0 引言

森林是陆地最大的生态系统,是人类赖以生存的必要保障和发展的基础,在支撑经济社会可持续发展中有不可替代的作用[1]。森林覆盖率的变化检测能够直观地反映森林生态系统的自身演替进程,其结果是碳循环、水循环和气候环境变化等研究的重要基础资料[2]。

以往的森林资源变化检测结果多是采用人工判读或者使用两期矢量化图叠加分析得到,这些方法虽然准确,但是工作效率低[3]。近几十年来,遥感技术的出现及其覆盖范围广与重复周期短等特点,为森林资源调查提供了新的方法和技术。目前,利用遥感数据进行森林资源变化检测,一直是遥感界的研究热点[4]。

视听作品作者署名权新论——兼评《著作权法修改草案》“作者精神权利”的修改............................................................................................李伟民 05.29

国内外学者已经陆续开展了相应的方法研究[5-9]:(1)图像算术运算法:假设在一定的时期内,发生变化的地物像元信息会存在明显的差异,采用逐像元计算,然后通过选择合适的阈值来确定图像中的变化区域。包括:图像差值法、比值法、归一化植被指数差值法等。(2)变换法:先对影像做一系列的变换，如主成分分析、缨帽变换等突出相应信息后,再对影像进行变化检测，比较常用的是主成分分析差异法。(3)分类法后比较法:先对各时相的遥感影像进行分类,然后比较分类结果得到变化检测结果。(4)其他方法:包括一些模型法、GIS集成法、视觉分析法等。但是根据目前的研究表明,没有哪一种变化检测方法具有绝对性的优势,在实际应用中,要依据具体的情况来选取合适的检测方法。

21世纪以来，信息技术水平得到显著提升，网络信息技术手段也在全新的社会背景下得到了发展，成为了人们生活中不可忽视的重要手段之一，其中，网络购物作为一种全新的购物方式，逐渐融合和应用在人们的日常生活中。与此同时，网络购物平台竞争也日趋激烈，因此利益驱使也将是最终的发展方向。当前双边市场的研究在我国属于新兴课题，研究工作处于起步阶段，需要不断进行完善，只有这样才能实现对经济水平的稳定提升。经过实际考察发现，在当前双边市场特征中，广大用户存在明显的转换成本思想，这种思维对电商平台发展带来极大的负面影响，为此本文对进行详细研究，希望本文的研究对电子商务发展提供有效的帮助。

本文以伊春市森林为切入点,将植被指数差值法、主成分分析法差异法、分类后比较法应用于森林变化检测,并对实验结果做了对比。

(2)分类

1 研究区和数据源

1.1 研究区概况

伊春市位于黑龙江省东北部,地理位置为东经127°37′-130°46′,北纬46°28′-49°26′,以汤旺河支流伊春河得名。辖1市1县15个区,全市行政区划面积32759 km2。东部与鹤岗市毗邻,南部与哈尔滨市毗邻,北部嘉荫县与俄罗斯隔江相望。伊春市属中温带大陆性季风气候。年平均气温1℃,一年四季分明,年平均降水量750-820 mm,降水量较充沛。

伊春林地面积30000多km2,森林覆被率为82.2%,活立木总蓄积量0.22km3,其中乔木林占绝对优势,占林地面积90%左右。伊春拥有亚洲面积最大、保存最完整的红松原始林,森林类型是以红松为主的针阔混交林,各种珍稀名贵树种达110余种。

1.2 数据源

归一化植被指数(NDVI)被定义为近红外波段与可见光波段数值之差和这两个波段数值和的比值,通过比值来突出植被变化的信息,能够很好地反映地面植被覆盖情况,其计算公式为:

2 研究方法

2.1 数据预处理

对数据的预处理主要包括辐射校正和去云处理,其中辐射校正包括辐射定标和大气校正。

对两期影像做主成分分析,各主成分分量信息量比例信息见表2、表3。

(2)去云处理:首先使用ArcGIS将待去云影像中的云和阴影裁掉,然后选择同一年份相邻月份或不同年份相同月份的无云影像作为参考影像,建立影像之间的线性回归方程,通过回归系数,利用参考影像反求出待去云影像中的云和云阴影下的影像[10]。

2.2 原理介绍

二是，以关心对方的方式来表示自己的内疚之心。例如，在路上不小心踩到了一位陌生人的脚，我们通常会马上对受害者说“对不起，你没事吧？”这就是在道歉的同时，关心受伤害者的情况，从而减轻自己的错误程度，从心理上寻求一点的慰藉。

归一化植被指数差值法即先对影像计算归一化植被指数,然后通过逐像元运算做差值,最后采用经验阈值法,设定一个阈值来得到变化检测结果。归一化植被指数(NDVI)是反映植被覆盖度的最佳指示因子,对土壤背景的变化比较敏感,能在很大程度上消除地形和群落结构阴影的影响,并削弱大气的干扰,大大地扩展了对植被覆盖度检测的灵敏度,是反映生态环境的重要指标[11]。

基础试验数据为30 m分辨率的Landsat5 TM影像数据。Landsat5 TM覆盖全伊春市需要6景,各景影像选取原则是以8月中旬为最佳,选取7月至9月之间云量最少的一期。两期影像选取在大致相同的时期内,最大限度地减少了地物在不同物候条件下的光谱响应差异。针对该研究区,结合选取原则,本论文选取了1999年与2010年(7月-9月)共两期的优质TM影像。

溶液的矿浆浓度(固液比)影响氯化浸金的浸出率，最佳的矿浆浓度既可以节省试剂又增加效率。本文采用单因子变量原则，通过考察溶液中金的浸出率来确定最佳矿浆浓度。原料：阳极泥尾矿；矿浆浓度(%)：10，15，25，30；氯酸钠：8 g/L；氯化钠：1.0 mol/L；稀硫酸：2.0 mol/L；温度：80℃；时间：2 h。矿浆浓度的试验结果如图5所示。

NDVI=(NIR-R)/(NIR+R)

(1)

式中:NIR代表近红外波段,R代表红波段。

2.2.2 主成分分析差异法

主成分分析差异法(PCA),也称为特征向量变换法。此方法可以将原始的影像数据集从一个具有相互关联性的变量转为无相关性的、更简单的数据集,从而能更好地反映出原始影像中重要的信息[12]。通过对各期影像做主成分变换,提取出主成分变换,然后进行差值运算,最后采用经验阈值法,设定一个合适的阈值,来得到变化检测结果。

主成分分析差异法的实现原理如下[13]:假设r是数据维度L中的一个向量,其目的就是找到一个转换向量v,使转换后的向量v′的方差最大。

本文提出了HRsg 色彩空间下的模糊粒子滤波算法。新的色彩空间和模糊隶属度的引入能够使得算法更好地区分视频中背景和被识别目标，特别是针对夜间视频素材，识别和目标和背景区分度不高，进而提高目标识别的可靠性和准确性。仿真对比试验验证了本文提出算法在夜间视频目标识别的有效性和可靠性。

v′=vT(r-u)

(2)

其中u表示影像所有像元向量的均值。当方差达到最大时,转换后的向量v′就能够保留绝大部分的数据信息。

今后，随着技术的发展，在谐波源处设置谐波与无功的综合治理设备，可使得治理措施更具目标性和针对性，保证地铁电网的可靠性，确保地铁的安全运行。

2.2.3 分类后比较法

(2)拆解前先进行故障痕迹寻找(跑、冒、滴、漏、有否异样、明显损伤及变形)记录在案，对整体外部清洗，观察故障痕迹。

分类后比较法是最为常用的变化检测方法,分类方法多种多样,本文选取C5.0决策树来进行分类。决策树采用树状结构,各个数据集可以依据其各自的属性来选取叶节点进行有效的划分,然后将复杂的多分类问题指标简单化,其建立的树形结构比较直观,能够提取数据中隐藏的知识规则。一般情况下,树越小,其预测能力越强。

相较于低版本C4.5的优点在于[14]:(1)增加了新的数据类型,如:datas、times、orderd discrete attributes等;(2)数据处理速度更快,内存占用方面的性能大大地提高;(3)由于采用了提升(Boosting)方法,决策树更小,分类精度更高。

3 变化检测方法的比较分析

3.1 变化检测结果

3.1.1 归一化植被指数差值法

对两期影像做波段运算,两期影像及差值后的NDVI值统计结果见表1。

表1 两期影像及差值运算后NDVI统计结果

最小值最大值平均值标准差1999-0.681.000.810.112010-1.001.000.750.12差值运算后-1.621.15-0.050.08

使用经验阈值法提取变化区域,对变化信息进行定位,将变化区域赋值为1,显示为白色,不变区域赋值为0,显示为黑色。结果如图 1所示。

2.2.1 归一化植被指数差值法

图1 NDVI差值法变化检测图

3.1.2 主成分分析差异法

(1)辐射校正:为了削弱不同时期的大气条件差异的影响,论文采用FLAASH模型对影像进行大气校正;同时,为了消除地形起伏的影响,本文利用ASTGTM 30 m公开的DEM数据,结合C校正模型对影像进行地形校正,校正后的影像中山体阴影区等很多地表信息都得到了不同程度的改善。

表2 1999年TM遥感数据主成分分量贡献率

分量123456信息量比例/%97.202.350.370.050.020.01累积信息量比例/%97.2099.5599.9299.9799.99100

表3 2010年TM遥感数据主成分分量贡献率

分量123456信息量比例/%96.243.390.270.070.020.01累积信息量比例/%96.2499.6399.999.9799.99100

结果显示归一化植被指数差值法的总重叠率为79.33%,主成分差异法的总重叠率为82.54%。

3.1.3 分类后比较法

(1) 样本选取

根据变化检测的目的,本文认为非森林地物的变化并非本文研究的主要内容,不同非森林地物(裸地、建筑物、不透水面等)的存在,容易影响分类精度,因此在分类的过程中将这些地物统一归为非林地。本文使用高分辨率影像与普查的林地矢量数据来选取样本点,共5大类:阔叶林、针阔混交林、针叶林、水体、非林地,并结合实地调查对样本点进行筛选,最后留下的样点类别信息见表4。

图2 PCA差值法变化检测图

表4 训练样点信息

类别阔叶林混交林针叶林水体非林地总计训练样1999年12813510789101560点数2010年12513710588106561

有些人对“碎片化”的批评也有失公允。专业研究要讲全面，系统掌握某一门专业或某方面的知识也不能“碎片化”，但对非专业读者、非专门教育、学术普及来说，又何妨“碎片化”？实际上，面对人类已经积累的浩瀚的知识海洋，每个人能够汲取的无非是一滴一勺，对自己专业以外的知识只能是若干碎片。只要保证这是真正的碎片，而不是垃圾，并且明白这只是一个整体中的极小部分，因而不能代表整体，就能做到开卷有益，闪光的碎片同样能体现整体的精妙。

接收端在用户数据阶段判断/F/、/A/字节出现的位置,根据其是否出现在相应的帧尾/多帧尾,即可监测通道的同步状态,如果同步则需将/F/、/A/字节替换回原始用户数据;不同步则统计错误个数,超过错误阈值则表明链路失去帧/多帧同步,需进行重同步过程。

“在后期处理中，我使用双曲线法（dodging and burning）让他从画面中凸显出来，并且对画面进行了适当的调色，好让整体显得更加有型。”

管世铭生活的乾嘉时期，正值清王朝由盛而衰之际。一方面，国运凋敝，民生多艰；另一方面，边疆地区各部族叛乱时有发生。乾隆在位六十年间，清王朝为维护大一统的战争多达上百起，管世铭创作了多篇以这一时期重大战争为题材的诗歌。

使用C5.0决策树对两期影像进行分类,分类结果如图3所示。

图3 C5.0决策树分类结果图(左1999年,右2010年)

(3)变化检测结果

为了使变化检测图更清晰,将林地类型之间的相互转换表示为FF;将水体、非林地转为阔叶林、混交林、针叶林的部分表示为NF;将阔叶林、混交林、针叶林转为水体、非林地的部分表示为FN;将水体与非林地之间的转换表示为NN。变化检测图如图 4。

图4 变化检测图

3.2 精度评价

3.2.1 归一化植被指数差值法与主成分分析差异法精度验证

在GIS的支持下,结合高分辨率影像,通过目视解译、屏幕矢量化的方法,提取出变化显著的变化区域(林地>非林地、非林地>林地)作为基准斑块,然后将植被指数差值结果图、主成分分析差异结果图与基准斑块进行空间叠置,进行交集运算得到重叠区域的图层,使用ArcGIS分别统计基准斑块、检测斑块、重叠斑块的面积AJZAJCACD,其中基准斑块面积直接统计矢量图层的面积,检测斑块面积和重叠斑块面积分别统计对应的二值图像的像素数,然后计算面积,最后计算所有斑块总重叠率O[15],计算公式如下:

(3)

通过分析两期数据的统计结果可知,第一主成分所包含的信息量比例均达到原始信息量的96%以上,因此选用两期影像的第一主成分分量做差值处理,然后使用经验阈值法提取变化区域,对变化信息进行定位,将变化区域赋值为1,显示为白色,不变区域赋值为0,显示为黑色。结果如图2。

局部叠加对比图如图 5：图中灰色矢量线是勾汇的基本图斑范围，黑色代表检测出来的变化区域，白色为不变区域。

通过叠加图对比分析可以知道,归一化植被指数提取出了大部分的变化信息,但同时也存在较多的伪变化信息,这是因为影像获取的月份差异、传感器噪声、以及去云处理等导致地物的光谱信息发生不同程度的变化,为检测结果带来了干扰。第一主成分分量提取的错误信息相对来说比较少,但是也存在信息丢失的情况。

图5 局部检测结果叠加对比图(左为NDVI,右为PCA)

2 分类后比较法精度验证

对变化检测结果,利用预先勾绘的变化验证样本以混淆矩阵方法进行精度评价,将混淆矩阵简化后,得到表5。

表5 1999-2010年的变化检测类别误差矩阵

验证样点总数正确分类总数用户精度/%制图精度/%未变阔叶林999186.6791.92未变混交林1039685.7193.20未变针叶林1099277.9784.40阔叶林→混交林958486.6088.42阔叶林→针叶林1029092.7888.24阔叶林→非林地968497.6787.50混交林→阔叶林886994.5278.41混交林→针叶林957981.4483.16混交林→非林地9888100.0089.80针叶林→阔叶林1039180.5388.35针叶林→混交林1049172.2287.50针叶林→非林地917886.6785.71非林地→阔叶林1018891.6787.13非林地→混交林927893.9884.78非林地→针叶林968490.3287.50未变非林地958490.3288.42总体精度=(1367/1567)87.24Kappa系数=0.86

分析1999年-2010年伊春森林覆盖变化检测验证结果:总体精度达到了87.24%,Kappa系数为0.86。

可怜的法比此刻像个全没主意的孩子，英格曼神甫站起来，袍子胸口上长长刀伤使袍子里子露出来，那是深红色的里子，创面一样。可怜的他自己，竟也是个全无主意的孩子。

在4类稳定类型中,未变的阔叶林和混交林的精度均高达90%以上;未变非林地的精度稍微有所降低,为88.42%;针叶林的精度最低,仅为84.4%。出现这样的结果是因为,针叶林在三种类型的林地中占比最少,比较分散,导致变化检测样本获取受限制,而且经过目视解译添加的样本集中于较大且易识别的变化区域,因此,针叶林的精度低于其他3种稳定类型的精度。非林地虽然也比较少,但是因为在分类之前对非林地类型进行了合并,而且非林地分布比较集中,大大提高了检测精度。

陶瓷艺术实用、观赏、功能已在各个领域充分显示着广阔的天地。但陶瓷文化传承发展需要教育进行推动使陶瓷文化艺术升华为优秀的正能量陶瓷文化。当今我们教育工作者肩负着承前启后的责任，陶瓷教育任重而道远需要我们付出巨大的贡献，在新时代陶瓷文化会引领人们积极推动社会的发展。

在变化的类型中,混交林→阔叶林精度最低,仅为78.41%,这是因为研究区两期内两种地物类型的相互转换面积较小,两期影像的分类误差的累积导致,其余变化类型的精度均分布在83%～89%之间,比较稳定。

将得到的两期分类结果图,通过土地利用转移矩阵获得各类型在11年间的相互转换关系,结果见表6:

表6 土地利用转移矩阵 (单位:km2)

1999年影像2010年影像阔叶林混交林针叶林水体非林地阔叶林6941.22995.641597.2760.09484.46混交林2943.476450.412813.4137.75890.48针叶林1911.082655.763482.2721.70258.74水体0.163.961.3213.7210.67非林地344.99668.17557.9314.663745.54

通过分析土地利用转移矩阵可知,阔叶林面积显著减少,减少面积为2062 km2,混交林面积显著增加,增加面积为2361 km2,针叶林有所减少,但是变动不大。林地与非林地之间的转换数量不多,转换面积最大的是混交林变为非林地,面积为668.17 km2,但是林地之间的转换数量和频率较大。经过11年的土地类型变化,混交林成为主要的林地类型,占所有林地面积的41.64%,其中转入率最高的是针叶林,转入面积占原面积的33.28%。但是总体来说,林地的覆盖面积是增加的,到2010年,林地总面积已经增长到了31543.25 km2。

4 结束语

(1)基于30 m分辨率的Landsat影像,使用了3种方法对伊春市1999至2010年间的林地变化进行了检测,检测结果表明,伊春林地面积变化的总体趋势是增加的。

(2)基于C5.0决策树的分类后比较法相比前两种方法,精度高,能够直观的提供地物变化的位置和变化的类型,易于对各种发生变化的地物进行统计和制图,但同时该方法受分类精度的限制比较大。

在以后的研究中可以考虑在以下两个方面加强:

(1)加入其它的辅助信息(如:纹理特征、地理因子等)来探测林地的变化信息,分析变化检测精度。

(2)在分类时改变选取样本的方式,以此来提高分类精度,比如可选取在研究时间段内一直不变的像素作为样本,来代替人工勾绘的感兴趣区域。

参考文献

[1] 王智慧,李世明,张艺伟.基于C5.0算法的森林资源变化检测方法研究-以山东省徂徕山林区为例[J].西北林学院学报,2011,26(5):185-191.

[2] 付安民,孙国清,过志峰,等.基于MODIS数据的东北亚森林时序变化分析[J].北京大学学报(自然科学版),2010,46(5)：835-843.

[3] 黄啸,李玉堂.基于统计算法的森林资源变化检测的研究[J].吉林林业科技,2009,38(6)：27-33.

[4] LUNETTA R S,ELVIDGE C D.Remote Sensing Change Detection:Environmental Monitoring Methods and Applications[M].Ann Arbor Mi Ann Arbor,1999.

[5] 李伟,官云兰.遥感变化检测方法探讨[J].北京测绘,2011(1):21-24.

[6] 佃袁勇.基于遥感影像变化检测研究[D].湖北武汉:武汉大学,2005

[7] 秦林.基于RS的森林资源变化信息提取研究[J].林业勘察设计,2010,59(1):20-23.

[8] 李世明,王志慧,韩学文,等.森林资源变化遥感监测技术研究进展[J].北京林业大学学报,2011,33(3):132-138.

[9] 吴芳,刘荣,田维春,等.遥感变化检测技术及其应用综述[J].地理空间信息,2007,5(4):57-59.

[10] 李炳燮,马张宝,齐清文,等.Landsat TM遥感影像中厚云和阴影去除[J].遥感学报,2010,14(3):534-545.

[11] 范文义,罗传文.3S理论与技术[M].黑龙江哈尔滨:东北林业大学出版社,2004.

[12] ALQURASHI A F,LALIT K.Investigating The Use of Remote Sensing and GIS Techniques to Detect Land Use and Land Cover Change:A review[J].Advances in Remote Sensing,2013,2(2):193-204.

[13] WEI Z.PCA and JPEG2000-based Lossy Compression for Hyperspectral Imagery [D].The United States of America:Mississippi State University,2011.

[14] 韩涛,徐晓桃.基于单时相MODIS数据的决策树自动构建及分类研究[J].武汉大学学报:信息科学版,2008,33(2):116-119.

[15] 李春干.红树林遥感信息提取与空间演变机理研究[M].北京:科学出版社,2013.