国土资源遥感, 2021, 33(1): 214-220 doi: 10.6046/gtzyyg.2020178

技术应用

基于TM影像的西伯利亚北方森林覆盖度近30 a空间变化研究

田雷,1,2, 傅文学,1, 孙燕武1, 荆林海1, 邱玉宝1, 李新武1

1.中国科学院空天信息创新研究院数字地球重点实验室,北京 100094

2.安徽理工大学空间信息与测绘工程学院,淮南 232001

Research on spatial change of the boreal forest cover in Siberia over the past 30 years based on TM images

TIAN Lei,1,2, FU Wenxue,1, SUN Yanwu1, JING Linhai1, QIU Yubao1, LI Xinwu1

1. Key Laboratory of Digital Earth, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China

2. School of Geomatics, Anhui University of Science and Technology, Huainan 232001, China

通讯作者: 傅文学(1977-),男,博士,副研究员,主要从事遥感机理与应用研究。Email:fuwx@aircas.ac.cn。

责任编辑: 陈理

收稿日期: 2020-06-17   修回日期: 2020-07-28   网络出版日期: 2021-03-15

基金资助: 中国科学院战略先导科技专项项目(A类)子课题“国际三极科学数据共享网络”.  XDA19070102
国家重点研发计划项目“综合自然和人类活动影响的土地利用变化遥感监测研究”共同资助.  2017YFE0100800

Received: 2020-06-17   Revised: 2020-07-28   Online: 2021-03-15

作者简介 About authors

田 雷(1994-),男,硕士研究生,主要从事遥感图像处理与应用。Email: richard_dada@outlook.com。

摘要

在全球变暖的背景下,研究西伯利亚北方森林覆盖的长时间尺度空间变化特征不仅对全球气候变化研究和可持续发展有着重要意义,也为进一步研究北方森林变化对气候变化的响应提供支撑。以1985年和2015年2期Landsat TM/OLI为数据源,选取俄罗斯克拉斯诺亚尔斯克边疆区为西伯利亚北方森林典型研究区,采用决策树分类法得到研究区2期森林覆盖分类图,并采用高分二号(GF-2)影像随机选点验证,分类精度达到94.53%。对2期森林覆盖分类图在N51°~69° 纬度范围内以2° 为区间进行纬度分割并开展空间叠加分析,定量化分析每个纬度带内森林覆盖空间变化信息及其空间变化规律。结果表明: 近30 a来,西伯利亚北方森林变化显著,森林总体覆盖度由1985年的75.42%增加到2015年的80.53%,增加了5.11百分点。同时,不同纬度带林地面积变化率有较大的差异: N67°~69° 纬度带林地面积变化率最高,N63°~65° 纬度带次之,N57°~59° 纬度带最低。总体上看,森林覆盖度在各个纬度内都出现了不同程度的增加,在N63°~67° 纬度带内增加最显著; N57°~63° 纬度带森林覆盖度变化相对平稳; 而N51°~57° 纬度带内森林覆盖度增加量随着纬度的降低而降低。

关键词： TM影像 ; 北方森林 ; 森林覆盖度 ; 西伯利亚 ; 空间变化

Abstract

In the context of global warming, the study of the long-term spatial change characteristics of the boreal forest cover not only is important for global climate change and sustainable development research but also can provide the support for the further research on the response of the boreal forest changes to climate change. The data sources were Landsat TM/OLI images with 2 temporal series in summer season from 1985 and 2015, respectively. The Krasnoyarsk region in Russia was selected as the typical research area of the boreal forest in Siberia. The forest cover in 1985 and 2015 was classified based on the decision tree method and verification with random sample points of GF-2 satellite images, and the classification accuracy was 94.53%. The information of the dynamic spatial distribution of forest cover was quantified through latitude zones with 2° interval in the range of N51°~69° and the spatial overlay analysis for the dynamic forest cover maps of the two periods. The results show that, in the past 30 years, the boreal forest cover in Siberia changed significantly, and the overall forest cover changed from 75.42% in 1985 to 80.53% in 2015, increasing by 5.11 percentage points. Simultaneously, the changes of forest land area were different with each latitude zones: the highest change rate occurred in the latitude zone N65°~67°, followed by the latitude zone N67°~69° and the lowest was in N57°~59°. Overall, the forest cover increased in all latitude zones, the most significant increase was in N63°~67°; the change of forest cover was relatively stable in N57°~63° and the increase of forest cover decreased with the latitude zone in N51°~57°.

Keywords： TM images ; boreal forest ; forest coverage ; Siberia ; spatial change

PDF (2702KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

田雷, 傅文学, 孙燕武, 荆林海, 邱玉宝, 李新武. 基于TM影像的西伯利亚北方森林覆盖度近30 a空间变化研究. 国土资源遥感[J], 2021, 33(1): 214-220 doi:10.6046/gtzyyg.2020178

TIAN Lei, FU Wenxue, SUN Yanwu, JING Linhai, QIU Yubao, LI Xinwu. Research on spatial change of the boreal forest cover in Siberia over the past 30 years based on TM images. REMOTE SENSING FOR LAND & RESOURCES[J], 2021, 33(1): 214-220 doi:10.6046/gtzyyg.2020178

0 引言

全球变暖导致世界气候产生显著变化,1951—2012年间,地球表面的平均温度上升了约0.72 ℃,石化燃料的大量使用以及大规模毁林所导致的大气中温室气体尤其是二氧化碳(CO2)浓度的不断升高是造成全球气候变化的主因[1]。据《2015年全球森林资源评估报告》显示: 全球森林面积为39.99亿hm2,是陆地重要的碳库[2]。作为地球上分布面积最广、结构最为复杂的陆地生态系统,全球森林在2006—2015年吸收了超过1/4的全球碳排放[3]。因此,森林是全球碳循环系统中一个重要的组成部分,能够对大气层温室气体的浓度带来重大影响,对于全球气候调节起着无可替代的作用[4,5,6]。

北方森林区约占全球森林面积的30%,主要分布于北美和欧亚大陆,其中: 60%位于俄罗斯,28%位于加拿大,其余12%分布于中国、芬兰、挪威、瑞典等10多个北半球国家[7,8]。作为巨大的碳库,北方森林在全球碳平衡和应对气候变化中具有重要的地位,同时也是受气候变化最敏感的地区之一,其动态变化是促进全球变化重要的因子,因此在与全球气候系统的耦合中,存在极强的交互作用。在全球变暖背景下,监测北方森林长时间尺度的空间变化特征,对全球气候变化研究和可持续发展有着实际意义。

森林覆盖变化主要体现在受人为和自然因素导致的林地与非林地之间的变化[9]。遥感技术的快速发展,使得获取大范围地区长时间序列的森林覆盖变化信息成为可能,极大地改善了过去依靠外业耗时耗力的局面。国内外研究学者已在利用多源遥感技术监测森林覆盖变化方面做了大量研究,在不同尺度上发展了一系列实用可靠的技术方法,并取得较好的结果。在低空间分辨率数据方面,覃先林等[10]利用MODIS数据,分别采用红光-近红外法、共生矩阵纹理法和基于相似度的变化监测方法,对我国东北林区的森林覆盖变化监测方法进行研究,对比验证表明基于相似度的变化监测方法正确度最高(80%以上)。但由于影像空间分辨率低,结果误差大,较适宜于对大区域的森林覆盖变化进行监测。高空间分辨率数据覆盖范围小,更适用于小尺度精细分析。王荣等[11]以IKONOS影像为数据源,利用面向对象多尺度分割算法、Sobel算子边缘检测及骨架线提取等方法,构建纹理线条密度指数(TLDI)对纳版河自然保护区的天然林与人工林进行分类,研究表明: 与常用的植被特征指数和纹理特征指数相比,TLDI指数的离散度更好、分类效果更佳,可以有效地提取森林内部天然林与人工林植被覆盖信息; Wilson等[12]利用归一化植被指数(normalized difference vegetation index,NDVI)和归一化差异水分指数(normalized difference water index,NDWI)对时间序列Landsat专题图图像进行分类以检测森林采伐水平并比较了两者的多重分类精度; 任冲等[13]以1988—2015年5期夏季Landsat TM/OLI遥感影像为主要数据源,利用随机森林和参数优化支持向量机分类器对土地覆盖类型进行分类,获得了天水市近30 a林地动态变化信息; 姜洋等[14]利用不同时相的Landsat TM/ETM+为数据源,采用面向对象和基于多级决策树的分类方法得到了浙江省2000年、2005年、2010年的森林植被覆被图,并通过专题图分析获取了浙江省森林资源动态变化的空间分布信息。这些研究的结果表明Landsat系列数据可以兼顾大尺度与较精细分辨率的优势,在大范围的森林研究中发挥重要的作用。但是以上研究工作只考虑了森林整体的变化,没有顾及到森林变化随纬度的空间变化规律。

本文选取西伯利亚森林受人类活动影响较少的典型研究区,定量化研究近30 a森林覆盖度的总体变化及随纬度的空间变化规律,为分析该区域对全球变化的响应提供参考。

1 研究区概况及数据源

1.1 研究区概况

本文选取西伯利亚北方森林典型区俄罗斯克拉斯诺亚尔斯克边疆区北方森林区为研究区,地理位置见图1。研究区位于西伯利亚中部,空间范围在E81°~102°,N51°~69°之间。该研究区的气候为典型的大陆性气候,气温变化剧烈,冬季漫长,夏季短促。1月份平均温度北部达-36 ℃,南部达-18 ℃; 7月份的平均温度北部为10 ℃,南部为20 ℃,年平均降水量约316 mm。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区地理位置示意图

Fig.1   Location of the study area


北方森林地理区系主要由云杉(Picea asperata Mast.)、松树(Pinus)、冷杉(Abies fabri (Mast.) Craib)和落叶松(Larix gmelinii (Rupr.) Kuzen)等针叶树以及桦木(Betula)、杨树(PopulusL)、柳树(Salix)和桤木(Alnus cremastogyne Burk)等阔叶树组成。尽管北方森林生态系统物种组成相对简单,但北方森林区无论是平均温度还是降水均表现出了与全球一致的变化趋势,并且变化幅度要比全球平均趋势更为剧烈[15,16]。该研究区人类活动较少,只在N53°~57° 纬度带内存在少量的城市及农田区,因此研究区内森林的变化总体上可以体现自然因素的影响。

1.2 数据源

采用的数据为完全覆盖研究区的1985年Landsat 5 TM与2015年Landsat 8 OLI 2期夏季时相遥感影像,数据来源于USGS(http: //glovis.usgs.gov/),共149景影像。影像时间主要集中在6—9月,云量小于5%,产品级别L1T。对于当年数据缺失的影像,采用相邻或邻近年份的数据补全,时相差异不超过2 a。

2 数据处理、分类及评价

2.1 数据预处理

影像数据预处理包括辐射定标、大气校正、几何纠正、去云处理、镶嵌以及裁剪等,如图2所示。其中影像去云是通过薄云优化变换(haze optimized transformation,HOT)进行遥感影像薄云识别与去除。主要原理是利用影像中无云区地物的蓝光波段和红光波段的高度相关性确定晴空线,然后计算云区的像元相对于晴空线的偏移距离(HOT),最后依据HOT的大小实现薄云的自动探测与去除[17]。HOT计算公式为:

HOT=ρBLUEsinθ-ρREDcosθ-Icosθ,

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   TM/OLI影像预处理流程

Fig.2   Preprocessing flowchart of TM/OLI scenes


式中: ρBLUE和ρRED分别为TM/OLI影像的蓝光波段和红光波段的反射率; I为晴空线的截距; θ为晴空线的倾度。

2.2 森林覆盖分类

森林覆盖分类采用决策树分类法[18],根据影像的不同特征,利用训练空间实体集产生规则和发现规律; 其次根据不同取值建立树的分支,在每个分支子集中重复建立下层结点和分支,以树型结构表示分类或决策集合; 最后形成决策树,从而将研究区划分为有林地和无林地2种地类。选用归一化植被指数(normalized difference vegetation index,NDVI)、比值植被指数(ratio vegetation index,RVI)以及近红外波段进行有林地和无林地的分类。NDVI作为遥感估算植被信息中最常用的植被指数,能有效地削弱复杂地形对影像信息提取的不利影响,增强植被与其他地类的区分度,有助于提高森林信息提取的精度和可信度,其公式为:

NDVI=(ρNIR-ρRED)/(ρNIR+ρRED),

式中ρNIR为影像的近红外波段的反射率。

RVI能较好地反映植被生长状况和覆盖度的差异,特别适用于植被生长旺盛、具有高覆盖度的植被监测,RVI计算公式为:

RVI=ρNIR/ρRED。

以上2种植被指数可有效区分有林地和无林地,但对于部分植被覆盖度较高的无林地(如农用地)分类效果较差。研究发现不同植物在近红外波段(0.76~0.90 μm)的光谱反射峰值不同[19],近红外波段对不同植物叶片内部结构不同引起的反射率差异甚为敏感,因此可用近红外波段来进行有林地和其他植被的区分。根据这一特性,本研究通过样本训练确定有林地和农用地在近红外波段的最佳区分阈值范围,采用决策树算法进行分类,如图3所示。基于样本训练确定定量的决策树分类规则: NDVI值大于0.52且RVI值大于6作为植被对象,否则作为非植被对象; 选取上层分类的植被对象的近红外波段值小于3 788(反射率经大气校正后扩大了104倍)的作为有林地对象,否则作为非林地对象。最后,将第一层非植被对象和第二层无林地对象合并作为最终的无林地分类结果,第二层有林地对象作为最终有林地分类结果。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   TM/OLI影像决策树分类模型

Fig.3   TM/OLI scenes classification based on decision tree classification model


2.3 精度评价

为验证分类精度和可靠性,选取了2015年同时期4景高分辨率遥感影像高分二号数据(全色谱段空间分辨率为0.81 m)进行分类结果验证,在高分二号影像上随机选取均匀分布的987个有代表性的独立检验样本进行精度验证。选用总体分类精度和Kappa系数作为验证指标。

1)总体分类精度。总体分类精度是指被正确分类的像元总数占总像元数的比例,即

P0=(∑i=1mPii)/N,

式中: P0为分类的总体精度; m为分类的类别数; N为样本总数; Pii为第i类被正确分类的样本数目。

2)总体Kappa系数。Kappa系数是由Cohen在1960年提出的用于评价遥感图像分类正确程度和比较图件一致性的指数[20],即

Kappa=(P0-Pe)/(1-Pe),
Pe=a1b1+a2b2+…+ambmNN,

式中:a1,a2,…,am分别为每一类的真实样本个数; b1,b2,…,bm分别为预测的每一类样本个数。

3 结果与分析

3.1 分类结果

对1985年、2015年Landsat TM/OLI影像采用决策树法进行分类,并将分类结果中的图斑进行主要分析处理,以去除图斑噪声的影响,结果如图4所示。通过精度评价结果表明本研究所采用的决策树分类方法总体分类精度为94.53%,Kappa系数为0.870,分类结果可靠,可满足于大区域、复杂地形的植被/森林覆盖度变化监测。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   1985年和2015年研究区森林覆盖

Fig.4   Forest cover in 1985 and 2015


3.2 结果分析

为了更好地描述研究近30 a西伯利亚北方森林覆盖度的空间变化信息,对研究区进行2° 纬度带间隔分割,并分别统计每个纬度带内森林覆盖信息,统计信息见表1。其中,面积变化率表示1985—2015年有林地面积增加量与1985年有林地面积之比; 覆盖度变化表示研究区单位面积的林地变化量,从林地面积变化率和覆盖度的增加量上分别体现有林地的变化程度。

表1   1985年和2015年森林覆盖信息统计

Tab.1  Statistics of forest cover information in 1985 and 2015

纬度总面积/km21985年2015年1985—2015年
面积/km2覆盖度/%面积/km2覆盖度/%面积增加
量/km2		面积变
化率/%		覆盖度变
化百分点
N 67°~69°19 596.455 838.9329.806 731.2434.35892.3115.284.55
N 65°~67°58 813.1832 255.7754.8440 192.9968.347 937.2324.6113.50
N 63°~65°58 364.0940 083.9968.6845 243.3477.525 159.3512.878.84
N 61°~63°66 364.1555 911.3784.2556 952.2885.821 040.921.861.57
N 59°~61°130 507.24106 668.6681.73110 896.3684.974 227.703.963.24
N 57°~59°155 232.73139 694.2089.99141 250.6790.991 556.471.111.00
N 55°~57°114 456.6779 057.5169.0788 167.8877.039 110.3811.527.96
N 53°~55°77 579.5853 261.0468.6558 131.1974.934 870.159.146.28
N 51°~53°33 564.2726 059.5877.6427 744.8082.661 685.216.475.02
总计714 478.36538 831.0575.42575 310.7780.5336 479.726.775.11

新窗口打开| 下载CSV


经统计分析得知研究区内森林1985年的森林面积为538 831.05 km2,森林覆盖度为75.42%; 2015年的森林面积为575 310.77 km2,森林覆盖度为80.53%。经过近30 a的变化,研究区森林面积增加了36 479.72 km2,森林覆盖度增加了5.11百分点,森林面积和覆盖度总体上都呈现增加的趋势。对2期森林覆盖情况进行空间变化叠加分析,得到1985—2015年研究区北方森林覆盖变化的空间分布,如图5所示。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   森林覆盖动态变化监测结果

Fig.5   Monitoring results of dynamic changes of forest cover based on classification results


由图5和表1可以看出,近30 a研究区在N63°~69° 纬度带内面积变化率较高: 其中,N67°~69° 纬度带有林地增加面积为892.31 km2,面积变化率为15.28%,森林覆盖度增加了4.55百分点; N65°~67° 纬度带有林地增加面积为7 937.23 km2,面积变化率为24.61%,森林覆盖度增加了13.50百分点; N63°~65° 纬度带有林地增加面积为5 159.35 km2,面积变化率为12.87%,森林覆盖度增加了8.84百分点。在这些纬度带内,森林覆盖度增加最为显著,表明对气候的响应更敏感,受气候变化的影响更强。

在N57°~63° 纬度带,研究区的有林地和无林地空间变化相对平稳,从图5上看,整体上表现为无变化的黄色区域,森林覆盖度增加缓慢: 不同纬度带增加比例分别为1.57(N61°~63°),3.24(N59°~61°),1.00(N57°~59°)百分点。表明该纬度带森林受气候变化影响较小,面积和覆盖度都呈现出稳定的趋势。

而在N51°~57° 纬度带内有少量的城市和农业区,人类活动对林地变化产生了一定的影响,但总体上森林存在着增加的趋势。统计发现森林覆盖度增加量随着纬度的降低而降低: N55°~57° 纬度带有林地增加面积为9 110.38 km2,森林覆盖度增加了7.96百分点,N53°~55° 纬度带有林地增加面积为4 870.15 km2,森林覆盖度增加了6.28百分点,N51°~53° 纬度带有林地增加面积为1 685.21 km2,森林覆盖度增加了5.02百分点。

图5也展示了有林地与无林地的相互转化,其中绿色为无林地转化为有林地,表示林地的增加部分; 而红色为有林地转化为有林地,表示林地的砍伐或退化; 黄色为无变化,保持了原有林地的部分; 灰色为无林地。统计分析表明: 研究区1985—2015年无林地转化为有林地为7.94%,有林地转化为无林地为2.83%,有林地面积净增加5.11%。有林地增加区域主要分布在N53°~55°,N55°~57°,N63°~65°和N65°~67° 纬度带; 有林地减少区域主要分布在N55°~57°和N57°~59° 纬度带。

由此可见,研究区内北方森林覆盖总体上呈现增加趋势,但不同纬度带的增加率明显不同。已有研究利用AVHRR数据,分析了CO2大气浓度年增幅40%对北半球高纬度地区植被生长增加的驱动过程[21,22],与本研究西伯利亚北方森林覆盖度变化规律表现出较强的一致性,表明气候变化是北方森林覆盖增长的一个重要驱动因素。同时不同纬度带内温度和降雨的差异性,可能是西伯利亚北方森林覆盖度变化在不同纬度带表现不同的原因,但对于响应机制以及复杂的耦合过程还需进一步研究。

4 结论

利用1985年和2015年2期Landsat遥感数据研究了西伯利亚典型研究区北方森林近30 a的总体森林面积空间变化和森林覆盖变化规律。同时对研究区进行2° 纬度带间隔分割,定量化分析了不同纬度带内森林面积和覆盖度变化,主要结论如下:

1)近30 a来,西伯利亚北方森林覆盖度变化显著,总体森林覆盖度由1985年的75.42%增加到2015年的80.53%,森林覆盖度增加了5.11百分点。

2)西伯利亚北方森林在不同纬度带内有林地面积变化出现了较大的差异: 在N65°~67° 纬度带内有林地面积变化率最高,变化率达到24.61%,森林覆盖度增加了13.50百分点; 在N67°~69° 纬度带有林地面积变化率次之,变化率为15.28%,森林覆盖度增加了4.55百分点; 在N57°~59° 纬度带内有林地面积变化率最低,变化率为1.11%,森林覆盖度增加了1.00百分点。

3)总体上看,西伯利亚北方森林有林地面积在各个纬度带内都出现了不同程度的增加,增加区域主要分布在N63°~67° 纬度带和N53°~57° 纬度带; 有林地减少区域主要分布在N55°~59° 纬度带。在N63°~67° 纬度带内森林覆盖度增加最显著,不同纬度带增加比例分别为: 8.84(N63°~65°)和13.50(N65°~67°)百分点; 在N57°~63° 纬度带森林覆盖度变化相对平稳,不同纬度带增加比例分别为1.00(N57°~59°),3.24(N59°~61°)和1.57(N61°~63°)百分点; 在N51°~57° 纬度带内森林覆盖度增加量随着纬度的降低而降低,不同纬度带增加比例分别为7.96(N55°~57°),6.28(N53°~55°)和5.02(N51°~55°)百分点。

参考文献

Edenhofer O, Madruga P R, Sokona Y, et al.

Intergovernmental panel on climate change

[C]// Climate change 2014:Mitigation of climate change.Contribution of Working Group III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. New York: Cambridge University Press, 2014.

[本文引用: 1]

Food and Agriculture Organization of the United Nations.

Global forest resources assessment 2015:How are the world’s forests changing

[M]. Rome:Food and Agriculture Organization of the United Nations, 2015.

[本文引用: 1]

Corinne L Q, Andrew R M, Canadell J G, et al.

Global carbon budget 2016

[J]. Earth System Science Data, 2016,7(1):47-85.

[本文引用: 1]

Grassi G, House J, Dentener F, et al.

The key role of forests in meeting climate targets requires science for credible mitigation

[J]. Nature Climate Change, 2017,7(3):220-226.

[本文引用: 1]

Pan Y, Birdsey R A, Fang J.

A large and persistent carbon sink in the world’s forests

[J]. Science, 2011,333:988-993.

DOI:10.1126/science.1201609      URL     PMID:21764754      [本文引用: 1]

The terrestrial carbon sink has been large in recent decades, but its size and location remain uncertain. Using forest inventory data and long-term ecosystem carbon studies, we estimate a total forest sink of 2.4 +/- 0.4 petagrams of carbon per year (Pg C year(-1)) globally for 1990 to 2007. We also estimate a source of 1.3 +/- 0.7 Pg C year(-1) from tropical land-use change, consisting of a gross tropical deforestation emission of 2.9 +/- 0.5 Pg C year(-1) partially compensated by a carbon sink in tropical forest regrowth of 1.6 +/- 0.5 Pg C year(-1). Together, the fluxes comprise a net global forest sink of 1.1 +/- 0.8 Pg C year(-1), with tropical estimates having the largest uncertainties. Our total forest sink estimate is equivalent in magnitude to the terrestrial sink deduced from fossil fuel emissions and land-use change sources minus ocean and atmospheric sinks.

李剑泉, 李智勇, 易浩若.

森林与全球气候变化的关系

[J]. 西北林学院学报, 2010,25(4):23-28.

[本文引用: 1]

Li J Q, Li Z Y, Yi H R.

Interaetion relation between forestand global climate change

[J]. Journal of Northwest Forestry University, 2010,25(4):23-28.

[本文引用: 1]

Stocks B J, Lynham T J.

Fire weather climatology in Canada and Russia

[M]. Boston:Kluwer Academic Publishers, 1996.

[本文引用: 1]

Larsen J A. The boreal ecosystem[M]. New York: Academic Press, 1980.

[本文引用: 1]

吴雪琼, 覃先林, 周汝良, 等.

森林覆盖变化遥感监测方法研究进展

[J]. 林业资源管理, 2010(4):82-87.

[本文引用: 1]

Wu X Q, Qin X L, Zhou R L, et al.

Progress of study on forest cover change detection by using remote sensing technique

[J]. Forest Resources Management, 2010(4):82-87.

[本文引用: 1]

覃先林, 陈尔学, 李增元, 等.

基于MODIS数据的森林覆盖变化监测方法研究

[J]. 遥感技术与应用, 2006,21(3):178-183.

[本文引用: 1]

Qin X L, Chen E X, Li Z Y, et al.

Forest cover change monitoring using MODIS data

[J]. Remote Sensing Technology and Application, 2006,21(3):178-183.

[本文引用: 1]

王荣, 江东, 韩惠, 等.

高分辨率遥感影像天然林与人工林植被覆盖信息提取

[J]. 资源科学, 2013,35(4):868-874.

[本文引用: 1]

Wang R, Jiang D, Han H, et al.

Extracting natural and artificial forest information based on high resolution remote sensing data

[J]. Resources Science, 2013,35(4):868-874.

[本文引用: 1]

Wilson E H, Sader S A.

Detection of forest harvest type using multiple dates of Landsat TM imagery

[J]. Remote Sensing of Environment, 2002,80(3):385-396.

[本文引用: 1]

任冲, 鞠洪波, 张怀清, 等.

天水市近30年林地动态变化遥感监测研究

[J]. 林业科学研究, 2017,30(1):25-33.

[本文引用: 1]

Ren C, Ju H B, Zhang H Q, et al.

Research on remote sensing monitoring technology of forest land dynamic change in Tianshui in recent 30 years

[J]. Forest Research, 2017,30(1):25-33.

[本文引用: 1]

姜洋, 李艳.

浙江省森林信息提取及其变化的空间分布

[J]. 生态学报, 2014,34(24):7261-7270.

[本文引用: 1]

Jiang Y, Li Y.

The extraction of forest information and the spatial distribution of its change in Zhejiang Province

[J]. Acta Ecologica Sinica, 2014,34(24):7261-7270.

[本文引用: 1]

Serreze M C, Walsh J E, Chapin F S, et al.

Observational evidence of recent change in the northern high-latitude environment

[J]. Climatic Change, 2000,46(1-2):159-207.

[本文引用: 1]

Stocker T F, Qin D, Plattner G K, et al. Climate change:The physical science basis[M]. Cambridge: Cambridge University Press, 2013.

[本文引用: 1]

李存军, 刘良云, 王纪华, 等.

基于Landsat影像自身特征的薄云自动探测与去除

[J]. 浙江大学学报(工学版), 2006,40(1):10-13.

[本文引用: 1]

Li C J, Liu L Y, Wang J H, et al.

Automatic detection and removal of thin haze based on own features of Landsat image

[J]. Journal of Zhejiang University(Engineering Science), 2006,40(1):10-13.

URL     [本文引用: 1]

李德仁, 王树良, 李德毅, 等.

论空间数据挖掘和知识发现的理论与方法

[J]. 武汉大学学报(信息科学版), 2002,27(3):221-233.

[本文引用: 1]

Li D R, Wang S L, Li D Y, et al.

Theories and technologies of spatial data mining and knowledge discovery

[J]. Geomatics and Information Science of Wuhan University, 2002,27(3):221-223.

[本文引用: 1]

胡德勇, 邓磊, 林文鹏. 遥感图像处理原理和方法[M]. 北京: 测绘出版社, 2014.

[本文引用: 1]

Hu D Y, Deng L, Lin W P. Principle and methods of remote sensing image processing[M]. Beijing: Surveying and Mapping Publishing House, 2014.

[本文引用: 1]

刘淼, 胡远满, 布仁仓, 等.

基于RS和GIS的松潘县景观变化研究

[J]. 辽宁工程技术大学学报, 2007,26(3):351-353.

[本文引用: 1]

Liu M, Hu Y M, Bu R C, et al.

Study on landscape change based on RS and GIS in Songpan County

[J]. Journal of Liaoning Technical University, 2007,26(3):351-353.

[本文引用: 1]

Myneni R, Keeling C, Tucker C, et al.

Increased plant growth in the northern high latitudes from 1981 to 1991

[J]. Nature, 1997,386:698-702.

[本文引用: 1]

Keeling C, Chin J, Whorf T.

Increased activity of northern vegetation inferred from atmospheric CO2 measurements

[J]. Nature, 1996,382(6587):146-149.

[本文引用: 1]

尹凌宇, 覃先林, 孙桂芬, 等.

利用KPCA法检测高分一号影像中的森林覆盖变化

[J]. 国土资源遥感, 2018,30(1):95-101.doi: 10.6046/gtzyyg.2018.01.13.

Yi L Y, Qin X L, Sun G F, et al.

The method for detecting forest cover change in GF-1 images by using KPCA

[J]. Remote Sensing for Land and Resources, 2018,30(1):95-101.doi: 10.6046/gtzyyg.2018.01.13.

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发