一、卫片"TM"影像在森林资源调查中的应用（论文文献综述）
秦新春,彭军[1]（2021）在《森林调查规划设计的方法与技术应用分析》文中研究指明作为我国生态建设的主体,森林资源可带来较高的经济效益和社会效益,在我国生态环境可持续发展方面发挥着重要作用。森林调查规划设计的到位与否将对森林资源的整体利用产生较为重要的影响。对森林调查规划设计的内涵及必要性进行分析,明确当前森林保护利用中存在的问题,对森林调查规划设计的主要方法和技术进行探讨,为后期的森林调查规划设计工作的开展奠定基础。
李春干,代华兵[2]（2021）在《中国森林资源调查:历史、现状与趋势》文中提出自20世纪50年代初以来,中国森林资源规划设计调查经历了目测调查（踏查）、航空目测调查、以小班为基础的抽样调查、以地形图为基础的小班调查和以高分辨率卫星遥感图像为基础的小班调查5个主要技术发展阶段。文中介绍各阶段森林资源调查的主要调查内容、技术方法和手段,其中小班调查内容和林分调查因子测量方法自20世纪80年代中期以来基本稳定,但小班区划和数据处理方法随着遥感和计算机技术的进步得到了较大发展;综述了2017年以来以机载激光雷达和高分遥感为核心技术的大区域森林资源调查技术进展,并展望了超高分辨率卫星遥感图像、无人机、地基激光雷达等新技术在森林资源调查中的应用前景。
郭子千,郭月朋[3]（2020）在《卫星遥感技术在森林资源调查中的运用分析》文中指出在森林体系健康发展的具体过程中,森林资源调查工作是其进行的基础工作,结合有效的森林资源调查,可以使调查人员快速了解所在林区的发展情况,并结合市场形势生产需求作出针对性调整。其中卫星遥感技术在森林资源调查中有着极其重要的作用和意义。就此技术进行了全面分析,以促进森林资源调查工作的顺利实施。
张少伟[4]（2019）在《基于多源数据的内蒙古大兴安岭林区森林资源变化监测研究》文中研究指明森林资源变化监测既是林业调查的核心工作,也是林业建设的基础性工作,森林资源状况和动态变化信息是我国制定国家生态安全规划、林业发展规划以及可持续生产经营措施的重要依据。从森林资源变化因子来看,森林类型是森林资源调查的第一基础要素;植被覆盖度是林区植被覆盖状况的直观体现,是森林植被生态系统质量及其功能的重要指标;森林地上生物量（Above-Ground Biomass,AGB）和森林生产力则定量反映了森林植被的固碳能力。这四个参数均是衡量森林资源动态变化的重要因子,也是森林质量的重要指标。本文以内蒙古大兴安岭国有林区为大区域研究实验区,以研究区内所属的根河森林保护区为重点实验区用于验证分析,研究在前期森林调查分析的基础上,并根据主要的遥感数据源评价和测试分析,选择了具有代表性的主、被动遥感数据,以及其他辅助的观测手段,试图解决大区域森林类型、植被覆盖度、AGB以及生产力等森林资源参数遥感监测等关键技术瓶颈。本文研究创新点在于融合多源观测数据,利用时空连续的森林资源信息多模式遥感监测技术与机理模型,建立多源一体化监测方案,提高区域森林资源变化信息精准监测精度与时效性,为更加深入分析森林资源的变化规律提供保障。本研究具体获得如下主要结论:（1）以多源遥感数据和地面调查数据相结合开展林业地类快速动态精细监测研究分析了两期土地覆盖类型（包括林地细分类型）和整个区域类型变化。基于多种参考资料数据（包括外业调查数据、森林资源连续清查数据以及高分辨率星载多光谱、机载CCD影像等）进行了精度验证。结果表明:在像元尺度上,基于随机森林（RF）的林业地类精细识别结果精度优于支持向量机（SVM）,且GF-1数据（总体精度:88.06%;Kappa系数:0.87）略优于TM数据（总精度:84.44%;Kappa系数:0.83）,两者均能够有效进行地类识别。监测结果表明:从2009年到2014年,阔叶林、针叶林和混交林的面积都有增加,疏林地则略有减少。林地（特指本研究识别的阔叶林地、针叶林地、混交林地、灌木林地、疏林地总和）面积从961.997万公顷增加到973.688万公顷,增加了11.691万公顷;乔木林面积增加了9.422万公顷（1.215%）。（2）GF-1数据对森林植被覆盖度快速监测优于TM数据基于2009年TM以及2014年GF-1数据,构建了适用于大区域的像元二分法模型,实现森林植被覆盖度反演,并以植被覆盖度调查样地数据验证了2014年反演结果,R2=0.766,均方根误差RMSE=0.051。针对两期结果进行分析监测区域植被覆盖度（分等级、分林地类型）变化反演结果表明:2009年覆盖度均值为72.73%（中等级的植被覆盖度占79.75%）;2014年为82.78%（较高等级的植被覆盖度占森林区域的面积最高,为44.60%）。与环境等因子分析发现,两期覆盖度均显示出与地形高程因子相关,2009、2014年的皮尔逊相关系数R2分别为0.930、0.914。从监测效果来看,GF-1数据在提取植被覆盖度方面,非常有优势,可以作为一体化监测手段的重要数据源。（3）k-NN算法可以实现森林地上生物量快速预估基于植被覆盖度等特征信息及两种光学与P-波段SAR数据（2009年ALOS-1PALSAR、2014年ALOS-2 PALSAR）,通过优化学习机（k Nearest Neighbor,k-NN）算法,重点解决最优特征融合快速提取技术,完善了适用于大区域、特征维度高的多源数据的森林AGB反演方法。结果表明:在样地尺度上,2009年的AGB反演结果R2=0.56,RMSE=25.95 t/ha;2014年R2=0.64;RMSE=24.55 t/ha。2009年反演均值较样地计算结果均值偏高（预测:81.59 t/ha,实测:78.64 t/ha）;而2014年反演均值较样地计算结果偏低（预测:79.63 t/ha;实测:82.48 t/ha）。从区域尺度来看,2009年平均森林AGB为88.33 t/ha;2014年的为94.61 t/ha;平均AGB增长量为6.28 t/ha。（4）Biome-BGC模型能够准确模拟NPP的变化在基于Biome-BGC模型和长时间序列（从2003年到2012年）多源数据的基础上,在进行了模型参数化方案优化,对森林生产力（Net Primary Productivity,NPP）进行了模拟,并以空间分布的树芯数据进行了NPP模拟结果验证。结果表明:Biome-BGC模型能够准确的模拟NPP的变化。研究区NPP呈现北高南低的空间差异,中东部由于受森林火灾的影响,NPP均值较低。不同森林类型NPP值差异明显,NPP年平均值大小依次为针叶林>阔叶林>混交林。生长季植被NPP年际变异对温度、太阳辐射量的响应程度高于对降水量、相对湿度的响应;进一步分析研究区生长季森林类型NPP与各气象因子的年际变化可知,温度是对研究区NPP变化趋势起主导作用的气候因子;而针叶林的主导因子是太阳辐射量。本研究利用多种遥感数据和观测数据,针对森林的面积变化、植被覆盖度、地上生物量和森林NPP四个重要参数,构建了快速、全方位的多源遥数据一体化监测的初步方案,达到了高效、准确的监测结果,为林业资源动态监测提供了关键参考方案。
胡卫东[5]（2018）在《“3S”技术在森林资源二类调查中的应用 ——以广西国有沙塘林场为例》文中研究指明二类调查,也称森林资源规划设计调查。由省级林业主管部门负责组织,按县或国有林业局、国有林场为单位开展,目的是查清调查区域森林资源现状及变化动态,分析前期经营活动的效果,为林业基层生产单位采伐限额编制、森林经营方案编制提供可靠的基础数据。传统的二类调查方法采用地形图目视定位、地形图现地区划、手工制图,耗时长、效率低、花费大,已明显不适应现代精准林业的发展需要,应用高新技术加强森林资源调查与经营管理已经成为迫切需求。本文采用文献研究法、实地调查法、定性定量分析法等方法,研究“3S”技术在广西国有沙塘林场二类调查中的应用,在实际应用过程中采用GPS、GIS技术对总体蓄积量抽样控制进行样点布设和定位,制作的样点分布图准确、规范,样点定位误差小于10m,实际抽样精度达到了 95%;采用RS技术、GIS技术对小班进行室内目视解译判读区划,全场共区划298个小班,通过小班实地验证,其中有290个小班区划结果正确无误,小班区划正确率达到97.3%;采用GIS技术制作二类调查专题图,制作完成的样点分布图,基本图、林相图、森林分布图美观清晰、统一规范、风格一致。通过“3S”技术在森林资源二类调查中的实际应用和对比分析研究表明:“3S”技术用于二类调查具有实际应用的实用性、先进性、必要性,“3S”技术在总体蓄积抽样控制调查、小班区划以及林业专题图制作的应用中体现了快速高效、高质低耗的优点,可以很好的解决传统技术在二类调查中存在的花费大、耗时长、效率低等问题,能适时、准确掌握森林资源的分布现状及特点,对于监测森林资源动态变化,提高二类调查工作的质量和效率,节省调查经费,及时、合理、有效进行森林资源分析、评价和决策具有重要意义。
谢士琴[6]（2018）在《基于高分遥感数据的落叶松林分参数反演》文中研究表明近年来利用遥感影像光谱特征与林分参数的较强相关性反演林分参数一直都是研究的热点。在以往研究中针对国产高分卫星数据尤其是GF-2的研究较少,而且关于影像分辨率变化对林分参数反演的影响有待探索。为了进一步探索国产高分遥感数据在林分参数估测中的可行性和适用性,以及分辨率变化对遥感影像特征反演林分参数的影响,本研究利用5种不同分辨率的国产高分遥感数据GF-1、GF-2影像纹理特征、光谱特征及对林分结构有影响的地形因子,结合研究区落叶松地面调查样地数据,对落叶松林分蓄积量和郁闭度两个重要林分参数进行反演研究,实现大范围、大尺度的林分参数空间分布反演制图,同时探讨国产高分卫星数据分辨率变化对影像纹理特征窗口和落叶松林分参数反演的影响规律,为人工林经营管理提供新的方法和技术参考。主要研究内容如下:（1）高分遥感数据的预处理精度影响遥感影像在林分参数反演中的应用。为了降低高分遥感影像预处理产生的误差影响,研究以GF-2遥感影像数据作为代表探讨了波段间配准误差对森林遥感信息提取的影响。遥感全色影像在正射校正时,随着控制点数量增加,校正误差先变小后变大,需要选择合理的控制点数量;多光谱影像模拟配准误差发现各地类面积变化与配准误差间存在显着的线性关系。在林业行业的应用中,GF-2影像全色与多光谱波段之间的配准误差应小于0.3像元为宜。（2）落叶松遥感信息的提取是利用遥感影像进行其林分参数反演的重要基础步骤,其信息提取的精度影响了林分参数反演应用的精度。针对高分辨率遥感影像光谱波段数少、利用光谱差异难以区分研究区落叶松和其他优势树种的问题,研究利用不同树种物候特点明显,引入了不同时相的高分遥感影像光谱特征差异,采用不同分类方法对落叶松和其他优势树种进行了区分。在落叶松遥感信息提取实验中,研究发现不同时相的遥感影像提取落叶松的分类精度不同,秋季影像总分类精度和落叶松分类精度都要高于夏季影像,结合两种时相影像的分类精度要高于单时相的分类精度,优势树种总体精度分类最高达到95.87%,落叶松分类精度最高达96.83%。（3）影像纹理特征最优窗口大小与影像分辨率和样地大小有关。研究探索了纹理最优窗口的变化规律,当窗口对应的面积与样地面积较为接近时,其窗口大小为最优纹理窗口。这为高分遥感影像最优纹理窗口的选取提供了数据参考依据,可以减少一定的纹理计算量,非常具有实际应用价值。（4）研究分析了分辨率的变化对影像纹理特征反演落叶松林分参数造成的影响,发现分辨率的提高对遥感影像纹理特征反演林分参数具有一定的促进作用,但不宜过高,分辨率过高时其它非目标类的纹理特征干扰信息增多,会降低纹理特征反演模型精度。此外在进行落叶松林分参数反演时,宜选择分辨率优于8m的高分遥感数据作为数据源,模型R2adj可达到0.6以上。本研究筛选的最优林分参数估测模型为基于1m分辨率的GF-2融合遥感数据模型。分辨率的提高在一定程度上可以提高遥感影像纹理特征反演林分参数模型的精度,这也可以应用于其他分辨率的高分卫星影像模型反演中。（5）研究探讨了地形因子在高分遥感影像反演林分参数模型中的重要影响,发现地形信息的引入可以更好地提高国产高分遥感影像反演落叶松林分参数的模型精度。随着遥感影像分辨率的不断提高,在引入地形信息后,林分参数模型反演精度逐渐升高,在分辨率为8m时精度达到0.6。其中1m分辨率的GF-2融合影像反演精度最高,郁闭度和林分蓄积量模型R值分别为0.819和0.903,R2adj分别为0.646和0.804。研究解决了利用遥感影像反演林分参数模型在大尺度、大范围的适用性问题,同时填补了 GF-2遥感数据在不同林分参数高精度定量反演研究中的空白,实现了新型国产卫星数据在森林资源调查与监测中的应用与创新。
姜昊辰[7]（2018）在《基于FIA抽样体系优化设计的森林蓄积量估测研究 ——以北京市延庆区为例》文中研究说明我国现行森林资源监测体系虽然满足了森林资源调查的基本要求,但是存在着调查结果共享性差,调查费用偏高,年度监测欠缺,森林健康监测不足等方面的欠缺。作为林业发达国家,美国的森林资源清查体系为解决这一现状提供了解决思路和参考意义。本研究参照美国FIA（Forest Inventory and Ana]ysis）的三阶抽样体系,以北京市延庆区为研究区域,以森林面积和蓄积量为研究对象,设计不同的抽样方案进行森林资源抽样调查和对比。最终得到以下结论:（1）第一阶段抽样层面上,在研究区域内系统布设不同边长的正六边形抽样网格作为抽样框架,通过分析变动系数确定最优的六边形抽样框架,最终确定了最优正六边形抽样网格框架边长为3000m,每个第一阶段样地面积为2338.27公顷;（2）第二阶段抽样层面上,对四点群团样地的内在因素进行研究,研究的群团样地的内在因素包括样地大小、群团内样地的距离、群团内子样地个数等,通过研究得到群团内子样地个数最优方案为4个,三个非中心子样地位于中心子样地的0°、120°、240°,群团内样地间距最优方案为36m,群团样地子样地尺寸最优方案为半径为7m的圆形样地;（3）根据确定下来的抽样框架尺寸和群团样地,利用地面样地数据和GF-1号遥感影像数据基于偏最小二乘回归法和k-NN方法进行了森林蓄积量估测模型的构建。使用的遥感特征变量为归一化植被指数NDVI、比值植被指数RVI、差值植被指数DVI、土壤植被指数SAVI、优化土壤调整指数NLI等共计9种,通过自变量筛选最终选择EVI、NDVI、NLI、RVI、SAVI五种变量作为蓄积量模型构建的优选变量。分别基于偏最小二乘回归法和基于k-NN方法进行了森林蓄积量建模,采用均方根误差（RMSE）和相对均方根误差（RRMSE）2个指标来评价两种方法。最终结果为采用偏最小二乘回归模型进行蓄积量反演的结果为270.08万m3,相对误差为45.69万m3,估测精度为78.82%;采用k-NN方法进行蓄积量反演的结果为184.40万m3,相对误差为31.37万m3,估测精度为85.46%。在北京市森林资源连续清查规定调查精度85%的前提条件下,基于k-NN方法反演延庆区森林蓄积量的反演结果要优于采用偏最小二乘回归法的反演结果。基于偏最小二乘回归法估测的森林蓄积量均方根误差为9.323m3/hm2,相对均方根误差为37.1%;基于k-NN方法的森林蓄积量估测的均方根误差为7.739m3/hm2,相对均方根误差为33.6%。综上所述,k-NN方法与偏最小二乘回归法相比下k-NN法效果更优,为以后关于延庆区或同纬度地区进行森林蓄积量遥感反演的相关研究提供参考。综上所述,基于三阶抽样的森林蓄积量估测方法在我国北京市延庆区可以实行。具体优化设计方案可行且高效。
温小荣[8]（2017）在《森林资源二类调查关键技术与方法的研究》文中进行了进一步梳理论文主要针对南方集体林区的森林资源调查与监测的关键技术与方法问题开展研究,选取了试验区1（浙江省建德市）、试验区2（江西省吉水白沙林场）、试验区3（江苏省东台林场）作为试验区。这些区域都处于南方集体林区的亚热带常绿阔叶林和针阔混交林经营区,南方集体林区具有较好的森林生长自然条件,森林资源集约化监测与管理对提升森林质量具有重要的意义。森林资源二类调查成果是指导和规范科学经营森林的重要依据,是森林质量精准提升的基础。森林资源监测的高新技术不断涌现,无人机遥感技术、地基激光雷达、机载激光雷达技术开始在森林资源二类调查中应用。现代化森林调查监测技术广泛应用了航天遥感、航空遥感、全球定位系统、数据库技术及计算机网络技术等高新技术,由此引发新形势下对高时效、高精度、多层次的森林资源二类调查的新要求。论文主要研究内容如下:1、构建了一个提取有林地小班地类变化的综合相似度指数FSi计算公式综合相似度指数FSi描述发生变化小班与入样有林地小班对象因子特征值之间的相似程度,FSi值越大表示该小班地类有极大的可能性发生变化。综合相似度指数计算公式如下:FSi=（?）,Fzi=bzi-m1/σi式中,bzi为特征波段i中第z个小班波段值,m1、δ i分别为特征波段i中入样有林地小班对象波段均值和标准差,N为特征波段个数,FZi为构建的相似度指数统计量,FSi为综合相似度指数。试验区（建德市）2013-2014年landsat8 OLI遥感影像分析结果表明:2014年的各入样有林地小班对象的Band2影像特征值、Band3影像特征值、2013-2014的NDVI差值和其主成分分析第一主成分PC1差值的FZi,其趋势均呈现近似正态分布规律。利用该特征构建综合相似度指数FSi,实现试验区2013-2014年变化小班的提取,在不区分小班类型时正确率、漏检率、错检率分别为86.79%、13.21%、84.91%,区分小班不同的坡度和坡向类型时,其正确率都达到90%以上。该方法应用于同一地区2014-2015年小班变化信息的提取得到较好的效果,其正确率都达到80%以上。该方法为小班地类变化信息提取提供了一种改进的方法,为森林资源年度变更调查、森林资源二类调查的复查、小班空间数据获取提供支撑,具有较好的应用价值。2、研究了基于无人机遥感数据的森林蓄积量双重回归估计方法采用基于无人机遥感样地的模型预估蓄积量值作为双重回归估计中辅助因子,地面实测样地的蓄积量值作为双重回归估计中主因子（目标变量）,论文提出了双重回归估计中辅助因子的几种估测方案。结果表明:五种辅助因子获取方案其估计精度都在90%以上,方案一、方案三、方案五其R2都在0.68以上,有利于提高估计精度,5种方案其估计区间也较为一致,说明基于无人机遥感数据获取辅助因子并进行双重回归估计是可行的,方法的研究为无人机遥感技术在区域森林资源二类调查和监测开辟了新的途径。由方案一双重回归估计得到试验区（东台林场）杨树人工林公顷平均蓄积量为142.6m3,公顷平均蓄积量其估计区间为133.8～151.4m3,其蓄积量总量估计区间为94265.1m3～106628.1 m3。该方案的估计精度为93.85%。由方案五双重回归估计得到东台林场杨树人工林公顷平均蓄积量为143.0m3,该方案的估计精度为93.26%,试验区杨树人工林蓄积量总量估计区间为94031.8m3～107371.0 m3。3、探讨了基于无人机遥感数据的森林生物量双重回归估计方法根据论文研建的冠幅和树高模型W = 0.0039Cw1.1153h2.8713,对样地生物量进行测算,作为其辅助因子。该方案基于无人机遥感影像获取的样地平均冠幅和林分平均高,本次试验用模型预估值代替林分平均高。应用样地平均冠幅和林分平均高推算无人机遥感样地单株平均生物量,根据无人机遥感样地获取的株数乘以单株平均生物量,得到样地的生物量。根据双重回归估计得到试验区平均单位面积的公顷生物量为73098.5247 kg。试验区杨树人工林地上部分生物量其总量估计为5.1486×107kg,估计区间为（4.7985×107～5.4987×107kg）,估计精度为93.2%。4、提出了小班ΠPS抽样和分层ΠPS抽样的估计方法本文提出了小班ΠPS抽样总体总量的估计,并给出了小班ΠPS抽样的近似方差的估计量计算公式,并对试验区杨树人工林的蓄积量进行估计。论文研究结果可知,小班ΠPS抽样不分层的情况下,试验区杨树人工林总体总量的估计为98114.40 m3,估计区间为86348.08 m3～109880.72 m3,精度达到88.00%。对小班组合类型的分层ΠPS抽样估计得到较好的效果。小班分层ΠPS抽样对杨树人工林总体蓄积量的估计为99327.15 m3,其估计精度达到92.24%。在相同样本量的情况下,小班分层ΠPS抽样比不分层的小班Π PS抽样的精度要高。5、研究了小班Π PS抽样的森林生物量抽样估计方法对于试验区杨树人工林总体而言,小班分层Π PS抽样估计森林生物量其总量的估计为 51945846.68 Kg,估计区间为 47916655.21～55975038.16Kg。精度达到 92.24%。在相同样本量的情况下,小班分层Π PS抽样比不分层小班Π PS抽样估计森林生物量的精度要高。森林资源二类调查中各小班单元大小不等,应用不等概抽样效率高的优点进行森林资源二类调查中小班不等概抽样达到对调查总体提供可靠的估计,使得森林资源二类调查自成体系并有一定精度保证,是森林资源调查小班抽样需要解决的技术难题之一。本文研究的无放回小班不等概抽样（小班ΠPS抽样）在试验区杨树人工林蓄积量、生物量、林木总株数的估计中都取得了较好的效果,能达到森林资源二类调查规程规定的精度。论文研究有利于补充和完善小班不等概抽样理论与方法,形成小班ΠPS抽样的森林资源监测体系。总之,深入研究森林资源二类调查的关键技术与方法,将有助于推动地方森林资源监测技术进展。无论从森林资源监测的实际需要和该理论方法的解决等方面,该项研究都是有积极意义的。
杨柳[9]（2017）在《3D影像森林资源调查信息提取研究》文中研究表明森林资源调查与监测是森林经营与管理的基础,查清和落实好森林资源的数量和质量,是保障森林资源可持续发展的必要条件。但森林资源传统人工地面调查方式耗时耗力,效率较下,难以适应现代林业的要求。为此,本文对森林资源调查信息获取方式进行尝试性的改进,将3D影像应用于森林资源调查中,从地面、无人机和资源三号卫星三个尺度构建3D影像,分别探讨不同尺度3D影像森林资源调查信息获取能力,旨在降低森林资源调查成本,提高调查效率。为实现森林资源调查信息化、自动化、智能化和立体化奠定理论基础,为促进林业快速发展提供良好的技术支撑。主要结论如下:1)地面3D影像森林资源调查信息提取方面:采用普通数码相机,通过双片摄影获取研究区域的立体像对,利用编写的地面3D摄影测树软件,对立体像对影像进行量测分析,实现森林资源调查中单木胸径、可视树高和材积等测树因子的获取。通过与实测数据对比验证,立木平均胸径、可视树高和材积量测的判定系数依次为:0.816、0.827和0.734。提出利用智能手机获取立木三维点云,并进行森林资源调查参数提取的方法。通过智能手机环绕立木摄影拍照,采用Pix 4D软件对获取的影像结合手机自动记录的GPS坐标进行特征匹配和前方交会,恢复了林木的立体。在获取林木三维坐标的基础上实现了胸径和树高等森林特征参数的提取,与实测结果对比拟合,单木胸径和树高的判定系数依次为0.903和0.884,样地林木胸径判定系数为0.817。2)无人机3D影像森林资源调查信息提取方面:设计构建了基于固定翼无人机平台的遥感系统,对辽宁省本溪市老秃顶子林场进行航飞试验。在无人机上搭载SONY ILCE-7R数码相机,保证80%的航向重叠度和70%的旁向重叠度的条件下,对林场研究区进行摄影成像,获取高清数码影像和POS数据。采用PixelGrid软件对无人机影像进行预处理,获得空间分辨率为0.14米的数字表面模型（DSM）、数字正射影像（DOM）和数字高程模型（DEM）。以DEM为基础,提取老秃顶子林场的地形信息,在林种和地性线（山脊线和山谷线）控制下,利用面向对象分割提取法对老秃顶子林场进行了小班区划。利用监督分类和非监督分类的方法进行了林地信息提取,结果表明最大似然法林地提取精度最高为75%,最小距离分类法提取精度最低为65.89%。利用人工目视解译、eCognition面向对象提取法和改进分水岭法对树冠进行分割与提取。在人工目视解译树冠分割的基础上,结合地面调查数据,拟合得到胸径-冠幅模型和胸径-冠幅、树高模型,针叶林最佳模型依次为D=8.0424e0.1311k和D=0.569K+1.048H-1.156,阔叶林最佳模型依次为D=-3.016+6.578K-0.243K2和D=2.673K+1.011H-2.052。利用冠层模型法和树冠阴影法提取了树高,与树高实测值进行对比拟合,其判定系数分别为0.776和0.892。根据无人机影像中林木位置、树种类别和胸径大小,采用Voronoi多边形和Delaunay三角网进行林木空间结构信息提取,快速获取了大小比、混交度和角尺度信息,并与实测数据进行了对比分析。针对无人机影像,提出八边形微型样地的林分特征参数提取方法,结合实地调查数据和影像进行相关实验,并将其与50块角规样地调查数据进行对比拟合,林分平均高、平均胸径、株数密度和林分蓄积量判定系数分别为0.685、0.514、0.807和0.782。研究结果表明,八边形微型样地法可在中低郁闭度条件下利用无人机影像进行林分特征参数提取。3)资源三号卫星森林资源调查信息提取方面:以鹫峰林场资源三号卫星三线阵影像的前视和后视为数据源,在ENVI软件DEM Extraction模块下,构建立体像对,进行了相对定向、核线影像生成和绝对定向等操作,生成了数字表面模型DSM。对鹫峰林场的1:5000地形图进行扫描矢量化,采用Delaunay三角网方法内插生成DEM。在DSM和DEM的基础上生成数字冠层高度模型（DCHM）,首先,利用声峰林场森林资源二类调查数据中小班平均高与其进行对比分析,结果表明,植被冠层高度模型在总体上反映了鹫峰林场植被高度分布状况,其次,与103块角规地面调查数据的平均高进行对比拟合,结果表明决定系数为0.2701,精度较低。利用地形图矢量化得到的DEM数据,提取鹫峰林场的地形因子,并结合多光谱和全色影像提取的纹理因子和光谱因子,利用综合考虑光谱因子、纹理因子和地形因子的机器学习方法开展了鹫峰林场森林蓄积量估测研究。以上述三类因子中的46个参数为自变量,以地面角规样地实测蓄积量为因变量,进行偏相关分析,选取相关系数较高且通过F检验的12因子为建模因子,利用机器学习中的BP神经网络、粒子群优化最小二乘支持向量机和随机森林三种方法建立森林蓄积量估测模型,进行了建模和预测研究,结果表明:随机森林蓄积量建模模型中针叶林、阔叶林和混交林三种林型的判定系数都大于0.879,RMSE都小于6.4536m3/hm2,预测模型判定系数都大于0.808,RMSE均小于6.4562m3/hm2。随机森林蓄积量模型的建模精度和预测精度均明显高于另外两种模型。最后,以随机森林蓄积量估测模型为基础,对鹫峰林场蓄积量进行整体估测和空间分布制图,研究表明鹫峰林场总蓄积量为73850.52m3,蓄积量最大的地方主要集中于林场的中西部,林场北部地区蓄积量较低。综上所述,本文主要对地面、无人机和资源三号卫星三个不同尺度立体像对的生成方法和森林信息提取方法进行了研究,利用地面摄影测量构建的立体像对可以实现单木树高、胸径和材积信息的提取,运用无人机摄影测量构建的立体像对,可以生成DSM、DEM、DOM,实现单木或林分层次的森林资源调查信息提取,如冠幅、株数密度、郁闭度和林分平均高等信息的提取,还可进行林场级别的小班区划和林地信息提取。利用资源三号卫星提供的前视和后视数据,结合地形图矢量得到的DEM数据,可构建立冠层高度模型,实现林场冠层高度的估测。利用机器学习中的随机森林结合遥感影像中光谱因子、纹理因子、地形因子的方法可提高森林蓄积量估测精度,在森林资源调查中,综合考虑三种尺度3D影像的优缺点,可进行优势互补,极大地提高森林资源调查效率。
白山,姚桂萍,路春玲[10]（2013）在《谈TM卫片在二类调查中的应用》文中认为利用TM卫片和航片相结合进行森林资源调查,可以快速查清森林资源现状和节省大量人力、物力、财力,并能提高调查精度。
二、卫片"TM"影像在森林资源调查中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、卫片"TM"影像在森林资源调查中的应用（论文提纲范文）
（1）森林调查规划设计的方法与技术应用分析（论文提纲范文）
| 1 森林调查规划设计内涵及必要性 |
| 2 当前森林调查规划设计中存在的问题 |
| 1)森林调查规划方面的规章制度不够完善。 |
| 2)部分地区对于森林调查规划设计不合理行为的处罚力度偏弱。 |
| 3)林地保护的基础设施不够完善。 |
| 3 森林调查规划设计的方法和技术 |
| 3.1 方法 |
| 3.2 技术 |
| 1)GPS(全球定位系统)技术。 |
| 2)TM卫片技术(地形、地貌、岩性、母质综合影像制图技术)。 |
| 3)SPOT-5影像技术(由SPOT卫星高分辨率多波段扫描仪获取遥感影像)。 |
| 4 结语 |
（3）卫星遥感技术在森林资源调查中的运用分析（论文提纲范文）
| 1 卫星遥感技术在国家森林资源调查中的应用 |
| 1.1 数字图像处理 |
| 1.2 地类与因子调查存在的问题 |
| 1.3 林分因子调查 |
| 2 卫星遥感技术的特点和优势 |
| 2.1 特点 |
| 2.2 优势 |
| 2.2.1 迅速反应森林资源的动态变化 |
| 2.2.2 成本支出和劳动力支出较低 |
| 2.2.3 有效提升检验成果的客观性和科学性 |
| 3 卫星遥感技术应用中存在的问题 |
| 3.1 气候影响较大 |
| 3.2 同物异谱和同谱异物对技术应用存在的影响 |
| 3.3 阴影影响判读准确度 |
| 4 卫星遥感技术在县级森林资源调查中的应用 |
| 4.1 几何校正的处理 |
| 4.2 多遥感信息源波段组合能力 |
| 4.3 将小班与林班的能力有效划分 |
| 4.4 地类辨识能力 |
（4）基于多源数据的内蒙古大兴安岭林区森林资源变化监测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 引言 |
| 1.1.1 研究背景 |
| 1.1.2 国内外研究现状及评述 |
| 1.2 研究目标和研究内容 |
| 1.2.1 研究目标 |
| 1.2.2 关键科学问题 |
| 1.2.3 主要研究内容 |
| 1.3 研究技术路线 |
| 第二章 实验区及数据 |
| 2.1 实验区概况 |
| 2.1.1 内蒙古大兴安岭林区 |
| 2.1.2 内蒙古根河重点实验区 |
| 2.2 实验数据 |
| 2.2.1 实验数据总体情况 |
| 2.2.2 卫星遥感数据 |
| 2.2.3 森林样地结构参数调查数据 |
| 2.2.4 森林生产力调查数据 |
| 2.2.5 国家森林资源连续清查数据 |
| 2.2.6 植被覆盖度 |
| 2.2.7 林业地类调查 |
| 2.2.8 其他辅助数据 |
| 2.3 小结 |
| 第三章 林业地类精细识别及变化监测 |
| 3.1 数据预处理 |
| 3.2 研究方法 |
| 3.2.1 支持向量机(SVM) |
| 3.2.2 随机森林(RF) |
| 3.3 模型训练 |
| 3.3.1 训练样本选取 |
| 3.3.2 训练样本分离度 |
| 3.3.3 模型参数化 |
| 3.4 林业地类精细识别结果 |
| 3.4.1 根河森林保护区 |
| 3.4.2 内蒙古大兴安岭林区 |
| 3.5 类型变化监测及分析 |
| 3.5.1 根河森林保护区 |
| 3.5.2 内蒙古大兴安岭林区 |
| 3.6 讨论 |
| 3.7 小结 |
| 第四章 森林植被覆盖度估算及变化监测 |
| 4.1 数据预处理 |
| 4.2 研究方法 |
| 4.2.1 归一化植被指数 |
| 4.2.2 像元二分模型 |
| 4.2.3 NDVIsoil与 NDVIvege参数确定 |
| 4.3 覆盖度估算结果 |
| 4.3.1 根河森林保护区森林植被覆盖度估算 |
| 4.3.2 内蒙古大兴安岭地区植被覆盖度估算 |
| 4.4 植被覆盖度变化监测及分析 |
| 4.4.1 根河森林保护区植被覆盖度变化 |
| 4.4.2 内蒙古大兴安岭林区植被覆盖度变化 |
| 4.5 讨论 |
| 4.6 小结 |
| 第五章 森林地上生物量反演及变化监测 |
| 5.1 数据预处理 |
| 5.1.1 SAR影像预处理 |
| 5.1.2 影像配准 |
| 5.1.3 遥感特征提取 |
| 5.1.4 样地数据抽取 |
| 5.2 研究方法 |
| 5.2.1 快速迭代特征选择的k-NN方法 |
| 5.2.2 KNN-FIFS优化 |
| 5.3 森林地上生物量反演 |
| 5.3.1 根河森林保护区森林地上生物量反演 |
| 5.3.2 内蒙古大兴安岭地区森林地上生物量反演 |
| 5.4 森林地上生物量时空变化格局 |
| 5.4.1 根河森林保护区森林地上生物量变化 |
| 5.4.2 内蒙古大兴安岭地区森林地上生物量变化 |
| 5.5 讨论 |
| 5.6 小结 |
| 第六章 时间序列森林净生产力动态模拟 |
| 6.1 Biome-BGC模型 |
| 6.1.1 模型简介 |
| 6.1.2 模型主要过程及作用 |
| 6.1.3 模型驱动参数 |
| 6.1.4 模型运行 |
| 6.2 时间序列NPP模拟 |
| 6.2.1 NPP整体动态变化 |
| 6.2.2 内蒙古大兴安岭地区乔木林动态变化 |
| 6.2.3 研究区森林NPP验证 |
| 6.3 NPP与气候因子的相关性 |
| 6.3.1 总体NPP与气候因子的相关性 |
| 6.3.2 各植被类型NPP与气候因子的相关性 |
| 6.3.3 研究区NPP与气候因子的偏相关分析 |
| 6.4 讨论 |
| 6.5 小结 |
| 第七章 结论与讨论 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 讨论 |
| 参考文献 |
| 在读期间的学术研究 |
| 致谢 |
（5）“3S”技术在森林资源二类调查中的应用 ——以广西国有沙塘林场为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 国内外研究概述 |
| 1.3.1 国内研究现状 |
| 1.3.2 国外研究现状 |
| 1.4 研究的主要内容和方法 |
| 1.4.1 研究的主要内容 |
| 1.4.2 研究的主要方法 |
| 1.4.3 技术路线 |
| 2 研究区概况 |
| 2.1 自然地理概况 |
| 2.1.1 地理位置 |
| 2.1.2 自然条件 |
| 2.2 交通运输 |
| 2.3 林场经营概况 |
| 2.3.1 机构和人员 |
| 2.3.2 生产经营 |
| 2.3.3 投资及收入 |
| 3 基于“3S”技术的森林资源调查 |
| 3.1 调查内容及精度要求 |
| 3.2 基于GIS与GPS的二类调查总体蓄积量抽样控制与样点调查 |
| 3.2.1 总体和样本单元的确定 |
| 3.2.2 样点布设 |
| 3.2.3 GPS样点定位 |
| 3.2.4 样点调查 |
| 3.3 基于RS、GPS、GIS的二类调查小班区划 |
| 3.3.1 获取卫星影像图 |
| 3.3.2 建立卫星影像图目视解译标志 |
| 3.3.3 在arcgis平台上进行室内目视解译 |
| 3.3.4 实地验证目视解译结果正确率 |
| 3.3.5 小班面积计算 |
| 3.4 基于GIS的二类调查专题图制作 |
| 3.4.1 ArcGis制图过程 |
| 3.4.2 ArcGis制图成果 |
| 3.4.3 ArcGis制图要解决的关键技术问题 |
| 4 结果与分析 |
| 4.1 质量结果 |
| 4.2 资源结果 |
| 4.2.1 全场森林资源主要指标概要 |
| 4.2.2 各类地类面积 |
| 4.2.3 各类林木蓄积 |
| 4.2.4 各林种面积、蓄积 |
| 4.2.5 各树种面积、蓄积 |
| 4.2.6 用材林近、成、过熟林面积、蓄积 |
| 4.3 “3S”技术在二类调查中的应用效果分析 |
| 4.3.1 “3S”技术在总体蓄积量抽样控制调查中的应用效果分析 |
| 4.3.2 “3S”技术在小班区划中的应用效果分析 |
| 4.3.3 “3S”技术在专题图制作中的应用效果分析 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
（6）基于高分遥感数据的落叶松林分参数反演（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究概况 |
| 1.2.1 林分参数估测方法概述 |
| 1.2.2 遥感信息分类提取研究进展 |
| 1.2.3 遥感影像反演林分参数研究进展 |
| 1.2.4 GF-1和GF-2遥感影像研究进展 |
| 1.3 研究目的与研究内容 |
| 1.3.1 研究目的与意义 |
| 1.3.2 研究内容 |
| 1.3.3 研究技术路线 |
| 1.4 本研究解决的关键问题 |
| 2 研究区概况 |
| 2.1 地理位置 |
| 2.2 自然环境 |
| 2.2.1 地形地貌 |
| 2.2.2 气候水文 |
| 2.2.3 土壤与植被 |
| 2.3 社会经济 |
| 3 数据获取与处理技术 |
| 3.1 高分遥感数据源 |
| 3.1.1 GF-1遥感卫星 |
| 3.1.2 GF-2遥感卫星 |
| 3.2 高分遥感影像预处理分析 |
| 3.2.1 遥感数据辐射定标与大气校正 |
| 3.2.2 正射校正 |
| 3.2.3 影像融合 |
| 3.3 样地实测数据的获取与处理 |
| 3.3.1 研究区实测样地落叶松情况统计 |
| 3.3.2 研究区实测样地数据的获取 |
| 3.3.3 研究区实测样地林分蓄积量的计算 |
| 3.4 本章小结 |
| 4 落叶松遥感信息提取技术研究 |
| 4.1 研究区落叶松遥感信息提取技术概述 |
| 4.2 落叶松遥感信息提取技术路线 |
| 4.3 遥感影像分类方法 |
| 4.3.1 最大似然分类方法 |
| 4.3.2 决策树分类法 |
| 4.4 不同优势树种遥感特征信息分析 |
| 4.5 提取结果及精度检验 |
| 4.6 本章小结 |
| 5 落叶松郁闭度和蓄积量估测模型研究 |
| 5.1 纹理特征信息提取 |
| 5.1.1 影像主成分波段分析 |
| 5.1.2 基于灰度共生矩阵法的纹理特征提取及窗口选择 |
| 5.2 遥感影像的光谱特征和地形因子提取 |
| 5.3 模型构建方法 |
| 5.4 不同分辨率遥感数据反演落叶松林分参数差异 |
| 5.4.1 16m分辨率GF-1数据反演 |
| 5.4.2 8m分辨率GF-1数据反演 |
| 5.4.3 4m分辨率GF-2数据反演 |
| 5.4.4 2m分辨率GF-1融合数据反演 |
| 5.4.5 1m分辨率GF-2融合数据反演 |
| 5.5 基于不同分辨率遥感数据林分参数反演模型对比分析 |
| 5.5.1 遥感数据最优纹理窗口分析 |
| 5.5.2 不同分辨率遥感数据纹理特征分析 |
| 5.5.3 郁闭度反演模型分析 |
| 5.5.4 林分蓄积量反演模型 |
| 5.5.5 林分参数模型对比分析 |
| 5.6 最优落叶松林分参数反演模型及专题图 |
| 5.6.1 最优反演模型 |
| 5.6.2 模型精度验证 |
| 5.7 本章小结 |
| 6 结论与讨论 |
| 6.1 结论 |
| 6.2 讨论 |
| 6.3 论文的创新点 |
| 6.4 建议与展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（7）基于FIA抽样体系优化设计的森林蓄积量估测研究 ——以北京市延庆区为例（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究进展 |
| 1.2.1 国内森林资源监测发展概况 |
| 1.2.2 国外森林资源监测发展概况 |
| 1.2.3 群团样地优化的研究进展 |
| 1.2.4 森林蓄积量估算方法的研究进展 |
| 2 研究目的、内容及技术路线 |
| 2.1 研究目的 |
| 2.2 研究内容 |
| 2.3 研究技术路线 |
| 3 研究区域概况 |
| 3.1 自然地理状况 |
| 3.2 森林资源概况 |
| 3.2.1 林木资源现状 |
| 3.2.2 林种资源现状 |
| 3.2.3 林地资源现状 |
| 4 针对第一阶段抽样的六边形抽样框架研究 |
| 4.1 数据来源 |
| 4.2 研究方法 |
| 4.2.1 数据准备 |
| 4.2.2 三阶抽样的最优六边形抽样框架尺寸的研究 |
| 4.3 结果与分析 |
| 5 针对第二阶段抽样的样地布设方案研究 |
| 5.1 数据来源 |
| 5.2 研究方法 |
| 5.2.1 数据准备 |
| 5.2.2 最优群团内样地个数的研究 |
| 5.2.3 最优群团内样地间距的研究 |
| 5.3 结果与分析 |
| 6 针对第二阶段抽样的样地尺寸方案研究 |
| 6.1 数据来源 |
| 6.2 研究方法 |
| 6.2.1 数据准备 |
| 6.2.2 最优样圆尺寸的森林蓄积研究 |
| 6.3 结果与分析 |
| 7 遥感估测研究区森林蓄积量 |
| 7.1 数据来源 |
| 7.2 研究方法 |
| 7.2.1 数据准备 |
| 7.2.2 遥感估测蓄积量 |
| 7.3 结果与分析 |
| 7.3.1 自变量筛选 |
| 7.3.2 蓄积量估测模型构建 |
| 7.3.3 基于k-NN方法的森林蓄积量反演 |
| 7.4 本章小结 |
| 8 结论与讨论 |
| 8.1 结论 |
| 8.2 讨论 |
| 8.3 结语 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（8）森林资源二类调查关键技术与方法的研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 森林资源二类调查与我国的森林资源监测体系 |
| 1.3 国外森林资源调查与监测的发展概况 |
| 1.4 我国森林资源二类调查的发展历程 |
| 1.5 森林资源二类调查主要关键技术与方法进展概述 |
| 1.6 森林资源二类调查存在的问题 |
| 第二章 原理与方法 |
| 2.1 论文研究的技术路线 |
| 2.2 基于无人机遥感数据的双重回归估计方法 |
| 2.2.1 总体平均数的估计量及其方差 |
| 2.2.2 方差的估计量 |
| 2.3 小班πPS抽样估计原理与方法 |
| 2.3.1 总体总量Y的估计 |
| 2.3.2 估计量的方差 |
| 2.3.3 方差的估计量 |
| 2.3.4 小班πPS抽样估计量的近似方差 |
| 2.3.5 Hajek近似方差的估计量 |
| 2.4 小班分层πPS抽样估计方法 |
| 2.4.1 总体总量Y的估计 |
| 2.4.2 Hájek近似方差 |
| 2.4.3 近似方差估计量 |
| 2.5 森林小班变化信息的提取方法 |
| 2.5.1 入样有林地小班的选取 |
| 2.5.2 基于综合相似度指数有林地小班变化信息的提取方法 |
| 2.5.3 目视解译法提取有林地小班变化信息 |
| 第三章 研究区概况与数据来源 |
| 3.1 研究区概况 |
| 3.2 数据来源 |
| 第四章 数据处理 |
| 4.1 高分卫星数据(GF-1)的融合处理 |
| 4.1.1 数据准备 |
| 4.1.2 数据处理关键技术方法 |
| 4.1.3 融合影像在森林小班变化信息提取中的应用 |
| 4.1.4 小结 |
| 4.2 Landsat80LI数据预处理 |
| 4.3 无人机数据处理 |
| 4.4 基于无人机高分影像的小班边界区划 |
| 4.5 地基激光雷达点云数据处理 |
| 第五章 县级森林小班变化信息提取的研究 |
| 5.1 建德市森林资源现状 |
| 5.2 基于综合相似指数统计特征的有林地小班变化信息提取 |
| 5.2.1 数据准备与技术路线 |
| 5.2.2 基于伪不变特征的相对辐射校正 |
| 5.2.3 算法关键技术 |
| 5.2.4 结果分析 |
| 5.3 本章小结 |
| 第六章 基于小班组合类型的森林生物量遥感估测方法 |
| 6.1 基于小班组合类型的森林生物量遥感估测 |
| 6.1.1 数据准备 |
| 6.1.2 蓄积量与生物量转换方法 |
| 6.1.3 立地质量评价方法 |
| 6.1.4 特征变量选取 |
| 6.1.5 结果与分析 |
| 6.1.6 小结 |
| 6.2 本章小结 |
| 第七章 基于小班组合类型的森林蓄积量估测方法及其应用 |
| 7.1 基于县级森林资源二类调查数据的地位级表编制 |
| 7.1.1 数据筛选与数据整理 |
| 7.1.2 地位级表的编制 |
| 7.1.3 其他树种组地位级表编制 |
| 7.2 基于小班组合类型的林场经营单位级森林蓄积量的估测模型 |
| 7.2.1 数据准备及预处理 |
| 7.2.2 关键技术 |
| 7.3 本章小结 |
| 第八章 基于多源数据的测树因子相关性分析 |
| 8.1 数据准备与技术路线 |
| 8.2 树高胸径模型分析 |
| 8.2.1 数据整理及模型优选 |
| 8.2.2 模型检验 |
| 8.2.3 树高胸径改进模型 |
| 8.2.4 改进的树高胸径模型检验 |
| 8.3 平均高优势高模型分析 |
| 8.3.1 数据整理及建模样本的组织 |
| 8.3.2 模型建立 |
| 8.3.3 模型检验 |
| 8.4 单木冠幅胸径模型分析 |
| 8.4.1 数据整理及建模样本的组织 |
| 8.4.2 模型检验 |
| 8.5 基于样地平均冠幅的胸径回归模型 |
| 8.5.1 数据整理及建模样本的组织 |
| 8.5.2 模型检验 |
| 8.5.3 基于无人机遥感数据的平均胸径预测值和实测值相关分析 |
| 8.5.4 基于无人机遥感数据的平均冠幅与样地平均胸径相关分析 |
| 8.6 基于冠幅和年龄的胸径二元回归模型 |
| 8.6.1 数据整理及建模样本组织 |
| 8.6.2 模型检验 |
| 8.6.3 基于冠幅和年龄的平均胸径预测值与实测值相关性分析 |
| 8.7 年龄胸径预估模型分析 |
| 8.7.1 数据整理及建模样本的组织 |
| 8.7.2 模型检验 |
| 8.8 基于林分优势高与株数的直径预估模型 |
| 8.8.1 数据整理及样本组织 |
| 8.8.2 优势高模型的优选 |
| 8.8.3 优势高模型检验 |
| 8.8.4 杨树林分平均胸径预估模型 |
| 8.9 材积相关模型分析 |
| 8.9.1 数据准备及整理 |
| 8.9.2 基于冠幅树高的材积模型分析 |
| 8.9.3 模型检验 |
| 8.10 本章小结 |
| 第九章 基于无人机遥感影像的森林蓄积量生物量抽样估计 |
| 9.1 数据准备 |
| 9.2 蓄积量的双重回归估计 |
| 9.2.1 辅助因子估算模型的选择 |
| 9.2.2 双重回归估计结果 |
| 9.3 森林地上部分生物量的双重回归估计 |
| 9.3.1 与材积兼容的生物量模型 |
| 9.3.2 数据来源与建模分析 |
| 9.3.3 模型检验 |
| 9.3.4 森林生物量的双重回归估计 |
| 9.4 本章小结 |
| 第十章 小班πPS抽样估计及应用 |
| 10.1 小班πPS抽样的样本数量的确定和抽取方法 |
| 10.2 小班πPS抽样的森林蓄积量抽样估计 |
| 1、总量的估计 |
| 2、方差估计量 |
| 10.3 小班分层πPS抽样估计蓄积量 |
| 10.3.1 层的划分 |
| 10.3.2 各层的总量估计 |
| 10.3.3 其方差估计量 |
| 10.4 小班分层πPS抽样估计森林生物量 |
| 10.4.1 层的划分 |
| 10.4.2 各层的生物量总量估计 |
| 10.5 小班分层πPS抽样估计林木株数 |
| 10.5.1 层的划分 |
| 10.5.2 总体株数的估计及其方差估计量 |
| 10.6 本章小结 |
| 第十一章 结论与讨论 |
| 11.1 主要结论 |
| 11.2 本文创新点、展望与不足之处 |
| 攻读学位期间发表的学术论文 |
| 主要参考文献 |
（9）3D影像森林资源调查信息提取研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 森林资源调查 |
| 1.2.2 地面摄影测量 |
| 1.2.3 航空摄影测量 |
| 1.2.4 卫星摄影测量与森林蓄积量估测 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文章节安排 |
| 2 3D影像森林资源调查应用与实验方案设计 |
| 2.1 森林资源调查体系与内容 |
| 2.1.1 森林资源一类调查 |
| 2.1.2 森林资源二类调查 |
| 2.1.3 森林资源三类调查 |
| 2.2 3D影像概述 |
| 2.3 3D影像森林资源调查应用 |
| 2.4 实验方案设计与研究区概况 |
| 2.4.1 实验方案设计 |
| 2.4.2 研究区概况 |
| 2.4.2.1 鹫峰林场 |
| 2.4.2.2 老秃顶子林场 |
| 2.5 本章小结 |
| 3 地面3D影像测树因子信息提取 |
| 3.1 地面3D摄影原理 |
| 3.2 普通数码相机摄影获取测树因子 |
| 3.3 智能手机三维点云测树信息提取 |
| 3.3.1 单木三维点云森林参数信息提取 |
| 3.3.2 样地三维点云森林参数信息提取 |
| 3.4 本章小结 |
| 4 无人机3D影像构建与森林资源调查信息提取 |
| 4.1 无人机影像获取与预处理 |
| 4.1.1 无人机影像获取 |
| 4.1.2 无人机影像预处理 |
| 4.2 无人机3D影像森林资源调查信息提取 |
| 4.2.1 地形信息提取 |
| 4.2.2 森林小班区划 |
| 4.2.3 林地信息提取 |
| 4.2.4 单木信息提取 |
| 4.2.4.1 冠幅信息提取 |
| 4.2.4.2 胸径冠幅模型 |
| 4.2.4.3 胸径-冠幅、树高模型 |
| 4.2.4.4 树高信息提取 |
| 4.2.5 林分特征参数信息提取 |
| 4.2.5.1 郁闭度信息提取 |
| 4.2.5.2 株数密度信息提取 |
| 4.2.5.3 林分空间结构信息提取 |
| 4.2.5.4 八边微形样地林分特征参数提取 |
| 4.3 本章小结 |
| 5 资源三号卫星DCHM构建与森林蓄积量反演 |
| 5.1 资源三号卫星概述 |
| 5.2 森林冠层高度模型的构建 |
| 5.2.1 资源三号卫星3D影像建立 |
| 5.2.2 地形图矢量化DEM生成 |
| 5.2.3 植被冠层高度模型建立与精度验证 |
| 5.3 资源三号卫星多光谱影像森林蓄积量反演 |
| 5.3.1 建模因子获取 |
| 5.3.1.1 地面调查数据 |
| 5.3.1.2 光谱因子 |
| 5.3.1.3 纹理因子 |
| 5.3.1.4 地形因子 |
| 5.3.2 建模因子分析 |
| 5.3.3 机器学习蓄积量反演模型构建 |
| 5.3.3.1 BP神经网络蓄积量模型 |
| 5.3.3.2 粒子群优化最小二乘支持向量机蓄积量模型 |
| 5.3.3.3 随机森林蓄积量模型 |
| 5.3.4 森林蓄积量模型对比 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（10）谈TM卫片在二类调查中的应用（论文提纲范文）
| 1 TM卫片简介 |
| 2 TM卫片的优越性 |
| 2.1 减少调查人员, 降低劳动强度 |
| 2.2 提高成果的生产质量 |
| 2.3 提高经济效益 |
| 3 TM卫片在调查中的具体应用 |
| 4 森林调查中TM卫片的选择 |
| 4.1 时相选择 |
| 4.2 波段选择 |
| 5 结束语 |
四、卫片"TM"影像在森林资源调查中的应用（论文参考文献）
- [1]森林调查规划设计的方法与技术应用分析[J]. 秦新春,彭军. 南方农业, 2021(30)
- [2]中国森林资源调查:历史、现状与趋势[J]. 李春干,代华兵. 世界林业研究, 2021(06)
- [3]卫星遥感技术在森林资源调查中的运用分析[J]. 郭子千,郭月朋. 种子科技, 2020(18)
- [4]基于多源数据的内蒙古大兴安岭林区森林资源变化监测研究[D]. 张少伟. 中国林业科学研究院, 2019(02)
- [5]“3S”技术在森林资源二类调查中的应用 ——以广西国有沙塘林场为例[D]. 胡卫东. 中南林业科技大学, 2018(06)
- [6]基于高分遥感数据的落叶松林分参数反演[D]. 谢士琴. 北京林业大学, 2018(04)
- [7]基于FIA抽样体系优化设计的森林蓄积量估测研究 ——以北京市延庆区为例[D]. 姜昊辰. 北京林业大学, 2018(04)
- [8]森林资源二类调查关键技术与方法的研究[D]. 温小荣. 南京林业大学, 2017(05)
- [9]3D影像森林资源调查信息提取研究[D]. 杨柳. 北京林业大学, 2017(04)
- [10]谈TM卫片在二类调查中的应用[J]. 白山,姚桂萍,路春玲. 林业勘查设计, 2013(04)