人工林树种（组）多源遥感分类技术

人工林树种（组）多源遥感 分类技术

成果背景

人工林小班树种（组）（简称人工林类型）专题信息是编制森林资源经营方案，提高经营管理决策水平的基础数据。但现有小班人工林类型遥感分类方法通常只将森林类型分为针叶、阔叶和混交等几个大类，可区分类别较粗，分类的自动化程度和精度都有待提高。研发高精度、高效率的人工林类型多源遥感精细分类方法，对完善现有森林资源监测技术体系具有重要意义。

（1）提出了一种基于自动分层和关键特征变量选取的决策树分类方法，山地试验区分类总精度达85.2%，比随机森林和分类回归决策树分别提高了4.8%和9.5%；在平原试验区，分类总精度达到97.3%。          

（2）针对全色和多光谱卫星遥感空间分辨率高、光谱/时相分辨率较低特点，提出了一种深度学习集成分类方法：双支FCN8s-CRFasRNN，采用迁移学习思路缓解小样本问题，并将无人机数码影像解译引入分类框架，解决了高质量大样本地面实况数据不容易获取问题。山地试验区总精度达到90.1%，比传统支持向量机分类方法精度提高10%以上。

（3）针对机载高光谱影像，创新了机载高光谱人工林类型深度学习树种分类方法3D-1D-CNN。在广西高峰林场试验区，采用125波段1m分辨率机载高光谱数据，实现了小样本（分类模型训练可用样本稀少）高精度树种分类，人工林树种分类精度达到93.9%；提出了机载高光谱人工林类型小样本深度学习树种分类方法IPrNet原型网络，有限训练样本情况下，树种类型分类精度达到98.6%。

       

       

已在内蒙古赤峰市、广西南宁市、安徽利辛县、北京延庆区、福建等地示范应用达395.36k㎡，有效提升了森林类型分类的详细程度和精度，提高了森林、湿地、自然保护地等资源调查监测业务的效率和监测成果质量，对人工林资源科学化经营决策具有重要支撑作用。

该技术有利于降低二类调查、林地一张图年度更新、森林资源一张图年度调查等业务对人工目视解译的依赖程度，可推广应用于湿地、自然保护地等资源调查监测业务，提高调查监测效率和成果质量。