融合Landsat ETM+和MODIS数据估算高时空分辨率地表短波反照率

提出一种通过融合高空间低时间分辨率、低空间高时间分辨率地表短波反照率,来估算高时空分辨率地表短波反照率的方法。首先,利用Landsat ETM+数据,通过窄波段到宽波段的转换得到一景或多景空间分辨率较高的ETM+蓝天空短波反照率;然后,在MODIS短波反照率产品基础上,以天空光比例因子为权重,得到空间分辨率较低的MODIS蓝天空短波反照率;最后,利用STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)模型融合ETM+短波反照率的空间变化信息和MODIS短波反照率的时间变化信息,得到高时空分辨率的地表短波反照率。针对STARFM模型在异质性区域估算精度降低的问题,通过以MODIS反照率影像各像元的端元(各地类)反照率取代MODIS像元反照率来提取时空变化等信息参与STARFM模型的融合过程,达到提高异质性区域估算精度的目的。结果显示,直接利用STARFM模型估算得到的高空间分辨率地表短波反照率处在合理的精度范围内(RMSE0.02),用改进后的STARFM模型估算得到的异质性区域短波反照率和真实ETM+短波反照率间的相关系数增大。     

基于超分辨率重建的多时相MODIS与Landsat反射率融合方法

提出一种基于超分辨率重建的MODIS与Landsat反射率图像融合方法,以STARFM算法与超分辨率重建为基础,使用观测的MODIS和Landsat地表反射率图像预测给定时刻的Landsat合成反射率图像。该方法利用基于稀疏表示的超分辨率重建方法对MODIS图像进行分辨率增强,实验结果表明这一操作能够增加原MODIS图像的空间细节,有助于提高STARFM算法的预测精度;另一方面,考虑输入两个基时刻图像相差较大时原STARFM算法预测的反射率会存在"时间平滑"的问题,限制每次只使用一个基时刻MODIS和Landsat图像对进行STARFM预测,使用逐图像块选择策略,从由两个基时刻图像分别进行预测得到的两组预测图像中选择最优的预测,同样得到了优于STARFM算法的预测结果。     

结合像元分解和STARFM模型的遥感数据融合

高空间、时间分辨率遥感数据在监测地表快速变化方面具有重要的作用。然而,对于特定传感器获取的遥感影像在空间分辨率和时间分辨率上存在不可调和的矛盾,遥感数据时空融合技术是解决这一矛盾的有效方法。本文利用像元分解降尺方法(Downscaling mixed pixel)和STARFM模型(Spatial and Temporal Adaptive Reflectance Fusion Model)相结合的CDSTARFM算法(Combination of Downscaling Mixed Pixel Algorithm and Spatial and Temporal Adaptive Reflectance Fusion Model)进行遥感数据融合。首先,利用像元分解降尺度方法对参与融合的MODIS数据进行分解降尺度处理;其次,利用分解降尺度的MODIS数据替代STARFM模型中直接重采样的MODIS数据进行数据融合;最后以Landsat 8和MODIS遥感影像数据对该方法进行了实验。结果表明:(1)CDSTARFM算法比STARFM和像元分解降尺度算法具有更高的融合精度;(2)CDSTARFM能够在较小的窗口下获得更高的融合精度,在相同的窗口下其融合精度也高于STARFM;(3)CDSTARFM融合的影像更接近真实影像,消除了像元分解降尺度影像中的"图斑"和STARFM模型融合影像中的"MODIS像元边界"。     

基于融合时间特征Landsat影像的水稻面积提取

以洞庭湖区典型的产量大县——南县为研究区,针对Landsat回访周期较长及长江中下游阴雨天气较多的特点,利用STARFM模型融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat TM数据,获取融合时间特征的Landsat TM时序数据,基于作物物候特征提取水稻的种植面积,并与单时相Landsat TM影像分类结果进行对比分析。结果表明,基于时序Landsat NDVI数据的水稻作物分类精度较之单时相Landsat TM影像分类结果有较大的提高。     

Landsat与MODIS卫星数据的双向融合实验

针对如何在时间序列尺度上利用多源时空融合方法高精度地重构高分辨率遥感影像的问题,该文提出了一种基于增强字典学习样本空间的单数据对稀疏学习融合算法,并利用现有稀疏学习算法、STARFM算法以及半物理模型对Landsat与MODIS卫星数据进行双向融合实验。结果表明:随着样本尺寸及空间的拓展,改进后的稀疏学习算法能够获得比原始算法、STARFM、半物理模型等算法更优的融合结果,其中ERGAS可达15.0以内、SSIM可达84%以上,并且融合质量对高、低分辨率图像间的空间尺度差异性不敏感。通过采用更高效的在线字典学习算法,该融合方法的处理效率与应用价值有望得到极大提升。     

最佳波段组合的城市土地利用类型提取

针对Landsat 8陆地成像仪(OLI)遥感影像光谱特征利用率不高等问题,为排除波段间冗余信息的干扰,提高土地利用特征提取的精度,该文以2014年唐山市中心城区Landsat 8OLI遥感影像为主要数据源,开展了基于Landsat 8OLI影像的城市土地利用特征提取的最佳波段选择研究。根据最佳波段选取原则统计波段光谱信息,基于最佳指数因子以及不同土地利用类型的光谱特征曲线,确定波段1、5、7为最适合该遥感影像进行土地利用特征提取的最佳波段组合。     

多光谱遥感影像的灰度与纹理信息测度方法

本文研究了一种基于参数熵模型的遥感影像信息量估算方法,用以量化影像的灰度信息量和纹理信息量及其组合后的信息量。该方法的支点是,利用基于差值脉冲编码调制的遥感影像波段内和波段间去相关算法,同时消除冗余信息和噪声对信息熵的影响,运用参数熵模型来估计遥感影像的有用信息量。本文利用Landsat影像进行了计算实验和分析。结果表明,该算法可以有效评价多光谱遥感影像的信息量,以便为分类和影像质量评价等应用问题提供信息论指标。     

影像融合和面向对象技术在湿地分类中的应用

利用SPOT全色波段影像和Landsat ETM+多光谱影像,采用波段特征分析法和改进的最佳波段指数法确定最佳融合波段。选择具有代表性的HSV变换、Brovey变换、PCA变换、Gram-schmidt变换和小波变换方法进行影像融合。针对融合后的影像采用定量评价法进行质量评价,通过不同地物的光谱、空间和纹理信息等进行比较分析构建适当的分类特征和规则,采用面向对象的遥感分类方法进行分类。结果表明,波段特征分析法和改进的最佳波段指数法结合,可以获得最佳融合波段。各融合方法均有效提升了影像效果,其中HSV和GS变换融合方法更好地保持了影像的多光谱和高分辨率特性,融合后各地物特征分类明显,可以有效应用于湿地分类;采用主成分分析法来设置面向对象分类中的波段权重,可以利用各波段信息量的差异进行影像的分割。基于各种遥感指数的面向对象分类方法用于湿地分类获得了93.62%的分类精度,与传统的分类方法相比有了很大进步,在湿地分类中具有很大的应用潜力。     

基于Landsat8与MODIS的亮温融合-反演策略

针对目前高空间和高时间分辨率覆盖全球观测的卫星亮度温度影像数据缺失问题,该文以中分辨率成像光谱仪(MODIS)和Landsat 8卫星数据为例,提出了两种不同融合策略生成亮度温度,并评估其融合效果:先融合-后反演和先反演-后融合,从而将MODIS亮温数据降尺度到Landsat 8空间分辨率。该实验过程采用时空自适应反射率融合模型(STARFM),并将预测生成的亮温数据与预测时刻Landsat8亮温数据进行对比分析,计算相关系数、结构相似性和均方根误差(RMSE)等指标。结果得出以STARFM为核心算法的两种融合策略均可较好地应用于生成高时间高空间分辨率的亮度温度,且先融合-后反演的策略相对于先反演-后融合的策略有更高的融合精度。     

基于分形方法的蚀变矿物多尺度特征分析

针对矿化蚀变信息常常受其他地物信息的干扰与影像空间分辨率的制约而表现得非常微弱的问题,该文以Landsat7号ETM+30m空间分辨率的影像为数据基础,重采样得到一系列不同空间分辨率的影像;运用ETM+波段3/波段1比值法获得铁染蚀变相对含量灰度图,采用分形模型计算出不同分辨率下蚀变矿物的分维值,进而获得分辨率—分维值的一元线性回归方程;最后建立了基于分形理论的蚀变矿物多尺度分析模型,得到蚀变矿物空间分布特征变化的参考尺度。结果表明,在一定尺度范围内(30~280m),蚀变矿物显示出空间尺度特征。     

利用单窗算法反演Landsat 8 TIRS数据地表温度

以Landsat 8为数据源,并结合地表发射率、大气透过率等参数遥感估算方法,提出了针对TIRS 10数据的单窗算法TIRS10_SC,并开展了研究区的地表温度反演3种单窗算法的对比研究。结果表明,TIRS10_SC算法紧密结合Landsat8 TIRS传感器的特性,通过遥感估算城区下垫面的地表发射率、大气透过率等特征,可以较为准确地估算出地表不同覆被类型的温度;裸土与水泥下垫面等相对均质的下垫面的温度反演效果稍好,TIRS10_SC算法和Q_SC算法其平均误差为0.60℃,JM_SC算法其平均误差为1.01℃;对于植被下垫面,TIRS10_SC算法和Q_SC算法其平均误差为1.48℃,JM_SC算法其平均误差为1.26℃,为了提升城区植被下垫面温度反演精度,应该进一步准确地量化其发射率特性。     

一种改进的SAR图像聚焦算法

针对现有的相位梯度自聚焦(phase gradient autofocus,PGA)算法的加窗方法和特显点选取所存在的问题,提出一种改进的PGA算法。该算法提出一种新的确定相位误差点扩展函数支撑域的方法,此方法计算方位向上能量分布的平均值作为支撑域外的平均能量,以此来确定加窗的宽度。基于这种自适应加窗方法,还提出一种改进的特显点选取方法,该方法能够选择信杂比大的特显点,去掉信杂比小的特显点。试验结果表明,与传统的加窗方法和特显点选取方法相比,该方法能够得到更好的聚焦效果。     

Mapping Wetland Areas Using Landsat-Derived NDVI and LSWI: A Case Study of West Songnen Plain,Northeast China

Increasing interest in wetlands for environmental management requires an understanding of the location, spatial extent, and configuration of the resource. The National Wetlands Inventory is the most commonly used data source for this information. However, its accuracy is limited in some contexts, such as agricultural and forested wetlands. An large number of studies have mapped wetlands worldwide from the perspective of land use and land cover change. However, information on the actual wetland planting areas annually is limited, which greatly impacts ongoing research. In this case study of the West Songnen Plain, we developed a simple algorithm for the quick mapping of wetlands by utilizing their unique physical features, such as annual display of phenological land-cover change of exposed soils, shallow flooding water, and plants from multi-temporal Landsat images. Temporal variations of the Normalized Difference Vegetation Index (NDVI) and Land Surface Water Index (LSWI) derived from Landsat images in 2010 for wetlands at different growth stages were analyzed. Results show that during the ante-tillering phase, the NDVI value (above zero) is lower than the LSWI value of paddies because of flooding of shallow water; during the reproductive and ripening phases, the NDVI value is higher than the LSWI value (above zero); and during the post-harvest wetland planting phase, the NDVI value is still higher than the LSWI value, but the LSWI value is negative. Wetland areas can be detected using one or two images in the optimum time window. The algorithm based on the difference of NDVI and LSWI values derived from Landsat images was used to extract the actual wetland planting area. Validated alongside statistical data, the algorithm showed high accuracy. Therefore, this algorithm highlights the unique features of wetlands and can help in mapping the actual wetland area annually on a regional scale. Results further indicate that the new method has a classification accuracy of 92 %. In comparison, two traditional methods based on Landsat-7/ETM registered accuracy rates of only 83 % and 87 % respectively.     

Detection of coffee berry necrosis by digital image processing of landsat 8 oli satellite imagery

Coffee berry necrosis is a fungal disease that, at a high level, significantly affects coffee productivity. With the advent of surface mapping satellites, it was possible to obtain information about the spectral signature of the crop on a time scale pertinent to the monitoring and detection of plant phenological changes. The objective of this paper was to define the best machine learning algorithm that is able to classify the incidence CBN as a function of Landsat 8 OLI images in different atmospheric correction methods. Landsat 8 OLI images were acquired at the dates closest to sampling anthracnose field data at three times corresponding to grain filling period and were submitted to atmospheric corrections by DOS, ATCOR, and 6SV methods. The images classified by the algorithms of machine learning, Random Forest, Multilayer Perceptron and Naive Bayes were tested 30 times in random sampling. Given the overall accuracy of each test, the algorithms were evaluated using the Friedman and Nemenyi tests to identify the statistical difference in the treatments. The obtained results indicated that the overall accuracy and the balanced accuracy index were on an average around 0.55 and 0.45, respectively, for the Naive Bayes and Multilayer Perceptron algorithms in the ATCOR atmospheric correction. According to the Friedman and Nemenyi tests, both algorithms were defined as the best classifiers. These results demonstrate that Landsat 8 OLI images were able to identify an incidence of the coffee berry necrosis by means of machine learning techniques, a fact that cannot be observed by the Pearson correlation.     

Landsat卫星热红外数据地表温度遥感反演研究进展

作为驱动地表与大气之间能量交换的关键物理量,地表温度在众多领域中都发挥着重要作用,包括气候变化、环境监测、蒸散发估算以及地热异常勘探等。Landsat热红外数据因其时间连续性和高空间分辨率等特点被广泛应用于地表温度反演中。本文详细地介绍了Landsat热红外传感器及其可用的数据与产品的现状,梳理了2001年—2020年20年间基于Landsat热红外数据的地表温度遥感反演与应用的相关文献发表及互引情况,系统地综述了基于Landsat热红外数据的地表温度反演算法,包括基于辐射传输方程的算法、单窗算法、普适性单通道算法、实用单通道算法和分裂窗算法等。在此基础上,进一步介绍了每种算法的参数化方案,包括地表比辐射率和大气参数的估算方法。最后针对Landsat热红外数据地表温度遥感反演提出了未来可能的发展趋势与研究方向。     

Landsat ETM＋数据的武汉市地表温度反演研究

以Landsat ETM＋为主要遥感数据源,辅助以气象数据资料,利用NDVI计算出植被覆盖率,继而计算出地表比辐射率,并利用单窗算法精确反演得到了武汉市2002年夏季地表温度。研究表明,武汉城市热岛由武昌、汉口、汉阳三大城区热岛构成,且几乎集中在城区;城区大热岛区中还存在多数热岛效应更为严重的＂岛中岛＂;武汉热岛分布与...     

噪声的分布层次分析及其自适应滤波算法

基于对噪声模型的分析 ,提出了两种自适应中值滤波器算法 :(1)对于消除噪声密度较大的脉冲干扰 ,提出了基于剩余脉冲检测的自适应中值滤波器算法 (AMF1) ,通过对滤波器输出是否存在剩余噪声的检测来决定采用的滤波器窗口尺寸 ,从而有效滤除脉冲干扰 ;(2 )对于消除的一定宽度的脉冲干扰 ,则提出了基于脉冲宽度检测的自适应中值滤波器算法 (AMF2 ) ,通过决定干扰脉冲的宽度来确定滤波器窗口的大小 ,从而有效去除较宽的干扰脉冲。通过对实际图像的测试 ,表明提出的算法运算结果优于标准中值滤波器的输出结果     

一种地形遥测图像自适应滤波器

提出了一种新颖的脉冲噪声自适应滤除算法，该算法基于数理统计和模糊数学思想，对局部数据(滤波窗口)进行均值和方差估计，并根据估计结果自动选择检噪门限，进而实现噪声检测和平滑。试验结果显示，在脉冲噪声密度小于5％时，该算法的滤波信噪比增益远高于常用滤波算法和其他同类算法；算法对平稳信号的处理效果较好。