谷歌卫星地图下载器_谷歌高清卫星地图下载器-水经注软件论坛

 找回密码
 立即注册

QQ登录

只需一步,快速开始

扫一扫,访问微社区

查看: 240|回复: 0

遥感在森林资源调查中的应用

[复制链接]

该用户从未签到

发表于 2016-5-26 16:51 | 显示全部楼层 |阅读模式

世界各国的森林调查监测主要是围绕着可持续发展指标来采集所需要的信息。如生物多样性、森林生态系统、水土保持、碳循环、社会和经济效益等方面的内容, 不过具体的内容依调查监测的类型而异。一般来说, 森林调查按调查区域范围可分为地方性的资源调查、全国性的森林调查和全球性的监测3 种类型(李芝喜, 1994) , 其相应的监测内容有土地利用、土地覆盖、土地衰减、立地类型、土壤类型、地形、权属、可及度、生物量、森林蓄积、其他林产品、生物多样性、森林健康、野生动物、人为活动和水文等。不同的调查类型可从上述信息中选取一部分相关内容进行测定。遥感图像以其宏观,多时象,多分辨率,多波段,价格实惠等优势能够快速有效地进行森林资源调查。对于国家性、大面积的森林资源调查一般采用TM卫星影像,而地区性的则采用SPOT或Quickbird影像。

基于TM用于全国性森林资源调查

TM影像常用于覆盖范围较大全国性森林资源调查,在调查中卫星影像需要结合地面样点调查数据才能达到合适的估算精度。以活立木蓄积量的估算为例,步骤如下:

(1)研究区TM影像波段合成(通常为432合成,能突出反映植被信息)的大气纠正与几何校正;

(2)校正后的TM影像和样点位置配准到统一的坐标系中;

(3)利用样点数据估算未知点的数据;

(4)结合TM影像的光谱特征与估算出的地面数据判别林区的树种;

(5)根据树种与活立木储量的关系估算林区的活立木储量。

下图为基于TM影1987-1994年TM影像和1990-1994年的芬兰的NFI数据估算的芬兰活立木储量分布图

基于SPOT卫星影像的地区性森林资源调查。

由于SPOT影像的分辨率(SPOT-5的全色波段达5m)较TM(30m)影像有较大提高,对植被类型等信息的分辨能力更强,能够用于更高精度要求的地区性森林资源调查。

基于SPOT影像的监督分类得到的马来西亚的沙捞越(Sarawak)森林资源预调查(forest pre-inventory)图,其中伐木的路网,水体,稻田为蓝色,特别高产的森林为深绿色,高产和中等产量的森林为中绿色,次生林为浅蓝色,完全被砍伐和超低产量的森林为灰色,裸土与农业用地为橙色

对应区域的木材储量图(m3/ha)

基于RS的森林病虫害的研究

森林病虫灾害是指病害、虫害、鼠害等有害生物对森林造成的危害。传统的森林病虫害监测方法主要是通过人工到现场进行调查,很难迅速、全面、客观地反映病虫害的发生发展动态,从而难以制定有针对性的防治措施。遥感技术为及时有效地获取森林病虫害及其变化信息提供了可能。

健康的绿色植物具有典型的光谱特征。当植物生长状况发生变化时,其波谱曲线的形态也会随之改变。如植物因受到病虫害,农作物因缺乏营养和水分而生长不良时,海绵组织受到破坏,叶子的色素比例也发生变化,使得可见光区的两个吸收谷不明显。近红外光区的变化更为明显,峰值被削低,甚至消失,整个反射光谱曲线的波状特征被拉平。因此,根据受损植物与健康植物光谱曲线的比较,可以确定植物受伤害的程度。

目前遥感监测森林病虫害的主要技术与方法有:

图像处理方法

多光谱图像分类:这一方法主要用于检测病虫害导致的树冠光谱的变化。

影像差值技术:多时相数据通常可以获得比单一影像分类更高的精度,当病虫侵害导致量失叶而不是显著的光谱变化时,可以应用影像差值技术来成功地监测失叶量(单株树冠上损失的叶量)。

另外常用的还有:Gramm Schmidt 变换、主成分分析、缨帽变换、光谱混合分析、变化矢量分析(CVA) 等方法。

中国林科院资源信息研究所武红敢等在利用TM图像分类手段对松毛虫害监测的研究中取得满意成果。该研究选取了1993年11月15日,1995年12月7日,1996 年10 月22 日的TM影像数据.其合成影像如图2,其中绿色为健康森林植被,紫色为裸露土地,红或橙色为程度不同的受灾变化区域。

近红外、中红外波段对植物体的水分含量变化和叶绿素含量变化反映敏感,它们是森林变化信息的主要蕴涵波段,该研究就以1993年TM数据的4波段和5波段为基准,分别求得1995和1996年4波段和5波段相对于1993年的变化值ΔB4 ,ΔB5。为了定量分析森林的变化状况, 建立了森林质量变化的遥感监测模型, Di(t) = f(ΔB4 ,ΔB5),其中:Di是森林质量等级( Di = 1—3 ,分别代表严重、中等、健康三种情况),t为年份(分别为1995和1996)。图3展示了该地区运用遥感监测模型计算出的基于像元的分类结果。1995年的虫源地清晰准确,1996年大面积扩散。

植被指数及各种比值方法

植被指数是对地表植被状况的度量,其依据是建立在遥感植被指数与叶生物量的关系上,遭受病虫害必然导致叶生物量的变化从而反映在植被指数的变化上。因此可通过计算植被指数的变化来计算叶生物量的变化来监测森林病虫害的发生发展情况。

例如中国科学院长春地理研究所的刘志明等在对大兴安岭地区的松毛虫灾害的评估分析时,利用了比值植被指数(RVI)。这个区域在1989-1991年期间松毛虫大量爆发。研究选取了NOAA/AVHRR的1990年5月25日与7月19日 (松毛虫暴发前与暴发后的两个时相) 二次过境的数据,经处理得到比值RVI = 10*Anear/Avis 分布图,式中Anear和Avis分别为近红外通道和可见光通道测量的反射率。依据当地林业部门对松毛虫普查的数据,并结合对受害区地面实际抽样调查结果,找出了受灾与严重受灾的RVI临界值。确定RVI ≤2.6为受虫灾影响,RVI ≤2.3为严重受灾,以此得到试验区内受灾区和重灾区分布图。

光谱分析技术

表征植物生理状态的“红边”

光学参数分析从红外波段叶绿素吸收区的反射率低点到近红外波段叶片散射的反射率高点这个过渡区被称之为“红边”区。时间因素及植物病变都将影响植物的生长发育,从而使植物光谱强度和光谱特征发生改变,引起红边(680~760 nm)、蓝边(490~530 nm)斜率的变化和位置的偏移。图1中可清楚的反映了这种变化。

最大吸收深度分析

植物病变时,叶绿素含量降低,光谱红边发生相对位移,与红边相连的红吸收谷即叶绿素最大吸收峰明显变浅,植被所受损害程度愈大,其光谱吸收谷愈浅,因而利用光谱的最大吸收深度,也可定量分析植物的波谱变异特征。

导数光谱技术

导数光谱的实质是表达了植物中叶绿素、水、氮等生物化学因素吸收系数的波形变化,对其分析可以获得这些因素的含量信息。吴继友等(1995) 应用一阶导数光谱逐步判别分析法对比分析证实了细分光谱特征参量比反射率参量有更强的判别分类能力,这为使用细分光谱特征参量早期遥感探测松毛虫害提供了判别模式。

除了上述3中主要方法外还有如参数成图技术和数学统计方法等。

卫星遥感技术在森林病虫害监测领域的应用研究已有20多年的历史。从理论上、技术上和实践上都被证明是可行的,而且具有比常规地面调查方法不可比拟的优越性,但从目前来看,该领域的研究仍处于试验研究的起步阶段,还有待进行更为深入和全面的理论和应用研究,只有这样才能普及和应用。

遥感在森林火灾监测中的应用

森林是是一种宝贵的自然资源,它不仅为人类社会提供木材和林副产品外,还给人类生产、生活带来多种效益,如美化景观、保护自然、净化空气、改善环境、旅游娱乐、涵养水源、调节气候、保障农牧业发展等等。因此,森林火灾的预防与监测意义重大。森林火灾的传统监测方法是依靠地面人力和飞机进行监测, 不但费用高, 而且工作繁杂。遥感图像是一种相对廉价的关于地面的信息载体,利用遥感技术可以监测热点预测森林中那些地方可能发生火灾,也可以对已发生火灾进行实时监测,是对防森林火灾进行有效预放和对已发生火灾的进行监测重要方法。

NOAA/AVHRR在森林火灾监测中的应用

目标:利用NOAA/AVHRR进行大范围快速实时监测林火发展动态,精确确定火场边界,火灾面积

原理:NOAA 气象卫星上搭载了AVHRR辐射仪,尽管地物分辨率较低,星下点为1.1 km, 但对温度的监测能力较强, 能分辨0.1 hm2大小的热点,NOAA卫星时间分辨率较高,适合于大面积森林火灾的动态监测。NOAA/AVHRR的光谱响应与特性见表1。

表1 NOAA/AVHRR光谱响应与特性

AVHRR的Ch3对温度很敏感,该通道的亮温是识别火点的重要参数,但由于暖背景和云层的干扰,常导致火点的误判。实际运用中判断火点时通过设置恰当的阈值来消除以上影响,如用T3-T4大于某阈值可以消除暖背景的干扰,ch2的反射率小于某阈值来消除云和其他高反射率地表的干扰(卿清涛,2004),不同的地区会设置适合自己的阈值。中国气象局卫星中心采用的一种阈值是:

T3 > 318K, R1 < 0112 , - 01001 < R2 - R1 < 010 ,15K

(注:T代表温度,R代表反射率)

(参考文献:卿清涛,NOAA/ AVHRR遥感监测森林火灾的准确性研究,四川气象,2004.4)

图1 国家减灾中心卫星遥感部利用2006年5月29日12:53时的NOAA18/AVHRR卫星影像监测黑龙江黑河市和内蒙古呼伦贝尔鄂伦春旗的森林火灾

EOS-MODIS在森林火灾监测中的应用

目标:

利用MODIS 数据对森林火灾进行预警和准确定位。

原理:

利用MODIS影像进行火灾监测中火点的识别是重点,是基于火点像元亮温特征及其与背景之间的亮温偏差。主要要用到了以下数据:

A. 第1,2通道的未经修正的地面反射率。第1通道用于云监测,它与第2通道一起可消除耀斑。

B. 第21,22和31通道的辐射率。第21,22通道波长为 4μm ,第31通道波长为11μm,它们的辐射强度越大 ,地物温度越高,用于估算像元亮温。

C. 第6,7通道。这两个通道用于与其他通道彩色合成突出火点。

国家 MODIS 数据共享中心采用的火点识别的具体步骤如下:

云检测及卫星扫描角订正

在对所有陆地像素提取火点信息时,用 MODIS 云检测算法确定云。如果厚云在 0.66μm 通道的反照率大于 0.2 ,那么就可以认为不会有火点信号穿过这些云。卫星扫描角限制在 45度 之内。

大气订正

应用 T 4 和 T 11 的组合来订正气体的吸收。小云块会减少 11μm 通道火点的温度且会影响这一通道的水汽订正。 (T4代表4μm波长通道的亮温,T11代表11μm波长通道的亮温)

提取背景信息

需要建立被监测点与其周围像素点温度间的关系。周围像素点用于背景温度估计(或非火像元温度估计)。在此方法中,假定火点像素背景温度与周围像素温度间的相关性随像素间距离的增加而减小。确定背景温度时,要求所有分析点中要有不低于 25% 的点为非火像元,分析区的大小可调,直到 25% 的要求达到满足。提取背景信息时滤除火点的条件为: ΔT 41 = T 4 -T 11 > 20 K (夜间为10K ); T 4 > 320K (夜间为315K )。排除这些火点后。就可以得到 11μm 通道的背景温度( T 11b )和它的标准偏差( δT 11b )。用同样的方式,可以计算得到 T 4b 和 δT 4b 。进一步,可以计算 4μm 和 11μm 两个通道背景温度差的中值( ΔT 41b )和标准偏差( δΔT 41b )

火点确认

所有满足 T 4 <315K (夜间 305K )或 ΔT 41 < 5K ( 3K )的像素都不是火点。如果一个像素点同时满足如下的 5 项条件 { ( A or B ) and ( a or b ) or ( X ) } ,就可以将该点确认为火点。(如果标准差( δT 4b 和 δΔT 41b )小于 2K ,那么就用 2K 来代替):

A : T 4 > T 4b 十 4δT 4b(式中如果 T 4b 小于 2K , 则设定 T 4b = 2K );

a : ΔT 41 >ΔT 41b +4δT 41b ;

B : T 4 >320K (夜间 T 4 >315K );

b : T 41 >20K (夜间 T 41 >10K );

X : T 4 >360K (夜间 T 4 >330K )。

耀斑的滤除

白天如果 第1 和 2 两个通道的反射率都大于 0.3 (相当 4μm 通道的亮温达 312K ),且耀斑角小于 40 ,可以排除这点是火点的可能性。 综合以上五步便可准确识别出火点。

2002 年 3 月 30 日 Terra/MODIS 观测到的火点(红框内), 地点在黑龙江省东部,俄罗斯境内,使用 MODIS 7,2,1假彩色合成,分辨率 1km 。图中裸地呈现暗红色,火点为亮红色,云层为青色,植被为暗绿色

红框对应的MODIS影像,左图使用 23,2,1假彩色合成,右图使用 7,2,1假彩色合成

SPOT在森林火灾监测中的应用

目标:SPOT-4影像进行地区的实时的火点精确定位与火灾预警

原理:

采用假彩色合成进行火灾的探测也是行之有效的方法之一,在SPOT-1,SPOT-2中传统的合成方案是 321合成,林火通过烟气羽流来探测(见图4),但容易受云层干扰。SPOT-4的传感器增加了对高温敏感的短波红外波段(SWIR,第4波段) ,SPOT-4 432假彩色合成可探测出热点(见图5),但这种合成方案的一个缺点是烟气羽流经常过窄而不能探测烟气羽流的大小。然而,用3波段和1波段的平均DN值来代替原来的3波段DN值,进行4,Mean(3+1),1假彩色合成,活动火与烟气羽流都清晰可见(见图6),能更准确地探测火灾。

321假彩色合成图像,林火通过烟气羽流来探测

432假彩色合成,热点很明显,烟气羽流较左图窄

热点和烟气羽流都很明显

IKONOS

IKONOS影像 拥有4m的彩色分辨率和1m的全色分辨率,在局部森林火灾监测中得到了良好的应用。

应用一:

地表火与树冠火蔓延区域的区分与制图在大火的行为,监督和影响研究中有着重要的应用。卫星遥感提供了合适的燃烧区域范围制图,也提供了火灾后的相关信息(如燃烧的类型和严重性)。

(1)目标:

利用高分辨率图像绘制火灾类型图而开发一种基于对象的分类模型。具体的目标是:(i)区分地表火与树冠火;(ii)使用地块调查数据获取精确的分类结果。

(2)实现方法:

实现方法包括两步,影像分割和影像分类。首先,利用多分辨率分割处理在不同的测度下提取影像对象。然后,通过光谱信息(NDVI,归一化植被差异指数和NIR,比辐射指数)和上下文信息共同对对象进行分类。

希腊萨索斯岛东北部火灾区域的原始IKNOS影像

基于IKONOS影像的火灾类型分类结果 (白线为火灾区域,深灰色的为树冠火燃烧区域,浅灰色为地表火燃烧区域)


回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

申请友链|手机版|小黑屋|Archiver|谷歌卫星地图下载器_谷歌高清卫星地图下载器-水经注软件论 ( 蜀ICP备05030520号

返回顶部
x

扫描二维码加群

GMT+8, 2021-9-29 00:26 , Processed in 0.112339 second(s), 33 queries .

Powered by Discuz! X3.2

© 2001-2013 Comsenz Inc.

快速回复 返回顶部 返回列表