点可以内插生成数字高程模型 （Digital Elevation Model，DEM），由非地面点可以生成数字表面模型 （Digital Surface Model，DSM）。DSM与DEM进行差值运算即得到高程归一化后的数字冠层高度模型CHM （Canopy Height Model）[9]。CHM表达了林木高度和冠层的空间分布状态。由CHM提取单木数据的主要方法是图像分割法，此法是目前研究热点之一。树高是反映材积和立地质量的重要参数，因此，提取树高信息意义非凡[10]。全波形数据主要采用波形分解来提供更多垂直结构信息和基于波形数据的识别[11]。
近年来许多研究者一直在发掘LiDAR数据的应用能力。Hollaus等[12]研究使用LiDAR数据提取了单木冠层高，结果表明LiDAR树高与外业树高的相关性很好。庞勇等[13]在利用LiDAR数据进行提取我国山东地区平均树高的试验，其总体平均精度为90.59 %，其中阔叶树精度高于针叶树。Mitchell等[14]使用LiDAR数据估测灌木丛的冠层参数，并比较了树高和冠幅的相关性，发现树高的估测结果优于冠幅，但密度较高的区域所得结果并不理想。赵旦[15]利用高密度LiDAR点云数据，提出了控制CHM的优化算法以及单木树种识别算法，使得提取到的树高和树种的正确率超过90%。
3.2机载激光雷达应用的不足
由于机载激光雷达只能得到树种垂直结构三维信息，无法提高树种在水平方向上的相关信息。仅凭树高或冠幅信息，无法准确确定单木类型。因此，机载激光雷达在树种识别上必须与高光谱数据进行融合，才能发挥其强大的数据优势。
4主被动遥感技术相结合的应用
高光谱是光学被动遥感数据，可获得冠层水平信息，因其具有较高的光谱分辨率，使地物目标的属性信息探测能力有所增强，并能够在较小的空间尺度上观察地表的细节变化。而LiDAR数据是主动遥感数据，可直接获得单株木的位置、树高和冠幅这三个垂直结构参数以及强度信息。两者基于像元级融合，形成优势互补，在分类精度上有着极大的提高。因此，表征林分水平结构信息的高光谱数据与表征林分垂直结构信息的LiDAR数据所组成的机载主被动遥感数据相融合，在林业遥感方面是近年来运用比较热门的方法。
4.1主被动遥感技术的应用方法
朱江涛等[16]提出一种基于Adaboost的高光谱与LiDAR数据特征选择与分类方法，发现两种数据的融合有利于多角度的描述地物特征。董彦芳等[17]将高光谱和机载LiDAR数据融合采用面向对象的方法，进行城市典型地物的提取，实现了房屋与树木的有效分离。刘丽娟等[18]利用CASI高光谱和机载LiDAR融合对北方复杂森林采用支持向量机（Support Vector Machine， SVM）的方法进行树种识别时，发现融合数据树种分类的总体精度和Kappa系数（83.88%，0.80）高于CASI的精度（76.71%、0.71）。Alonzo等[19]利用融合的高光谱与LiDAR数据，在基于冠层尺度上对美国圣巴巴拉、加利福尼亚等地常见的29类树种进行分类，结果表明融合了激光雷达数据后，分类精度提高了4.2%。刘怡君等[20]将机载AISA Eagle II 高光谱和LiDAR同步数据融合对普洱山区的树种进行分类，研究表明，融合的数据使得山区的树种分类具备可行性，且总体分类精度和树种分类精度比单一高光谱数据皆有所提高。刘清旺等[21]采用融合的高光谱和机载LiDAR数据有效提取湖北典型亚热带森林的优势树种。
在使用融合的高光谱和LiDAR数据进行树种识别的过程中，一般通过波段选择[22]和主成分分析（Principal Component Analysis， PCA）[23]等方法进行降维，去除数据冗余和噪声，提取包含大部分有效信息的波段。再采用最大似然法（Maximum Likelihood， ML）、光谱角填图法（Spectral Angle Mapping， SAM）、SVM法以及基于混合像元分解的线性波谱分离法（Linear Spectral Unmixing， LSU）等方法[24～26]进行基于像元和面向对象的树种分类，都能得到比较好的分类结果。
4.2主被动b感技术应用的不足
高光谱和LiDAR数据的融合带来了更全面立体的数据信息，使得树种识别得到一定程度的提高。但高分辨率数据来源成本相对较高，所以目前利用融合的高光谱和LiDAR数据来进行的研究并不多。这导致目前尚未找到最优的分类方法，还有待后续研究。
5结语
融合的高光谱与LiDAR数据，在树种识别的应用上前景广阔。但由于数据成本等原因，目前利用融合数据进行的研究较少，也没有相对成熟的方法精确地识别树种的类型。再加上光谱特征的问题，不可避免地存在“同物异谱，同谱异物”现象；或者数据在采集和处理的过程中，因人为、仪器本身原因或没有较好的降维方法而带来一定的数据损失现象；又或者数据时相单一使得可用信息有限等问题，都是造成树种识别精度受到影响的因素。森林树种的精细识别是森林碳储量估算、森林生物多样性等研究的基础。因此，当树种识别的精度得到进一步的提高后，对于我国林业的发展也有质的飞跃。
参考文献：
[1]
Brook A， Ben-Dor E， Richter R. Fusion of hyperspectral images and LiDAR data for civil engineering structure monitoring[C]// The Workshop on Hyperspectral Image and Signal Processing： Evolution in Remote Sensing. IEEE， 2010：1～5.
[2]宫鹏， 浦瑞良. 不同季相针叶树种高光谱数据识别分析[J]. 遥感学报， 1998， 2（3）：211～217.
[3]Goodenough D G， Bhogal A S， Dyk A， et al. Monitoring forests with Hyperion and ALI[C]// Geoscience and Remote Sensing Symposium， IEEE，2002.
[4]谭炳香， 李增元， 陈尔学，等. 高光谱与多光谱遥感数据的森林类型识别[J].东北林业大学学报， 2015，33（Sup.）： 61～63.
[5]王妮，彭世揆，李明诗. 基于树种分类的高分辨率遥感数据纹理特征分析[J]. 浙江农林大学学报，2012，29（2）： 210～217.
[6]毛召武， 程结海， 袁占良. 顾及面积和位置差异的高分遥感影像分割质量评价方法[J]. 遥感技术与应用， 2016， 31（1）：186～193.
[7]董连英. Hyperion影像森林植被分类方法与应用研究[D]. 长春： 吉林大学， 2013.
[8]史良树. 遥感技术现状及其在林业中的应用[J]. 林业资源管理， 2004（2）：50～52.
[9]刘清旺， 李增元， 陈尔学，等. 利用机载激光雷达数据提取单株木树高和树冠[J]. 北京林业大学学报， 2008， 30（6）：83～89.
[10]赵峰，李增元，王韵晟等. 机载激光雷达（LiDAR）数据在森林资源调查中的应用综述[J]. 遥感信息， 2008（1）： 106～110.
[11]Mallet C， Bretar F. Full-waveform topographic lidar： State-of-the-art[J]. Isprs Journal of Photogrammetry & Remote Sensing， 2009， 64（1）：1～16.
[12]Hollaus M， Wagner W， Eberh？fer C， et al. Accuracy of large-scale canopy heights derived from LiDAR data under operational constraints in a complex alpine environment[J]. Isprs Journal of Photogrammetry & Remote Sensing， 2006， 60（5）：323～338.
[13]Pang Y， Zhao F， Zeng-Yuan L I， et al. Forest Height Inversion using Airborne Lidar Technology[J]. Journal of Remote Sensing， 2008， 12（1）：152～158.
[14]Mitchell J J， Glenn N F， Sankey T T， et al. Small-footprint Lidar Estimations of Sagebrush Canopy Characteristics[J]. Photogrammetric Engineering & Remote Sensing， 2011， 77（77）：521～530.
[15]赵旦. 基于激光雷_和高光谱遥感的森林单木关键参数提取[D]. 北京： 中国林业科学研究院， 2012.
[16]朱江涛， 黄睿. 基于 Adaboost 的高光谱与 LiDAR 数据特征选择与分类[J]. 遥感信息， 2014（6）：68～72.
[17]董彦芳， 庞勇， 许丽娜， 等. 高光谱遥感影像与机载LiDAR数据融合的地物提取方法研究[J]. 遥感信息， 2014， 29（6）： 73～76.
[18]刘丽娟， 庞勇， 范文义， 等. 机载LiDAR和高光谱融合实现温带天然林树种识别[J]. 遥感学报， 2013，17（3）： 679～695.
[19]Alonzo M， Bookhagen B， Roberts D A. Urban tree species mapping using hyperspectral and lidar data fusion[J]. Remote Sens Environ ， 2014， 148（148）：70～83.
[20]刘怡君， 庞勇， 廖声熙，等. 机载LiDAR和高光谱融合实现普洱山区树种分类[J]. 林业科学研究， 2016， 29（3）：407～412.
[21]刘清旺， 谭炳香， 胡凯龙，等. 机载激光雷达和高光谱组合系统的亚热带森林估测遥感试验[J]. 高技术通讯， 2016， 26（3）：264～274.
[22]李俊明. 基于HJ-1A高光谱遥感树种识别的研究[D]. 哈尔滨： 东北林业大学， 2013.
[23]臧卓， 林辉， 杨敏华. 利用PCA算法进行乔木树种高光谱数据降维与分类[J]. 测绘科学， 2014， 39（2）：146～149.
[24]李小梅， 谭炳香， 李增元，等. CHRIS高光谱图像森林类型分类方法比较研究[J]. 遥感技术与应用， 2010， 25（2）：227～234.
林业遥感技术范文第7篇
关键词：遥感；信息提取；数据源
中图分类号：C93文献标志码：A文章编号：1673-291X（2011）12-0305-03
引言
遥感是20世纪60年展起来的综合性对地观测技术，它的产生和发展是人们认识和探索自然界的客观需要[1]。它拓展了人眼观察的光谱范围，大大提高了数据获取的空间详细程度，可应用于军事、农业、林业、地矿、水利和环保等领域。但通过遥感器观测的遥感数据，由于受到太阳和大气等条件的影响，必须经过人工判读或计算机处理，才能最终应用于各种领域。本文综述了基于遥感影像提取地物信息的方法，并列举一些应用实例。
一、多源遥感数据概述
遥感技术作为一种准确、客观、及时获取宏观信息的手段，在城市规划、土地利用监测、农业、林业以及自然灾害预报等方面越来越得到广泛的重视和应用[2]。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提[3]。地物信息提取常用的遥感图像可以分为以下几类。
1.多光谱和全色影像。全色影像具有较高的空间分辨率，而多光谱图像可以更精细地描述目标光谱。全色图像与多光谱图像融合，既可以利用全色图像的高分辨改善多光谱图像分辨率，又可以充分利用多光谱图像有的对目标某些独特特征的精细描述，使融合图像包含更丰富的信息[4]。多光谱影像及融合影像是目前地物信息提取研究的主要信息源。
2.SAR影像。合成孔径雷达（synthetic aperture radar，SAR）是一种主动遥感方式，与光学遥感相比，具有全天时、全天候、多波段、多极化工作方式、可变侧视角穿透能力强和高分辨率等特点[5]。SAR影像在水体覆盖区域具有反射值低的特征，能够与其他地物形成明显的反差，在研究水体覆盖变化方面具有独特的优势。SAR图像中还含有丰富的纹理结构信息，不同的地表粗糙度呈现出不同的纹理特征。原始的光谱信息加上纹理信息可以提高影像的精确性，建立和充分应用基于纹理特征的地物分类及信息提取方法，将是今后研究高分辨率遥感影像信息提取的方向之一 [6~8]。
3.高光谱影像。高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，利用成像光谱仪获取许多非常窄的光谱连续的影像数据的技术。高光谱遥感数据有更多的波段，更高的波谱分辨率，使得高光谱数据在生态领域有更广泛的应用[9~10]。对高光谱数据特征的研究和分析对于准确地获得目标地物的有用信息是极其重要的。
4.航片。航空影像数据以其直观、信息量丰富、可读性强等诸多优点，使它既是基础地理数据产品的重要组成部分，又是生产或合成其他基础地理数据产品的信息来源与基础。许多学者在城市防震减灾、沟谷侵蚀定量监测以及测绘中都进行了成功应用[11~12]。
二、遥感影像提取地物信息的方法
1.目视解译。卫星影像的解译是应用遥感技术的一个关键环节，目视解译基于专家经验和智能，是遥感应用的一项很重要的基本功，它是根据样本的图像特征和空间特征（形状、大小、阴影、图形、纹理、位置和布局），并与多种非遥感信息资料相结合，运用生物、地学等相关规律，采用对照分析的方法，由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程[13~15]。目视解译的方法目前在遥感解译中的应用非常普遍。赵兴实等[14]在土壤侵蚀现状调查中，张芳等[15]在森林资源调查中都运用了遥感影像目视解译的方法。
2.非监督分类法。遥感影像的非监督分类也称为聚类或点群分析，是在多光谱图像中搜寻、定义其自然相似光谱集群组的过程。非监督算法是按照某种相似性准则对样本进行合并或分类，不需要人工选择训练样本，仅需极少的人工初始输入，计算机按一定规则自动地根据像元光谱或空间特征组成集群组，然后分析者将每个组和参考数据比较，将其划分到每一类中 [16~17]。但由于“同物异谱、异物同谱”等现象的存在，其结果一般不能令人满意。
3.监督分类法。监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式把影像中的各个像元点划归到各个给定类的分类[17]。监督分类方法由于引入了部分先验知识，故其分类精度相对于非监督分类算法往往较高，同时，算法的稳健性也能得到较大程度地提高[18]。
4.最大似然法。最大似然方法通过对研究区域的统计和计算，得到各个类别的均值和方差等参数，从而确定一个分类函数，然后将待分类图像中的每一个像元代入各个类别的分类函数，将函数返回值最大的类别作为被扫描像元的归属类别，从而达到分类的效果[19]。最大似然法分类一直受到许多学者的关注，张亮等[20]将光谱角以概率因子的形式加入到判别函数中构造一种新的判别函数，有机地将光谱角这一特征信息加入影像分类；吴连喜等[21]将一种改进的最大似然法用于地物识别；陈敬柱等[22]提出了“先主要后次要，层次化推进原则”，应用最大似然方法进行植被信息识别提取，降低了“异质同像”的误判率，较大程度上避免了“混合像元”的不确定因素，同时将“混合像元”作为进一步区分不同植被类型的参考依据，使可解译的植被信息量增加，取得良好的效果。
三、实例分析
1.植被信息提取。遥感技术提取植被信息已经有很长的历史，遥感可以快速有效地监测大面积植被的种类、特性、长势等各类信息。由于植被在不同波段内表现出不同的吸收反射特征，这些特征可以有效地监测出植被的各类信息[23]。丁丽霞等[24]利用TM和SPOT遥感影像，采用目视解译和图像勾绘的方法，得出天目山国家级自然保护区毛竹林信息；官凤英等[25]以TM影像为数据源，应用ERDAS提供的非监督分类、最大似然分类和子象元分类三种方法，对典型地物进行了分类和精度评价；李敏等[26]讨论了面向对象的高分辨率遥感信息提取的技术，并从IKONOS影像中提取耕地信息与传统分类方法提取的结果进行了对比。
2.水体信息提取。水资源分布的调查与监测是控制水污染和生态保护的前提，而遥感影像具有监测范围广、获取周期短、地物信息丰富的特点，对调查与监测水资源分布起着重要的作用[27]。黄海波等应用ASTER遥感影像研究了水体信息提取的方法；遥感影像上陆地和水体的边界线被定义为水边线，郑宗生等[28]利用遥感信息提取水边线，可以监测海岸带潮滩的动态变化，也可以利用不同时相的水边线信息构建潮滩的三维地形模型，为淤泥质潮滩剖面的研究提供重要的数据保证。
3.道路信息提取。从遥感数字影像中自动提取道路之类的线性地物信息是遥感信息提取的难点，影像上的道路比其他地物更突出，而且道路成网，关系明晰，但实际提取效果并不理想。如何快速、准确地从遥感影像中提取所需信息已成为研究方向[29~30]。
4.居民地信息提取。居民地是人类从事生产和生活需要而集聚定居的各种形式的居住场所，是自然景观和人造景观的综合体[31]。利用遥感影像快速准确地提取居民地信息可以为灾害评估、城镇扩展和环境变化等相关研究提供必要的基础信息[31~34]。查勇等[32]运用归一化建筑指数，从TM图像成功提取了无锡市城镇用地信息；杨存建等[33]从对居民地的遥感信息机理分析入手，分析了居民地在Landsat TM2、TM3、TM4、TM5、TM7等各个波段上与其他地类的可分性；安如等[34]基于光谱特征分析，建立决策树模型，进行了居民地信息的自动提取。
5.其他地物信息提取。随着遥感技术的不断提高，人们开始考虑使用高分辨率遥感影像对区域人文信息进行提取[35]。遥感在人口估计统计模型中的使用始于20世纪50年代中期，由于与人口信息相关的地表信息在影像上的表达纹理、形状各异，利用某种方法从高分辨率遥感影像中提取人口信息是今后研究的一个突破点[35~36]。
结论与展望
随着遥感技术的迅猛发展，光学、热红外、微波、多光谱、高光谱等大量功能各异的遥感器不断更新换代，遥感已经越来越多地用作提取局域、区域以及全球尺度土地利用、地面覆盖变化特征以及人文特征的信息源。准确选取适当的遥感数据是快速、精确地发现并提取遥感图像中所需信息的前提。全色与多光谱融合影像由于成本较低是目前地物信息提取的主要数据源，不同的研究尺度及研究内容在遥感数据选择上各有侧重。
遥感数据的解译是遥感应用的基本方法，目前采用的解译方法有很多，各有优势，但单一方法得到的解译结果往往不能达到满意的效果。因此许多学者同时使用多种方法进行遥感数据解译。戴昌达等[37]利用Landsat TM数据，采用了图像自动识别分类与目视判读相结合的方法获得城市的面积；陈超等[38]采用目视修改的方法来对监督分类进行补充。
多源遥感数据已经在很多方面有了很大的应用，为人们宏观分类识别地物提供了基础。关于多源遥感数据的处理与信息提取的技术，虽然取得了一些进展，但仍存在一些不足，因此，基于多源遥感数据提取地物信息还有很大的空间值得去研究。
参考文献：
[1]李治洪，段玉山，等.地理信息技术基础教程[M].北京：高等教育出版社，2005.
[2]彭望碌，白振平，刘湘南，等.遥感概论[M].北京：高等教育出版社，2002.
[3]陈永慧，李小娟，胡德勇.遥感图像土地覆被专题信息提取方法综述[J].首都师范大学学报：自然科学版，2009，(1)：59-69.
[4]种占学，杨玉静，焦荣恩.多源全色影像与多光谱影像融合技术研究[J].河北师范大学学报：自然科学版，2009，(2)：267-270.
[5]申邵洪，谭德宝，梁东业.基于马尔科夫随机场的多时相SAR影像变化检测研究[J].长江科学院院报，2010，(1)：49-51.
[6]梁国军，彭明春，王崇云.遥感影像纹理分析方法研究[J].云南地理环境研究，2009，(1)：93-98.
[7]裴亮，谭阳.基于变差函数的遥感影像纹理特征提取[J].地理空间信息，2008，(5)：15-17.
[8]李林宜，李德仁.基于免疫粒子群优化算法的影像纹理分类[J].测绘学报，2008，(2)：185-189.
[9]温兴平，胡光道，杨晓峰.从高光谱遥感影像提取植被信息[J].测绘科学，2008，(3)：66-68.
[10]Kempeneers P，et a1.Generic wavelet―based hyperspectral classification app]ied to vegetation stress detection[J].IEEE Transactions on Geoscience and Remote Sensing，2005，(3).
[11]刘月英，李万辉.利用航片和GIS分析影响滑坡的因素[J].水土保持应用技术，2008，(4)：14-15.
[12]王辉，王天明，杨明博，等.基于航片的黄土高原丘陵沟壑区沟谷侵蚀定量监测[J].应用生态学报，2008，(1)：127-132.
[13]沈璐璐，蔡丽娜.基于非监督分类的遥感信息提取方法尝试[J].科技创新论坛，2010，(14)：162-163.
[14]赵兴实，田中雨，刘岩.卫片目视解译在土壤侵蚀现状调查中的应用[J].水土保持通报，1996，(1)：149-152.
[15]张芳，李鑫，陈佳楠.卫星遥感影像目视解译在森林资源调查中的应用分析[J].内蒙古林业调查设计，2009，(4).
[16]陈富龙，王超，张红.改进最大似然遥感影像分类方法――以SAR影像为例[J].国土资源遥感，2008，(1)：75-78.
[17]薛廉，周春兰.基于监督分类分区域的特征因子提取[J].地理空间信息，2009，(2)：100-102.
[18]郭艳芬，刘志红，谢明元.基于植被物候特征与监督分类的青南高原信息提取[J].遥感技术与应用，2009，(2)：223-229.
[19]刘涛，孙忠林，孙林.基于最大似然法的遥感图像分类技术研究[J].福建电脑，2010，(1)：7-8.
[20]陈亮，刘希，张元.结合光谱角的最大似然法遥感影像分类[J].测绘工程，2007，(3)：40-47.
[21]吴连喜，王茂新.一种改进的最大似然法用于地物识别[J].农业工程学报，2003，(4)：54-57.
[22]陈敬柱，贺瑞霞，郭恒亮.最大似然法在植被信息识别提取中的应用[J].水文地质工程地质，2004，(2)：94-96.
[23]温兴平，胡光道，杨晓峰.从高光谱遥感影像提取植被信息[J].测绘科学，2008，(3)：66-68.
[24]丁丽霞.天目山国家级自然保护区毛竹林扩张遥感监测[J].浙江林学院学报，2006，(3)：297-300.
[25]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，(8).
[26]李敏，崔世勇，李成名，等.面向对象的高分辨率遥感影像信息提取――以耕地提取为例[J].遥感应用，2008，(6)：63-89.
[27]黄海波，赵萍，陈志英，等.ASTER遥感影像水体信息提取方法研究[J].遥感技术与应用，2008，(5).
[28]郑宗生，周云轩，沈芳.基于DTM的水边线遥感信息提取方法[J].国土资源遥感，2007，(2)：56-59.
[29]孙晓霞，等.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学，2006，(1)：62-63.
[30]林宗坚，刘政荣.从遥感影像提取道路信息的方法评述[J].武汉大学学报：信息科学版，2003，(1)：90-93.
[31]张源，王仰麟，彭建，等.基于空间概率面的山区居民地遥感信息提取[J].地理与地理信息科学，2006，(4)：6-10.
[32]查勇，倪绍祥，杨山.一种利用图像自动提取城镇用地信息的有效方法[J].遥感学报，2003，(1)：38-39.
[33]杨存建，周成虎.TM影像的居民地信息提取方法研究[J].遥感学报，2000，(2)：146-150.
[34]安如，赵萍，王慧麟，等.遥感影像中居民地信息的自动提取与制图[J].地理科学，2005，(1)：74-80.
[35]韩春峰，米晓飞.基于高分辨率遥感影像的人口信息的提取综述[J].科技资讯，2010，(4)：111.
[36]杜国明，张树文.基于遥感的城乡人口分布模拟――以松原市为例[J].遥感学报，2007，(2)：252-256.
林业遥感技术范文第8篇
科学无国界
梁顺林是恢复高考后的第三批大学生，1979年，他以优异的成绩考入南京大学地理系。对于为何选择地理作为自己的专业，梁顺林笑言那是“分配”的结果，“虽然那时候我们也填志愿，但我还是被‘分配’去学地理了。在学习过程中，我对遥感这一领域产生了浓厚的兴趣。”正是这“歪打正着”的“分配”，让梁顺林接触到了这个让他日后倾注全部热情与精力的领域。
梁顺林发现，遥感是一门应用面很广的科学，它不仅涉及到垒球变化和地球系统科学方面的研究，在资源环境和其他领域也有着广泛的应用。遥感研究的广阔前景让梁顺林更加扎实深入地将自己的研究开展下去。攻读完硕士学位后，他留在南京大学担任助教工作。当时，国内还没有遥感研究方向的博士点，并且遥感研究领域在理论和实践上都远远落后于国际先进水平。有限的研究条件和求知的欲望使梁顺林认识到，科学是无国界的，想要在遥感研究领域有所建树，就必须要走出国门，到国际遥感研究的前沿去学习高端的技术理论和研究方法。1989年初，梁顺林远赴美国深造，在波士顿大学获得博士学位，并在那里从事博士后研究。
置身于遥感技术尖端领域，梁顺林如鱼得水，也正是在这里，他的科研活动得以向高、精、尖方向发展并取得了重大突破。十几年来，他创建了一系列土壤一植被一大气系统的辐射传输模型，解决了地表参数反演中的一系列关键科学问题，致力于数据同化新方法的研究，并实现了遥感在解决社会经济重大问题中的一些应用。他先后担任美国宇航局项目验证专家，美国科学基金会马里兰大学Grand Chalienge项目协调人，马里兰大学助理教授、副教授及教授，并最终在国际遥感研究的前沿领域中占据一席之地。
我对我的团队有信心
人到中年的梁顺林虽然身在国外，却依然心系祖国遥感事业的发展。近年来，作为一门应用广泛的科学，遥感技术的重要性日益突显。梁顺林看到，近年来在国家的大力扶持下，国内遥感领域的很多科研项目正在起步，作为一个长期置身于国际研究领域的“有经验的人”，如果能够回国参与到这些科研项目的筹备和发展过程中，更好地借鉴国际的先进经验和成熟做法，就能够帮助国家将投入最大化地转化为效益，使资源得到优化配置!
“回到国内，为国家的遥感事业做点事情”的责任感和使命感在他心头油然而生，“能够回来为改善我们的社会，改善我们的环境贡献一点力量，这本身就是一件令人高兴的事情。”
祖国日益增大的资源环境压力让梁顺林感到任重而道远，艰巨的任务促使他必须在回国后组建起一支具有强大科研能力和出色协作能力的团队，共同开展科研工作。而选择何处，与谁组建团队便成为梁顺林在申请“千人计划”时所要考虑的问题。作为国内地学研究方面的前沿阵地，北京师范大学自然成为了梁顺林的首选之地。长期以来，他与李小文院士、史培军教授等一批北师大优秀学者建立了融洽的合作关系。同时，学校对科研工作的高度重视和对“千人计划”的积极支持，更促使梁顺林最终选择北京师范大学作为自己回国后的工作单位。
目前，梁顺林的科研团队正在组建之中。他对于团队成员的选择有着自己的标准，“首先要有事业心，要在工作中对自己从事的工作有一个执著的追求，踏踏实实地做自己所从事的科学研究。此外，还要有独立思考和解决问题的能力。”“搞科研需要团队通力合作，我对我的团队有信心!”
对团队的前景，梁顺林踌躇满志。
要做两件事
长期以来从事国际性学术研究的梁顺林深谙国内外科研方面的差距。他举例说道：“从卫星遥感数据中生成各种地球物理垒球产品，美国在1988年就开始立项研制了，但在国内，我们争年刚刚立项，从立项时间上就差了20年。”
为了缩短国内在遥感研究方面的差距，早在申请“千人计划”之时，梁顺林就已为自己定下了目标，那就是“要做两件事”：第一件事是要对国内的卫星遥感事业发展有所贡献。从多种卫星的原始数据中提取可用信息是卫星遥感领域一项复杂而又前沿的工作，梁顺林想要做的，就是提取这些信息，并以产品的形式得以呈现。如此既能便捷地服务于资源调查、环境监测及全球气候变化研究，也能使广大科研工作者省去提取信息的重复环节，提高科研效率。梁顺林还希望通过对产品的免费发放实现数据共享，继而逐渐推动国内学术界在研究上逐渐达成数据共享的共识。值得一提的是，不久前，梁顺林牵头申请的该项目已被科技部立项并通过答辩，“从这个项目上说，至少比国外晚了20年，但这并不意味着我们在水平上也差二三年，我们的优势在于国家在这方面给予了足够的重视和相当大的投入。补差距嘛，当然是大家一起补，跟大家一起努力吧。”
梁顺林想要做的第二件事，则关乎到我国突出的环境问题。近年来，我国为改善环境启动了“三北”防护林及退耕还林等多项生态工程，每一项工程都涉及数以亿计的资金。然而，这些耗资巨大的工程在实际上对改善环境起到了多大作用，还缺乏很好的科学评价。通过从卫星的原始数据中提取有用信息驱动各种大气陆面数值模型，并结合地面观测数据，就可以对该问题进行客观的评价。这便是梁顺林想完成的另一项任务。
学生超过我是必然的
“我的本职工作是教师，教师的首要任务是教书育人。”
这是梁顺林在采访别强调的一点。梁顺林热爱自己所从事的教育事业，在他看来，从事这项工作能够赋予自己源源不断的成就感：“我们的事业是靠一代代人继承发展下来的。每当我看到自己培养出来的学生有了进步取得了成绩，我自己也会感到很自豪，觉得自己的人生价值通过学生的成功得到了体现。”教师这一职业的魅力还在于能够令人永葆活力、永远年轻，“学生总是有许多新的想法，和他们进行交流是保持自己学术心态永远年轻的一种方式。”