论文部分内容阅读
森林是陆地生态系统的重要组成部分，是人类社会赖以生存和发展的源泉。但随着全球气候日益变暖及经济全球化快速发展，森林病虫害扩散蔓延速度加快，发生面积逐年递增，对森林生态系统造成巨大威胁。因此，如何有效提高森林病虫害监测效率是林业健康发展的关键性问题。随着航空航天科技的迅猛发展，遥感技术为快速、准确地监测大面积森林病虫害灾害及指导林业管理部门制定及时、有效地防治措施提供重要技术支持。本研究以2014年湖北省神农架林区华山松大小蠹(Dendroctonus armandi)灾害为背景，以野外调查数据、Landsat和数字高程模型(DEM)为基础数据源，结合最大熵(MaxEnt)模型和迭代阈值分割算法，提出了适用于复杂林区的森林病虫害遥感监测方法(MaxEnt-Segmentation，M-S)，实现了神农架林区华山松大小蠹灾害空间分布和灾害程度的专题制图与精度评价。同时，为衡量所提出方法对于灾害程度评估的可靠性与准确度，将其与传统光谱指数分析法进行对比分析。主要结论如下: (1)利用光谱指数分析法对华山松大小蠹灾害进行监测，结果表明:多时相遥感数据相对于单时相遥感数据更适合用于华山松大小蠹危害监测;在提取的光谱指数中，EWDI对于神农架林区华山松大小蠹危害症状最为敏感，适合用于华山松大小蠹灾害监测和信息提取;当分类类型包括健康、轻度和重度时，光谱指数分析法的总体分类精度最高为64.47％，Kappa值为0.4162。 (2)利用MaxEnt模型和迭代阈值分割相结合的算法(M-S法)进行华山松大小蠹灾害监测，结果表明:MaxEnt模型能够对研究区华山松大小蠹灾害存在进行概率估计，进而用于监测虫灾的空间分布;MaxEnt模型不仅能够利用遥感光谱指数，并且能够结合海拔、坡度和潜在太阳辐射指数等因子，分析虫害及其寄主对环境因子的响应特征，使判别虫灾的依据更为全面可靠，提高虫灾识别能力;对MaxEnt模型结果进行阈值分割时，最大Kappa(Max_Kappa)和最大总体分类精度(Max_PCC)方法提取虫灾发生区的精度最高(84.21％)，更适合用于图像二值分割阈值的提取;在MaxEnt模型提取虫灾发生区基础上，利用模型贡献性最高的EWDI对虫灾发生区进行危害程度划分，当分类类型包括健康、轻度和重度时，M-S法获得的总体分类精度为73.68％，Kappa系数为0.5685。 (3)通过对比以上两种算法，结果表明:本研究提出的M-S算法能够实现神农架林区华山松大小蠹灾害的空间分布监测及轻度和重度危害程度的划分，分类结果优于传统的光谱指数分析法，总体分类精度提高约10％。M-S算法能够有效将健康和轻度受灾类型区分，相对于光谱指数分析法明显提高两者的用户精度，为森林管理者提供更为可靠、准确的虫灾分布信息。 (4)经统计分析，利用M-S法监测的华山松大小蠹灾害发生面积为12179.24hm2，占研究区总面积的4.04％。其中轻度危害面积为11006.46hm2，重度危害面积为1173.24hm2，分别占研究区总面积的3.65％和0.39％。重度危害区主要从酒壶坪开始，沿209国道向北到飞机场地区。东部地区虫灾危害相对较轻。