基于机载激光雷达数据的森林结构参数反演
1
2015
... 高精度的森林结构数据（如树高、胸径、林龄等）对森林资源调查、生态健康评估具有重要的意义［1］.但由于缺乏建模的林龄数据，研究相对较少，一定程度上影响了区域尺度上与林龄相关性强的森林结构参数和生态系统参数的估算精度（生物量、生产力等）.火灾、采伐、毁林等干扰事件是造成森林组成和结构变化的主要驱动力因素［2］.森林年龄的变化与上述活动有密切的关系，而Landsat图像较高的时间分辨率（16 d）可以提供长时间以来森林的干扰以及恢复情况，因此，借助反映森林年龄的森林资源清查数据、历史干扰数据（火灾、采伐等）和光学卫星数据［3］，获得更精确的森林年龄结构，为后期估算森林蓄积量、生物量、碳储量等提供高精度的建模因子，进而改善估算上述参数的精度.同时，可以为科学采伐、造林等提供参考. ...
基于机载激光雷达数据的森林结构参数反演
1
2015
... 高精度的森林结构数据（如树高、胸径、林龄等）对森林资源调查、生态健康评估具有重要的意义［1］.但由于缺乏建模的林龄数据，研究相对较少，一定程度上影响了区域尺度上与林龄相关性强的森林结构参数和生态系统参数的估算精度（生物量、生产力等）.火灾、采伐、毁林等干扰事件是造成森林组成和结构变化的主要驱动力因素［2］.森林年龄的变化与上述活动有密切的关系，而Landsat图像较高的时间分辨率（16 d）可以提供长时间以来森林的干扰以及恢复情况，因此，借助反映森林年龄的森林资源清查数据、历史干扰数据（火灾、采伐等）和光学卫星数据［3］，获得更精确的森林年龄结构，为后期估算森林蓄积量、生物量、碳储量等提供高精度的建模因子，进而改善估算上述参数的精度.同时，可以为科学采伐、造林等提供参考. ...
The role of remote sensing in process-scaling studies of managed forest ecosystems
1
2015
... 高精度的森林结构数据（如树高、胸径、林龄等）对森林资源调查、生态健康评估具有重要的意义［1］.但由于缺乏建模的林龄数据，研究相对较少，一定程度上影响了区域尺度上与林龄相关性强的森林结构参数和生态系统参数的估算精度（生物量、生产力等）.火灾、采伐、毁林等干扰事件是造成森林组成和结构变化的主要驱动力因素［2］.森林年龄的变化与上述活动有密切的关系，而Landsat图像较高的时间分辨率（16 d）可以提供长时间以来森林的干扰以及恢复情况，因此，借助反映森林年龄的森林资源清查数据、历史干扰数据（火灾、采伐等）和光学卫星数据［3］，获得更精确的森林年龄结构，为后期估算森林蓄积量、生物量、碳储量等提供高精度的建模因子，进而改善估算上述参数的精度.同时，可以为科学采伐、造林等提供参考. ...
Spatial distribution of carbon sources and sinks in Canada's forests
1
2003
... 高精度的森林结构数据（如树高、胸径、林龄等）对森林资源调查、生态健康评估具有重要的意义［1］.但由于缺乏建模的林龄数据，研究相对较少，一定程度上影响了区域尺度上与林龄相关性强的森林结构参数和生态系统参数的估算精度（生物量、生产力等）.火灾、采伐、毁林等干扰事件是造成森林组成和结构变化的主要驱动力因素［2］.森林年龄的变化与上述活动有密切的关系，而Landsat图像较高的时间分辨率（16 d）可以提供长时间以来森林的干扰以及恢复情况，因此，借助反映森林年龄的森林资源清查数据、历史干扰数据（火灾、采伐等）和光学卫星数据［3］，获得更精确的森林年龄结构，为后期估算森林蓄积量、生物量、碳储量等提供高精度的建模因子，进而改善估算上述参数的精度.同时，可以为科学采伐、造林等提供参考. ...
Mapping deciduous rubber plantation areas and stand ages with PALSAR and Landsat images
2
2015
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... 首先，本文利用GEE云平台中的LandTrendr算法衍生的森林干扰开始时间估算了干扰频繁区域的森林年龄.与早期基于本地IDL语言的LandTrendr算法相比，基于GEE云平台的LandTrendr算法更加灵活.与现有估算干扰区域林龄的VCT算法［12-13］相比较，本文方法容易操作和实现.VCT算法实现的核心是构建IFZ指数，首先需要选择光谱纯净度较高的森林像元作为样本参考，然后计算时序影像的目标像元的光谱反射率值和参考样本的偏离程度，总体来说耗费时间较长.基于GEE云平台的LandTrendr算法［20］提供调节参数功能，可根据研究区的实际干扰情况选择合适的指数，并且可以快速获得大范围的森林干扰结果.通过该方法获得的干扰区森林年龄，误差为1.91 a，与传统的基于光谱等因子估算的森林年龄相比，该方法的森林年龄精度较高.这是因为森林生长初期的幼林地造林区林下杂草丛生，植被指数值偏高，与幼林龄林分存在灌草光谱混淆情况，导致承载光谱信息与中龄林相似，容易高估幼林年龄，低估成熟林年龄，造成误差较大；而利用LandTrendr算法精确检测早期森林干扰时间来推断现有森林林龄，从而可以避免植被指数反演法高估幼林林龄低估成熟林林龄的问题.例如：唐少飞等［9］利用Sentinel-2影像的光谱指数、生物物理参数，估算落叶松的年龄，最佳模型的误差为4 a.Kou等［4］利用Landsat时间序列影像以及PALSAR影像估算了西双版纳傣族自治州的橡胶树年龄，准确率达到80%~90%，但是该研究并未把年龄当作连续变量来对待，而是对年龄进行了分组.同样，Li和Fox［32］利用MODIS时间序列提取橡胶幼树年龄（<4）和成熟橡胶树年龄（≥4），准确率达97%以上，虽然结果显示准确率超过97%，但是年龄和空间辨别能力都比较粗糙，信息量较少，影响实际应用.本文方法在森林干扰区林龄估算精度上都要优于以上方法.但是由于林龄基础数据与影像数据有限，目前研究仅仅针对一个县域展开，后期可在有林龄基础数据的更大区域开展人工林年龄的估算，为森林树高、蓄积量、生物量的精度提供高精度的建模因子. ...
Evaluation of modelling approaches in predicting forest volume and stand age for amall-scale plantation forests in New Zealand with RapidEye and LiDAR
1
2018
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
Estimating tropical forest biomass with a combination of SAR image texture and Landsat TM data： An assessment of predictions between regions
2
2012
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... 其次，在非干扰区利用RFE-RF算法对特征进行选择，通过选择的因子结果可以看出，在针叶林、阔叶林参与建模的因子中，同样都选择GF-1号影像波段中的近红外波段、绿波段，相关研究表明，近红外波段与林龄信息有较强的相关性［6］.对于绿色波段，相关研究表明绿色波段反映了森林演替期间叶面属性（如叶绿素-a浓度和氮浓度）的变化，而叶片叶绿素浓度值随林龄增长逐渐增加［33-34］.而对于纹理特征，相比多数研究选用的30 m分辨率的Landsat影像、500 m分辨率的MODIS影像以及10 m分辨率的Sentinel-2影像，本文选用的高分辨率卫星的纹理信息更丰富，并且用在林龄估算的研究中相对较少［18］. ...
Estimating forest stand age from LiDAR-derived predictors and nearest neighbor imputation
1
2014
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
Mapping forest stand age in China using remotely sensed forest height and observation data
1
2014
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
基于Sentinel-2数据的区域林龄信息反演研究——以落叶松为例
2
2020
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... 首先，本文利用GEE云平台中的LandTrendr算法衍生的森林干扰开始时间估算了干扰频繁区域的森林年龄.与早期基于本地IDL语言的LandTrendr算法相比，基于GEE云平台的LandTrendr算法更加灵活.与现有估算干扰区域林龄的VCT算法［12-13］相比较，本文方法容易操作和实现.VCT算法实现的核心是构建IFZ指数，首先需要选择光谱纯净度较高的森林像元作为样本参考，然后计算时序影像的目标像元的光谱反射率值和参考样本的偏离程度，总体来说耗费时间较长.基于GEE云平台的LandTrendr算法［20］提供调节参数功能，可根据研究区的实际干扰情况选择合适的指数，并且可以快速获得大范围的森林干扰结果.通过该方法获得的干扰区森林年龄，误差为1.91 a，与传统的基于光谱等因子估算的森林年龄相比，该方法的森林年龄精度较高.这是因为森林生长初期的幼林地造林区林下杂草丛生，植被指数值偏高，与幼林龄林分存在灌草光谱混淆情况，导致承载光谱信息与中龄林相似，容易高估幼林年龄，低估成熟林年龄，造成误差较大；而利用LandTrendr算法精确检测早期森林干扰时间来推断现有森林林龄，从而可以避免植被指数反演法高估幼林林龄低估成熟林林龄的问题.例如：唐少飞等［9］利用Sentinel-2影像的光谱指数、生物物理参数，估算落叶松的年龄，最佳模型的误差为4 a.Kou等［4］利用Landsat时间序列影像以及PALSAR影像估算了西双版纳傣族自治州的橡胶树年龄，准确率达到80%~90%，但是该研究并未把年龄当作连续变量来对待，而是对年龄进行了分组.同样，Li和Fox［32］利用MODIS时间序列提取橡胶幼树年龄（<4）和成熟橡胶树年龄（≥4），准确率达97%以上，虽然结果显示准确率超过97%，但是年龄和空间辨别能力都比较粗糙，信息量较少，影响实际应用.本文方法在森林干扰区林龄估算精度上都要优于以上方法.但是由于林龄基础数据与影像数据有限，目前研究仅仅针对一个县域展开，后期可在有林龄基础数据的更大区域开展人工林年龄的估算，为森林树高、蓄积量、生物量的精度提供高精度的建模因子. ...
基于Sentinel-2数据的区域林龄信息反演研究——以落叶松为例
2
2020
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... 首先，本文利用GEE云平台中的LandTrendr算法衍生的森林干扰开始时间估算了干扰频繁区域的森林年龄.与早期基于本地IDL语言的LandTrendr算法相比，基于GEE云平台的LandTrendr算法更加灵活.与现有估算干扰区域林龄的VCT算法［12-13］相比较，本文方法容易操作和实现.VCT算法实现的核心是构建IFZ指数，首先需要选择光谱纯净度较高的森林像元作为样本参考，然后计算时序影像的目标像元的光谱反射率值和参考样本的偏离程度，总体来说耗费时间较长.基于GEE云平台的LandTrendr算法［20］提供调节参数功能，可根据研究区的实际干扰情况选择合适的指数，并且可以快速获得大范围的森林干扰结果.通过该方法获得的干扰区森林年龄，误差为1.91 a，与传统的基于光谱等因子估算的森林年龄相比，该方法的森林年龄精度较高.这是因为森林生长初期的幼林地造林区林下杂草丛生，植被指数值偏高，与幼林龄林分存在灌草光谱混淆情况，导致承载光谱信息与中龄林相似，容易高估幼林年龄，低估成熟林年龄，造成误差较大；而利用LandTrendr算法精确检测早期森林干扰时间来推断现有森林林龄，从而可以避免植被指数反演法高估幼林林龄低估成熟林林龄的问题.例如：唐少飞等［9］利用Sentinel-2影像的光谱指数、生物物理参数，估算落叶松的年龄，最佳模型的误差为4 a.Kou等［4］利用Landsat时间序列影像以及PALSAR影像估算了西双版纳傣族自治州的橡胶树年龄，准确率达到80%~90%，但是该研究并未把年龄当作连续变量来对待，而是对年龄进行了分组.同样，Li和Fox［32］利用MODIS时间序列提取橡胶幼树年龄（<4）和成熟橡胶树年龄（≥4），准确率达97%以上，虽然结果显示准确率超过97%，但是年龄和空间辨别能力都比较粗糙，信息量较少，影响实际应用.本文方法在森林干扰区林龄估算精度上都要优于以上方法.但是由于林龄基础数据与影像数据有限，目前研究仅仅针对一个县域展开，后期可在有林龄基础数据的更大区域开展人工林年龄的估算，为森林树高、蓄积量、生物量的精度提供高精度的建模因子. ...
Estimation of the stand ages of tropical secondary forests after shifting cultivation based on the combination of WorldView-2 and Time-series Landsat images
2
2016
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... ［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
Dynamics of national forests assessed using the Landsat record： Case studies in Eastern United States
1
2009
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
基于Landsat时间序列的湖南省会同县杉木人工林干扰历史重建与林龄估算
2
2018
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... 首先，本文利用GEE云平台中的LandTrendr算法衍生的森林干扰开始时间估算了干扰频繁区域的森林年龄.与早期基于本地IDL语言的LandTrendr算法相比，基于GEE云平台的LandTrendr算法更加灵活.与现有估算干扰区域林龄的VCT算法［12-13］相比较，本文方法容易操作和实现.VCT算法实现的核心是构建IFZ指数，首先需要选择光谱纯净度较高的森林像元作为样本参考，然后计算时序影像的目标像元的光谱反射率值和参考样本的偏离程度，总体来说耗费时间较长.基于GEE云平台的LandTrendr算法［20］提供调节参数功能，可根据研究区的实际干扰情况选择合适的指数，并且可以快速获得大范围的森林干扰结果.通过该方法获得的干扰区森林年龄，误差为1.91 a，与传统的基于光谱等因子估算的森林年龄相比，该方法的森林年龄精度较高.这是因为森林生长初期的幼林地造林区林下杂草丛生，植被指数值偏高，与幼林龄林分存在灌草光谱混淆情况，导致承载光谱信息与中龄林相似，容易高估幼林年龄，低估成熟林年龄，造成误差较大；而利用LandTrendr算法精确检测早期森林干扰时间来推断现有森林林龄，从而可以避免植被指数反演法高估幼林林龄低估成熟林林龄的问题.例如：唐少飞等［9］利用Sentinel-2影像的光谱指数、生物物理参数，估算落叶松的年龄，最佳模型的误差为4 a.Kou等［4］利用Landsat时间序列影像以及PALSAR影像估算了西双版纳傣族自治州的橡胶树年龄，准确率达到80%~90%，但是该研究并未把年龄当作连续变量来对待，而是对年龄进行了分组.同样，Li和Fox［32］利用MODIS时间序列提取橡胶幼树年龄（<4）和成熟橡胶树年龄（≥4），准确率达97%以上，虽然结果显示准确率超过97%，但是年龄和空间辨别能力都比较粗糙，信息量较少，影响实际应用.本文方法在森林干扰区林龄估算精度上都要优于以上方法.但是由于林龄基础数据与影像数据有限，目前研究仅仅针对一个县域展开，后期可在有林龄基础数据的更大区域开展人工林年龄的估算，为森林树高、蓄积量、生物量的精度提供高精度的建模因子. ...
基于Landsat时间序列的湖南省会同县杉木人工林干扰历史重建与林龄估算
2
2018
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... 首先，本文利用GEE云平台中的LandTrendr算法衍生的森林干扰开始时间估算了干扰频繁区域的森林年龄.与早期基于本地IDL语言的LandTrendr算法相比，基于GEE云平台的LandTrendr算法更加灵活.与现有估算干扰区域林龄的VCT算法［12-13］相比较，本文方法容易操作和实现.VCT算法实现的核心是构建IFZ指数，首先需要选择光谱纯净度较高的森林像元作为样本参考，然后计算时序影像的目标像元的光谱反射率值和参考样本的偏离程度，总体来说耗费时间较长.基于GEE云平台的LandTrendr算法［20］提供调节参数功能，可根据研究区的实际干扰情况选择合适的指数，并且可以快速获得大范围的森林干扰结果.通过该方法获得的干扰区森林年龄，误差为1.91 a，与传统的基于光谱等因子估算的森林年龄相比，该方法的森林年龄精度较高.这是因为森林生长初期的幼林地造林区林下杂草丛生，植被指数值偏高，与幼林龄林分存在灌草光谱混淆情况，导致承载光谱信息与中龄林相似，容易高估幼林年龄，低估成熟林年龄，造成误差较大；而利用LandTrendr算法精确检测早期森林干扰时间来推断现有森林林龄，从而可以避免植被指数反演法高估幼林林龄低估成熟林林龄的问题.例如：唐少飞等［9］利用Sentinel-2影像的光谱指数、生物物理参数，估算落叶松的年龄，最佳模型的误差为4 a.Kou等［4］利用Landsat时间序列影像以及PALSAR影像估算了西双版纳傣族自治州的橡胶树年龄，准确率达到80%~90%，但是该研究并未把年龄当作连续变量来对待，而是对年龄进行了分组.同样，Li和Fox［32］利用MODIS时间序列提取橡胶幼树年龄（<4）和成熟橡胶树年龄（≥4），准确率达97%以上，虽然结果显示准确率超过97%，但是年龄和空间辨别能力都比较粗糙，信息量较少，影响实际应用.本文方法在森林干扰区林龄估算精度上都要优于以上方法.但是由于林龄基础数据与影像数据有限，目前研究仅仅针对一个县域展开，后期可在有林龄基础数据的更大区域开展人工林年龄的估算，为森林树高、蓄积量、生物量的精度提供高精度的建模因子. ...
Use of vegetation change tracker， spatial analysis， and random forest regression to assess the evolution of plantation stand age in southeast China
5
2020
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... ［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... ［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... 首先，本文利用GEE云平台中的LandTrendr算法衍生的森林干扰开始时间估算了干扰频繁区域的森林年龄.与早期基于本地IDL语言的LandTrendr算法相比，基于GEE云平台的LandTrendr算法更加灵活.与现有估算干扰区域林龄的VCT算法［12-13］相比较，本文方法容易操作和实现.VCT算法实现的核心是构建IFZ指数，首先需要选择光谱纯净度较高的森林像元作为样本参考，然后计算时序影像的目标像元的光谱反射率值和参考样本的偏离程度，总体来说耗费时间较长.基于GEE云平台的LandTrendr算法［20］提供调节参数功能，可根据研究区的实际干扰情况选择合适的指数，并且可以快速获得大范围的森林干扰结果.通过该方法获得的干扰区森林年龄，误差为1.91 a，与传统的基于光谱等因子估算的森林年龄相比，该方法的森林年龄精度较高.这是因为森林生长初期的幼林地造林区林下杂草丛生，植被指数值偏高，与幼林龄林分存在灌草光谱混淆情况，导致承载光谱信息与中龄林相似，容易高估幼林年龄，低估成熟林年龄，造成误差较大；而利用LandTrendr算法精确检测早期森林干扰时间来推断现有森林林龄，从而可以避免植被指数反演法高估幼林林龄低估成熟林林龄的问题.例如：唐少飞等［9］利用Sentinel-2影像的光谱指数、生物物理参数，估算落叶松的年龄，最佳模型的误差为4 a.Kou等［4］利用Landsat时间序列影像以及PALSAR影像估算了西双版纳傣族自治州的橡胶树年龄，准确率达到80%~90%，但是该研究并未把年龄当作连续变量来对待，而是对年龄进行了分组.同样，Li和Fox［32］利用MODIS时间序列提取橡胶幼树年龄（<4）和成熟橡胶树年龄（≥4），准确率达97%以上，虽然结果显示准确率超过97%，但是年龄和空间辨别能力都比较粗糙，信息量较少，影响实际应用.本文方法在森林干扰区林龄估算精度上都要优于以上方法.但是由于林龄基础数据与影像数据有限，目前研究仅仅针对一个县域展开，后期可在有林龄基础数据的更大区域开展人工林年龄的估算，为森林树高、蓄积量、生物量的精度提供高精度的建模因子. ...
... 最后本文获得了将乐县针叶林、阔叶林年龄，但是相比较Diao等［13］利用RFE-RF算法估算的丽水市杉木、马尾松、橡树的年龄，RMSE为4.2~5.3 a，本研究估算的林龄误差较大，可能的原因是本研究针对的是针叶林，未对其进一步树种识别，部分误差来源于各树种之间及针阔混交林间光谱纹理信息差异较大.而阔叶林的RMSE为12.71 a，原因是阔叶林作为天然林，森林年龄基本处于成熟林阶段，由于冠层结构饱和效应，随着林龄不断增长，阔叶林冠层已完全郁闭，生长缓慢，此时成熟林光谱信息与近熟林相似［31］.后续考虑利用无人机影像进行树种识别，提取树高、郁闭度等因子提高针叶林、阔叶林的估算年龄. ...
Detecting trends in forest disturbance and recovery using yearly Landsat time series： 1. LandTrendr — Temporal Segmentation Algorithms
4
2010
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... 利用GEE平台的LandTrendr算法（https：//emapr.github.io/LT-GEE/introduction.html）提取受干扰森林的干扰时间节点特征.算法核心是将选取的长时间序列的指数轨迹简化为一组首尾相连的线段，并对分割后的线段进行拟合［14］.关于指数的选取，有学者对比了影像标准化处理后的各个波段反射率值及由波段衍生的植被指数对森林砍伐、火灾、病虫害和植树造林4种干扰类型的区分度［21-22］.其中，短波红外（SWIR）波段的反射率值在4种干扰类型中区分度最高，而近红外（NIR）波段反射率值在4种类型中区分度较高，因此相应的归一化燃烧指数（Normalized Burn Ratio， NBR）的响应能力最强，而NDVI指数的响应能力最弱.另外，在利用LandTrendr算法监测森林干扰与恢复的研究发现，NBR指数对于区分采伐、火灾等干扰事件具备最大敏感性［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
... ［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
... ［14］. ...
Historical forest biomass dynamics modelled with Landsat spectral trajectories
1
2014
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
基于Landsat长时间序列数据估算树高和生物量
1
2017
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
基于Landsat长时间序列数据估算树高和生物量
1
2017
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
Stand age estimation of rubber （Hevea Brasiliensis） plantations using an integrated pixel- and object-based tree growth model and annual Landsat time series
1
2018
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
Estimation of forest structural diversity using the spectral and textural information derived from SPOT-5 satellite images
2
2016
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
... 其次，在非干扰区利用RFE-RF算法对特征进行选择，通过选择的因子结果可以看出，在针叶林、阔叶林参与建模的因子中，同样都选择GF-1号影像波段中的近红外波段、绿波段，相关研究表明，近红外波段与林龄信息有较强的相关性［6］.对于绿色波段，相关研究表明绿色波段反映了森林演替期间叶面属性（如叶绿素-a浓度和氮浓度）的变化，而叶片叶绿素浓度值随林龄增长逐渐增加［33-34］.而对于纹理特征，相比多数研究选用的30 m分辨率的Landsat影像、500 m分辨率的MODIS影像以及10 m分辨率的Sentinel-2影像，本文选用的高分辨率卫星的纹理信息更丰富，并且用在林龄估算的研究中相对较少［18］. ...
Extracting structural attributes from IKONOS imagery for eucalyptus plantation forests in KwaZulu-Natal， South Africa， using image texture analysis and artificial neural networks
1
2011
... 目前获取林龄参数的方法主要包括野外实地调查、森林资源清查以及利用卫星遥感数据［4-5］和激光雷达数据预测林龄［6-7］.野外实地调查数据主要借助生长锥取样，通过树木年轮测得小样区林龄，森林资源清查数据主要在已有历史记录数据上对林龄更新，每5 a进行一次［8］.利用上述两种方法获得的森林年龄精度较高，但是耗费周期较长.利用卫星遥感数据预测森林年龄主要依据森林年龄与遥感影像的光谱、纹理因子之间的相关性，通过建立线性或者非线性模型反演森林年龄［9］，或者利用变化检测方法直接获得森林年龄［10］，进而获得大区域森林年龄.随着Landsat存档数据可以免费获取，国内外学者利用Landsat时序数据开展了大量的森林干扰与恢复研究，并将结果用于森林结构参数的估算.Huang等［11］利用植被变化追踪器（Vegetation Change Tracker， VCT）算法对森林扰动进行分析，通过分析每个像素的综合森林特征指数（Integrated Forest Z-cores， IFZ），区分森林、非森林与扰动区域.在此基础上，房磊等［12-13］利用Landsat历史存档数据，通过VCT算法获取相关干扰历史的时相信息，最终实现了当前林龄空间分布制图，其中，Diao等［13］又利用递归特征消除的随机森林算法（Random Forest Algorithm for Recursive Feature Elimination， RFE-RF），通过Landsat影像的光谱、纹理特征估算了非干扰区林龄.Kennedy等［14］提出了LandTrendr算法，该算法是一种基于轨迹的频谱-时间分割算法，主要用于Landsat时间序列的森林变化检测，可获得森林干扰开始时间节点，在此基础上，Gómez等［15-16］将上述算法中得到的干扰时间节点，用于森林地上生物量的估算，生物量估算精度有明显提高.Fujiki等［10］首先从Landsat时间序列图像的变化检测分析中提取了林分年龄，然后将得到的林分年龄与WorldView-2的光谱、纹理因子建立回归模型，估算了介于马来西亚沙巴的基纳巴鲁公园和克罗克岭公园之间的橡胶树年龄.Chen等［17］利用归一化植被指数（Normalized Difference Vegetation Index， NDVI）时序影像估算了中国、缅甸和老挝三界交界处的橡胶种植园的年龄，其年龄的平均误差为1.53 a.综上所述，仅仅利用遥感影像的光谱、纹理因子估算森林年龄普遍会出现高估干扰频繁发生的区域幼林年龄，低估成熟林年龄的问题.现有研究主要基于长时间序列影像，利用分类后变化检测方法或者VCT变化检测算法估算干扰区人工林森林年龄，而LandTrendr变化检测算法用于林龄估算研究相对较少.另外，对估算非干扰区森林年龄，最新研究采用30 m分辨率卫星遥感影像［13］，高分辨卫星遥感影像应用较少，而高分辨率卫星遥感影像的纹理信息更加丰富，对森林树高、胸径等参数的估算精度有明显的提高［18］.例如：Gebreslasie等［19］分别利用IKONOS影像的多光谱数据的纹理信息和全色波段的纹理信息估算森林平均树高、胸径、蓄积量等林分参数，结果表明基于全色波段的纹理信息构建的模型精度均有所提高，最高达0.9. ...
Implementation of the LandTrendr algorithm on Google Earth Engine
3
2018
... 因此，本研究的目的是：①利用GEE云平台的LandTrendr算法［20］衍生的干扰时间特征估算频繁发生干扰的区域林龄，进而提整体的林龄估算的精度.②结合GF-1号影像的光谱、纹理、植被指数以及地形因子特征与林龄建模，对非干扰区中的人工林、天然林年龄进行估算，最后将两部分的森林年龄合并，获得将乐县森林年龄.由于福建省将乐县是我国南方典型的人工林种植县，本文的研究方法可以为区域尺度的人工林森林参数估算提供新的思路和参考. ...
... 研究流程如图2所示，基于GEE云平台，利用LandTrendr算法［20］获得1987~2019年森林干扰节点特征，通过2019年现存的针叶林、阔叶林对森林干扰时空分布图掩膜，这样就以1987年为时间点，将研究区分为森林干扰区（即LandTrendr算法检测到受干扰的森林区域）和非干扰区（即LandTrendr算法中的持续森林以及未检测到的受干扰的森林）.获取森林干扰开始时间，与小班林龄建立一元线性回归模型，实现干扰区自1987年来受到干扰又恢复为森林的林龄估算.接着利用2016年的GF-1号影像的光谱、纹理信息、植被指数以及地形特征，采用RFE-RF算法，与小班林龄构建模型，实现非干扰区2016年森林林龄估算后，结合Landsat时间序列影像更新至2019年.将两部分林龄合并，最终得到将乐县2019年森林林龄. ...
... 首先，本文利用GEE云平台中的LandTrendr算法衍生的森林干扰开始时间估算了干扰频繁区域的森林年龄.与早期基于本地IDL语言的LandTrendr算法相比，基于GEE云平台的LandTrendr算法更加灵活.与现有估算干扰区域林龄的VCT算法［12-13］相比较，本文方法容易操作和实现.VCT算法实现的核心是构建IFZ指数，首先需要选择光谱纯净度较高的森林像元作为样本参考，然后计算时序影像的目标像元的光谱反射率值和参考样本的偏离程度，总体来说耗费时间较长.基于GEE云平台的LandTrendr算法［20］提供调节参数功能，可根据研究区的实际干扰情况选择合适的指数，并且可以快速获得大范围的森林干扰结果.通过该方法获得的干扰区森林年龄，误差为1.91 a，与传统的基于光谱等因子估算的森林年龄相比，该方法的森林年龄精度较高.这是因为森林生长初期的幼林地造林区林下杂草丛生，植被指数值偏高，与幼林龄林分存在灌草光谱混淆情况，导致承载光谱信息与中龄林相似，容易高估幼林年龄，低估成熟林年龄，造成误差较大；而利用LandTrendr算法精确检测早期森林干扰时间来推断现有森林林龄，从而可以避免植被指数反演法高估幼林林龄低估成熟林林龄的问题.例如：唐少飞等［9］利用Sentinel-2影像的光谱指数、生物物理参数，估算落叶松的年龄，最佳模型的误差为4 a.Kou等［4］利用Landsat时间序列影像以及PALSAR影像估算了西双版纳傣族自治州的橡胶树年龄，准确率达到80%~90%，但是该研究并未把年龄当作连续变量来对待，而是对年龄进行了分组.同样，Li和Fox［32］利用MODIS时间序列提取橡胶幼树年龄（<4）和成熟橡胶树年龄（≥4），准确率达97%以上，虽然结果显示准确率超过97%，但是年龄和空间辨别能力都比较粗糙，信息量较少，影响实际应用.本文方法在森林干扰区林龄估算精度上都要优于以上方法.但是由于林龄基础数据与影像数据有限，目前研究仅仅针对一个县域展开，后期可在有林龄基础数据的更大区域开展人工林年龄的估算，为森林树高、蓄积量、生物量的精度提供高精度的建模因子. ...
基于MODIS时间序列森林扰动监测指数比较研究
1
2016
... 利用GEE平台的LandTrendr算法（https：//emapr.github.io/LT-GEE/introduction.html）提取受干扰森林的干扰时间节点特征.算法核心是将选取的长时间序列的指数轨迹简化为一组首尾相连的线段，并对分割后的线段进行拟合［14］.关于指数的选取，有学者对比了影像标准化处理后的各个波段反射率值及由波段衍生的植被指数对森林砍伐、火灾、病虫害和植树造林4种干扰类型的区分度［21-22］.其中，短波红外（SWIR）波段的反射率值在4种干扰类型中区分度最高，而近红外（NIR）波段反射率值在4种类型中区分度较高，因此相应的归一化燃烧指数（Normalized Burn Ratio， NBR）的响应能力最强，而NDVI指数的响应能力最弱.另外，在利用LandTrendr算法监测森林干扰与恢复的研究发现，NBR指数对于区分采伐、火灾等干扰事件具备最大敏感性［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
基于MODIS时间序列森林扰动监测指数比较研究
1
2016
... 利用GEE平台的LandTrendr算法（https：//emapr.github.io/LT-GEE/introduction.html）提取受干扰森林的干扰时间节点特征.算法核心是将选取的长时间序列的指数轨迹简化为一组首尾相连的线段，并对分割后的线段进行拟合［14］.关于指数的选取，有学者对比了影像标准化处理后的各个波段反射率值及由波段衍生的植被指数对森林砍伐、火灾、病虫害和植树造林4种干扰类型的区分度［21-22］.其中，短波红外（SWIR）波段的反射率值在4种干扰类型中区分度最高，而近红外（NIR）波段反射率值在4种类型中区分度较高，因此相应的归一化燃烧指数（Normalized Burn Ratio， NBR）的响应能力最强，而NDVI指数的响应能力最弱.另外，在利用LandTrendr算法监测森林干扰与恢复的研究发现，NBR指数对于区分采伐、火灾等干扰事件具备最大敏感性［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
区域森林植被扰动遥感监测研究
1
2013
... 利用GEE平台的LandTrendr算法（https：//emapr.github.io/LT-GEE/introduction.html）提取受干扰森林的干扰时间节点特征.算法核心是将选取的长时间序列的指数轨迹简化为一组首尾相连的线段，并对分割后的线段进行拟合［14］.关于指数的选取，有学者对比了影像标准化处理后的各个波段反射率值及由波段衍生的植被指数对森林砍伐、火灾、病虫害和植树造林4种干扰类型的区分度［21-22］.其中，短波红外（SWIR）波段的反射率值在4种干扰类型中区分度最高，而近红外（NIR）波段反射率值在4种类型中区分度较高，因此相应的归一化燃烧指数（Normalized Burn Ratio， NBR）的响应能力最强，而NDVI指数的响应能力最弱.另外，在利用LandTrendr算法监测森林干扰与恢复的研究发现，NBR指数对于区分采伐、火灾等干扰事件具备最大敏感性［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
区域森林植被扰动遥感监测研究
1
2013
... 利用GEE平台的LandTrendr算法（https：//emapr.github.io/LT-GEE/introduction.html）提取受干扰森林的干扰时间节点特征.算法核心是将选取的长时间序列的指数轨迹简化为一组首尾相连的线段，并对分割后的线段进行拟合［14］.关于指数的选取，有学者对比了影像标准化处理后的各个波段反射率值及由波段衍生的植被指数对森林砍伐、火灾、病虫害和植树造林4种干扰类型的区分度［21-22］.其中，短波红外（SWIR）波段的反射率值在4种干扰类型中区分度最高，而近红外（NIR）波段反射率值在4种类型中区分度较高，因此相应的归一化燃烧指数（Normalized Burn Ratio， NBR）的响应能力最强，而NDVI指数的响应能力最弱.另外，在利用LandTrendr算法监测森林干扰与恢复的研究发现，NBR指数对于区分采伐、火灾等干扰事件具备最大敏感性［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
基于长时间序列Landsat影像的南方人工林干扰与恢复制图分析
2
2017
... 利用GEE平台的LandTrendr算法（https：//emapr.github.io/LT-GEE/introduction.html）提取受干扰森林的干扰时间节点特征.算法核心是将选取的长时间序列的指数轨迹简化为一组首尾相连的线段，并对分割后的线段进行拟合［14］.关于指数的选取，有学者对比了影像标准化处理后的各个波段反射率值及由波段衍生的植被指数对森林砍伐、火灾、病虫害和植树造林4种干扰类型的区分度［21-22］.其中，短波红外（SWIR）波段的反射率值在4种干扰类型中区分度最高，而近红外（NIR）波段反射率值在4种类型中区分度较高，因此相应的归一化燃烧指数（Normalized Burn Ratio， NBR）的响应能力最强，而NDVI指数的响应能力最弱.另外，在利用LandTrendr算法监测森林干扰与恢复的研究发现，NBR指数对于区分采伐、火灾等干扰事件具备最大敏感性［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
... 该比值中，森林干扰后NBR值会突然变小［23］，据此，可由时序轨迹中NBR值的突变来识别森林变化信息，呈下降趋势的线段表示此处森林像元受到干扰，用呈上升趋势线段表示森林开始恢复的状态，而水平线段则表示该像素一直是森林的状态，未受到干扰，如图3所示. ...
基于长时间序列Landsat影像的南方人工林干扰与恢复制图分析
2
2017
... 利用GEE平台的LandTrendr算法（https：//emapr.github.io/LT-GEE/introduction.html）提取受干扰森林的干扰时间节点特征.算法核心是将选取的长时间序列的指数轨迹简化为一组首尾相连的线段，并对分割后的线段进行拟合［14］.关于指数的选取，有学者对比了影像标准化处理后的各个波段反射率值及由波段衍生的植被指数对森林砍伐、火灾、病虫害和植树造林4种干扰类型的区分度［21-22］.其中，短波红外（SWIR）波段的反射率值在4种干扰类型中区分度最高，而近红外（NIR）波段反射率值在4种类型中区分度较高，因此相应的归一化燃烧指数（Normalized Burn Ratio， NBR）的响应能力最强，而NDVI指数的响应能力最弱.另外，在利用LandTrendr算法监测森林干扰与恢复的研究发现，NBR指数对于区分采伐、火灾等干扰事件具备最大敏感性［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
... 该比值中，森林干扰后NBR值会突然变小［23］，据此，可由时序轨迹中NBR值的突变来识别森林变化信息，呈下降趋势的线段表示此处森林像元受到干扰，用呈上升趋势线段表示森林开始恢复的状态，而水平线段则表示该像素一直是森林的状态，未受到干扰，如图3所示. ...
基于Landsat时序数据的森林干扰监测
1
2017
... 利用GEE平台的LandTrendr算法（https：//emapr.github.io/LT-GEE/introduction.html）提取受干扰森林的干扰时间节点特征.算法核心是将选取的长时间序列的指数轨迹简化为一组首尾相连的线段，并对分割后的线段进行拟合［14］.关于指数的选取，有学者对比了影像标准化处理后的各个波段反射率值及由波段衍生的植被指数对森林砍伐、火灾、病虫害和植树造林4种干扰类型的区分度［21-22］.其中，短波红外（SWIR）波段的反射率值在4种干扰类型中区分度最高，而近红外（NIR）波段反射率值在4种类型中区分度较高，因此相应的归一化燃烧指数（Normalized Burn Ratio， NBR）的响应能力最强，而NDVI指数的响应能力最弱.另外，在利用LandTrendr算法监测森林干扰与恢复的研究发现，NBR指数对于区分采伐、火灾等干扰事件具备最大敏感性［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
基于Landsat时序数据的森林干扰监测
1
2017
... 利用GEE平台的LandTrendr算法（https：//emapr.github.io/LT-GEE/introduction.html）提取受干扰森林的干扰时间节点特征.算法核心是将选取的长时间序列的指数轨迹简化为一组首尾相连的线段，并对分割后的线段进行拟合［14］.关于指数的选取，有学者对比了影像标准化处理后的各个波段反射率值及由波段衍生的植被指数对森林砍伐、火灾、病虫害和植树造林4种干扰类型的区分度［21-22］.其中，短波红外（SWIR）波段的反射率值在4种干扰类型中区分度最高，而近红外（NIR）波段反射率值在4种类型中区分度较高，因此相应的归一化燃烧指数（Normalized Burn Ratio， NBR）的响应能力最强，而NDVI指数的响应能力最弱.另外，在利用LandTrendr算法监测森林干扰与恢复的研究发现，NBR指数对于区分采伐、火灾等干扰事件具备最大敏感性［14，23-24］，而将乐县林地干扰主要以采伐和采伐后的炼山为主，因此，本研究使用NBR指数作为算法监测的指数，公式如下.算法主要参数选择Kennedy等开发的LandTrendr算法默认参数［14］. ...
基于北京一号CCD数据的植被指数特性分析
1
2010
... 利用Ecognition软件，通过小班矢量对GF-1号影像分割，获得影像的4个波段反射率的像元均值及标准差、11个（表2）植被指数［25］和4个波段的纹理特征［26］，包括同质性（Homogeneity，HOM）、对比度（Contrast，CON）、非相似性（Dissimilarity，DIS）、熵（Entropy，ENT）、纹理均值（Mean，MEA）、纹理标准差（Standard Deviation，STD）、相关性（Correlation，COR）、角二阶矩（Angular Second Moment，ASM）以及DEM、坡度（Slope）、坡向（Aspect）3个因子的像元均值.利用SPSS软件对上述因子与林龄样本进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因子的相关程度，本文通过皮尔逊相关系数（Pearson Correlation Coefficient）分析林龄与上述因子之间的相关程度，其值一般介于-1与1之间［27］，从而选择与林龄相关性强的因子参与建模. ...
基于北京一号CCD数据的植被指数特性分析
1
2010
... 利用Ecognition软件，通过小班矢量对GF-1号影像分割，获得影像的4个波段反射率的像元均值及标准差、11个（表2）植被指数［25］和4个波段的纹理特征［26］，包括同质性（Homogeneity，HOM）、对比度（Contrast，CON）、非相似性（Dissimilarity，DIS）、熵（Entropy，ENT）、纹理均值（Mean，MEA）、纹理标准差（Standard Deviation，STD）、相关性（Correlation，COR）、角二阶矩（Angular Second Moment，ASM）以及DEM、坡度（Slope）、坡向（Aspect）3个因子的像元均值.利用SPSS软件对上述因子与林龄样本进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因子的相关程度，本文通过皮尔逊相关系数（Pearson Correlation Coefficient）分析林龄与上述因子之间的相关程度，其值一般介于-1与1之间［27］，从而选择与林龄相关性强的因子参与建模. ...
基于面向对象的青海湖环湖区居民地信息自动化提取
1
2020
... 利用Ecognition软件，通过小班矢量对GF-1号影像分割，获得影像的4个波段反射率的像元均值及标准差、11个（表2）植被指数［25］和4个波段的纹理特征［26］，包括同质性（Homogeneity，HOM）、对比度（Contrast，CON）、非相似性（Dissimilarity，DIS）、熵（Entropy，ENT）、纹理均值（Mean，MEA）、纹理标准差（Standard Deviation，STD）、相关性（Correlation，COR）、角二阶矩（Angular Second Moment，ASM）以及DEM、坡度（Slope）、坡向（Aspect）3个因子的像元均值.利用SPSS软件对上述因子与林龄样本进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因子的相关程度，本文通过皮尔逊相关系数（Pearson Correlation Coefficient）分析林龄与上述因子之间的相关程度，其值一般介于-1与1之间［27］，从而选择与林龄相关性强的因子参与建模. ...
基于面向对象的青海湖环湖区居民地信息自动化提取
1
2020
... 利用Ecognition软件，通过小班矢量对GF-1号影像分割，获得影像的4个波段反射率的像元均值及标准差、11个（表2）植被指数［25］和4个波段的纹理特征［26］，包括同质性（Homogeneity，HOM）、对比度（Contrast，CON）、非相似性（Dissimilarity，DIS）、熵（Entropy，ENT）、纹理均值（Mean，MEA）、纹理标准差（Standard Deviation，STD）、相关性（Correlation，COR）、角二阶矩（Angular Second Moment，ASM）以及DEM、坡度（Slope）、坡向（Aspect）3个因子的像元均值.利用SPSS软件对上述因子与林龄样本进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因子的相关程度，本文通过皮尔逊相关系数（Pearson Correlation Coefficient）分析林龄与上述因子之间的相关程度，其值一般介于-1与1之间［27］，从而选择与林龄相关性强的因子参与建模. ...
Scalar costa scheme for information embedding
1
2003
... 利用Ecognition软件，通过小班矢量对GF-1号影像分割，获得影像的4个波段反射率的像元均值及标准差、11个（表2）植被指数［25］和4个波段的纹理特征［26］，包括同质性（Homogeneity，HOM）、对比度（Contrast，CON）、非相似性（Dissimilarity，DIS）、熵（Entropy，ENT）、纹理均值（Mean，MEA）、纹理标准差（Standard Deviation，STD）、相关性（Correlation，COR）、角二阶矩（Angular Second Moment，ASM）以及DEM、坡度（Slope）、坡向（Aspect）3个因子的像元均值.利用SPSS软件对上述因子与林龄样本进行相关性分析，相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量因子的相关程度，本文通过皮尔逊相关系数（Pearson Correlation Coefficient）分析林龄与上述因子之间的相关程度，其值一般介于-1与1之间［27］，从而选择与林龄相关性强的因子参与建模. ...
Random Forests
1
2001
... RF算法是由Breiman提出［28］，是一种用于回归或分类的机器学习方法，算法流程如下：①采用bootstrap抽样方法，随机选取总样本三分之二的数据作为训练样本，其余三分之一作为验证样本，后者可以用来估计内部误差；②对每个训练样本构造一棵回归树，生成N棵树组成的随机森林.③组合N棵决策树的回归结果，使用多数投票原则确定最终的回归结果，算法结束.RFE算法是Golub等［29］基于支持向量机提出的，在研究中将RFE算法引入RF回归算法，进行光谱、纹理等因子与林龄的模型构建. ...
Molecular classification of cancer : Class discovery and class prediction by gene expression monitoring
1
1999
... RF算法是由Breiman提出［28］，是一种用于回归或分类的机器学习方法，算法流程如下：①采用bootstrap抽样方法，随机选取总样本三分之二的数据作为训练样本，其余三分之一作为验证样本，后者可以用来估计内部误差；②对每个训练样本构造一棵回归树，生成N棵树组成的随机森林.③组合N棵决策树的回归结果，使用多数投票原则确定最终的回归结果，算法结束.RFE算法是Golub等［29］基于支持向量机提出的，在研究中将RFE算法引入RF回归算法，进行光谱、纹理等因子与林龄的模型构建. ...
一种后向迭代的森林生物量遥感特征选择方法
1
2017
... RFE-RF算法原理是基于RF的最大间隔原理的序列后向选择算法，将所有特征集合初始化得到整个特征数据集合，根据排序准则分数的大小对特征排序，每次迭代剔除分数最小的特征，直到特征集为空为止［30］，算法流程如图4所示.研究主要基于Python中sklearn模块库，调用RFE-RF算法预测森林年龄. ...
一种后向迭代的森林生物量遥感特征选择方法
1
2017
... RFE-RF算法原理是基于RF的最大间隔原理的序列后向选择算法，将所有特征集合初始化得到整个特征数据集合，根据排序准则分数的大小对特征排序，每次迭代剔除分数最小的特征，直到特征集为空为止［30］，算法流程如图4所示.研究主要基于Python中sklearn模块库，调用RFE-RF算法预测森林年龄. ...
Deriving stand age distribution in boreal forests using SPOT vegetation and NOAA AVHRR imagery
3
2004
... 由图9（a）可知：针叶林的RMSE为4.71 a，由图9（b）可知：阔叶林的RMSE为12.71 a，原因是阔叶林作为天然林，随着林龄不断增长，阔叶林冠层已完全闭合，生长缓慢，此时成熟林光谱信息与近熟林相似［31］. ...
... 利用本文中的两种方法，选择干扰区建模中的15个典型样本点林龄精度进行对比.通过表4结果可知：平均年龄误差中，基于干扰开始时间预测的森林年龄RMSE为0.54 a，而基于光谱、纹理因子等估算的林龄RMSE为6.76 a.同时可以看出，基于光谱、纹理等因子估算的幼林年龄，基本都会出现高估幼林的情况，可能由于种植密度差异，各树种在幼龄林阶段生长速度快且种植密度高于中龄林，导致幼龄林光谱承载信息与中龄林相似［31］，因此，基于LandTrendr干扰算法衍生的干扰开始时间来估算干扰区域中幼龄林、中龄林的年龄，可以较好地提高林龄估算精度. ...
... 最后本文获得了将乐县针叶林、阔叶林年龄，但是相比较Diao等［13］利用RFE-RF算法估算的丽水市杉木、马尾松、橡树的年龄，RMSE为4.2~5.3 a，本研究估算的林龄误差较大，可能的原因是本研究针对的是针叶林，未对其进一步树种识别，部分误差来源于各树种之间及针阔混交林间光谱纹理信息差异较大.而阔叶林的RMSE为12.71 a，原因是阔叶林作为天然林，森林年龄基本处于成熟林阶段，由于冠层结构饱和效应，随着林龄不断增长，阔叶林冠层已完全郁闭，生长缓慢，此时成熟林光谱信息与近熟林相似［31］.后续考虑利用无人机影像进行树种识别，提取树高、郁闭度等因子提高针叶林、阔叶林的估算年龄. ...
Mapping rubber tree growth in mainland Southeast Asia using time-series MODIS 250 m NDVI and statistical Data
1
2012
... 首先，本文利用GEE云平台中的LandTrendr算法衍生的森林干扰开始时间估算了干扰频繁区域的森林年龄.与早期基于本地IDL语言的LandTrendr算法相比，基于GEE云平台的LandTrendr算法更加灵活.与现有估算干扰区域林龄的VCT算法［12-13］相比较，本文方法容易操作和实现.VCT算法实现的核心是构建IFZ指数，首先需要选择光谱纯净度较高的森林像元作为样本参考，然后计算时序影像的目标像元的光谱反射率值和参考样本的偏离程度，总体来说耗费时间较长.基于GEE云平台的LandTrendr算法［20］提供调节参数功能，可根据研究区的实际干扰情况选择合适的指数，并且可以快速获得大范围的森林干扰结果.通过该方法获得的干扰区森林年龄，误差为1.91 a，与传统的基于光谱等因子估算的森林年龄相比，该方法的森林年龄精度较高.这是因为森林生长初期的幼林地造林区林下杂草丛生，植被指数值偏高，与幼林龄林分存在灌草光谱混淆情况，导致承载光谱信息与中龄林相似，容易高估幼林年龄，低估成熟林年龄，造成误差较大；而利用LandTrendr算法精确检测早期森林干扰时间来推断现有森林林龄，从而可以避免植被指数反演法高估幼林林龄低估成熟林林龄的问题.例如：唐少飞等［9］利用Sentinel-2影像的光谱指数、生物物理参数，估算落叶松的年龄，最佳模型的误差为4 a.Kou等［4］利用Landsat时间序列影像以及PALSAR影像估算了西双版纳傣族自治州的橡胶树年龄，准确率达到80%~90%，但是该研究并未把年龄当作连续变量来对待，而是对年龄进行了分组.同样，Li和Fox［32］利用MODIS时间序列提取橡胶幼树年龄（<4）和成熟橡胶树年龄（≥4），准确率达97%以上，虽然结果显示准确率超过97%，但是年龄和空间辨别能力都比较粗糙，信息量较少，影响实际应用.本文方法在森林干扰区林龄估算精度上都要优于以上方法.但是由于林龄基础数据与影像数据有限，目前研究仅仅针对一个县域展开，后期可在有林龄基础数据的更大区域开展人工林年龄的估算，为森林树高、蓄积量、生物量的精度提供高精度的建模因子. ...
Use of a green channel in remote sensing of global vegetation from EOS-MODIS
1
1996
... 其次，在非干扰区利用RFE-RF算法对特征进行选择，通过选择的因子结果可以看出，在针叶林、阔叶林参与建模的因子中，同样都选择GF-1号影像波段中的近红外波段、绿波段，相关研究表明，近红外波段与林龄信息有较强的相关性［6］.对于绿色波段，相关研究表明绿色波段反映了森林演替期间叶面属性（如叶绿素-a浓度和氮浓度）的变化，而叶片叶绿素浓度值随林龄增长逐渐增加［33-34］.而对于纹理特征，相比多数研究选用的30 m分辨率的Landsat影像、500 m分辨率的MODIS影像以及10 m分辨率的Sentinel-2影像，本文选用的高分辨率卫星的纹理信息更丰富，并且用在林龄估算的研究中相对较少［18］. ...
QuickBird satellite and gound-based multispectral data correlations with agronomic parameters of irrigated maize grown in small plots
1
2008
... 其次，在非干扰区利用RFE-RF算法对特征进行选择，通过选择的因子结果可以看出，在针叶林、阔叶林参与建模的因子中，同样都选择GF-1号影像波段中的近红外波段、绿波段，相关研究表明，近红外波段与林龄信息有较强的相关性［6］.对于绿色波段，相关研究表明绿色波段反映了森林演替期间叶面属性（如叶绿素-a浓度和氮浓度）的变化，而叶片叶绿素浓度值随林龄增长逐渐增加［33-34］.而对于纹理特征，相比多数研究选用的30 m分辨率的Landsat影像、500 m分辨率的MODIS影像以及10 m分辨率的Sentinel-2影像，本文选用的高分辨率卫星的纹理信息更丰富，并且用在林龄估算的研究中相对较少［18］. ...
