一、TM卫星影像图在剑河县森林资源二类调查中的应用（论文文献综述）
李春干,代华兵[1]（2021）在《中国森林资源调查:历史、现状与趋势》文中指出自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。
胡卫东[2]（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。
杨智奇[3]（2018）在《融合多源遥感数据的黄土高原森林提取及与现有产品的比较研究》文中提出森林生态系统作为陆地生态系统最主要的组成部分,在维持生物多样性、生态系统服务、调节全球气候和涵养水源起到了至关重要的作用。黄土高原是世界上水土流失最严重和生态环境最脆弱的地区之一,为了缓解日益恶化的生态环境,自1999年以来,国家实施了退耕还林工程和三北防护林工程等一系列生态工程。如何准确识别森林面积和分布是科学评价项目实施成效和实现区域森林资源可持续管理的重要前提。为了准确的估算黄土高原的森林资源,首先,本文结合2010年30m分辨率的光学遥感数据（Landsat）和25m分辨率的激光雷达数据（PALSAR）,利用决策树分类的方法提取了黄土高原森林分布信息;其次,本文采用相同的地面验证数据评估了PL-based森林图和现有七种中高分辨率的森林产品（JAXA、GlobeLand30、FROM-GLC、Hansen、ChinaCover、NLCD、GLCF VCF）的总体精度、用户精度、产品精度和卡帕系数;并在县级尺度和像元尺度分析了PL-based森林图和现有七种森林产品的森林面积和空间一致性的差异;最后本文探讨了八种森林产品的空间一致性及其对地形的敏感性。研究结果表明:（1）PL-based森林图融合了光学遥感数据（Landsat）的光谱信息和激光雷达数据（PALSAR）的森林结构信息,与其他的森林产品相比具有最高的总体精度（0.97）和卡帕系数（0.88）。（2）县级尺度上,PL-based森林图与现有七种森林产品均具有较高的线性相关（R2=0.680.96）,其中JAXA和PL-based森林产品具有最高的线性相关（R2=0.96,y=-0.29+0.81x）。（3）细节图可以看出,黄土高原PL-based,GlobeLand30和ChinaCover森林产品表明了更多的细节信息;JAXA相对低估了森林的面积,NLCD忽略了细节部分;FROM-GLC由于较大的错分误差高估了森林的面积。（4）八种森林产品的空间一致性指数随着地形呈现出一定规律,具体来说,在海拔2000m以下,空间一致性指数随着海拔的增加而增加;在海拔2000m以上,森林的空间一致性指数随着海拔的增加而减少;而随着坡度的增加（坡度<25°）,森林的空间一致性指数明显增加。本研究表明融合光学遥感和激光雷达数据可以更加精确的估算森林的面积,将会为未来的森林资源调查提供一些参考。
杨立岩[4]（2018）在《多平台多源遥感测树因子提取技术与方法研究》文中研究说明森林资源调查与监测是国家森林资源管理与经营的数据支撑和重要依据,而测树仪器与测树方法是决定森林资源调查工作效率和数据质量的重要因素。目前现有测树仪器数据采集方式落后、成本高、内外业工作量大,而传统人工地面调查方法耗时费力,调查效率低,难以适应现代林业发展的要求。随着技术的进步,尤其是摄影测量技术、激光雷达扫描技术、遥感技术、无人机技术的快速发展,越来越多的林业工作者针对如何利用先进的技术方法快速高效获取森林资源调查信息进行了研究。本文根据森林资源调查和森林计测的不同需求,从地面、无人机、遥感卫星三种尺度应用多种平台设备获取不同数据源,从而对测树因子的科学提取展开研究。本文尝试改进传统森林资源调查信息获取技术,旨在为森林资源调查数据获取提供新途径,提高森林资源调查效率,降低调查成本,从而为实现森林资源调查的数字化、自动化、智能化、一体化提供理论基础和技术支撑。文章主要研究内容及结论归纳如下:（1）地面影像与激光雷达测树因子提取利用单片解算原理自主研发了单片激光摄影测树仪,实现了胸径、树高、林分结构参数的测定,经实验验证,胸径、树高测量平均绝对误差（Mean Absolute Error,MAE）分别为0.6cm和0.37m,精度分别为97.45%和97.18%,角尺度、大小比数测量精度分别为97.50%、97.14%,混交度测量结果与传统方法相同。利用CCD超站仪单像片解算和多像片拼接方法,实现了胸径、树高和材积的测定,并详细验证了影响仪器测量精度的因素,分别从仪器系统误差、距离和倾角、摄影模式等方面进行了验证和分析。经实验验证,利用本文使用型号的CCD超站仪进行树高和材积测量的精度分别为98.41%和98.01%,最优观测距离为15m,最优观测角度为0°。经过实验及分析,得出CCD超站仪进行立木材积测定的规则,即,在条件允许的情况下,应优先考虑增加观测距离,其次为调整观测角度,最后为增加像片数量。设计了一种3D地面标识球,提出了一种利用智能手机“环形摄影”进行森林样地任意连续摄影观测的方案,实现平坦林区的三维场景还原,进而能够提取林木的胸径、坐标位置。经分别对不同“环形”半径的单圈模式和组合模式的还原效果进行分析,认为采用半径为12m/8m的多路径组合方式为优选方案。经实验验证,实现了样地内树木位置还原,胸径测量平均绝对误差（MAE）为1.96cm,精度为90.27%。利用地基二维激光雷达扫描原理和即时定位与地图构建（SLAM）技术设计了一种低成本手持式二维激光雷达扫描测树仪,通过连续移动测量模式实现了林木树心坐标和株数密度测定,通过单站固定测量模式实现了林木胸径测定。经实验验证,测量林木坐标点位误差稳定小于5cm,胸径测量平均绝对误差（MAE）为1.06cm,精度为 96.20%。（2）无人机影像与激光雷达点云测树因子提取以黑龙江省苇河林业局万山林场和新兴林场为试验区,分别利用搭载普通数码相机和激光雷达传感器的多旋翼无人机系统进行航飞实验,获取研究区域的无人机高重叠率像片（航向重叠率为80%,旁向重叠率为60%）与高密度激光雷达点云（>50点/m2）。使用无人机激光点云实现了小班尺度下单木树高、冠幅、坐标位置等单木因子的提取和郁闭度、林分平均高、株数密度、叶面积指数、蓄积量等林分因子的提取。采用LiDAR360软件对激光雷达点云数据预处理,获得数字高程模型（Digital Elevation Model,DEM）、数字表面模型（Digital Surface Model,DSM）和冠层高度模型（Canopy Height Model,CHM）。分别利用基于CHM和基于点云的方法进行单木分割提取树高和冠幅等单木因子,通过对两种方法进行比较分析,两种方法单木分割正确率基本相当,基于CHM分割方法精度（低郁闭度针叶林平均F得分为0.94,中高郁闭度针叶林平均F得分为0.76,中高郁闭度阔叶林平均F得分为0.57）略优于基于点云分割方法（低郁闭度针叶林平均F得分为0.90,中高郁闭度针叶林平均F得分为0.70,中高郁闭度阔叶林平均F得分为0.55）;基于点云方法提取树高平均精度（95.38%）和冠幅平均精度（74.09%）优于基于CHM方法提取树高平均精度（90.42%）和提取冠幅平均精度（68.01%）。基于CHM利用高度阈值法提取样地树冠总面积,使用面积比值法提取样地林分郁闭度,基于点云提取点云高度、密度和强度的统计变量,并由高度变量建模获取林分平均高,利用基于比尔-朗伯定律方法提取叶面积指数,最后以点云高度、密度、强度统计变量、郁闭度和叶面积指数为自变量,利用多元线性逐步回归方法建立与蓄积量的回归关系,得到无人机激光雷达点云蓄积量最优估测模型为 lnM=0.4901nLAI+1.2261nh30+1.296,模型 R2为 0.84,RMSE 为 16.78m3/ha,rRMSE为 11.39%。使用无人机影像实现了小班尺度下单木树高、冠幅、坐标位置等单木因子的提取和郁闭度、株数密度、林分平均冠幅、林分平均高、蓄积量等林分因子的提取。利用高重叠率像片通过特征点提取、匹配和点云加密生成SfM密集点云,进而获得DOM、DSM、DEM和CHM。利用面向对象多尺度分割方法结合DOM与CHM进行单木分割,提取树高和冠幅。通过SfM点云与部分LiDAR地面点云结合生成的CHM提取林分郁闭度、林分平均高、林分平均冠幅,进而以样地平均CHM和郁闭度CC为自变量,建立林分平均高的非线性模型H=2.521CHM0.646CC-0.997,模型R2为0.722,RMSE为1.497m。最后,以林分平均高、平均冠幅、郁闭度、林分平均CHM为自变量,利用建立无人机影像蓄积量反演模型M=0.277H2629 C-0.423CC1.655,模型R2为0.737,RMSE 为 21.72m3/ha。（3）Landsat-8遥感影像反演蓄积量以无人机载LiDAR估测的蓄积量LiM为样本,结合Landsat-8遥感数据进行林场尺度的蓄积量反演。分别使用传统的多元线性逐步回归方法与随机森林和量子粒子群优化最小二乘支持向量机2种机器学习方法建立Landsat-8 OLI提取的特征变量与蓄积量LiM的外推反演模型。经实验验证,机器学习方法反演精度优于传统多元线性回归方法,最优森林蓄积量外推反演模型为随机森林,经检验样本验证得到随机森林模型的R2为0.75,RMSE为29.39m3/ha。以随机森林方法估测新兴林场蓄积量,并制作蓄积量分布图。本文针对三种不同尺度,应用多种平台设备获取不同数据源,实现测树因子的提取展开研究,对森林资源管理与经营具有较大现实意义。本文提出的主要技术方法对提高当前我国森林资源调查与监测技术水平、降低野外劳动强度和生产成本具有重要意义,对满足不同尺度、不同精度和不同成本预算的森林资源调查需求,实现森林资源调查信息的快速、高效获取或更新具有指导和借鉴意义。
张凝[5]（2017）在《油松毛虫灾害发生多尺度遥感监测与预测》文中指出油松毛虫（Dendrolimus tabulaeformis）是我国北方地区主要的森林虫害,每年对油松及其他寄主植被造成的损失不计其数。不能准确监测灾害发生情况、预测灾害发生风险是油松毛虫灾害大面积扩散的主要原因之一。利用遥感技术能够快速、准确的获取森林灾害类型以及灾害发生程度、灾害发生面积等信息,从而实现森林病虫害的动态监测及预测,为及时有效的灾害防治提供有力依据。本文以辽宁省建平县为实验区,油松毛虫灾害为研究对象,利用低空无人机高光谱、高空间分辨率及星载时间序列遥感数据,分别在单木、样地及县域尺度上研究灾害识别、监测和预测方法。通过高光谱数据降维、高光谱数据空谱分类及数理统计分析,提出了“基于类间不稳定性-连续投影变换”（ISIC-SPA）的高光谱数据波段优选组合算法以及基于优化支持向量机的空谱分类算法,并在此基础上构建油松毛虫灾害发生程度识别模型、灾害发生面积监测模型;通过星载遥感影像和气象数据的时间序列分析,提出了气候变化条件下的县域尺度灾害预测技术框架,并构建了灾害发生面积短期预测模型。实现了不同尺度油松毛虫灾害发生位置、发生面积以及灾害等级的信息获取,形成了“星-机-地”一体化的油松毛虫灾害监测及预测技术体系。论文的主要研究内容及成果如下:（1）单木尺度上,提出基于机载高光谱成像数据波段优选的油松毛虫灾害程度识别方法,并在此基础上构建油松毛虫灾害程度识别模型。首先在经过数据平滑的机载高光谱影像上,利用野外调查获取的油松单木位置信息,提取冠幅范围内所有像素的平均光谱作为该单木的光谱信息;通过对比分析主成分分析（PCA）、连续投影变换（SPA）以及基于类间不稳定性波段优选（ISIC）算法的结果,提出“基于类间不稳定性-连续投影变换”（ISIC-SPA）的高光谱数据波段优选组合算法,实现油松失叶率敏感波段的提取。利用ISIC-SPA波段优选算法提取出的敏感波段为:466nm、522nm、618nm、702nm、714nm、950nm,通过偏最小二乘回归拟合（PLSR）,构建单木尺度油毛虫危害程度识别模型:P=231.5840-0.0513*Band466-0.04 06*Band522-0.0717*Band618-0.0118*Band702-0.0 0 82*Band714-0.0052*Band950,模型拟合精度为78.9%。结果表明:本文提出的ISIC-SPA-PLSR机载高光谱数据单木尺度油松毛虫灾害程度识别方法可行有效。（2）样地尺度上,提出一种基于优化支持向量机的空谱分类方法,并将其应用于该尺度下的危害油松识别上。研究所提出的空谱分类方法主要利用边缘保持滤波算法,对基于支持向量机（SVM）光谱分类结果形成的初始概率图进行优化,依据概率最大化准则确定优化后的像元所属类别。在以高清CCD影像和高光谱图像PCA分解形成的假彩色图像作为引导图的两种情况下,分别应用联合双边滤波和引导滤波进行SVM概率优化,通过对比分析平均结构相似性,发现以高清CCD影像为引导图的基于引导滤波的优化支持向量机空谱分类算法的分类精度和危害油松分类精度分别达到:95.13%和90.21%,效果最好且优于原有SVM分类结果。结果表明:基于优化支持向量机的空谱分类方法能够有效地识别样地尺度危害油松范围。（3）构建基于植被指数的县域尺度油松毛虫灾害发生面积率监测模型。利用1990年-2016年（剔除未获取数据的2005年和2013年）共25年的Landsat TM/ETM+以及Landsat 8 OLI数据,运用随机森林分类方法,提取研究区各年油松面积（分类精度89.44%）,计算油松毛虫发生面积率。通过其与各类植被指数的相关性分析,筛选出秋季指数（AI）、中红外比值指数（MIR）、水分胁迫指数（MSI）、归一化植被指数（NDVI）、第五波段归一化近红外指数（NDII5）和反射率吸收指数（RA）共6个指数参与模型构建。为更好地消除因子间多重共线性影响,采用基于变量二次筛选的逐步偏最小二乘回归拟合算法,构建县域尺度油松毛虫灾害发生面积率监测模型:Y=-16.0413-1.5442AI+6.7884MIR+10.7365MSI-5.8108NDVI+10.3746NDII5+9.8881RA,模型拟合精度为80.80%,能够满足实际应用需求。（4）构建基于气象因子的县域尺度油松毛虫危害发生面积率预测模型,并应用基于时间序列的气象因子短期预测数据,实现未来气候变化条件下的油松毛虫灾害发生面积预测。以三年平均气象数据为因变量,以油松毛虫发生面积率为自变量,通过因子相关性分析,确定平均温度（T）、极端最高温（HT）、极端最低温（LT）,平均相对湿度（H）、降水量（P）、日照时数（S）和平均风速（W）进行模型拟合,并通过基于变量二次筛选的逐步偏最小二乘回归拟合算法,构建县域尺度油松毛虫灾害发生面积率预测模型为:Y=-13.0221+0.5481T+0.0381HT-0.0188H-0.0039P+0.0032S+0.2680W,模型拟合精度为81.17%。在此基础上,通过相关气象因子数据基于时间序列分析的未来预测,完成2017年-2021年的油松毛虫灾害发生面积率预测。结果显示:未来5年里,在无人为干预条件下,研究区油松毛虫灾害发生面积主要集中在轻度及中度危害范围,在2020年有上升趋势,需要提前做好防范。
孙亚丽,周筑,黄海燕,戴益源[6]（2017）在《基于卫星遥感影像的森林资源二类调查》文中指出以易门县全境森林资源为对象,采用卫星影像图技术进行内业小班区划,并结合实地调查的方法,进行其森林资源二类调查。结果表明,利用卫星影像技术区划,具有成本低、进度快的优点,可缩短调查时间,能按时按量地完成调查任务,从而解决了传统森林资源调查方法中小班区划耗时长、成本高的难题。
阿比亚斯[7]（2013）在《塞罕坝林场华北落叶松生长与立地关系研究》文中提出华北落叶松人工林林分生长与立地关系的研究，不仅是森林经理学科研究的重要内容，也是开展森林科学经营的重要基础。本文以河北省塞罕坝机械林场华北落叶松为研究对象，利用2012年该场森林资源二类调查资料，运用主成分分析方法，研究不同林龄华北落叶松人工林生长与主要立地因子相互关系，揭示主要立地因子对林分生长的影响，进而为今后开展适当的措施经营和管理提供理论参考。主要研究结论如下：（1）不同林龄落叶松分布受海拔和坡度等因子的影响，通过对二类数据进行筛选发现10年生华北落叶松主要分布于海拔1301m-1700m；20年生生华北落叶松94.7%分布于海拔1301m以上；30年生生华北落叶松83.8%分布于海拔1500m以上，48.9%分布于海拔1700m以上；40年生生华北落叶松87.9%分布于海拔1500m以上，由此可见该地区华北落叶松人工栽培，主要在坝上地区开始，随着造林技术的提高，华北落叶松人工造林逐步向低海拔地区拓展。（2）从不同林龄落叶松人工林小班分布的坡度分布表可知，落叶松林主要分布于020°的坡度范围内，21°30°的坡度范围内分布次之，31°40°的坡度范围内分布最少。坡度愈小土壤及水分条件较好，微生物较多有利于枯落物分解，有利于落叶松林分的生长与经营条件。（3）通过不同立地因子对不同林龄华北落叶松人工林生长的因子得分矩阵可知，土壤种类与土壤质地对华北落叶松生长量有着较大影响，土壤母质、坡度、坡向、海拔等立地因子对林分生长量影响较弱，因此在森林经营过程中应根据土壤种类合理的改善林地的土壤质地，为提高林分胸径、树高及蓄积增长营造良好的生长条件。（4）从立地因子对不同林龄华北落叶松生长因子影响来看，土壤质地是影响不同林龄生长因子关键因素，随着林龄的增加，坡向因子与海拔因子在不同林龄时期具有重要的作用。
董宇[8]（2012）在《基于遥感信息估测将乐县森林生物量的研究》文中进行了进一步梳理本研究以将乐县乔木植被为主要研究对象,采用生物量换算因子连续函数法计算标准地实测生物,对2001年和2010年两期ETM+遥感数据分析,计算植被指数,结合DEM高程模型提取的地形因子,以标准地实测生物量为因变量,植被指数、地形因子为自变量,采用逐步回归法拟合森林生物量遥感模型,并对模型精度进行评价以及地面数据对模型精度的检验评价。通过精度检验,选取本文的森林植被生物量模型为：B=393.53NDVI+1.347SAVI-3.194tm4。利用该模型可以算出,将乐县2010年的森林平均生物量为155.844t/hm2,而2001年的平均值为136.99t/hm2。该模型反演得到了2001年和2010年森林生物量分布图,从时间和空间上对该地区森林生物量的分布情况进行分析,反映集体林权制度改革对森林碳储量、森林生产力的影响,通过对生物量的监测,评价了该地区林权改革达到的成果。基于遥感图像对将乐县森林生物量的研究得到以下经验：遥感图像的处理质量是本研究的关键；森林生物量主要和NDVI、SAVI这两种植被指数以及ETM+影像的tm4波段线性关系良好；总体看来,该研究区森林面积成增加的趋势,森林生物量随着时间的推移而增加,且主要集中在坡度较缓的中海拔地区；通过分析该研究区的生物量发现,随着林权制度改革的深入,产权到户对该地区的生态环境、社会发展起到积极的作用。
王妮[9]（2012）在《基于3S技术的森林资源变化动态监测 ——以2000～2010年间江苏省宿迁市为例》文中指出为了评价林业工程和森林生态建设的成效，对宿迁市2000～2010年间森林资源的变化及森林生态服务功能的变化进行动态监测和评价。1.近年来，随着3S技术的应用发展，逐渐改变完全野外调查的方式，开始利用3S技术与野外调查相结合的方式进行森林资源调查。本文采用不同的分类方法对宿迁市2000年、2005年、2010年三期遥感影像提取森林资源信息，并进行方法比较，认为决策树分类法更适合对该地区TM影像进行分类。其中为了提高分类精度，不仅与多时相遥感数据相结合，而且加入了林分纹理、数量、面积信息以及叠加地理信息特征数据，这样能够有效地区分森林资源与农田或其它地物，精确森林面积。由分类结果得知，分类精度较最大似然法有明显提高，并将分类结果与宿迁市实际数据进行比较，林地分类精度均为90%以上，达到分类精度要求；2.遥感图像预处理包括几何校正、图像拼接、图像修复和大气校正。利用直方图匹配色调和边界羽化分别对三期数据进行拼接，并采用了自适应局部回归匹配算法来消除条带缺失现象。利用了FLAASH模块和6S模型相结合的方法进行大气校正，解决了气象数据获取困难的问题；3.经计算，宿迁市2000～2010年间森林面积从616.83km2增加到918.5km2。本文采用了多种森林资源变化动态监测方法进行比较分析，经过分析，最终确定分类后比较法作为研究区森林及其它地类的变化监测方法，分析得出林地的变化去向以及来源，并结合GIS技术的叠加分析功能，判断宿迁市十年间森林资源变化机制；4.利用多元线性回归法建立宿迁市三期森林蓄积量的估测模型和郁闭度估测模型，同时利用主成分分析法与逐步回归法相结合优化估测模型，结果显示森林蓄积量稳步上升，单位林木蓄积量逐渐增加；5.应用3S技术和AHP法相结合来评价宿迁市森林生态服务功能，结果显示三期均能达到良好等级，2000年到2005年分值有略微上升，而到2010年上升速度有所提高，表明宿迁市森林生态建设已见成效，但由于工业发展和人口增长的速度远远大于林业发展的速度，想达到优秀水平还需要更大的努力，并给出了合理化的生态建议；
李凤凤[10]（2011）在《泗阳县杨树生物量遥感估算及其动态变化分析》文中研究说明本文采用2005、2009年两期江苏省森林资源调查数据及对应的影像数据对宿迁市泗阳县杨树森林生物量进行了估算分析。首先利用2005年江苏省森林资源一类（连清）统计数据与2009年森林资源二类调查数据基于生物量换算因子连续函数法估算出杨树林生物量,然后分别对应于2005年Landsat TM、2009年HJ-1B影像提取遥感因子以逐步多元拟合回归法对生物量估算分析并建立了遥感估算模型；然后以该研究区2009年江苏森林资源二类调查数据为例,对不同龄组、郁闭度、土壤质地上杨树生物量的生长情况进行分析,并建立了基于龄组（幼龄林、中龄林、近熟林、成熟林、过熟林）的遥感估算模型,期望为今后泗阳县乃至更大尺度区域杨树林的经营管理提供基础数据和理论依据；论文最后还分析了两期杨树生物量的动态变化。结果如下：（1）在对两期影像分类的过程中,根据森林资源规划设计调查规程进行分类类别的确定,严格选择训练区,对训练区样本做可分性评价,采用最大似然法对影像进行分类。2005年TM影像像元大小是30*30m,总共有330929个杨树像元,杨树林面积约为29768.6 ha；2009年的HJ-1B影像像元大小也是30*30m,总共有468925个杨树像元,杨树林面积约为38848.8 ha,从2005年至2009年杨树林面积增加了9080.2 ha,增加了30.5%。（2）利用2005年江苏省森林资源一类统计数据和生物量换算因子连续函数法估算出杨树林生物量。对TM遥感影像提取植被指数和波段比值等因子与杨树生物量做相关性分析,在0.01水平上显着相关,这为利用遥感模型估算研究区杨树林生物量提供支撑。杨树林单位面积生物量与NDVI、RVI B1/B3、B2*B3/B4的散点分布有着明显的线性关系,从66个样本中随机抽取50个样本数据采用逐步多元回归建立生物量遥感估算模型,相关系数R2为0.7011,相关性显着。用剩余16个样本数据做精度检验,平均误差为-1.996。（3）利用2009年江苏省森林资源二类调查数据和生物量换算因子连续函数法估算出杨树林生物量；对HJ-1B遥感影像提取植被指数和波段比值等因子与杨树生物量做相关性分析,在0.01水平上显着相关,这提高了利用遥感模型估算研究区杨树林生物量的说服力。杨树单位面积森林生物量与TNDVI、B1/B4、B2/B4、B3/B4、B3/（B1+B2+B3+B4）、B4/（B2+B3）、树冠（shuguan）因子的散点分布有着明显的线性关系,从93个样本中随机抽取60个样本数据采用逐步多元回归建立生物量遥感估算模型,相关系数R2为0.4448,相关性一般。用剩余33个样本数据做精度检验,平均误差为-1.608。另外建立了以龄组--年龄序列的遥感估算模型,每一龄组（幼龄林、中龄林、近熟林、成熟林）随机抽取40个样本数据,分别建立杨树生物量估算模型,相关系数分别为0.3634、0.3696、0.4164、0.3597。（4）基于分类后比较法,提取出杨树类别,分别根据已拟合出的遥感估算模型对杨树生物量进行反演,统计出两期杨树生物量数据结果：2005年泗阳县杨树林生物量为1786771.2 t,2009年杨树林生物量为2760600.4 t,四年间增加了973829.2 t,增加了35.3%,与杨树面积增幅发展趋势一致,这既是国家和当地政府对林业生态的政策的推进,也是人们对林业能带来的巨大效益的重视。
二、TM卫星影像图在剑河县森林资源二类调查中的应用（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、TM卫星影像图在剑河县森林资源二类调查中的应用（论文提纲范文）
（2）“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 |
（3）融合多源遥感数据的黄土高原森林提取及与现有产品的比较研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 引言 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状及存在问题 |
| 1.2.1 国外研究现状 |
| 1.2.2 国内研究现状 |
| 1.2.3 存在问题 |
| 1.3 研究内容与研究方法 |
| 1.3.1 研究内容 |
| 1.3.2 研究方法 |
| 1.4 技术路线 |
| 第二章 研究区概况 |
| 2.1 自然地理概况 |
| 2.2 社会经济概况 |
| 2.3 生态退化现状 |
| 2.3.1 水土流失严重 |
| 2.3.2 荒漠化严重 |
| 2.3.3 草地退化严重 |
| 2.4 退耕还林情况 |
| 2.5 本章小结 |
| 第三章 融合PALSAR和Landsat数据的森林信息提取 |
| 3.1 遥感影像数据及预处理 |
| 3.1.1 PALSAR数据及预处理 |
| 3.1.2 Landsat数据及预处理 |
| 3.2 黄土高原森林信息提取算法 |
| 3.2.1 基于PALSAR数据的黄土高原森林信息提取 |
| 3.2.2 基于PALSAR/Landsat数据的黄土高原森林信息提取 |
| 3.2.3 中值滤波 |
| 3.3 基于地面验证数据和GoogleEarth的验证数据收集 |
| 3.4 本章小结 |
| 第四章 PL-based森林图与现有七种森林图的精度评估与比较 |
| 4.1 现有的七种中高分辨率森林图介绍 |
| 4.2 PL-based森林图与现有七种森林图的精度评估 |
| 4.2.1 混淆矩阵 |
| 4.2.2 PL-based森林图与七种森林图的精度比较 |
| 4.3 PL-based森林图与七种中高分辨率森林图的面积比较 |
| 4.3.1 县级尺度面积统计 |
| 4.3.2 PL-based森林图与现存七种森林图的空间分布 |
| 4.3.3 县级尺度面积比较 |
| 4.4 PL-based森林图与现有七种森林图的空间一致性 |
| 4.5 森林的空间一致性指数对地形的敏感性分析 |
| 4.6 本章小结 |
| 第五章 PL-based森林图与现有七种森林图的不确定性分析 |
| 5.1 森林定义的差异 |
| 5.2 数据源的差异 |
| 5.3 算法的差异 |
| 5.4 验证方法的不确定性 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 附表 |
（4）多平台多源遥感测树因子提取技术与方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1. 引言 |
| 1.1. 研究背景与意义 |
| 1.2. 国内外研究现状 |
| 1.2.1. 森林资源调查体系与方法 |
| 1.2.2. 地面森林资源调查技术的发展 |
| 1.2.2.1. 地面调查方法与设备的发展 |
| 1.2.2.2. 地面摄影测量技术的发展 |
| 1.2.2.3. 地基激光雷达扫描技术的发展 |
| 1.2.3. 航空森林资源调查技术的发展 |
| 1.2.3.1. 航空摄影测量技术的发展 |
| 1.2.3.2. 机载激光雷达技术的发展 |
| 1.2.4. 遥感卫星森林资源调查技术的发展 |
| 1.3. 本章小结 |
| 2. 研究内容与研究区概况 |
| 2.1. 研究内容与技术路线 |
| 2.1.1. 研究内容 |
| 2.1.2. 技术路线 |
| 2.2. 论文章节安排 |
| 2.3. 研究区概况 |
| 2.3.1. 研究区概况 |
| 2.3.1.1. 鹫峰林场 |
| 2.3.1.2. 苇河林区 |
| 2.4. 本章小结 |
| 3. 地面摄影测量与激光雷达测树因子提取技术 |
| 3.1. 单片激光摄影测树仪测树因子提取 |
| 3.1.1. 仪器构成 |
| 3.1.2. 仪器功能及参数 |
| 3.1.3. 仪器检校 |
| 3.1.4. 仪器测量原理 |
| 3.1.4.1. 胸径测量原理 |
| 3.1.4.2. 树高测量原理 |
| 3.1.4.3. 林分空间结构参数测量原理 |
| 3.1.5. 功能验证分析 |
| 3.1.5.1. 胸径测量功能 |
| 3.1.5.2. 树高测量功能 |
| 3.1.5.3. 林分空间结构参数测量功能 |
| 3.2. CCD超站仪测树因子提取及立木材积精测 |
| 3.2.1. 仪器构成 |
| 3.2.2. 仪器系统检校 |
| 3.2.3. 仪器测量原理 |
| 3.2.3.1. 单片测树原理 |
| 3.2.3.2. 多像片测树原理 |
| 3.2.3.3. 观测精度评价方法 |
| 3.2.4. 实验验证与分析 |
| 3.2.4.1. 实验设计 |
| 3.2.4.2. 距离和倾角对测量精度的影响 |
| 3.2.4.3. 摄影模式对测量精度的影响 |
| 3.2.4.4. 立木精测精度分析 |
| 3.2.4.5. CCD超站仪立木材积最佳观测方案 |
| 3.3. 地面任意连续摄影测树因子提取 |
| 3.3.1. 测量原理 |
| 3.3.1.1. 立体像对解算原理 |
| 3.3.1.2. SfM三维重建原理 |
| 3.3.1.3. 测树因子提取原理 |
| 3.3.2. 实验方案设计 |
| 3.3.2.1. 3D地面标识球的设计 |
| 3.3.2.2. 材料准备 |
| 3.3.2.3. 实验流程设计 |
| 3.3.3. 实验验证与分析 |
| 3.4. 地基激光雷达点云测树因子提取 |
| 3.4.1. 仪器构成及详细参数 |
| 3.4.2. 地基激光雷达测量原理 |
| 3.4.3. 二维激光雷达点云测树因子提取 |
| 3.4.3.1. 树心坐标位置提取原理 |
| 3.4.3.2. 株数密度提取原理 |
| 3.4.3.3. 单站树木胸径测量原理 |
| 3.4.4. 实验验证 |
| 3.4.4.1. 树心坐标提取验证 |
| 3.4.4.2. 株数密度提取验证 |
| 3.4.4.3. 单站树木胸径提取验证 |
| 3.5. 本章小结 |
| 4. 无人机影像与激光雷达点云测树因子提取技术 |
| 4.1. 数据获取与预处理 |
| 4.1.1. 无人机影像数据获取与预处理 |
| 4.1.1.1. 无人机影像数据获取 |
| 4.1.1.2. 无人机影像数据预处理 |
| 4.1.2. 无人机LiDAR点云数据获取与预处理 |
| 4.1.3. 无人机影像与LiDAR点云数据配准 |
| 4.1.4. 地面调查数据获取与预处理 |
| 4.2. 无人机激光雷达点云测树因子提取技术 |
| 4.2.1. 激光雷达点云滤波与分类 |
| 4.2.2. 数字高程模型和数字表面模型生成 |
| 4.2.3. 无人机载激光雷达单木因子提取 |
| 4.2.3.1. 基于CHM的单木分割与单木因子提取 |
| 4.2.3.2. 基于点云的单木分割与单木因子提取 |
| 4.2.4. 无人机载激光雷达林分因子提取 |
| 4.2.4.1. 激光雷达点云数据统计变量 |
| 4.2.4.2. 郁闭度信息提取 |
| 4.2.4.3. 林分平均高的提取 |
| 4.2.4.4. 叶面积指数提取 |
| 4.2.4.5. 林分蓄积量的提取 |
| 4.3. 无人机影像测树因子提取技术 |
| 4.3.1. 无人机影像单木因子提取 |
| 4.3.1.1. 无人机影像数据的单木分割 |
| 4.3.1.2. 单木树高与冠幅提取 |
| 4.3.2. 无人机影像林分因子提取 |
| 4.3.2.1. 郁闭度信息提取 |
| 4.3.2.2. 林分株数密度与平均冠径 |
| 4.3.2.3. 林分平均高 |
| 4.3.2.4. 林分蓄积量 |
| 4.4. 本章小结 |
| 5. 森林蓄积量遥感外推反演技术 |
| 5.1. Landsat-8遥感数据获取与预处理 |
| 5.1.1. 遥感数据获取 |
| 5.1.2. 遥感数据预处理 |
| 5.1.2.1. 辐射定标与大气校正 |
| 5.2. 建模因子提取与特征选择 |
| 5.2.1. 建模因子提取 |
| 5.2.1.1. 光谱因子 |
| 5.2.1.2. 纹理因子 |
| 5.2.2. 建模因子选择 |
| 5.2.2.1. 相关性分析 |
| 5.2.2.2. 特征选择 |
| 5.3. 森林蓄积量反演 |
| 5.3.1. 蓄积量反演模型原理及方法 |
| 5.3.1.1. 多元线性逐步回归(MLR) |
| 5.3.1.2. 随机森林(RF) |
| 5.3.1.3. 量子粒子群优化最小二乘支持向量机(QPSO-LSSVM) |
| 5.3.2. 建模样本及模型评价方法 |
| 5.3.3. 基于Landsat-8数据的蓄积量反演结果 |
| 5.3.3.1. 基于MLR的蓄积量估测结果 |
| 5.3.3.2. 基于RF的蓄积量估测结果 |
| 5.3.3.3. 基于QPSO-LSSVM的蓄积量估测结果 |
| 5.3.4. 基于不同反演方法估测结果比较 |
| 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 |
（5）油松毛虫灾害发生多尺度遥感监测与预测（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 森林病虫害遥感监测研究现状 |
| 1.2.1 基于地面非成像高光谱数据的森林病虫害监测 |
| 1.2.2 基于成像高光谱数据的森林病虫害监测 |
| 1.2.3 基于植被指数变化分析的森林病虫害监测 |
| 1.2.4 气候变化响应下的森林病虫害预测 |
| 1.3 课题来源 |
| 1.4 研究目标、研究内容及技术路线 |
| 1.4.1 研究目标 |
| 1.4.2 研究内容和技术路线 |
| 1.5 论文组织结构 |
| 2 试验方案、数据获取与预处理 |
| 2.1 试验区概况 |
| 2.2 试验方案 |
| 2.2.1 基于机载成像高光谱数据的单木尺度油松毛虫灾害程度识别 |
| 2.2.2 基于机载成像高光谱数据及高清影像的样地尺度油松毛虫危害木识别 |
| 2.2.3 基于星载遥感影像的县域尺度油松毛虫虫灾监测及预测 |
| 2.3 野外试验数据获取及预处理 |
| 2.3.1 地面光谱数据获取及预处理 |
| 2.3.2 机载近地遥感数据获取及预处理 |
| 2.3.3 失叶率数据获取 |
| 2.3.4 其他相关数据获取 |
| 2.4 卫星遥感数据获取及预处理 |
| 2.5 其他辅助数据获取 |
| 2.5.1 二类调查数据 |
| 2.5.2 历史气象数据 |
| 2.6 本章小结 |
| 3 基于机载成像高光谱数据的单木尺度油松毛虫灾害程度识别 |
| 3.1 成像高光谱数据预处理 |
| 3.1.1 光谱平滑 |
| 3.1.2 多元散射校正 |
| 3.2 高光谱数据的波段优选 |
| 3.2.1 主成分分析 |
| 3.2.2 连续投影算法 |
| 3.2.3 基于类间不稳定性的波段优选 |
| 3.3 油松毛虫灾害识别模型构建及其精度评价 |
| 3.3.1 偏最小二乘回归法 |
| 3.3.2 模型性能评价参数 |
| 3.4 波段优选及油松毛虫灾害程度识别结果 |
| 3.4.1 波段优选结果分析 |
| 3.4.2 灾害程度识别结果与分析 |
| 3.5 本章小结 |
| 4 基于机载成像高光谱数据及高清影像的样地尺度油松毛虫危害木识别 |
| 4.1 基于支持向量机的近地高光谱影像分类 |
| 4.1.1 支持向量机 |
| 4.1.2 核函数及其核参数选择 |
| 4.1.3 结果对比与分析 |
| 4.2 图像滤波算法原理 |
| 4.2.1 联合双边滤波 |
| 4.2.2 引导滤波 |
| 4.3 基于优化支持向量机空谱分类的危害油松识别 |
| 4.3.1 空谱分类框架构建 |
| 4.3.2 不同滤波算法结果分析 |
| 4.3.3 样地尺度危害油松识别 |
| 4.4 本章小结 |
| 5 基于星载遥感影像的县域尺度油松毛虫灾害监测及预测 |
| 5.1 基于FOREST_RI模型的油松林提取 |
| 5.1.1 特征参数选取 |
| 5.1.2 基于Forest_RI模型的油松林提取 |
| 5.2 基于植被指数的油松毛虫发生面积监测模型构建 |
| 5.2.1 油松毛虫灾害发生面积影响因子提取 |
| 5.2.2 油松毛虫发生面积监测模型构建及精度分析 |
| 5.3 气候变化背景下的油松毛虫灾害发生面积预测模型构建 |
| 5.3.1 基于气象因子的油松毛虫灾害发生面积率预测模型构建 |
| 5.3.2 基于未来气象因子预测的油松毛虫灾害发生面积率预测 |
| 5.4 本章小结 |
| 6 结论、创新点与展望 |
| 6.1 研究主要工作及结论 |
| 6.2 研究特色及主要创新点 |
| 6.3 下一步研究展望 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 获得成果目录 |
| 致谢 |
（6）基于卫星遥感影像的森林资源二类调查（论文提纲范文）
| 1 研究区概况 |
| 2 研究方法 |
| 3 结果与分析 |
| 4 结论与讨论 |
| 4.1 结论 |
| 4.2 讨论 |
（7）塞罕坝林场华北落叶松生长与立地关系研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究目的与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 立地因子对针叶林分生长影响的研究进展 |
| 1.2.2 立地因子与林分生长发育的关系 |
| 2 研究内容、方法及技术路线 |
| 2.1 研究内容 |
| 2.2 研究方法 |
| 2.2.1 数据采集 |
| 2.2.2 数据处理 |
| 2.3 技术路线 |
| 3 研究区概况 |
| 3.1 自然概况 |
| 3.1.1 地理位置 |
| 3.1.2 地质地貌 |
| 3.1.3 气候状况 |
| 3.1.4 土壤状况 |
| 3.2 森林资源概况 |
| 3.3 社会经济概况 |
| 4 研究结果与分析 |
| 4.1 华北落叶松人工林按照主要立地条件分布规律 |
| 4.2 影响不同林龄华北落叶松人工林生长的主要立地因子 |
| 4.3 不同林龄华北落叶松人工林立地因子对生长影响 |
| 4.3.1 胸径与立地因子分析 |
| 4.3.2 树高与立地因子分析 |
| 4.3.3 公顷蓄积与立地因子分析 |
| 5 结论与讨论 |
| 5.1 结论 |
| 5.1.1 华北落叶松人工林分布规律 |
| 5.1.2 平均胸径为生长与立地因子关系 |
| 5.1.3 平均树高生长量与立地因子关系 |
| 5.1.4 公顷蓄积与立地因子关系 |
| 5.1.5 立地因子与生长变化的变化规律 |
| 5.2. 讨论 |
| 参考文献 |
| 作者简介 |
| 致谢 |
（8）基于遥感信息估测将乐县森林生物量的研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 1. 前言 |
| 1.1 森林生物量估测的研究意义 |
| 1.2 森林生物量的研究现状 |
| 1.2.1 森林生物量估测研究方法 |
| 1.2.2 遥感估测森林生物量研究现状 |
| 1.3 遥感监测森林生物量特点及发展趋势 |
| 1.3.1 遥感监测生物量的优势 |
| 1.3.2 遥感监测生物量的限制因素 |
| 2 研究目的、内容与技术路线 |
| 2.1 研究目的 |
| 2.2 研究内容 |
| 2.3 研究方法与技术路线 |
| 3 数据采集及预处理 |
| 3.1 研究区概况 |
| 3.1.1 研究区概况 |
| 3.1.2 地质地貌 |
| 3.1.3 水文 |
| 3.1.4 气候 |
| 3.1.5 森林资源概况 |
| 3.2 研究数据及相关资料的获取 |
| 3.2.1 遥感影像数据资料 |
| 3.2.2 其他相关资料 |
| 3.3 遥感影像处理 |
| 3.3.1 影像校正 |
| 3.3.2 影像剪裁及增强 |
| 3.3.3 地形因子提取 |
| 3.3.4 监督分类 |
| 3.4 土地利用情况分析 |
| 3.4.1 土地利用类型分布情况及评价 |
| 3.4.2 土地利用结构变化分析 |
| 4 生物量遥感模型的建立 |
| 4.1 地面生物量数据采集和处理 |
| 4.1.1 标准地设置与样木选取 |
| 4.1.2 单木地上生物量调查 |
| 4.2 遥感因子 |
| 4.2.1 单波段数据 |
| 4.2.2 地形因子 |
| 4.2.3 植被指数 |
| 4.3 生物量遥感模型拟合与检验 |
| 4.3.1 生物量遥感模型 |
| 4.3.2 生物量与估测指标的相关性分析 |
| 4.3.3 模型拟合效果 |
| 4.3.4 生物量遥感模型的检验 |
| 5 森林生物量时空变化规律 |
| 5.1 生物量时间变化规律 |
| 5.2 生物量空间分布规律 |
| 5.2.1 海拔 |
| 5.2.2 坡度 |
| 5.3 人类活动 |
| 6 结论与展望 |
| 6.1 主要结论 |
| 6.2 问题及展望 |
| 附表 |
| 参考文献 |
| 个人简介 |
| 导师简介 |
| 致谢 |
（9）基于3S技术的森林资源变化动态监测 ——以2000～2010年间江苏省宿迁市为例（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 1 前言 |
| 1.1 研究背景与研究意义 |
| 1.2 基于遥感变化监测技术现状 |
| 1.3 “3S”技术在森林资源变化中的应用 |
| 1.3.1 国外研究动态 |
| 1.3.2 国内研究进展 |
| 1.4 森林生态服务功能研究进展 |
| 1.5 森林资源变化监测的国内外发展趋势 |
| 2 研究区概况与技术路线 |
| 2.1 研究区概况 |
| 2.1.1 地理环境 |
| 2.1.2 宿迁市森林资源概况 |
| 2.2 研究区数据 |
| 2.2.1 Landsat TM/ETM+数据收集 |
| 2.2.2 TM/ETM 影像的森林光谱特性 |
| 2.2.3 辅助数据收集 |
| 2.3 研究方法与技术路线 |
| 2.3.1 研究内容 |
| 2.3.2 研究方法 |
| 2.3.3 技术路线 |
| 2.3.4 本研究的创新点 |
| 3 遥感图像预处理 |
| 3.1 图像几何校正 |
| 3.1.1 TM 图像几何校正 |
| 3.1.2 MODIS 气溶胶产品几何校正 |
| 3.2 图像大气校正 |
| 3.2.1 辐射定标 |
| 3.2.2 大气校正 |
| 3.2.2.1 已知大气参数的大气校正方法 |
| 3.2.2.2 未知大气参数的大气校正方法 |
| 3.2.3 评价方法 |
| 3.2.4 结果分析与结论 |
| 3.3 图像镶嵌 |
| 3.3.1 图像条带修复 |
| 3.3.2 图像裁剪与镶嵌 |
| 4 单期森林资源与相关信息提取 |
| 4.1 遥感图像分类原理与方法 |
| 4.1.1 遥感图像分类的基本原理 |
| 4.1.2 遥感影像的常用分类方法 |
| 4.2 遥感信息提取 |
| 4.2.1 归一化植被指数（NDVI） |
| 4.2.2 主成分变换 |
| 4.2.3 缨帽变换 |
| 4.2.4 纹理信息 |
| 4.2.4.1 灰度共生矩阵提取纹理的原理和过程 |
| 4.2.4.2 各纹理测度相关性研究 |
| 4.2.4.3 森林及其它地类纹理特征计算结果分析 |
| 4.3 单期遥感图像分类 |
| 4.3.1 分类系统的确定 |
| 4.3.2 提取森林资源信息及其他信息 |
| 4.3.2.1 特征集的建立 |
| 4.3.2.2 最大似然法分类 |
| 4.3.2.3 CART 决策树分类 |
| 4.3.2.4 精度检验与分类后处理 |
| 5 GIS 与 GPS 在森林资源调查中的应用 |
| 5.1 GIS 在林业中的应用 |
| 5.1.1 国外 GIS 林业应用概况 |
| 5.1.2 国内 GIS 林业应用概况 |
| 5.1.3 GIS 在林业的应用 |
| 5.2 本文 GIS 数据处理与分析 |
| 5.2.1 采集处理 |
| 5.2.2 数据确认 |
| 5.2.3 数据检查 |
| 5.2.4 数据分析 |
| 5.3 GPS 的应用 |
| 6 森林资源的变化监测 |
| 6.1 变化信息自动检测和提取方法 |
| 6.2 分类后比较法 |
| 6.2.1 方法原理 |
| 6.2.2 实验分析 |
| 6.3 图像代数运算法 |
| 6.3.1 方法概述 |
| 6.3.2 实验分析 |
| 6.4 变化矢量分析法 |
| 6.4.1 方法概述 |
| 6.4.2 实验分析 |
| 6.5 变化阈值的确定 |
| 6.6 混合法 |
| 6.6.1 方法概述 |
| 6.6.2 实验分析 |
| 6.7 小结 |
| 7 森林蓄积量空间格局及变化监测 |
| 7.1 森林蓄积量的遥感估测 |
| 7.1.1 多元线性回归数学模型 |
| 7.1.2 多元线性回归假设检验 |
| 7.1.3 样本数据的筛选 |
| 7.1.4 自变量因子的筛选 |
| 7.1.5 蓄积量估测模型的确定及优化 |
| 7.2 森林蓄积量建模的实验分析 |
| 7.2.1 样本的筛选 |
| 7.2.2 自变量因子筛选实验 |
| 7.2.3 蓄积量建模实验 |
| 7.2.4 模型验证实验 |
| 7.3 森林郁闭度估测建模实验 |
| 7.3.1 森林郁闭度对蓄积量估测的影响 |
| 7.3.2 建立郁闭度估测模型实验 |
| 7.3.3 郁闭度估测模型的精度评价实验 |
| 7.4 森林蓄积量反演 |
| 7.4.1 三期森林郁闭度反演 |
| 7.4.2 三期森林蓄积量反演 |
| 7.5 小结 |
| 8 森林生态服务功能动态监测 |
| 8.1 监测目的 |
| 8.2 监测指标体系的指标选择 |
| 8.2.1 构建指标体系的原则 |
| 8.2.2 构建的思路及因子选择 |
| 8.2.2.1 生态稳定指标 |
| 8.2.2.2 森林景观指标 |
| 8.2.2.3 环境功能指标 |
| 8.3 森林生态系统服务功能的评价方法 |
| 8.3.1 层次分析法（AHP） |
| 8.3.2 数据归一化评价法 |
| 8.4 宿迁市三期森林生态服务功能的评价研究 |
| 8.4.1 评价指标体系的构建 |
| 8.4.2 评价指标权重计算 |
| 8.4.3 因子量化计算结果及其动态 |
| 8.5 宿迁市森林生态服务功能动态分析及生态建议 |
| 8.6 小结 |
| 9 结论与讨论 |
| 9.1 结论 |
| 9.2 讨论 |
| 参考文献 |
| 详细摘要 |
| 详细英文摘要 |
（10）泗阳县杨树生物量遥感估算及其动态变化分析（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究的目的与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 国外森林生物量研究状况 |
| 1.2.2 国内森林生物量研究状况 |
| 1.3 森林生物量的主要研究方法 |
| 1.3.1 森林生物量直接测量途径 |
| 1.3.2 森林生物量间接估算途径 |
| 1.3.3 森林生物量估算方法展望 |
| 1.4 杨树林分生物量研究状况 |
| 1.4.1 杨树生物量估算模型研究进展 |
| 第二章 研究区概况、数据来源及研究方法 |
| 2.1 泗阳县概况 |
| 2.1.1 自然条件 |
| 2.1.2 杨树产业 |
| 2.2 数据来源 |
| 2.2.1 森林资源调查数据 |
| 2.2.2 遥感影像数据 |
| 2.3 研究方法与技术路线 |
| 2.3.1 林分生物量估算方法 |
| 2.3.2 研究技术路线 |
| 第三章 研究区数据预处理 |
| 3.1 遥感影像的几何校正 |
| 3.2 遥感影像的辐射校正 |
| 3.2.1 辐射校正的必要性 |
| 3.2.2 遥感影像的辐射定标 |
| 3.2.3 FLAASH的基本原理和遥感数据的大气校正 |
| 3.2.4 辐射校正后原始波段的统计特征分析 |
| 3.3 杨树面积的遥感影像分类提取 |
| 3.3.1 分类类别的确定 |
| 3.3.2 训练区的选择 |
| 3.3.3 可分性 |
| 3.3.4 杨树面积提取 |
| 第四章 基于多源数据的杨树生物量遥感估算模型 |
| 4.1 基于森林资源一类数据与TM影像的杨树生物量估算分析 |
| 4.1.1 泗阳县一类调查数据分析 |
| 4.1.2 基于ArcGIS的遥感数据及其派生数据波段比值的提取 |
| 4.1.3 杨树生物量多元回归遥感模型 |
| 4.2 基于森林资源二类数据与HJ影像的杨树生物量估算分析 |
| 4.2.1 泗阳县森林资源二类调查数据分析 |
| 4.2.1.1 泗阳县地上部分森林林分各优势树种组森林生物量分析 |
| 4.2.1.2 泗阳县地上部分杨树林分森林生物量分析 |
| 4.2.2 基于ArcGIS的遥感数据及其派生数据波段比值的提取 |
| 4.2.3 杨树生物量多元回归遥感模型 |
| 4.2.3.1 杨树林分生物量多元回归模型 |
| 4.2.3.2 基于各龄组的杨树生物量多元回归模型 |
| 4.3 小结 |
| 第五章 泗阳县杨树生物量动态变化 |
| 5.1 动态变化方法概述 |
| 5.2 杨树生物量反演提取 |
| 第六章 结束语 |
| 6.1 结论 |
| 6.2 讨论 |
| 参考文献 |
| 详细摘要 |
| Abstract |
四、TM卫星影像图在剑河县森林资源二类调查中的应用（论文参考文献）
- [1]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)
- [2]“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)
- [3]融合多源遥感数据的黄土高原森林提取及与现有产品的比较研究[D]. 杨智奇. 中国地质大学(北京), 2018(07)
- [4]多平台多源遥感测树因子提取技术与方法研究[D]. 杨立岩. 北京林业大学, 2018(04)
- [5]油松毛虫灾害发生多尺度遥感监测与预测[D]. 张凝. 北京林业大学, 2017(04)
- [6]基于卫星遥感影像的森林资源二类调查[J]. 孙亚丽,周筑,黄海燕,戴益源. 西部林业科学, 2017(02)
- [7]塞罕坝林场华北落叶松生长与立地关系研究[D]. 阿比亚斯. 河北农业大学, 2013(03)
- [8]基于遥感信息估测将乐县森林生物量的研究[D]. 董宇. 北京林业大学, 2012(09)
- [9]基于3S技术的森林资源变化动态监测 ——以2000～2010年间江苏省宿迁市为例[D]. 王妮. 南京林业大学, 2012(10)
- [10]泗阳县杨树生物量遥感估算及其动态变化分析[D]. 李凤凤. 南京林业大学, 2011(05)