基于GF-2影像的雨后洪涝区超绿水体指数提取方法

暴雨后水体含沙量增加使其光谱反射率发生变化,导致利用现有水体指数方法不能很好地提取水体信息.为有效提取洪水及其他类型水体,该文基于GF-2影像,根据暴雨后水体光谱信息变化规律,提出一种超绿水体指数(Ultra-Green Water Index,UGWI),并通过实验对比分析UGWI与归一化差异水体指数法、单波段阈值法、单波段与阴影水体指数结合法的水体提取精度,结果表明:UGWI能够准确识别不同泥沙含量以及阴影下的水体,总体精度达95.75％,Kappa系数为0.91,效果优于其他几种方法;选取不同时间、不同地区、不同空间分辨率的影像进行水体提取,UGWI结果亦优于其他几种方法,总体精度达92.33％,Kappa系数为0.90;UGWI相比其他对比方法,抗干扰性更强,提取的水体信息更全面,可识别的水体类型更多,对洪区水体提取更具普适性.     

基于环境小卫星CCD影像的水体提取指数法比较

针对湖北省大东湖水网水环境遥感监测需求,开展基于环境小卫星CCD影像的内陆湖库水体提取指数方法研究。以常见的3种水体识别指数为模型,参照使用TM、MODIS等典型传感器进行水体提取的波段选择方式,通过对环境小卫星CCD影像4个波段地物光谱信息的变化趋势分析,发现各波段对水体目标的区分能力;使用指数模型和相应阈值分别计算获得水体特征图像,并以目视判读结合精度评价指标的方式对提取结果进行对比分析。实验结果表明,归一化差异综合水体指数的目视判别效果最好,且具有水陆区分度高和误识别率低的特点,适用于解决水体目标快速提取问题。     

利用Landsat 8多光谱数据的湿地信息提取方法比较研究

以淮河流域蚌埠段为研究区,利用2014年3景Landsat 8多光谱数据,采用支持向量机、决策树和面向对象分类方法,对研究区中的河流、湖泊、滩地和库塘(包括水田、水库、坑塘和水渠)进行遥感分类。由于各类型湿地在Landsat 8各波段影像中的光谱特征相似度较高,不利于分类,所以,在利用影像光谱数据的同时,借助于影像数据中的空间信息和温度信息,进行分类。研究结果表明,采用面向对象分类方法提取的河流、湖泊的用户精度较高;采用决策树分类方法提取的滩地、库塘的用户精度较高;采用支持向量机分类方法提取的河流、湖泊、库塘的用户精度较高,但是在河流、湖泊的分类中出现了椒盐现象,在滩地分类中出现了错分;与另两种方法相比,面向对象分类方法提取的河流或狭长湖泊末梢信息更准确。     

基于FY3A/MERSI影像的几种常用水体提取方法的比较分析

随着遥感技术的飞速发展,利用遥感数据来进行水资源的监测、调查和分析已经成为一种必然的趋势。通过选取新疆博湖县境内中国最大的内陆淡水湖-博斯腾湖为研究区,FY3A/MERSI影像为数据源,利用监督分类法从Landsat-ETM+影像提取水体,提取结果作为FY3A/MERSI影像水体提取精度验证的底图。采用单波段阈值法、基于阈值的多波段谱间关系法和基于阈值的水体指数法从FY3A/MERSI影像提取研究区水体,基于混淆矩阵法,提取结果分别与Landsat-ETM+影像底图作对比分析,最终得出结论,基于阈值的水体指数法中的归一化差异水体指数法提取研究区水体的总体精度最高,为96.37%,Khat为0.915。     

基于NDSI-Albedo特征空间的MODIS积雪丰度信息反演方法研究

积雪是新疆地区重要的水源补给,是冰冻和融雪洪水灾害的直接原因,也是水资源管理、气候变化、灾害防治和融雪模拟预报的主要参数。针对多种积雪信息提取方法的优缺点,提出运用特征空间方法,构建积雪丰度反演模型,并与支持向量机提取积雪丰度进行精度对比分析,NA模型方法的相关系数（R²）值比支持向量机方法高2.4百分点,而均方根误差（RMSE）提高了0.106。结果表明：利用归一化差分积雪指数（NDSI）和反照率（Albedo）建立二维特征空间反演积雪丰度的方法是可行的,并且提取精度优于支持向量机（SVM）方法。因此,该方法对水资源管理、气候变化以及洪水模拟预测等方面的研究具有一定参考意义。     

绿洲植被覆盖度遥感信息提取——以敦煌绿洲为例

以敦煌绿洲为研究区,利用Landsat TM遥感数据,通过归一化植被指数(NDVI)和混合像元分解两种方法,提取了敦煌绿洲的植被覆盖度信息。在基于NDVI提取植被覆盖度时,选取了基于NDVI的像元二分模型; 在混合像元分解过程中,对遥感影像进行波段反射率归一化处理和最小噪声变换(MNF),确定了3个类型端元:植被、不透水表面/土壤、水体/阴影; 最后利用高分辨率遥感影像验证对比了两种提取方法的精度。结果表明:混合像元分解更能准确地提取敦煌地区植被覆盖度信息,其线性相关系数为0.8915,均方根误差为0.0882,而且提取结果更符合实际情况,可以为敦煌植被状况监测及生态环境保护提供科学建议。     

基于决策树的洪湖水生植物遥感信息提取

以洪湖为研究对象,采用分类与回归树(classification and regression trees,CART)方法,根据训练样本数据集中挖掘分类规则,集成遥感影像的光谱特征、植被指数、水体指数、纹理特征等特征变量,建立研究区湿地信息提取的决策树模型;在此基础上,探究水体透明度对水生植物遥感信息提取的影响,依据特征变量有、无水体透明度,分别建立两类决策树,即有水体透明度参与的决策树(CART 14)和无透明度参与的决策树(CART 13);在训练样本和验证数据相同的情况下,对比采用CART 14、CART 13、支持向量机(support vector machine,SVM)和最大似然分类(maximum likelihood classification,MLC)4种方法的分类结果的精度。研究结果表明,洪湖中水生植物覆盖面积约占洪湖湿地总面积的47%,洪湖中的水生植物以沉水植物为主;采用有水体透明度参与的决策树分类结果的总体精度比采用支持向量机和最大似然分类方法的分别提高了7.78%和16.36%,Kappa系数则分别增大了0.12和0.20,无水体透明度参与的仅比有透明度参与的决策树分类结果的总体精度降低了2.77%,Kappa系数减小了0.04。水体透明度的参与能提高分类精度,而无水体透明度参与的决策树分类结果的总体精度也高于其它传统方法的分类精度。因此,在实际湿地分类中,若无水体透明度数据,但决策树的辅助分类变量足够多时,无水体透明度参与的决策树也能较好地进行分类,提取水生植物信息。     

扎龙湿地水体遥感提取过程中云阴影去除方法研究

以扎龙湿地为研究区,利用空间分辨率高、纹理信息丰富、定位精度高和购买价格相对低廉的ALOS遥感影像,测定了研究区水体等5种典型地物和云阴影的波谱亮度值;根据水体和云阴影的光谱特征,利用阈值法对近红外波段ALOS影像进行阈值处理,将包含云阴影信息的水体信息提取出来;基于ALOS彩色影像,再采用决策树方法自动提取湿地水体信息,同时将云阴影信息去除,并再补充提取因去除云阴影而损失的水体信息;与目视解译结果相比,用本研究方法得到的研究区湿地水体信息精度高于85%。近红外波段阈值法和彩色影像决策树法相结合的方法是一种能有效去除云阴影而高精度获取湿地水体信息的方法。     

不同湿度指数在湿地分类中的对比研究

为探讨不同湿度指数用于湿地信息提取的能力,选取7个常用的湿度指数(包括NDWI、MNDWI、RNDWI、EWI和缨帽变换的湿度分量等)作为指标,以达赉湖国家级自然保护区为研究区,利用2013年9月6日MODIS(MOD09Q1和MOD09A1)数据,采用支持向量机分类的方法,对研究区进行湿地与非湿地区分研究,并进行湿地亚类(沼泽、水体)的分类试验。分类结果的精度评价表明:1)湿地与非湿地区分能力最好的指数为基于缨帽变换的湿度分量TC-Wetness,制图精度达97%以上,用户精度达96%;2)对湿地亚类的分类结果表明,提取水体最好的指数为第一类湿度指数,以NDWIB4,B2为最优,提取沼泽最优的指数为缨帽变换的湿度分量(TC-Wetness),可以有效排除草地对沼泽提取的干扰。研究区分类结果总体精度最高为88.7%,但沼泽的提取精度仅为48%,说明利用遥感湿度指数一种指标难以满足湿地分类的需要,多指数结合以及地形和其他相关辅助数据的加入对提高湿地分类精度具有重要帮助。     

多源遥感影像红树林信息提取方法比较

选取2012年2月24日的SPOT 5遥感影像和2013年12月6日的Landsat 8、"高分一号"遥感影像,应用最大似然法、支持向量机和面向对象方法提取红树林信息,并引入F值评价提取效果。研究结果表明,用最大似然法和支持向量机提取红树林信息的精度相似,与影像的特征光谱信息量相关性较强;而对于SPOT 5影像等更高分辨率遥感影像,面向对象方法降低了最大似然法和支持向量机分类的红树林斑块破碎程度,其信息提取精度与影像的空间分辨率正相关。     

河流水情要素遥感研究进展

河流是促进地貌形成和演化的重要因素,也是地球上最重要的淡水资源之一。河流的水体范围、水位/水深、流量、水质和冰情等水情要素在水资源动态监测和水文生态环境保护等研究中具有至关重要的作用。通过水文站观测河流可获得站点上的水情信息,但该方式在财力、物力方面均耗费巨大。同时,对于日益增长的河流水情信息需求,迫切需要一种能够快捷、准确补充河流实测数据的方法。遥感凭借全方位、多时相的对地观测能力极大地提升了河流水情信息获取的效率,已广泛应用于多尺度水情监测、无资料流域水文模拟等多个方面,取得了丰硕的研究成果。因此,有必要对近年来遥感应用于河流水情要素反演所取得的进展进行归纳、总结和展望,以期进一步促进遥感数据和方法在该领域的应用。论文以“河流水情要素遥感”为主题,系统归纳了河流水体遥感提取的常用传感器及方法、水位/水深遥感反演方法、河道流量遥感估算、河流水质及河冰遥感监测的研究进展,详细归纳了利用光学/微波遥感等不同类型的遥感手段获取河流水体范围、水位、水深的优势与不足,总结得出了河流水情要素遥感研究的数据、方法及应用方面的主要结论：① 新型遥感数据在河流水情要素监测中的应用愈加广泛,在空间分辨率、时间分辨率或光谱分辨率等方面不断突破,进一步丰富了河流水情要素研究的数据来源;② 多数中低空间分辨率光学影像依旧面临混合像元影响水体提取精度的问题,合成孔径雷达影像也存在数据处理算法开发难度大的问题,细小河流及非开阔水体的提取方法仍需探索;③ 大数据和云计算技术的发展为实现大尺度、长时序的河流水情要素高时空分辨率遥感监测提供了高效手段。     

基于语义和边缘特征融合的高分辨率遥感影像水体提取方法

利用卷积神经网络从遥感影像中提取水体时,水体对象边缘像素的特征与内部像素的特征之间往往存在较大差异,导致提取结果中边界模糊、内部像素与边缘像素的提取精度差异较大,影响了整体精度的提高。针对如何从高分辨率遥感影像中进行水体高精度、自动化提取的问题,文章首先以高分辨率遥感图像为基础,利用边缘提取算法生成边缘图像,然后以高分辨率遥感图像和边缘图像作为输入,建立了语义特征和边缘特征融合的高分辨率遥感图像水体提取模型（Semantic Feature and Edge Feature Fusion Network, SEF-Net）,用于从高分辨率遥感图像中提取水体对象。实验结果表明,SEF-Net模型在3个数据集中的召回率（91.97%、92.07%、93.97%）,精确率（91.12%、98.37%、97.88%）,准确率（89.56%、95.07%、94.06%）和F1分数（91.54%、95.12%、95.88%）均优于对比模型,说明SEF-Net模型从高分辨率遥感图像中提取水体时,具有更高的精度和泛化能力。     

基于GF-1卫星数据的面向对象的民勤绿洲植被分类研究

以民勤绿洲为研究区,以GF-1遥感影像为数据源,采用面向对象的分类方法,结合分层技术,对影像逐级进行分类,以获取植被信息。根据归一化植被指数（NDVI）阈值区分植被与非植被,分割尺度为10;使用归一化水体指数（NDWI）阈值提取非植被中的水体,分割尺度为35;利用野外采样点获取的训练样本,将植被进一步分为耕地、林地和草地,分割尺度为25。总体分类精度达到83.02%,Kappa系数为0.745 1,比较基于象元的监督分类,其总体分类精度为69.37%,Kappa系数为0.497 0,表明面向对象的分类方法在干旱区绿洲植被信息的提取上较传统的基于象元的分类方法更有优势,分类精度更高。     

基于遥感和机器学习的内陆水体水深反演技术

文章主要根据机器学习算法（随机森林算法和极端梯度提升算法）和遥感水深反演的原理,利用Sentinel_2多光谱卫星数据和无人船实测水深数据,对内陆水体——梅州水库建立了随机森林（RF）、极端梯度提升（XGBoost）和支持向量机（SVM）水深反演模型,并对反演结果进行对比分析。结果表明：1）RF的训练精度为97%,测试精度为0.80;XGBoost模型的训练精度为97%,测试精度为0.79;SVM的训练精度为90%,测试精度为0.78。说明了在水深预测方面RF模型和XGBoost模型比SVM模型表现更好,对各个区段的水深值较为敏感。2）根据运行时间考察各个模型的效率,其中RF模型从读取数据至输出结果耗时3.92 s;XGBoost模型4.26 s;SVM模型6.66 s。因此,在反演精度和效率上RF模型优于XGBoost模型优于SVM模型,且RF模型的预测结果图细节更加丰富,轮廓更加分明;XGBoost模型次之,但总体效果也较好;SVM模型表现最差。由此可知,机器学习水深反演模型获得的水深结果精度明显提高,解决了传统水深反演模型精度不高的问题。     

基于中等空间分辨率遥感影像的建筑用地信息提取

本研究从中等空间分辨率遥感影像（如LandsatTM影像）的地物光谱响应曲线入手,介绍分析了国内外几种常用的建筑用地提取指数构建原理．然后选取LandsatTM影像进行建筑用地提取实验,并用QuickBird和Google Earth的同期影像辅以验证．实验得出,比值居民地指数RRI,由于其作者构建时并没有对影像进行辐射校正,从而影响了提取精度和模型适用性;归一化建筑指数NDBI和差值建筑覆盖指数DBI,提取精度相对较高,但是会混有裸土、污染水体等信息;指数型建筑用地指数IBI和增强的指数型建筑用地指数EIBI,提取精度最高,达到92％．虽然EIBI期望改进IBI未能很好抑制裸土信息的问题,但实际上所构建指数并没有较好的去除裸土信息,可能是其权重选择没有普适性,所以建议建筑信息提取优先使用IBI．     

基于支持向量机回归算法的土壤水分光学与微波遥感协同反演

利用遥感技术反演土壤水分对于我国西北地区农业干旱问题研究具有重要意义。该文以新疆焉耆盆地为研究区域,分别利用微波遥感数据(Sentinel-1ASAR)和光学遥感数据(Landsat8)计算土壤后向散射系数(σ0soil)和改进型温度植被干旱指数(MTVDI),并将σ0soil和MTVDI参数作用于支持向量机(SVM)回归算法,探讨了不同参数条件下SVM模型在土壤水分反演中的适应性。实验结果表明,相比只用单因子(σ0soil或MTVDI)作为模型参数,以σ0soil和MTVDI两者共同作为SVM模型输入参数时,土壤水分监测精度显著提高,其建模集决定系数R2=0.81,均方根误差RMSE=3.16%;验证集R2=0.89,RMSE=3.15%。最后,利用最优模型对研究区土壤水分进行了反演,并对不同土地类型含水量进行了评价,可为光学遥感与微波遥感协同反演土壤水分提供参考。     

K-T变换在监测小麦地表参数中的应用

利用K-T变换提取TM和MODIS遥感影像的绿度、湿度分量,在不同的分辨率尺度下监测小麦覆盖地表参数:土壤湿度(Ms)、等效水厚度(EWT)和叶面积指数(LAI),并与NDVI(归一化植被指数)、NDWI(归一化水分指数)和EVI(增强植被指数)监测结果比较.湿度分量监测Ms效果更好,TM和MODIS遥感影像反演精度分别为6.08%、7.37%(RMSE),相关系数R2分别为0.49、0.31,基于绿度和湿度分量建立土壤湿度多元线性回归反演模型,利用TM影像反演土壤湿度RMSE为4.91%,反演土壤湿度和实测土壤湿度R2达0.63;绿度分量监测EWT效果更好,TM和MODIS遥感影像反演精度分别为0.37 kg/m2、0.43 kg/m2,R2分别为0.51、0.28;绿度分量反演LAI精度更好,TM和MODIS遥感影像反演精度分别为0.66、0.83,R2分别为0.64、0.35.     

1972～2011年期间艾比湖面积变化研究

以8期Landset TM/ETM+遥感影像为数据源,利用归一化水指数,用地理信息系统相关软件,提取新疆艾比湖水域面积;利用湖泊面积动态模型和质心偏移模型,研究艾比湖的动态变化。结果表明,8个时期艾比湖面积在不断萎缩,湖泊总面积从1972年的583.14 km2减少到2011年的468.11 km2,缩小了19.73%;湖泊质心向东南方向偏移了1.23 km,表明艾比湖在退化。     

基于遗传支持向量机的城市扩张非线性组合模型

在分析当前城市扩张模拟模型优缺点的基础上,利用支持向量机能有效表达、拟合复杂非线性系统的功能,将多个单项城市扩张模型进行非线性组合,有机融合各单项模型优点,最后构建支持向量机的城市空间扩张非线性组合模拟模型。利用遗传算法优化支持向量机的参数,减小参数设置不合理对支持向量机建模精度引起的影响,有效提高支持向量机模型精度。通过分析组合模型误差和各参与组合的单项模型之间的关系,总结出提高支持向量机的城市扩张非线性组合模型精度的方法是：① 提高参与组合的各单项模型精度;② 增加单项模型之间的差异性。以长沙市为例,分别构建多元回归、GM(1,8)、BP网络和LS-SVM单项城市空间扩张模拟模型,并在此基础上建立线性组合城市扩张模型和遗传支持向量机非线性组合城市扩张模型。通过各模型精度对比分析证明,遗传支持向量机的城市扩张非线性组合模型精度远优于各单项模型,并且优于线性组合模型,是一种有效的城市扩张新模型。     

高分二号卫星数据在粤港澳大湾区水体有机污染监测中的应用

为探索高分二号对地观测卫星在水体有机污染监测中的适用性，基于高分二号对地观测卫星多光谱数据，通过归一化水体差异指数提取水体信息，利用比值植被指数得到2019年3月份粤港澳大湾区6条主要入海河流的水质分类及水体有机污染分布情况，通过与同期相对应的6个实际监测断面点对比，验证了水污染等级评价结果，结果如下：1）研究区水体质量总体较好，磨刀门水道、东江南支流、横门水道和洪奇沥水道以无污染为主，鸡啼门水道与蕉门水道以轻污染为主；2）水体有机污染的分布具有空间性，河流主干道主要以无污染水体为主，两岸以轻污染为主，远离主河道的封闭水体以中等污染以及重污染为主；3）监测断面点的污染等级与实际监测点的评价结果基本一致。结论表明，高分二号对地观测卫星多光谱数据作为水体污染监测的遥感数据源是准确可靠的，可为我国水污染防治提供辅助决策。