国家自然科学基金(30972360)
- 作品数：10 被引量：77H指数：4
- 相关作者：张茂震陈金星赵平安陈永刚郭含茹更多>>
- 相关机构：浙江农林大学更多>>
- 发文基金：国家自然科学基金浙江省重大科技专项基金浙江省教育厅科研计划更多>>
- 相关领域：农业科学自动化与计算机技术更多>>
- 区域森林碳分布空间估计误差定量分析被引量：2
- 2013年
- 区域森林碳(地上部分)分布的空间估计存在多种误差来源,其直接影响估计结果的精度。采用森林资源清查样地数据与Landsat TM影像数据相结合的方法对区域森林碳(地上部分)分布进行空间估计的误差来源,采取相对误差的形式对其定量化,根据不确定度的合成与分配方法获得空间估计总误差及各误差来源在总误差中的比例分配。基于临安市2004年森林资源清查和Land-sat TM影像数据的森林碳(地上部分)分布空间估计误差分析结果显示,区域森林碳(地上部分)分布空间估计的总误差为10.15%,各误差所占比例为:抽样误差63.5%、遥感影像坐标校正定位误差22.9%、树高测量误差9.4%、生物量模型误差3.4%、胸径测量误差0.8%。
- 赵平安张茂震陈金星金雨菲郭含茹何卫安
- 基于空间协同仿真模拟的开化县森林碳估计
- 2016年
- 森林碳储量是反映森林生态系统生产力的重要指标,也是区域森林碳汇计量的基础。以浙江省开化县为研究区,采用2013年资源3号遥感影像与2014年森林资源清查样地数据,结合序列高斯协同模拟方法对全县地上部分森林碳储量及其分布进行估计,并以平均误差、残差平方和、平均相对误差以及均方根误差4个指标为基础对估计结果进行精度评价。结果表明:开化县2014年森林总碳储量空间协同仿真估计结果为7.221 573 Tg,碳密度值分布为0~109.178 0 Mg·hm^(-2),均值为32.376 4 Mg·hm^(-2),基于15%检验样本的平均相对误差为4.565%,仿真估计碳总量在实测样地估算的置信区间内。本研究发现,遥感影像与地面样地森林碳密度的相关性随遥感影像的空间分辨率变化而变化,这对于提高森林碳储量估计精度有着重要意义,也是下一步研究的重点。
- 袁振花张茂震郭含茹秦立厚
- 关键词：森林生态学森林碳储量森林资源清查
- 基于Mann-Whitney非参数检验和SVM的竹类高光谱识别被引量：12
- 2011年
- 以毛竹、雷竹和孝顺竹野外高光谱数据为基础,在非参数统计理论和模式识别的基础上,提出了利用Mann-Whitney非参数检验筛选竹类间最佳特征区分波段及利用支持向量机识别竹类的问题。研究结果表明:(1)毛竹与雷竹之间的最佳区分波段为503～655,689～732,757～1 000,1 038～1 084,1 238～1 311,1 404～1 591,1 682～1 800,1 856～1 904和1 923～2 500nm,毛竹与孝顺竹之间的最佳区分波段为350～386,731～1 430,1 584～1 687,1 796～1 873nm,雷竹与孝顺竹之间的最佳区分波段为355～356,498～662,689～745和1 344～2 500nm;利用Mann-Whitney非参数检验方法可以分别消除30.0%,57.7%和35.8%的无效区分波段。(2)在最佳区分波段内,利用支持向量机的SMO算法进行高光谱竹类识别,模型精度分别为98.4%,93.5%和95.1%,模型泛化精度分别为93.3%,90.0%和86.7%,表明此方法可有效区分和识别竹亚科中的不同竹类。
- 陈永刚丁丽霞葛宏立张茂震胡芸
- 关键词：SVM竹亚科
- 基于径向基函数的神经网络对森林碳空间分布的模拟
- 2011年
- 利用径向基神经网络,结合森林资源清查的930个样地调查数据和对应的TM影像数据,选取与森林生物量相关性较大的3个植被指数TM4/57、ARVI和KT2作为神经网络的输入变量,对临安市森林碳储量的空间分布进行模拟。结果显示,利用径向基神经网络较好地重建了森林碳储量空间分布和变化,模拟结果与样地实测值间的一致性好,为区域森林碳储量的估测研究提供了方法支持。
- 汪少华张茂震祁祥斌赵平安陈金星朱孟涛
- 关键词：径向基神经网络森林资源清查TM影像
- 基于回归与随机模拟的区域森林碳分布估计方法比较被引量：19
- 2011年
- 以临安市为例,利用2004年森林资源清查样地数据和同年度Landsat TM影像数据,采用一元二次非线性回归和序列高斯协同模拟方法分别模拟森林地上部分碳密度及其分布,并对模拟结果进行比较分析。结果表明:一元二次非线性回归估计得研究区森林碳储量为2365404.37t,碳密度平均值为9.0000t·hm-2,最大值为73.7144t·hm-2,最小值为0.7156t·hm-2;序列高斯协同模拟得研究区森林碳储量为3291659.83t,碳密度平均值为12.5233t·hm-2,最大值为78.9133t·hm-2,最小值为0.0833t·hm-2;根据2004年森林资源清查样地数据,按随机抽样方法估计研究区森林碳储量为2708897.90t,样地碳密度平均值为10.3065t·hm-2,其最大值为96.9625t·hm-2,最小值为0;序列高斯协同模拟结果更接近地面样地估计结果,而且碳密度分布范围更合理;一元二次非线性回归估计结果与地面样地估计结果之差的累积平方和为9857.4619,而序列高斯协同模拟结果与实测结果之差的累积平方和为8018.4625;序列高斯协同模拟较一元二次非线性回归在估计区域森林碳空间分布上有明显优势。
- 沈希张茂震祁祥斌
- 关键词：森林碳储量碳密度TM影像
- 基于序列高斯协同模拟的多尺度区域森林碳密度空间分布估计被引量：1
- 2015年
- 以浙江省仙居县为例,基于2008年全县森林资源清查样地数据和2007年2月获取的Landsat TM影像数据,采用序列高斯协同模拟方法,分别在30 m×30 m和270 m×270 m空间分辨率水平上模拟森林地上部分碳密度及其分布,并对模拟结果进行对比分析。结果表明:仙居县森林地上碳密度分布具有空间连续变异性,四周为高碳密度有林地集中区,中间大部分为低碳密度无林地集中区,抽样估计研究区域地上森林碳储量为5 283 789.63 Mg。基于30 m×30 m分辨率的序列高斯协同模拟结果为5 692 875.69 Mg,模型确定系数为0.620 3;对比270 m×270 m像元大小基础上估计得到的森林碳储量5 030 871.79 Mg,模型确定系数0.238 3,小尺度上估计的碳储量总量更多,碳密度分布范围更广,模型精度更高。序列高斯协同模拟考虑了森林碳密度空间分布的差异性,模拟结果接近地面样地估计值,碳密度分布范围合理,能够很好地反映碳分布空间的连续变异性。
- 沈高云张茂震
- 关键词：碳储量碳密度多尺度
- 基于Flex和Google Map API的森林病虫害网络地图发布系统被引量：3
- 2011年
- 随着网络地图技术的发展和森林病虫害信息公开的要求,表现力丰富的病虫害空间分布网络专题地图需求日益强烈。针对以往构建WebGIS系统基于传统的HTML方式或改进的Ajax方式,导致开发烦琐、代码难以维护、开发成本高昂和表现力不足的问题。通过利用最新的Flash Flex RIA和Web Service技术,在Google Map API组件之上建立了具有多源数据整合、网络负载分离且具有良好用户体验的森林病虫害网络地图系统。并且详细介绍了系统的组织构架、技术流程、具体实现方法、跨域安全和密钥问题。实践表明,利用该方法构建表现力丰富的森林病虫害WebGIS系统是可行的和有效的,对于森林病虫害的预报与防治和病虫害信息公开提供了系统平台;同时,也对构建其他行业性WebGIS软件系统均有一定的参考价值和现实意义。
- 陈永刚王义平张茂震
- 关键词：MAPFLEXRIAWEBGIS森林病虫害
- 基于克里格插值与序贯高斯协同模拟的森林碳密度空间估计被引量：2
- 2013年
- 以浙江省仙居县为例,利用普通克里格插值法和序贯高斯协同模拟法对森林碳储量(地上部分)的空间分布进行估计,利用交叉检验方法对其结果进行对比分析。结果表明,仙居县的森林碳密度分布差异较大,大部分地区森林碳密度较低;普通克里格法未能体现森林碳密度的空间差异,具有明显的"平滑"效应,序贯高斯协同模拟在减少平滑影响方面优于前者,序贯高斯协同模拟法的预测结果较克里格插值法高。
- 金雨菲张茂震郭含茹何卫安
- 关键词：碳储量碳密度
- 基于均值置信区间带的高光谱特征波段选择与树种识别被引量：11
- 2011年
- 以柏木、雷竹和无患子野外高光谱数据为基础,在统计学理论和实践分析的基础上,提出了利用均值置信区间带筛选树种间最佳特征区分波段及利用Manhattan距离和Min-Max区间相似度识别树种的问题。研究结果表明:(1)柏木与雷竹之间的最佳区分波段为358～386,452～1 145和1 314～2 500 nm,柏木与无患子之间的最佳区分波段为350～446,497～527,553～1 330,1 355～2 400和2 436～2 500 nm,雷竹与无患子之间的最佳区分波段为434～555,580～1 903,1 914～2 089,2 172～2 457和2 475～2 500 nm;(2)在最佳区分波段内,同种树种间的Manhattan距离远小于异种树种间的Manhattan距离,同种树种间的Min～Max区间相似度远大于异种树种间的Min～Max区间相似度,Manhattan距离和Min～Max区间相似度可以有效区分和识别不同类型的树种。
- 陈永刚丁丽霞葛宏立张茂震胡芸
- 基于TM影像、森林资源清查数据和人工神经网络的森林碳空间分布模拟被引量：34
- 2011年
- 森林是陆地生态系统中最大的碳库,在全球碳平衡和减缓全球气候变化方面发挥着不可替代的作用。当前主要利用森林资源清查数据和优势树种材积源-生物量的关系进行碳储量估算,在此基础上有效结合遥感影像数据将会更好的满足相关部门对国家和区域森林碳储量计算的需求。利用临安市2004年森林资源清查的930个样地数据和同年度Landsat TM影像数据,提取6个波段灰度值以及与碳储量相关性相对较大的3个波段组合,结合人工神经网络对研究区森林碳储量及其分布进行有效模拟。结果显示,用误差反向传播算法训练神经网络较好的重建了森林碳密度空间分布和变化,森林碳地上部分模拟结果与样地实测值之间的一致性好,全区域模拟结果森林碳平均值为0.98Mg(10.89Mg/hm2),总体森林碳密度模拟结果低于样地平均值约13%,进一步验证了人工神经网络在对大范围森林碳估算与模拟上具有较好的效果,为区域森林碳储量的估测研究提供有效的方法支持。
- 汪少华张茂震赵平安陈金星
- 关键词：人工神经网络森林资源清查TM影像
