2. 北京林业大学水土保持学院 重庆三峡库区森林生态系统教育部野外科学观测研究站, 100083, 北京;
3. 北京林业大学 森林草原火灾风险防控应急管理部重点实验室, 100083, 北京
中国水土保持科学 2023, Vol. 21 Issue (3): 145-155. DOI: 10.16843/j.sswc.2023.03.018 |
火是森林生态系统中一种重要的生态因子,林火的发生既有可能是有益火烧,也有可能造成森林火灾。重度火烧会导致生态系统被破坏[1]。林火后的火烧迹地调查是林火领域研究的重要步骤,也是调查研究的难点。传统的人工实地调查方法存在劳动强度大、资金成本高、耗时长且受地形影响等不足,故无法进行大范围精确的调查。
随着“3S”技术的广泛应用,卫星遥感影像已成为林火后火烧迹地调查的重要手段,马礼等[2]对多源遥感数据森林火灾监测研究发现,Himawari-8和MODIS数据都能较好反演出火灾发生地点,GF-1和GF-6数据能较好地对火烧迹地进行识别。李明泽等[3]利用Landsat TM数据,结合DEM数据和林相图,采用NDVI、dNBR等遥感指数构建决策树分类模型,提出一种识别火烧迹地面积的新方法。但是卫星遥感影像的空间分辨率低,直接影响调查的精度,且易受到云层等大气的影像,导致图像不准确。另外卫星遥感影像的实时性不够,很难获取规定时间的影像。
近年来,无人机技术的快速发展,运用无人机对火烧迹地的数字化拍摄分析正在被广泛应用,无人机可搭载(RGB)/多光谱相机、高光谱相机和激光雷达等负载,生成具有空间坐标系的图像及点云,生成高重叠率航片,通过三维重建算法计算航片元素,可生成精度较高的遥感影像图[4]。钟映霞等[5]通过用Insign As3固定翼无人机搭载多光谱传感器获得森林火烧区的影像,通过监督分类和非监督分类实现了火烧迹地面积的提取。熊源等[6]利用可见光UAV与Sentinel-2A影像采用GS融合方法,基于RF算法可高精度、精细化提取了森林火灾迹地。但现阶段无人机仍面临着电池续航短的不足,无法进行较大尺度的拍摄测算等问题[7]。
笔者针对目前大范围的森林火烧严重程度难以快速准确划分的问题,为探索大范围的森林火烧严重程度快速准确划分的技术,结合实地调查、卫星遥感、无人机遥感,构建“星-机-地”林火调查体系,基于地面调查划分的轻度、中度、重度火烧样地内的树高、胸径、熏黑高度、冠幅等指标与对应像元的无人机多光谱影像的NDVI进行灰色关联度分析[8],并以无人机影像各样地的NDVI的阈值作为标准来对卫星遥感影像的NDVI进行重分类,能够实现大范围森林火烧区域的火烧程度分级。
1 研究区概况缙云山大火发生于重庆市北碚区的缙云山自然保护区附近,过火区位于北碚区西南部,缙云山自然保护区的中部地带,过火区主要包括了八角池、奇木庄园、薄巴山、望乡台等地点。如图 1为林火区位图,大火持续时间为2022年8月21—26日,该地区地处亚热带季风湿润性气候,年平均气温约为14 ℃,平均气温8月最高,达到24.5 ℃。林火发生期间林内的空气温度为26.3~36.1 ℃,空气相对湿度为27.5%~54.7%,出现近20年来的极端高温低湿现象,且8月的降雨量远低于其他月[9]。缙云山自然保护区西部地形较缓,坡度约为20°,东部较陡,坡度约为65°。主要分布的土壤类型有黄壤和水稻土。森林覆盖率达到了96.6%,具有典型的亚热带常绿阔叶林,生物多样性丰富。
对火烧后地面调查的林木进行火烧等级的划分,火烧强度等级的划分方法结合罗德昆火烧受害等级划分标准[10],按照烧死木比例以及树木熏黑高度和树高的比值进行综合评定,轻度火烧的烧死木比例小于30%,树木平均熏黑高度与树高的比值小于1/3;中度火烧的烧死木比例在30%~70%之间,树木平均熏黑高度与树高的比值在1/3~2/3之间;重度火烧的烧死木比例大于70%,树木平均熏黑高度与树高的比值大于2/3。
地面调查设置轻度、中度、重度火烧样地各1块,每块大小为20 m×20 m,首先样地的设置应选择具有典型代表性的地段,其次要满足无人机飞行条件的要求,基于勘察定点工作,选择八角池附近的奇木庄园周边区域进行样地布设,该地区当日天气晴朗,能见度高,风速小于3级,GPS信号较强,空旷且视野宽广,适合无人机起降。结合以上的因素选择此地区进行无人机的飞行,并根据选取样地的范围来确定无人机飞行的区域。
在各火烧样地内,使用卷尺测量出样地边界,尼龙绳圈出边界,采用相邻网格调查法[11],将每1块样地划分为5 m×5 m的小样方,每块样地16个小样方,共有48个小样方。以每个小样方为调查单元,使用胸径尺、测距仪、盒尺对样方内的乔木、灌木和草本植物进行每木检尺记录,主要指标包括树高、胸径、熏黑高度、冠幅,并进行地理坐标定位。
整理每木检尺数据并建立网格,得到20 m×20 m的正方形区域,按每5 m设置1个刻度,按刻度连成16个5 m×5 m的小样方,将各样方内的树木在网格上按定位点显示出来。
2.2 无人机影像获取及预处理 2.2.1 无人机多光谱影像获取本研究使用大疆经纬M300 RTK无人机搭载长光禹辰MS600 Pro多光谱相机进行火烧迹地遥感影像的获取。大疆经纬M300 RTK,集成了DJTM先进的飞控系统,具有精准复拍,打点定位等先进功能。MS600 Pro具有6个光谱通道。无人机负载多光谱相机可通过地面站APP在地面进行状态监测和数据回传。
无人机飞行日期为2022年9月16日,在研究区内选择较为空旷的飞行地点,进行飞控参数设置,调整照片格式,长宽比4 ∶3,进行航线规划,航线范围包含3块火烧样地,根据地形条件将飞行高度设置300 m,分辨率0.22 m,飞行速度8 m/s,旁向重叠率75%,进行标定板拍摄等。完成飞行前的检查后,执行飞行任务。
2.2.2 无人机多光谱影像的处理与NDVI值计算无人机多光谱影像的处理包括波段配准、影像拼接、反射率矫正等,长光禹辰的YUSENSE MAP软件是一款针对MS600系列多光谱相机的全流程数据处理软件,长光禹辰MS600 pro多光谱相机具有6个波段,分别为蓝光(B1)、绿光(B2)、红光(B3)、红边1(B4)、红边2(B5)、近红外(B6)。获取的火烧区原始多光谱影像每6张同一地点不同波段的图像为一组,共拍摄148组照片,对原始图像通过空中三角测量,高精度筛选匹配点,完成无缝正射影像拼接,得到拼接后的影像图。
归一化植被指数NDVI(normalized difference vegetation index)是植被生长状况和覆盖程度的最优指示因子,植被过火后NDVI值显著变小,更易与健康植被区别,故采用NDVI来提取森林火烧迹地[12]。该指数参与运算的波段为近红外波段和红光波段,通过这2个波段对植被变化反射率的区别,从而确定过火区域火烧后的植被情况,进一步获得火烧程度的信息。
$ N_{\mathrm{DVI}}=\frac{p_{(\mathrm{NIR})}-p_{(\mathrm{RED})}}{p_{(\mathrm{NIR})}+p_{(\mathrm{RED})}} 。$ |
式中:NDVI为归一化植被指数;p(NIR)为近红外波段;p(RED)为红光波段。
无人机多光谱影像NDVI的计算通过YUSENSE MAP软件中的波段计算器工具实现,无人机多光谱影像B6波段为近红外波段,B3波段为红光波段,导入拼接完成后的影像,计算NDVI值输出为栅格文件,在图中通过定位获取各火烧样地的位置信息。
2.3 卫星遥感影像数据 2.3.1 卫星遥感影像的获取及预处理选用的卫星遥感影像是从中国资源卫星应用中心网站下载的高分六号卫星(GF-6)16 m宽幅相机WFV传感器的原始遥感影像。卫星运行周期为2 d,多光谱相机观测幅宽800 km,有4个光谱波段,分别为蓝光(B1)、绿光(B2)、红光(B3)和近红外(B4),对应波长范围分别为450~520 nm、520~600 nm、630~690 nm和760~900 nm。下载的为林火后(2022年9月5日)的遥感影像。
在ENVI软件中对图像数据进行预处理,主要包括:辐射定标、FLAASH大气校正[13]。辐射定标是指需要计算地物的光谱反射率或光谱辐射亮度时,都必须将图像的亮度灰度值转换为绝对的辐射亮度;大气校正的目的是消除大气和光照等因素对地物反射的影响。在ArcMap中打开预处理后的遥感影像图,通过创建面状矢量文件,在边界矢量文件中创建投影坐标系WGS_1984_UTM_Zone_50N,选择部分过火区矢量边界,按掩膜提取,得到裁剪后的卫星遥感影像。
2.3.2 卫星遥感影像NDVI值的计算计算按掩膜提取的卫星遥感影像的NDVI值,与无人机多光谱影像计算NDVI的公式一致,对于高分六号卫星B3波段是红光波段,B4波段是近红外波段,对应波段计算NDVI值。
2.4 基于“星-机-地”技术的火烧程度分级 2.4.1 样方数据与无人机多光谱影像NDVI相关性分析方法3块样地大小均是20 m×20 m,采用相邻网格调查法在其内部将其等分成了16块5 m×5 m的小样方,计算各样方内所有树木的树高、胸径、熏黑高度、冠幅的均值。为实现无人机多光谱影像的NDVI值与样方调查数据在空间位置上的匹配,达到小尺度研究的精度要求,通过Arcmap对无人机多光谱影像的NDVI图创建渔网,设置像元长和宽均为5 m,以每个像元内的NDVI均值对其进行赋值,定位3块样地,实现各样地内样方的NDVI均值与地面调查数据的匹配,形成精度为5 m的3组数据。
通过SPSS pro对轻度、中度、重度火烧样地3组数据分别进行灰色关联分析,探求各像元内地面调查数据与其NDVI值的关联度,并验证地面调查数据与无人机多光谱影像NDVI的相关性。
灰色关联度分析法是一种多因素统计分析方法,它是以各因素的样本数据为依据用灰色关联度来描述因素间关系的强弱、大小和次序,若样本数据反映出的两因素变化的态势(方向、大小和速度等)基本一致,则它们之间的关联度较大;反之,关联度较小[14]。
使用SPSS pro软件对数据进行处理,首先对3块样地的树高、胸径、熏黑高度、冠幅4项指标分别进行初值化和均值化处理,初值化指分别把每个样地的各项指标序列数据统一除以最开始的值,因为同一因素的序列量级差别不大,所以通过除以初始数值就能将其整理到1附近。均值化指把每个序列数据除以均值,去除掉数量级大的均值,从而将其归一化到1的量级附近。其次,求解NDVI(母序列)与4项特征序列的灰色关联系数值,生成灰色关联系数图,根据曲线的相似度或者几何关系来进行分析和对比。最后,求解灰色关联度并排序。
分别对轻、中、重样地的4个评价项(树高、胸径、熏黑高度和冠幅)进行灰色关联度分析,以NDVI(母序列),研究4个实际测量评价项与NDVI的关联关系(关联度),并基于关联度提供分析参考,使用灰色关联度时,分辨系数取0.5,结合关联系数计算公式计算出关联系数值,并根据关联系数值,计算出灰色关联度用于评价判断。
2.4.2 “星-机-地”技术林火分级体系对地面调查数据与无人机多光谱影像NDVI值的3组数据,通过SPSS pro进行灰色关联分析,验证二者间的相关性,构建“机-地”之间的联系。无人机多光谱影像和高分六号卫星遥感影像都具有近红外波段和红光波段,因此其相同波段对植被的反射率近似相等,可以通过NDVI建立无人机影像和卫星遥感影像的关系,形成“星-机”的关联。以无人机多光谱影像各样地NDVI的阈值为标准,对卫星遥感影像NDVI值进行重分类,构建“星-机”之间的联系,使大范围森林火烧严重程度快速准确划分。构成整个“星-机-地”技术的林火分级体系。
3 结果与分析 3.1 林火样地调查分析通过实地测量工作的实施,在缙云山自然保护区的八角池附近得到3块20 m×20 m分别为轻度、中度、重度火烧的样地,对样地内的树高、胸径、熏黑高度、冠幅4项指标进行记录。分别计算轻度、中度、重度火烧样地的树高、胸径、熏黑高度、冠幅的平均值,按照轻度、中度、重度火烧的顺序依次为树高10.8、11.7和8.6 m,胸径16.0、17.4和15.0 cm,熏黑高度2.3、3.8和5.2 m,冠幅13.4、15.5和15.2 m2。如图 2所示。
从数据中可以看出随着火烧程度的增加,2组样地熏黑高度的均值呈现明显的增加趋势。树高、胸径这两项指标平均值的变化具有一致性。表现为中度火烧最大,轻度火烧其次,重度火烧最小,对于同种类型的林木,树高与胸径一般成正比例关系,表现为树木越高,胸径越粗,这一点很好解释了这两项指标的均值在不同火烧程度样地中的排序具有一致性[15]。重度火烧样地的平均树高比中度样地和轻度样地分别低3.1和2.2 m,胸径也有相应程度的降低。而冠幅的均值变化趋势与这两项不同,表现为中度火烧最大,重度火烧次之,轻度火烧最小,原因是树冠的大小是由树木的分枝决定的,有很强的不确定性。
结合以上分析,得到初步结论,这些重度火烧样地中树木的平均树高和胸径最小,该现象表明大火主要集中在森林的下层区域。林火的总体表现为树高、胸径越小,燃烧的越剧烈,熏黑高度越大。
3.2 无人机多光谱影像NDVI计算结果及其与实测数据相关性 3.2.1 多光谱影像的处理和NDVI计算如图 3为处理后的无人机林火区域影像成图和三维点云视图,该图像具有经纬度等位置信息,栅格的长宽均为0.224 m,在图中可明显看出房屋、树木、道路等地物,星形标记的为样地位置,浅色区域火烧程度较轻,深色区域火烧程度较重。
图 4为无人机影像NDVI值的提取结果,将各样地位置信息导入影像,得到该区域的NDVI取值范围为0~0.690 0,样地位置为图中图例方形的区域。
创建渔网后的各样地内像元的NDVI均值图与地面调查数据小样方中代表树高、胸径、熏黑高度和冠幅4项指标的点位分布图如图 5~7所示。将每个样方中全部树木的树高、胸径、熏黑高度、冠幅的平均值与其像元的NDVI均值对应起来,以左上角样方为1号点,按从左到右、从上到下的顺序编号1~16,生成3组对应数据,图 8为3种火烧样地各像元NDVI及其他指标对应图,其中各火烧样地NDVI最小值与最大值的区间为:重度火烧样地0~0.286 5,为图中轴始端至实线之间的区域;中度火烧样地0.204 6~0.367 0,为图中2条划线之间的区域;轻度火烧样地0.327 1~0.690 0,为图中双点划线至轴末端之间的区域。
关联度分析结果如表 1所示,通过横向对比3组数据,其关联度值排名均为树高第1,胸径第2,熏黑高度第3,冠幅第4。轻度样地中树高的关联度达到了0.879,中度和重度样地的关联度分别为0.758和0.755,说明林火后树高与NDVI的相关性最强,而冠幅与NDVI值的相关性最弱,尤其是中度、重度样地。原因可能是随着火烧强度的提升,较大冠幅的树木树冠枝叶被火烧,结构被破坏,导致其NDVI不再随冠幅的增加而增加。
3块样地的4项指标与其NDVI的灰色关联系数[16]均超过0.55,中度火烧样地的熏黑高度、冠幅和重度火烧样地的冠幅指标与其NDVI为中等关联,轻度火烧样地的树高、胸径、熏黑高度与其NDVI的关联度均超过0.8,为极强关联,其余指标关联度均在0.6~0.8之间,为较强关联[17]。说明林火后地面调查指标与该区域的NDVI值的关系密切。故可以通过各样地NDVI的阈值进行林火火烧等级的划分。
整理各火烧样地NDVI值的范围,对于重叠部分,阈值被定义为相邻类别之间重叠范围的中位数,得到重度火烧:0~0.245 6、中度火烧:>0.245 6~0.347 1、轻度火烧:>0.347 1~0.690 0,以此为标准对无人机影像火烧程度进行分级,结果见图 9。
利用遥感影像处理软件ENVI软件中的Band Math工具对裁剪后的部分火烧区域的遥感影像计算归一化植被指数(NDVI),得到初始的NDVI图,如图 10为部分火烧区域卫星全色影像和NDVI拉伸图像,NDVI值的范围为0~0.690 0,与无人机多光谱影像NDVI计算结果的范围相一致,该区域火烧前有大范围的植被分布,广泛分布有马尾松、杉木等针叶林和竹林[18],NDVI值显著高于0.690 0,可见林火对NDVI值的影响较大,因此植被指数偏低,可从图中看出植被指数的分布情况。
通过林火后样地地面调查数据与对应区域的无人机多光谱影像NDVI之间的灰色关联分析结果可知,各指标与NDVI之间的相关性较强,因此可以通过各火烧程度样地的NDVI的阈值作为标准来对过火区的卫星遥感影像NDVI值进行重分类,该过程在Arcmap中实现,分别为重度火烧:0~0.245 6、中度火烧:>0.245 6~0.347 1、轻度火烧:>0.347 1~0.690 0,通过地面实测数据与无人机多光谱影像建立联系,再通过NDVI实现无人机多光谱数据与卫星遥感影像的联系,得到火烧程度分级图,如图 11所示。
Shin等[19]以韩国江陵森林火灾为例,基于hexa-copter无人机搭载red edge相机获取的多光谱图像,为每个烧伤程度收集了数百个样本,并将其用作分类的训练和验证样本。使用2个监督分类器最大似然法、光谱角映射法以及归一化植被指数阈值法对火烧程度进行分类,得出了NDVI阈值法可以作为一种更简单、更准确的工具,用于评估火烧程度和受损面积。而本文采用灰色关联分析法验证了不同火烧程度样地地面调查数据与NDVI值的相关性较强,得出NDVI阈值可以作为火烧程度划分的依据,研究结论与前者相一致。
宋清洁等[20]研究发现利用小型无人机(大疆精灵)获取的地面大样方(30 m×30 m)植被覆盖度与传统方法(Canon数码相机拍摄)所获取的小样方(1 m×1 m)数据间有很高的相关性,说明了小型无人机可以获取较精确的地面植被覆盖度信息,且验证了地面调查数据能够很好地实现与中分辨率遥感影像像元的匹配,为本研究无人机遥感影像计算的NDVI值的准确性及其与地面数据的匹配提供了理论依据。
过往的林火分析研究一般只通过1种或2种手段进行的,对于卫星遥感、无人机遥感与实地考察结合的研究相对较少,本次“星-机-地”火烧程度分析体系基于卫星遥感技术、无人机多光谱影像遥感技术与实地调查相结合的手段,创新点在于在5 m精度上对实测数据的树高、胸径、熏黑高度、冠幅与该区域的无人机多光谱影像NDVI值进行对应并验证其相关性。由于卫星与无人机多光谱影像间具有相同的波段,他们之间又可通过NDVI值联系起来,从而进行大尺度的火烧程度等级划分。此研究结果表明,NDVI与火烧程度有着显著的相关性,在后续研究中,可以在大尺度火烧等级划分的基础上,结合土壤类型图、林相图、DEM高程图等,可对不同火烧等级上的土壤类型、优势树种、高程数据进行分析,对火烧原因及林火后生态环境恢复有重要意义。
受到卫星遥感影像波段数目不足的问题,本研究只采用了NDVI指数分析火烧等级,其他指数是否更精确、更优还有待探索。在构建地面调查数据与无人机多光谱影像NDVI关系时,只运用了灰色关联系数法,各项调查指标与NDVI之间最精确的函数模型还有待进一步的研究。在基于“星-机-地”一体化研究中,可尝试构建机器学习模型,在更深层次进行模型尺度的研究。
5 结论1) 分析地面调查数据,随着火烧严重程度的增加,熏黑高度呈明显增加趋势,树高、胸径平均值的变化具有一致性,表现为中度火烧最大,轻度火烧其次,重度火烧最小。冠幅的均值变化趋势表现为中度火烧最大,重度火烧次之,轻度火烧最小。大火对森林下层区域的影响更大。林火的总体表现为树高、胸径越小,燃烧的越剧烈,熏黑高度越大。
2) 不同火烧程度样地的树高、胸径、熏黑高度、冠幅与其NDVI的灰色关联度分析结果表明,林火后树高与NDVI的相关性最强,而冠幅与NDVI值的相关性最弱,中度火烧样地的熏黑高度、冠幅和重度样地的冠幅指标与其NDVI关联度在0.55~0.60之间,为中等关联;轻度火烧样地的树高、胸径、熏黑高度与其NDVI的关联度均超过0.8,为极强关联;其余指标与NDVI关联度均在0.6~0.8之间,为较强关联。要素间相关性较强,表明NDVI阈值能够作为参考进行林火火烧等级的划分。
3) 以各火烧样地的无人机多光谱影像NDVI的阈值为标准,确定重度、中度、轻度火烧的NDVI的范围依次为0~0.245 6、>0.245 6~0.347 1、>0.347 1~0.690 0,对卫星遥感影像的NDVI值进行重分类,得到了研究区火烧程度分级图。并且在已知且具有较大范围林火区卫星遥感影像的基础上,通过此方法可实现其火烧程度等级的划分。
[1] |
李莹, 于海洋, 王燕, 等. 融合红边波段的森林火烧迹地提取方法[J]. 遥感信息, 2019, 34(5): 63. LI Ying, YU Haiyang, WANG Yan, et al. Extraction method of forest burn land by fusion of red-edge band[J]. Remote Sensing Information, 2019, 34(5): 63. DOI:10.3969/j.issn.1000-3177.2019.05.012 |
[2] |
马礼, 罗建松, 王逸凯. 基于多源遥感数据的森林火灾监测研究[J]. 测绘与空间地理信息, 2021, 44(5): 141. MA Li, LUO Jiansong, WANG Yikai. Forest fire monitoring based on multi-source remote sensing data[J]. Surveying, Mapping and Spatial Geographic Information, 2021, 44(5): 141. DOI:10.3969/j.issn.1672-5867.2021.05.038 |
[3] |
李明泽, 康祥瑞, 范文义. 呼中林区火烧迹地遥感提取及林火烈度的空间分析[J]. 林业科学, 2017, 53(3): 163. LI Mingze, KANG Xiangrui, FAN Wenyi. Remote sensing extraction of burned land and spatial analysis of forest fire intensity in Huzhong forest area[J]. Scientia Silvae Sinicae, 2017, 53(3): 163. |
[4] |
张园, 陶萍, 梁世祥, 等. 无人机遥感在森林资源调查中的应用[J]. 西南林业大学学报, 2011(3): 49. ZHANG Yuan, TAO Ping, LIANG Shixiang, et al. Application of UAV remote sensing in forest resource investigation[J]. Journal of Southwest Forestry University, 2011(3): 49. DOI:10.3969/j.issn.2095-1914.2011.03.011 |
[5] |
钟映霞, 周宇飞, 陈世清, 等. 基于无人机遥感的森林火烧迹地面积调查应用[J]. 林业与环境科学, 2019, 35(2): 89. ZHONG Yingxia, ZHOU Yufei, CHEN Shiqing, et al. Application of remote sensing based on unmanned aerial vehicle in forest burn area investigation[J]. Forestry and Environmental Science, 2019, 35(2): 89. |
[6] |
熊源, 徐伟恒, 黄邵东, 等. 融合可见光无人机与哨兵2A影像的森林火灾迹地精细化提取[J]. 西南林业大学学报, 2021, 41(4): 103. XIONG Yuan, XU Weiheng, HUANG Shaodong, et al. Fine extraction of forest fire track by using visible light UAV and Sentinel 2A image[J]. Journal of Southwest Forestry University, 2021, 41(4): 103. |
[7] |
吴超, 徐伟恒, 黄邵东, 等. 林火监测中遥感应用的研究现状[J]. 西南林业大学学报(自然科学), 2020, 40(3): 172. WU Chao, XU Weiheng, HUANG Shaodong, et al. Research status of remote sensing application in forest fire monitoring[J]. Journal of Southwest Forestry University (Natural Science), 2020, 40(3): 172. |
[8] |
周杨, 温兴平, 张丽娟, 等. 基于灰色系统理论的遥感图像处理方式探析[J]. 价值工程, 2013, 35(1): 12. ZHOU Yang, WEN Xingping, ZHANG Lijuan, et al. Remote sensing image processing based on grey system theory[J]. Value Engineering, 2013, 35(1): 12. DOI:10.3969/j.issn.1006-4311.2013.01.006 |
[9] |
张璇. 重庆缙云山针阔混交林水分传输特征及对环境因子的响应机制[D]. 北京: 北京林业大学, 2019: 11. ZHANG Xuan. Water transport characteristics and response mechanism to environmental factors of coniferous and broadleaved mixed forest in Jinyun Mountain, Chongqing [D]. Beijing: Beijing Forestry University, 2019: 11. |
[10] |
王博, 韩树文, 武英达, 等. 辽河源自然保护区油松林火烧迹地林木更新研究[J]. 北京林业大学学报, 2020, 42(4): 41. WANG Bo, HAN Shuwen, WU Yingda, et al. Forest regeneration of Pinus tabuliformis burned area in Liaoheyuan Nature Reserve of northern China[J]. Journal of Beijing Forestry University, 2020, 42(4): 41. |
[11] |
汤孟平. 基于相邻网格调查的近自然毛竹林结构特征研究[C]//国家林业局, 广西壮族自治区人民政府, 中国林学会. 第二届中国林业学术大会: S3森林经理与林业信息化的新使命论文集, 2009: 8. TANG Mengping. Study on structural characteristics of near-nature Phyllostachy bamboo forest based on adjacent grid survey [C]// State Forestry Administration, Guangxi Zhuang Autonomous Region People's Government, Chinese Society of Forestry. The second Chinese Forestry Academic Congress: S3 Forest Managers and the New Mission of Forestry Informatization, 2009: 8. |
[12] |
陈艳英, 马鑫程, 徐彦平, 等. 地形及NDVI在林火遥感监测二次识别中应用的方法探讨[J]. 自然资源遥感, 2002, 34(3): 88. CHEN Yanying, MA Xincheng, XU Yanping, et al. Application of terrain and NDVI in secondary recognition of forest fire by remote sensing[J]. Remote Sensing of Natural Resources, 2002, 34(3): 88. |
[13] |
周启航. 低空无人机光谱影像大气校正与辐射定标关键技术研究[D]. 武汉: 武汉大学, 2021: 9. ZHOU Qihang. Research on key technologies of atmospheric correction and radiometric calibration of low altitude UAV spectral images [D]. Wuhan: Wuhan University, 2021: 9. |
[14] |
刘思峰, 蔡华, 杨英杰, 等. 灰色关联分析模型研究进展[J]. 系统工程理论与实践, 2013(8): 2041. LIU Sifeng, CAI Hua, YANG Yingjie, et al. Research progress of grey correlation analysis model[J]. Systems Engineering Theory & Practice, 2013(8): 2041. |
[15] |
童洁, 石玉立. 加格达奇3种森林类型树高-胸径的曲线拟合[J]. 东北林业大学学报, 2017, 45(2): 6. TONG Jie, SHI Yuli. JGD 3 types of forest tree height, diameter at breast height of curve fitting[J]. Journal of Northeast Forestry University, 2017, 45(2): 6. |
[16] |
王晓云, 姚直书, 纪文杰, 等. 基于组合赋权-灰色关联度法的冻结法凿井三圈管布置方案优化[J]. 煤矿安全, 2021, 52(8): 218. WANG Xiaoyun, YAO Zhishu, JI Wenjie, et al. Optimization of three-circle pipe layout for freezing shaft sinking based on combined weighting-grey correlation method[J]. Safety in Coal Mines, 2021, 52(8): 218. |
[17] |
郁凌华, 陈曦, 张鑫童, 等. 滁州市小麦赤霉病与气象因子的灰色关联分析[J]. 湖北农业科学, 2022, 61(18): 72. YU Linghua, CHEN Xi, ZHANG Xintong, et al. Grey correlation analysis of wheat scab and meteorological factors in Chuzhou[J]. Hubei Agricultural Science, 2022, 61(18): 72. |
[18] |
姚采云, 安睿, 窦超, 等. 基于MSPA与MCR模型的三峡库区林地生态网络构建与评价研究[J]. 长江流域资源与环境, 2002, 31(9): 1953. YAO Caiyun, AN Rui, DOU Chao, et al. Construction and evaluation of forest ecological network based on MSPA and MCR model in the Three Gorges Reservoir Area[J]. Resources and Environment in the Yangtze Basin, 2002, 31(9): 1953. |
[19] |
SHIN Jung-il, S EO, Won-woo, K IM, Taejung, et al. Using UAV multispectral images for classification of forest burn severity: A case study of the 2019 Gangneung Forest Fire[J]. Forests, 2019(10): 1025. |
[20] |
宋清洁, 崔霞, 张瑶瑶, 等. 基于小型无人机与MODIS数据的草地植被覆盖度研究: 以甘南州为例[J]. 草业科学, 2017, 34(1): 40. SONG Qingjie, CUI Xia, ZHANG Yaoyao, et al. Study on grassland vegetation coverage based on small UAV and MODIS data: A case study of Gannan prefecture[J]. Pratacultural Science, 2017, 34(1): 40. |