基于MODIS和HJ-1数据的宿鸭湖水库面积遥感监测研究

水体与植被、城市和土壤等地物在不同波段的光谱反射率的差异是利用遥感手段提取水体信息的基本原理。以宿鸭湖水库为例,在水体光谱特征分析的基础上,采用归一化植被指数（NDVI）方法提取2010年的MODIS和HJ-1遥感影像上的水体信息。首先将MODIS数据的第1和第2波段,以及HJ-1数据的第3和第4波段经过波段运算得到NDVI图像。将两种遥感图像中NDVI值为负的像元判识为水体,NDVI值为正的判识为水库周围的农田,经过计算像元数量得到水体面积信息。水体判识阈值在全年变化范围在-0．08和0．08之间。HJ-1数据具有较高的空间分辨率,水体判识的结果比MODIS数据更加精确。利用HJ—I数据水体监测结果对MODIS数据结果进行校正,使得到的监测结果同时具有较高的时间分辨率和空间分辨率。研究结果表明：利用HJ-1数据校正后的MODIS数据所测得的水域面积与实际观测得到的水库蓄水量之间的复相关系数为0．8603,显著提高了水体监测的精度,从而为大范围的水资源与水环境动态监测提供了迅速、可靠的依据。     

基于MODIS时序植被指数和线性光谱混合模型的水稻面积提取

水稻是中国的主要粮食作物,及时获取水稻种植面积和空间分布信息对指导水稻生产、调整区域供需平衡等具有重要的意义。以江苏省为例,利用2009—2011年连续三年的MODIS 8 d合成地表反射率数据(MODIS09A1),计算了归一化差值植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)和陆表水指数(land surface water index,LSWI)。结合水稻在不同生长发育期EVI的时间序列变化特征,确定了水稻面积提取的关键生育期。根据水稻移栽期稻田土壤含水量高的特征,利用NDVI、EVI和LSWI三种指数构建判别条件,确定可能种植水稻的区域。利用线性光谱混合像元分解模型对包含水稻的混合像元进行分解,得到江苏省三年水稻种植空间分布。最后,选取研究区内的水稻典型样区,利用与MODIS同时期的较高分辨率的环境小卫星HJ-1 CCD(30 m)数据提取水稻种植面积和空间分布,以此作为参考数据进行精度验证,同时利用统计部门的江苏省水稻种植面积统计数据对江苏省水稻面积进行验证,两种方法验证后表明误差均在10%以内。研究表明,采用MODIS09A1数据结合线性光谱混合模型可以更高精度地提取大范围的水稻种植面积。     

基于数据矢量特性的MODIS数据几何校正

MODIS探测器的大扫描角多探元并扫方式是造成扫描图像严重畸变的主要根源,应用基于SWATH的卫星遥感数据处理策略,分析MODIS 1B各分辨率数据空间位置关系及图像数据与经纬度数据的对应情况,结合探测器扫描方式、卫星升降轨和地球曲率等各方面因素按像元地理位置合成图像,抛弃数据光栅特性采取矢量特性实现对像元几何精定位。结果表明：应用该种方法处理的MODIS数据几何校正精度高,方便进行亚像元级精确几何校正,而且可以避免2次或多次像素重定位导致信息丢失,不会出现“BowTie”现象。     

基于MODIS数据的水稻种植面积提取研究进展

概述了水稻种植面积监测遥感数据源的应用变化、特征指数和时相选取以及遥感分类方法的发展,分析了MODIS影像在水稻种植面积遥感提取技术方面的研究进展及发展方向。结果表明：MODIS具有高光谱、高时间分辨率、多时相等特点,在大尺度上提取水稻种植面积上,可提高作物识别和监测的精确度与工作效率,节约成本,有着其他遥感数据无法相比的优势,应用MODIS数据提取水稻种植面积,取得了较好的效果。水稻遥感的最佳时相可以选择移栽期和孕穗期,利用对水体和植被较为敏感的波段或植被指数（如NDVI、LSWI和EVI）进行水稻识别,并提取种植面积。传统的遥感图像分类方法如监督分类和非监督分类,算法成熟、操作简单,是目前应用较多的方法;近年来发展起来的分类新方法,如决策树分类法、专家系统分类法、神经网络分类法,支持向量机法等,能够更准确地提取目标地物,对图像分类有不同程度的改进,在实际应用中通常和传统分类方法结合起来使用;多时相分析法与高时间、高分辨率多光谱影像的结合可以获取较高精度的作物种植面积数据,与传统分类方法相比有较大提高。利用MODIS对单一的或大面积的水稻种植面积提取效果较好,但对于地块破碎的种植面积估算尚难达到满意的结果,添加其他的辅佐数据如高程、坡度等,并结合MODIS数据的多时相特点分类等方法,可提高遥感影像分类的精度。     

基于MODIS数据的水稻种植面积提取研究进展

概述了水稻种植面积监测遥感数据源的应用变化、特征指数和时相选取以及遥感分类方法的发展,分析了MODIS影像在水稻种植面积遥感提取技术方面的研究进展及发展方向。结果表明：MODIS具有高光谱、高时间分辨率和多时相等特点,在大尺度上提取水稻种植面积上,可提高作物识别和监测的精确度与工作效率,节约成本,有着其他遥感数据无法相比的优势,应用MODIS数据提取水稻种植面积,取得了较好的效果。水稻遥感的最佳时相可以选择移栽期和孕穗期,利用对水体和植被较为敏感的波段或植被指数（如NDVI、LSWI和EVI）进行水稻识别,并提取种植面积。传统的遥感图像分类方法如监督分类和非监督分类,算法成熟、操作简单,是目前应用较多的方法。近年来发展起来的分类新方法,如决策树分类法、专家系统分类法、神经网络分类法,支持向量机法等,能够更准确地提取目标地物,对图像分类有不同程度的改进,在实际应用中通常和传统分类方法结合起来使用;多时相分析法与高时间、高分辨率多光谱影像的结合可以获取较高精度的作物种植面积数据,与传统分类方法相比有较大提高。利用MODIS对单一的或大面积的水稻种植面积提取效果较好,但对于地块破碎的种植面积估算尚难达到满意的结果,添加其他的辅佐数据如高程、坡度等,并结合MODIS数据的多时相特点分类等方法,可提高遥感影像分类的精度。     

高光谱遥感图像混合像元分解的群智能算法

近年来,通过群智能算法求解组合优化或连续优化问题以实现高光谱图像混合像元分解方面取得了重要进展和显著成果.本文首先回顾了高光谱图像混合像元分解的研究背景和群智能算法的特点,然后梳理了光谱混合模型及对应的最优化模型,进而介绍了基于群智能算法的端元提取和丰度反演方法,最后通过2组实验比较了群智能算法和其他传统算法在端元提取和丰度反演方面的精度,对基于群智能算法的混合像元分解效果进行了评价.另外,本文也对群智能算法在高光谱图像信息提取中应用的优势和存在的问题进行了总结.     

基于MODIS数据的积雪提取方法

基于MODIS数据,利用似然分类法及混合像元分解法对积雪分布范围进行了的试验提取,结合地理信息系统技术对积雪分布面积进行初步估算,结果表明,运用混合像元分解法提取的积雪面积精度较高,适于大面积积雪覆盖动态监测。     

利用HJ-1卫星数据监测山区水库资源

遥感技术能够快速、宏观地获得研究区域的数据,已成为湖泊环境动态变化监测的重要技术手段。但是对于山区的湖泊和河流而言,由于沟壑众多,河道狭窄,水体像元多为混合像元,利用现有方法提取水体遥感影像难度较大。水体与植被、城市和土壤等地物在不同波段的光谱反射率的差异是利用遥感手段提取水体信息的基本原理。本文在水体光谱特征分析的基础上,描述了HJ-1卫星数据特征及所采用的山区水体信息的遥感提取方法,并以南湾水库为例,描述了利用植被指数(NDVI)方法识别水体信息的技巧:首先将HJ-1数据的第3和第4波段经过波段运算得到NDVI图像;再将两种遥感图像中NDVI值小于0的像元判识为水体,NDVI值大于0的判识为水库周围的农田,经过计算像元数量得到水体面积信息;最后在各种专业软件的支持下,结合非监督分类的水体识别效果,将水体与其他地物类型区分开来。结果表明,利用HJ-1卫星数据可有效排除其他地物的干扰,显著提高水体监测的精度。     

利用MODIS大气廓线产品计算空气相对湿度的方法研究

森林火灾遍及全球，损失巨大。火险天气指数（FWI）是森林火灾预警和管理的有效工具。相对湿度（RH）是计算天气火险指数一个非常重要的参数。然而，由插值方法得到的RH在远离气象站点的地方往往存在很大的误差。因此，尝试利用MODIS遥感数据计算基于像元的高分辨率RH。MODIS的MOD07大气廓线产品，可以提供大气可降水量和地表气温数据。基于地面水汽压和大气可降水量的经验关系，利用MODIS数据计算了地表空气的相对湿度，平均绝对误差小于5％。结果表明，利用MODIS数据能简单而有效地计算地表空气的相对湿度，拓展了遥感技术在森林火险管理中的应用。     

面向对象的土地利用遥感分类——以邛海流域为例

利用google earth提取的SPOT5高分辨率遥感影像为研究数据,基于The Environment for Visualizing Images （ENVI） EX软件平台,采用面向对象的多尺度分割方法,获得了邛海流域土地利用类型.结果表明：该分类方法不仅能够克服传统基于像元分类方法中的“椒盐效应”问题,而且能够综合利用DEM、NDVI等辅助信息和地物本身的光谱特征与纹理特征.对分类结果进行了检验,分类精度达89.18％,分类结果达到要求.     

卫星反演积雪信息的研究进展

综合分析了积雪信息反演的主要遥感信息源和提取方法。在光学遥感方面，应用较广的主要是改进型甚高分辨率扫描辐射仪（AVHRR）资料和中分辨率成像光谱仪（MODIS）资料；提取积雪信息大多是根据积雪在可见光波段的高反射率和近红外波段的低反射率，并通过建立回归模型反演积雪面积和深度。由于传感器的改进，MODIS卫星资料在空间分辨率、积雪反演算法等方面明显优于AVHRR资料。光学仪器受云层和大气的影响很大，由于云和积雪在可见光和近红外波段上都具有高反射率。并且由于云层的遮挡。云下的地表信息不能被光学遥感仪器所接收到。微波遥感方面，被动微波遥感仪如微波辐射计成像仪（SSM／I）、高级微波扫描辐射计（AMSR—E）等可以全天候穿过云层进行监测，具有光学仪器所没有的优势，并通过提取地表的亮温差，建立雪深反演模型得到积雪深度。被动微波传感器存在分辨率低。无法监测浅雪区信息等问题。另外影响地表微波亮温的因素很多，这些都在一定程度上影响了反演结果的精确度。主动微波遥感仪如合成孔径雷达、微波散射计等利用积雪与其它地物的后向散射系数的不同来识别积雪，但也同样存在分辨率低等问题。最后探讨了卫星反演积雪信息中仍然存在的问题和进一步发展的方向。     

基于EOS/MODIS资料的中国黄土高原西部土地覆盖分类

土地利用和覆盖信息不仅是全球及区域气候模式中所需的重要信息,也是描述生态系统的重要基础数据;获取其现状和变化信息,对于揭示土地覆盖的特征和变化规律,探讨变化的驱动因子,分析评价区域生态环境具有重要现实意义。采用多时相和多光谱遥感资料进行土地覆盖分类已成为一种行之有效的方法。植被类型的差异除了可表现为光谱差异外,还可表现为植被生长规律的差异;植被生长以年为周期,在这个周期内不同植被类型有着各自的生繁衰枯的物候节律,表现出不同的生长规律,其规律性极强,这种规律性也可以作为植被分类的一个出发点。于是,NDVI的时间序列分析成为基于生物气候特征的地表覆盖分类的一种手段。基于MODIS资料,首先对2003年植被生长季内共9个月的NDVI时间序列数据进行离散傅立叶变换,取得该时间序列的均值和前4个频率分量的振幅和相位后;采用ISODATA算法对中国黄土高原西部及其周边地区进行了分层土地覆盖分类,并采用现有的土地覆盖数据集,进行了类别归并和精度评估,分类结果的总体精度达到了81.3%,Kappa系数达到了75.4%,结果证明了这种方法的可行性。     

支持向量机在积雪检测中的应用

针对地球观测系统/中分辨率成像光谱仪EOS/MODIS（Earth Observation System/Moderate Resolution Imaging Spectroradiometer）影像资料中的积雪检测,提出了基于支持向量机SVMs（Sup-port Vector Machines）的遥感影像分类方法。分析了积雪检测过程中的特征选择和提取,建立基于支持向量机的遥感影像分类模型,并进行了积雪检测试验。结果表明,特征选择对积雪检测起到了积极的作用,同时也证明了支持向量机方法在遥感影像分类中的优势,值得进一步推广使用。     

基于多源遥感数据的辽宁地表温度反演及空间分布研究

以辽宁地表温度为研究对象,采用普适性单通道算法,利用FY-3A/MERSI数据,并结合MODIS 1000 m分辨率数据,反演了2009年和2010年4-9月间10个时次晴空或局部晴空时的地表温度。结果表明：计算验证了模型的反演精度与同期NASA所发布MODIS地表温度产品的精度相当,其结果与相应的56个气象站点的实际观测数据相一致。多源遥感数据的综合应用,可获得较合理的地表温度反演结果;不同土地覆盖类型间地表温度的高低在相同时间内存在显著差异;研究期内,林地、水田、旱地和建设用地的NDVI与地表温度具有负相关性。综合利用遥感、地理信息系统技术,可以表征地表温度与土地利用类型以及地表温度与归一化植被指数(NDVI)之间的关系。     

西藏林芝地区混合像元MODIS地表温度产品验证

西藏林芝地区地形复杂、土地覆盖类型多样,MODIS地表温度 (land surface temperature,LST) 产品验证面临处理混合像元的难题,为获得与像元尺度 (1 km) 相匹配的地表温度数据,该文提出采用多点同时观测结合面积加权的方法,将该方法应用于验证林芝地区2013年6月10日夜间晴空MODIS/LST产品。结果显示:单点观测对像元的代表性不足,容易低估产品精度 (10个样本均方根误差为2.2 K),面积加权法可获得综合性更好的地面LST信息,对MODIS/LST产品的精度给出更高的评价 (30个样本均方根误差为1.40 K)。对于地表类型混杂程度高且地势较为平坦的像元,面积加权法的优势更为明显,可将卫星LST产品与地面LST之间的差异由3 K降至1 K以内。     

基于Mask R-CNN的遥感影像土地分割与轮廓提取

传统的模式识别难以对土地遥感影像一次性精确统计分析.在精确分割出土地种类的前提下,本文提出了一种基于骨干网络为ResNet-101-RPN的Mask R-CNN的遥感影像土地分割与轮廓提取方法.该方法包括以下步骤：数据获取、图像去雾、遥感影像土地统计分析、土地分割和轮廓获取.在一个具有挑战性的卫星地图瓦片数据集上对所提出的方法进行训练和测试.实验结果表明,该方法以0.907的均值平均精度（mAP）和31.33像素的均值平均距离误差（mADE）获得了令人满意的不同种类土地分割和轮廓提取结果.     

基于FY3\VIRR数据的积雪遥感监测方法研究 -以阿勒泰地区为例

以FY-3可见光与红外辐射计（VIRR）为主要数据,利用FY3\VIRR 1、6、10通道数据,以指数法和光谱阈值相结合的多光谱积雪监测算法对2013年阿勒泰地区卫星数据进行积雪监测处理。处理结果与MODIS积雪监测业务产品对比分析得出：利用FY3\VIRR可以实现对研究区的积雪遥感监测,监测结果与现有MODIS积雪监测业务产品较一致,具有可比性。