黑龙江省森林植被空间分布及影响因子研究

摘要

森林植被作为陆地生态系统重要组成部分，具有水土保持、调节气候、防风固沙等多种生态功能。随着“3S”技术的发展，特别是高空间分辨率遥感影像和新分类算法的出现，利用遥感图像进行植被分类并研究其空间分布越来越成为可能。本次研究选择黑龙江省为主要研究区域，主要是利用遥感RS和地理信息系统GIS技术，对黑龙江省主要植被类型进行分类，同时分析研究内主要森林植被类型（本文主要指乔木类型，不包括灌木）的空间分布特征及与地形和气象因子的关系。主要研究内容如下:　　(1)以Landsat8遥感影像为数据源，以黑龙江省的固定样地数据、DEM数据作为辅助数据，通过特征提取，利用影像的光谱特征、地形特征构建随机森林模型对遥感图像进行分类，并与传统的最大似然分类法进行分类精度的比较，进而分析这两种分类方法对森林植被类型分类的适用性。与此同时，对随机森林模型参数和特征变量的选择进行分析，实现随机森林模型分类精度和分类速度的最优化。　　(2)以ArcGIS为平台，以植被类型图为基础，根据DEM提取海拔、坡度、坡向信息，气象数据插值得到年平均降水量图和年平均气温图，通过空间叠置分析功能分析不同植被类型的空间分布特征以及地形因子和气候因子对植被空间分布的影响。　　研究结果表明:较传统的最大似然法相比，随机森林法的总体分类精度提高了4.33％，kappa系数提高了0.8％。另外针叶林、阔叶林、针阔混交林的生产者精度分别提高了2.04％、6.27％、4.34％，用户精度分别提高了0.92％、7.08％、5.62％，由此可见，基于植被指数和地形因子的随机森林分类法较最大似然法分类精度都有明显的提高。所以从整体角度看，随机森林相对于最大似然分类法有更好的分类效果。　　随机森林分类过程中需要人为设置的参数较少，只需要设置树的个数ntree和变量的个数mtry，通过对随机森林参数设置对分类精度影响分析可得，将参数ntree设置为100，mtry设置为3具有更好的分类精度。再对模型特征变量重要性的分析得知，选取band4、eleva、NDVI、band5、band6、band7、RVI、band3、slope作为特征变量构建的随机森林模型是最优的，不仅提高了分类精度，更缩短了模型运行的时间。　　根据空间叠置分析可得:随着海拔高度的升高，不同类型的森林植被面积均有明显的先增加后逐渐下降趋势，在海拔位于400-800m范围内，最适宜与植被生长;随着坡度的增大，植被覆盖面积稍有上升趋势，森林植被集中分布于平坡和缓坡处，当坡度大于45°时，植被覆盖面积急剧减少;坡向与森林面积呈负相关性，生长在阳坡和半阳坡的植被远多于阴坡和半阴坡。位于400-700 mm降水量区间内森林植被的面积较大，尤其是500-600mm是植被生长最优区间;黑龙江省平均气温在0℃左右，植被的覆盖面积随着年均温的升高，0-4℃是植被生长数量最多的区间。

目录

摘要

1 绪论

1．1 引言

1．2 森林植被遥感图像分类及国内外现状

1．2．1 遥感图像分类

1．2．2 国外森林植被遥感分类

1．2．3 国内森林植被遥感分类

1．3 随机森林遥感图像分类及国内外研究现状

1．3．1 随机森林原理与特点

1．3．2 国外随机森林遥感图像分类

1．3．3 国内随机森林遥感图像分类

1．4 森林植被空间分布影响因子的研究

2 研究区概况与数据源

2．1 研究区概况

2．1．1 自然地理条件

2．1．2 气候条件

2．1．3 水系和土壤条件

2．1．4 森林资源状况

2．2 研究数据

2．2．1 Landsat8遥感数据

2．2．2 固定样地数据

2．2．3 DEM数据

2．2．4 气象数据

2．3 技术路线图

3 研究方法

3．1 分类系统的建立

3．2 植被分类

3．2．1 遥感数据预处理

3．2．2 光谱特征提取

3．2．3 分类方法

3．2．4 分类精度验证方法

3．3 影响森林植被空间分布因子

3．3．1 地形因子

3．3．2 气象因子

3．3．3 基于GIS的空间叠置分析

4 结果与分析

4．1 分类结果分析

4．2 随机森林模型参数优化

4．2．1 随机森林参数的选择

4．2．2 随机森林特征变量的重要性分析

4．3 森林植被类型空间分布及影响因子研究

4．3．1 黑龙江森林植被总体空间分布

4．3．2 不同海拔上森林植被类型的空间分布

4．3．3 不同坡度上森林植被类型的空间分布

4．3．4 不同坡向上森林植被类型的空间分布

4．3．5 不同降水量森林植被类型空间分布

4．3．6 不同温度森林植被类型空间分布

结论与讨论

参考文献

攻读学位期间发表的学术论文

致谢

声明