新書推薦：
《
从阅读到输出：靠大量阅读年入7位数 每天15分钟读写闭环，启动人生复利增长系统
》
售價：HK$
76.8
《
世上要有天一阁
》
售價：HK$
74.8
《
精确科学的常识 天才数学家克利福德
》
售價：HK$
41.8
《
星海赞歌（第十三届北京科幻创作创意大赛“光年奖”获奖作品集）
》
售價：HK$
96.8
《
沪派江南·古今桥韵——高颜值的文化瑰宝
》
售價：HK$
107.8
《
中产阶级的孩子们：六十年代与文化领导权
》
售價：HK$
107.8
《
谈鬼说神
》
售價：HK$
398.2
《
走出秦制：清末民初六十年（慈禧、奕?、李鸿章、张之洞、袁世凯、康有为、梁启超、宋教仁等对中国前途的思
》
售價：HK$
129.8
|
| 內容簡介： |
|
《森林资源时空变化与地上生物量和碳储量估测理论与实践》深入探讨了利用遥感技术，特别是多源遥感数据和时间序列遥感数据，在森林优势树种分类、生物量及碳储量估算中的最新进展与应用。通过对云南省普洱市思茅松和香格里拉市高山松两个典型区域的优势树种研究，《森林资源时空变化与地上生物量和碳储量估测理论与实践》不仅展示了遥感技术在树种分类中的高精度实现，还构建了多种生物量与碳储量估测模型，为区域乃至全球森林资源的可持续管理提供了科学依据。《森林资源时空变化与地上生物量和碳储量估测理论与实践》详细阐述了从数据收集、处理到模型构建、验证的全过程，并对比了不同方法的优劣，最终实现了森林地上生物量和碳储量的精确分析与空间制图。
|
| 目錄：
|
|
目录第1章 基于Sentinel-1/2时序数据的普洱市优势树种分类与时空变化研究 11.1 概述 11.2 特征提取与特征组合 21.2.1 雷达特征提取 21.2.2 光谱特征提取 31.2.3 植被特征提取 41.2.4 纹理特征提取 51.2.5 环境特征提取 61.2.6 特征组合 71.3 分类算法 81.3.1 随机森林算法 81.3.2 支持向量机算法 81.3.3 梯度提升树算法 81.4 分层分类法 91.5 精度评价 101.6 基于GEE的普洱市优势树种分类 101.6.1 基于随机森林的优势树种分类 111.6.2 基于支持向量机的优势树种分类 161.6.3 基于梯度提升树的优势树种分类 211.6.4 2018～2022年分类结果对比分析 271.6.5 特征重要性分析 281.7 普洱市优势树种时空变化分析 281.7.1 优势树种时空分布 291.7.2 优势树种时空变化分析 301.8 应用实践 311.8.1 利用GEE进行随机森林分类原理 311.8.2 GEE进行树种分类 32第2章 结合多频偏振SAR数据估算思茅松地上生物量 442.1 概述 442.2 特征提取 452.2.1 后向散射系数 452.2.2 纹理特征 452.3 特征筛选 472.4 遥感估测模型 482.4.1 随机森林 482.4.2 K*近邻 482.4.3 极化分解参数 492.4.4 梯度提升回归树 492.4.5 精度评价方法 502.5 基于单频SAR数据的森林AGB 估测 502.5.1 散射机制分析 502.5.2 特征重要性分析 522.5.3 特征选择结果 532.5.4 模型精度验证与评价 542.6 基于多频SAR数据的森林AGB 估测 582.6.1 特征选择结果 582.6.2 模型精度验证与评价 592.7 应用实践 632.7.1 SNAP软件SAR数据预处理 632.7.2 SNAP软件SAR数据极化预处理 712.7.3 特征筛选 782.7.4 利用基于非参数模型的森林地上生物量估测软件V2.1进行估测 81第3章 基于GOSAT 碳卫星的普洱市森林碳储量变化估测研究 923.1 概述 923.2 特征因子提取 933.2.1 遥感因子提取 933.2.2 坡度、坡向及海拔的提取与分析 953.2.3 GEOS通量数据库整理 953.3 因子优选 963.3.1 相关性分析 963.3.2 强相关因子的决策与优选 983.4 普洱市森林碳储量估测模型构建 993.4.1 GEOS-Chem模型运行机理介绍 993.4.2 GEOS-Chem模型评价体系 1003.5 普洱市森林碳储量估测模型构建与评价 1003.5.1 普洱市森林CO2浓度同化反演 1013.5.2 普洱市森林碳储量模型估测 1013.5.3 模型构建结果 1023.6 普洱市森林碳储量变化估测结果分析 1033.6.1 普洱市森林碳储量十年间的变化估测结果统计 1033.6.2 普洱市2009～2014年的森林碳储量分布制图 1033.6.3 普洱市2015～2018年的森林碳储量分布制图 1063.6.4 普洱市森林碳储量空间差异性分析 1063.7 估测误差验证与分析 1093.8 应用实践 1103.8.1 数据获取方式 1103.8.2 碳卫星数据查看方式 1113.8.3 数据预处理及解译 1133.8.4 GEOS-Chem模型的安装与调试 1203.8.5 CO2浓度反演模型编译 1233.8.6 碳通量与碳储量估测模型编译 1243.8.7 估测结果读取与保存 129第4章 结合遥感和环境变量的高山松地上碳储量模型构建及空间特征分析 1304.1 概述 1304.1.1 遥感变量提取 1314.1.2 遥感变量筛选 1324.2 建模方法原理及介绍 1344.2.1 多元线性回归模型 1344.2.2 非参数模型 1344.2.3 模型精度评价 1354.3 地统计分析方法 1364.3.1 空间自相关性Moran’s Ι指数 1364.3.2 半方差分析 1364.4 基于不同遥感变量组合建模结果分析 1374.4.1 遥感变量筛选结果 1374.4.2 相关性分析 1384.4.3 共线性诊断 1414.4.4 模型构建结果 1424.4.5 模型精度评价 1454.5 引入环境变量的高山松地上碳储量建模结果对比及分析 1474.5.1 碳储量和环境变量相关性 1474.5.2 引入不同环境变量的建模结果 1484.5.3 引入地表温度的高山松地上碳储量反演结果 1514.6 香格里拉高山松地上碳储量空间统计分析 1534.6.1 基于Moran’s Ι指数的空间自相关性特征 1534.6.2 高山松地上碳储量的空间自相关分析 1534.7 应用研究 1564.7.1 数据处理 1564.7.2 环境变量数据 1604.7.3 遥感变量提取 1604.7.4 遥感变量提取至点 1634.7.5 变量筛选 1644.7.6 RF 模型构建 1674.7.7 地上碳储量反演 1674.7.8 地统计分析方法 167第5章 基于Landsat8影像的香格里拉市高山松地上碳储量估测及不确定性分析 1715.1 概述 1715.2 遥感因子提取 1725.2.1 原始波段因子 1725.2.2 植被指数因子 1735.2.3 简单比值植被指数 1735.2.4 信息增强因子 1735.2.5 纹理信息特征因子 1755.2.6 地形因子 1755.2.7 植被生长因子 1765.2.8 变量汇总及筛选 1775.3 递归特征消除 1785.4 机器学习模型 1785.4.1 随机森林（RF） 1785.4.2 极端梯度提升（XGBoost） 1795.4.3 CatBoost 1795.5 蒙特卡罗模拟方法 1805.6 不确定性量化方法 1815.6.1 测量不确定性 1815.6.2 参数不确定性 1825.6.3 残差不确定性 1825.6.4 不确定性合成 1835.6.5 利用遥感技术评估植被碳储量的不确定性分析 1835.7 样地尺度不确定性分析 1835.7.1 样地测量不确定性计算 1835.7.2 单木碳储量模型的不确定性计算 1845.7.3 样地尺度上的综合不确定性 1845.8 遥感估测模型的不确定性 1855.8.1 遥感变量因子选择 1855.8.2 碳储量模型构建及不确定性分析 1865.8.3 不同机器学习模型的不确定性对比与分析 1965.9 应用实践 1975.9.1 实验数据 1975.9.2 地上碳储量计算 1985.9.3 影像预处理 1985.9.4 遥感因子提取 2125.9.5 因子优选 2125.9.6 模型选择 2125.9.7 蒙特卡罗模拟计算碳储量不确定性 213第6章 基于Sentinel-1/2时间序列数据的香格里拉市高山松地上碳储量估测研究 2156.1 概述 2156.2 Sentinel-1/2多时间尺度遥感变量提取 2166.2.1 Sentinel-1变量提取 2176.2.2 Sentinel-2变量提取 2196.2.3 多季节估测模型变量构建 2226.2.4 同一变量不同时段重要性评估 2226.2.5 遥感变量优选 2236.3 Sentinel-1/2多时间尺度的地上碳储量模型的建模方法 2246.3.1 梯度提升回归树 2246.3.2 随机森林 2256.4 模型精度评估方法 2256.5 Sentinel-1/2 估测地上碳储量的能力评估 2266.5.1 变量贡献度分析 2266.5.2 对比S-1、S-2 和S-1S-2的地上碳储量模型精度 2276.6 Sentinel-1/2多时间尺度遥感估测地上碳储量的季节特性 2296.6.1 变量季节特性 2296.6.2 S-1/2多时间尺度地上碳储量模型建模结果 2306.6.3 考虑变量季节性特征的S-1S-2 地上碳储量模型估测能力评估 2356.7 香格里拉市高山松地上碳储量制图及空间分布特征分析 2386.7.1 香格里拉市高山松地上碳储量反演制图 2386.7.2 香格里拉市高山松地上碳储量空间分布特征分析 2406.8 应用研究 2426.8.1 样地数据上传及导入 2426.8.2 遥感数据调用及筛选 2426.8.3 数据预处理 2436.8.4 变量提取 2476.8.5 建模估测和反演 250第7章 基于时空滤波数据的区域高山松地上碳储量估测研究 2597.1 概述 2597.2 ATC算法 2627.2.1 算法原理 2627.2.2 算法步骤 2637.3 滤波后影像质量评价指标 2647.3.1 平均绝对误差 2647.3.2 峰值信噪比 2647.3.3 结构相似性 2657.4 ATC算法滤波后结果分析 2657.5 基于不同滤波方法的时间序列数据滤波 2697.5.1 Land-Trendr滤波 2697.5.2 Savitzky-Golay滤波 2697.5.3 中值滤波 2707.5.4 不同滤波方法结果对比 2707.6 遥感特征因子的提取 2727.6.1 地形因子 2727.6.2 遥感因子 2727.6.3 纹理因子 2747.7 碳储量建模方法 2757.7.1 多元线性回归建模 2757.7.2 随机森林回归建模 2767.7.3 梯度提升回归树建模 2767.7.4 地上碳储量估测模型评价指标 2777.8 碳储量建模精度对比 2787.8.1 多元线性回归树建模精度对比 2787.8.2 随机森林回归建模精度对比 2807.8.3 梯度提升回归树建模精度对比 2807.9 香格里拉高山松地上碳储量反演 2817.9.1 结合纹理因子的高山松地上碳储量估测模型构建 2827.9.2 高山松地上碳储量反演结果 283
|
| 內容試閱：
|
|
第1草基于Sentinel-1/2时序数据的普洱市优势树种分类与时空变化研究 1.1概述 Sentinel-2影像具有较高的时间分辨率，使其在植被监测方面的新应用成为可能。例如，Sun等（2020）对Sentinel-2影像生成的年内时间序列植被指数进行*线拟合，用于盐沼植被的识别并验证了其可行性。Baamonde等（2019）利用多时相Sentinel-2影像对伊比利亚半岛西北部保护区的土地覆盖类型进行分类，分类准确率达到84%。Hoscilo和Lewandowska（2019）发现，多时相图像与数字高程模型（DEM）数据的结合，在识别落叶林和针叶林以及区分落叶林和针叶林方面具有巨大潜力，这一点在山地森林分类中影响显著。Akbari等（2020）基于多时相Sentinel-2影像对伊朗德黑兰的盖尔诺县（Ghale-Noucountry）进行农作物制图，提高了作物制图的精度。Presson等（2018）基于多时相Sentinel影像对瑞典中部森林优势树种识别进行了研究，5月影像结合使用有助于进一步提高树种识别的准确性。Xie等（2019）利用资源三号卫星的多时相数据对内蒙古某林场的7种树种进行分类，与单*使用光谱信息相比，加入生长季影像可以显著提高分类的准确性。 Sentinel-2影像由于具有更高的时间分辨率，能在一年内对同一地区实现更高频率的回访，生成更多的特征子集，用以反映同一地物在不同时期的状态，有利于提高地物的可分离性，目前这一特性主要应用于农作物监测和森林分类等方面，在土地覆盖分类方面的研究较少（Nguyen et al.，2020）。Dalponte等（2012）利用雷达数据区分阿尔卑斯山的森林植被类型和树种，提高树种分类的准确性。在林业管理领域中，Sentinel-1卫星数据广泛极大地推动了林业服务的发展。Sentinel-1A和Sentinel-1B卫星是哥白尼系列地球观测卫星的一部分，配备了C波段合成孔径雷达技术（Torres et al.，2012），确保了全天候、全天时的地面图像获取能力，即使在极端天气条件下也能保持稳定的工作状态（孙亚勇等，2014）。Sentinel-2A卫星作为“全球环境与安全监测”计划的一部分，于2015年成功发射，搭载了包含13个光谱波段的多光谱成像仪，提供了广阔的视野范围，达到290km，其中红边波段包含三个波段，有助于植被信息的精确检测。在伊朗北部森林树种分类研究中，IRS影像表现出较高的分类精度，优于Sentinel-2A和Landsat8。此外，近红外波段和蓝光波段对于提高分类精度起到了关键作用（Soleimannejad et al.，2019）。于贵明等（2019）利用多时相Sentinel-2数据和动态时间规整（DTW）算法对温带大陆性气候区人工林场进行研究，结果表明，归一化植被指数（NDVI）特征时间序列可以有效反映植被季节变化。Jiang等（2020）基于Sentinel-2影像使用决策树对中国的主要农作物分布进行制图，根据实际调查的验证样点，其平均总体精度为94%，与全国农业普查数据的R2为0.78，表明Sentinel-2卫星数据在大规模、高分辨率作物制图中的适用性。李萌等（2020）结合Sentinel-1/2和Landsat遥感影像，使用随机森林分类法对青海云杉和祁连圆柏进行分类，分类精度达到92.85%，使用Sentinel-1A数据的后向散射信息可以大大提高树种分类精度。王长青等（2020）利用“吉林一号”光学A卫星数据和Sentinel-1数据，采用支持向量机方法对长春市净月潭国家森林公园进行分类，论证了Sentinel数据在森林管理中的实用价值。综上所述，Sentinel-1和Sentinel-2卫星数据在林业领域的应用展现了巨大的潜力，尤其是在植被分类、生物数量估算和干扰监测方面。 本研究以普洱市为研究区，研究过程有数据获取与预处理、特征提取、森林类型分类与精度评价、分类结果分析。基于GEE平台，使用多时相Sentinel-1/2影像数据，提取树种光谱特征、雷达特征、植被信息、纹理特征、地形特征和环境特征，对特征进行分类方案组合。基于分类方案使用分层分类技术和机器学习算法随机森林（RF）、支持向量机（SVM）、梯度提升决策树（GBDT）构建优势树种分类模型，探讨不同特征变量在机器学习分类算法中的表现，对比分类精度，分析普洱市思茅松、栎类、茶树、橡胶和尾叶桉的时空变化特征。 1.2特征提取与特征组合 在优势树种分类研究中，常常面临“同物异谱”和“同谱异物”现象带来的挑战，意味着不同树种可能展现出相似的光谱特征，而同一树种在不同生长阶段或环境条件下也可能表现出不同的光谱特征。这使得仅依赖地物的光谱特征进行分类时，容易出现混淆和误判。为了提高分类精度，除了光谱特征外，当下的一些研究中还引入了植被指数、纹理特征、环境特征和雷达特征。这些特征从不同角度反映了地物的属性和状态，有助于更全面地区分不同树种。然而，特征的增多也带来了新的问题。过多特征的参与不仅会降低计算机的运行速度，还可能引入冗余数据，从而干扰分类过程并降低分类精度（Chen et al.，2010;潘琛等，2010;Price et al.，2010）。目前，在植被分类研究中，常用的特征包括光谱特征、植被指数、纹理特征、环境特征和雷达特征等。这些特征在不同程度上反映了植被的生长状况和地理分布特征。选择具有代表性特征进行分类建模，通过优化模型参数和调整分类算法，提高优势树种分类的精度和稳定性。 1.2.1雷达特征提取 本书使用Sentinel-1A图像VV、VH双极化方式观测陆地。极化指雷达波束相对于地球表面的方向，是微波雷达的一个突出特点，体现了雷达波的偏振特性。无论是何种波长的雷达信号，均能发射水平或垂直方向的波，并且能够接收对应方向的反射信号（曾炜健，2022）。 后向散射系数是单位面积上的雷达散射截面。后向散射系数越大，目标回波就越强。 不同极化方式下，雷达波与地表相互作用产生的回波信号存在差异。同极化（HH或VV）情况下，电磁波的反射类似于镜面反射，而交叉极化（HV或VH）则往往产生较弱的信号，这受到地表特性如粗糙度的显著影响。不同极化方式收集到的图像信息各具特色，而相同极化方式下，不同地物的反射特性也会导致图像亮度的差异。对于SAR数据，波长与穿透性成正比；图像亮度表示后向散射的强度；表面的粗糙程度与后向散射强度成正比（张丽萍，2021;许健鹏，2020）。 Sentinel-1A数据经过预处理后，可以得到W、VH极化方式的后向散射系数。同时有研究表明，VV、VH极化特征的差值（Diff）和比值（Ratio）对分类也具有重要作用（郝斌飞等，2018）。Diff和Ratio计算公式如式（1-1）和式（1-2）所示： （1-1） （1-2） 式中，dv和分别为VV和VH的后向散射系数。 1.2.2光谱特征提取 在遥感图像中，不同地面物体的差异表现出*特的光谱反射率。光谱特征已成为识别地物的基础并有助于准确区分树种。地物的光谱特征揭示了其内在物质和结构的特性（汪权方等，2006）。Sentinel-2A影像凭借其13个光谱波段，特别是红边波段的3个波段，为树种分类提供了丰富的数据。研究针对思茅松、栎类、茶树、橡胶和尾叶桉5种树种，深入分析了它们的光谱特征。图1-1展示了10个波段下的光谱反射变化，在各波段上中，尾叶桉的反射率值均处于较高水平。茶树、橡胶及其他树种的反射率趋势相似。由于光谱差异微妙，需结合B5波段的上升趋势和B4波段的“峰谷”现象来识别绿色植被。B8A波段及红边、近红外波段的变化为树种分类提供了有力证据。因此，研究选择了Sentinel-2A影像中的B2、B3、B4、B5、B6、B7、B8、B8A、B11、B12共10个波段作为单波段因子进行研究。 图1-1树种在光谱特征上的可分离性 1.2.3植被特征提取 通过计算不同波段的光谱数据之间的比值或差异，可以提取出植被的生理特征。常见的植被指数包括NDVI、差值植被指数（DVI）、比值植被指数（RVI）、增强型植被指数（EVI）、土壤调节植被指数（SAVI）、红边归一化植被指数（NDVIre）和红边差值植被指数（DVIre）等，计算公式如式（1-3）？式（1-9）所示： （1-3） 式中，Pmr、PR分别为近红光波段和红外波段的反射率值。 （1-4） 式中，Pmr、PR分别为近红光波段和红外波段的反射率值。 （1-5） 式中，>pNir、Pr分别为近红光波段和红外波段的反射率值。 （1-6） 式中，、pr、pb分别为近红光波段、红外波段和蓝光波段的反射率值。 （1-7） 式中，广服、PR分别为近红光波段和红外波段的反射率值；SAVI中L取0.5。 （1-8） （1-9） 式中，PNIR、PR分别为近红光波段和红外波段的反射率值。 1.2.4纹理特征提取 纹理可用于描述图像或图像所对应物体的表面性质，纹理不仅取决于表面属性，还取决于图像对比度、光照角度等，它是一个变化值。纹理特征不仅涵盖了图像的灰度统计属性，还蕴含了图像的空间分布特征和结构细节。具有相似光谱特征的物体常常通过其纹理差异来识别（许文韬，2017）。纹理特征通过分析图像中灰度值的空间分布及其重复规律，有效地反映了地物的表面粗糙程度。纹理特征是不同地物的不同表达，因此纹理特征可以区分不同的地物。灰度共生矩阵作为一种**且高效的纹理特征提取方法，自1973年由Haralick提出以来，便在图像处理领域得到了广泛应用。GLCM是基于像素点对间的灰度关系来统计纹理信息的。例如，对于灰度级为H和s2的M\\N大小的图像，其空间关系灰度共生矩阵为p（s1，s2）（曹敏，2020;Haralick，1979）。 GEE平台中（张旭等，2022），利用ee.Image.glcmTexture函数得到基于GLCM方法的纹理特征图像。参数主要有窗口大小、步长和方向。经过多次实验，本研究将窗口大小设为3，步长设为1，移动方向取0°、45°、90°、135°四个方向的纹理均值。使用GEE平台自带的灰度共生矩阵纹理特征函数“glcmTexture”提取特征，所提特征种类包括方差（variance，VAR）、对比度（contrast，CON）、熵（entropy，ENT）、相关性（correlation，COR）、角二阶矩（angularsecondmoment，ASM）、相异性（dissimilarity，DIS）、反差分矩阵（inverse differential moment，IDM）和总和平均（sumaverage，SAVG）八种。 熵（ENT）表示图像灰度分布的复杂程度。图像越复杂，则图像包含的信息越多，熵值越大，公式如式（1-10）所示： （1-10） 相关性（COR）表示行元素间或列元素间的相似程度。元素间相似程度越高，相关性越低，公式如式（1-11）所示: （1-11） 对比度（CON）表示图像纹理的粗细程度。纹理越深，则对比度越大，图像越清晰，公式如式（1-11）所示： （1-12） 角二阶矩（ASM）表示图像灰度分布均匀性和纹理的粗细，公式如式（1-13）所示: （1-13） 相异性（DIS）表示图像局部变化情况。图像局部变化越大，相异性越大，公式如式（1-14）所示： （1-14） 方差（VAR）表示图像像元与像元均值之间的强度信息。像元值的分异越大，方差越大，公式如式（1-15）所示： （
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
