应用遥感数据识别意大利沿海松林灾害级别

白黎娜; 李增元; Fabio Maselli; Lorenzo Bottai; Alberto Ortolani; Stefano Romanelli

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

应用遥感数据识别意大利沿海松林灾害级别

白黎娜 , 李增元 , Fabio Maselli , Lorenzo Bottai , Alberto Ortolani , Stefano Romanelli

文章导航 > 林业科学研究 > 2001 > 14(5): 479-483

引用本文:

Citation:

应用遥感数据识别意大利沿海松林灾害级别

1.
中国林业科学研究院资源信息研究所,北京100091
2.
IATA-CNR,P.ledelleCascine18,50144Firenze,Italy
3.
LaMMARegioneToscana,ViaEinstein35/B,50013CampiBisenzio(FI),Italy
基金项目:
中意合作项目“森林类型分类、生物量估测和森林砍伐监测的遥感研究”的部分内容
中图分类号: S771.8

Classification of Damage Level for Italian Coast Forestry Using Remote Sensing Data

1.
Research Institute of Forest Resource Information Techniques, CAF, Beijing　100091, China
2.
IATA-CN R, P.ledelle Cascine 18, 50144 Firenze, Italy
3.
LaMMA Regione Toscana, Via Einstein 35/B, 50013 Campi Bisenzio(FI), Italy
CLC number: S771.8

摘要: 分析了 Landsat TM和 ERS-1SAR数据用于识别意大利沿海松林污染灾害级别的潜在能力。结果显示出夏季获取的 TM数据在森林灾害制图上远比冬季获取的 TM数据和 SAR影像有效,但 SAR影像的贡献也是不可忽略的。
- ERS-1SAR
- / TM
- / 森林灾害分类
- / 神经元网络
- / B-P模型
Abstract: The potential of applying Landsat TM and ERS 1 SAR data to classify the damage levels of Italian coast forestry was analyzed. The result indicates that TM data acquired in summer is more effective than that obtained in winter and ERS 1 SAR data on forestry damage mapping. But the contribution of ERS 1 SAR data for this study is not neglected. The B P (Back propagation) model of artificial neural network was applied to identify different levels of forestry damage. The evaluation for the classified precision with FINDKAPPA program is provided and the map of forestry damage levels for study area is also provided.
- ERS-1 SAR
- / TM
- / forestry damage
- / classification
- / neural network

[1]	李增元 , 车学俭 , 刘闽 , 白黎娜 , 谭炳香 . ERS－1SAR影像森林应用研究初探*. 林业科学研究, 1994, 7(6): 692-696.
[2]	胡鸿 , 鞠洪波 , 田昕 , 杨雪清 , 孙志超 . 基于GF-1和TM数据的金河林业局天然林保护成效评估研究. 林业科学研究, 2019, 32(1): 141-146. doi: 10.13275/j.cnki.lykxyj.2019.01.019
[3]	陈永富 , 王振琴 , 张玉贵 , 张彦忠 . 专家系统在TM遥感图像分类中的应用研究. 林业科学研究, 1996, 9(4): 344-347.
[4]	张连华 , 庞勇 , 岳彩荣 , 李增元 , 范应龙 , 谭炳香 , 车学俭 . TM影像决策树分类中的影响因素研究. 林业科学研究, 2014, 27(1): 1-5.
[5]	张玉贵 . 为森林资源动态监测的TM影像标准化*. 林业科学研究, 1995, 8(2): 139-144.
[6]	袁凯先 , 包盈智 , 范金阜 . 在森林二类调查中用TM影象代替航片的研究实例. 林业科学研究, 1996, 9(5): 449-454.
[7]	宋月芹 , 白小军 , 陈庆霄 , 吕琪卉 , 孙会忠 . 红脊长蝽感觉神经元膜蛋白基因克隆及组织表达谱分析. 林业科学研究, 2021, 34(5): 135-141. doi: 10.13275/j.cnki.lykxyj.2021.005.016
[8]	陈绘画 , 朱寿燕 , 崔相富 . 基于人工神经网络的马尾松毛虫发生量预测模型的研究. 林业科学研究, 2003, 16(2): 159-165.
[9]	程冀文 , 王树森 , 罗于洋 , 张岑 . 基于BP神经网络的沙柳地上生物量预测模型. 林业科学研究, 2022, 35(3): 193-198. doi: 10.13275/j.cnki.lykxyj.2022.03.022
[10]	杨丹 , 李崇贵 , 李斌 . 基于U-Net模型的多时相Sentinel-2A/B影像林分类型分类. 林业科学研究, 2022, 35(4): 103-111. doi: 10.13275/j.cnki.lykxyj.2022.004.011
[11]	刘鑫 , 王海燕 , 雷相东 , 解雅麟 . 基于BP神经网络的天然云冷杉针阔混交林标准树高-胸径模型. 林业科学研究, 2017, 30(3): 368-375. doi: 10.13275/j.cnki.lykxyj.2017.03.002
[12]	张玉贵 , F.R.Beernaert , 刘华 . TM影像的计算机屏幕解译和荒漠化监测. 林业科学研究, 1998, 11(6): 599-606.
[13]	张万儒 , 盛炜彤 , 蒋有绪 , 周政贤 , 汪祥森 . 中国森林立地分类系统. 林业科学研究, 1992, 5(3): 251-262.
[14]	曹庆先 , 徐大平 , 鞠洪波 . 基于TM影像纹理与光谱特征和KNN方法估算5种红树林群落生物量. 林业科学研究, 2011, 24(2): 144-150.
[15]	李文梅 , 陈尔学 , 李增元 . 多基线干涉层析SAR提取森林树高方法研究. 林业科学研究, 2014, 27(6): 815-821.
[16]	赵嘉平 , 梁军 , 吕全 , 张星耀 . 葡萄座腔菌属(B otryosphaeria)系统分类评述. 林业科学研究, 2007, 20(3): 415-422.
[17]	纪平 , 易浩若 , 白黎娜 . 森林灾害监测方法研究──以西南地区火灾监测为例*. 林业科学研究, 1995, 8(6): 689-691.
[18]	靳爱仙 , 田呈明 , 赵鹏 . 中国城市森林生物灾害的发生现状及控制展望. 林业科学研究, 2006, 19(5): 653-659.
[19]	童冉 , 陈庆标 , 周本智 . 基于生态因子与神经网络的杉木叶片碳氮磷含量预测. 林业科学研究, 2021, 34(6): 56-64. doi: 10.13275/j.cnki.lykxyj.2021.06.007
[20]	骆期邦 , 宁辉 , 贺东北 , 蒋菊生 , 吴志德 , 曾伟生 , 张曙光 . 二元立木材积动态模型研究. 林业科学研究, 1992, 5(3): 263-270.