基于SEVI的复杂地形山区植被FPAR遥感反演与地形效应评估

植物吸收性光合有效辐射分量（FPAR）的遥感反演是生态环境领域的核心研究内容之一,但在复杂地形山区,其估算精度严重受到地形效应的影响（包括本影与落影）。本文利用能够消除地形阴影影响的阴影消除植被指数（SEVI）对山区遥感影像进行FPAR反演,并分别与基于不同影像预处理程度计算的归一化植被指数（NDVI）、比值型植被指数（RVI）反演的FPAR做对比分析,以评估复杂山区反演FPAR存在的地形效应。结果表明：在不做地形校正的情况下,基于NDVI与RVI反演FPAR会使得本影及落影区域的值远小于非阴影区域的值,它们的相对误差均大于70%;基于C校正后的NDVI与RVI反演FPAR可以较好地校正本影区域,相对误差降至约6.974%,但落影处的校正效果不明显,相对误差约为48.133 %;而基于SEVI反演FPAR无需DEM数据的支持,可以达到经FLAASH+C组合校正后NDVI与RVI反演FPAR相似的结果,且能改善落影区域的地形校正效果,相对误差降至约2.730%。     

卫星影像数据构建山地植被指数与应用分析

 本研究以Landsat影像为数据源,在分析复杂地形山地植被在阳坡和阴坡反射率差异特征的基础上,提出一种归一化差值山地植被指数NDMVI (Normalized Difference Mountain Vegetation Index)。该指数模型无需辅助数据(如DEM)的支持,通过同时降低近红外波段(TM4)和红光波段(TM3)反射率的方法来消除或抑制地形的影响,具有较强的可操作性。研究表明:NDMVI与太阳入射角余弦值(cos i)的相关性相当小,对地形起伏变化表现不敏感,可有效消除或抑制地形的影响;比NDVI值动态变化范围更宽,对地物有更强的遥感识别能力;该模型抑制地形影响的效果比用C校正模型的效果更佳,不会出现过度校正的问题。     

阴影消除植被指数(SEVI)去除地形本影和落影干扰的性能评估与应用

地形校正是崎岖山区遥感图像预处理的关键步骤。为了评估基于DEM数据的经验校正模型、山地辐射传输模型和波段组合优化计算模型在去除地形阴影效应方面的性能,并将其应用于福州市植被覆盖监测,本文采用C模型（和SCS+C模型）、6S+C模型和阴影消除植被指数（SEVI）进行评估、比较。采用1999年和2014年两期Landsat 5 TM卫星数据和相关的 30 m ASTER GDEM V2高程数据,分别计算了C校正（和SCS+C校正）和6S+C校正后的归一化植被指数（NDVI）和比值植被指数（RVI）以及基于表观反射率数据的SEVI。通过目视比较、光谱特征比较以及太阳入射角余弦值（cos i）与植被指数的线性回归分析,可以看出C模型和SCS+C模型对本影具有较好的校正效果,但对落影的校正效果欠佳。NDVI和RVI的本影与邻近无阴影阳坡的相对误差分别从71.64%、52.57%降至4.80%、6.43%（C模型）和0.50%、9.94%（SCS + C模型）,而落影与邻近无阴影阳坡的相对误差分别从62.01%、47.57%降至31.05%、24.40%（C模型）和33.42%、16.01%（SCS + C模型）。在NDVI的落影校正效果上,6S+C模型比C模型和SCS+C模型有一定的提升,本影与邻近无阴影阳坡之间的相对误差为8.63%,落影与邻近无阴影阳坡之间的相对误差为14.27%。而SEVI在消除本影和落影方面整体效果更好,本影和落影与邻近无阴影阳坡的相对误差分别为9.86%和10.53%。最后,基于SEVI对福州市1999-2014年的植被覆盖变化进行了监测。监测结果表明： ① 1999-2014年植被覆盖增加了893.61 km ²,植被增加区域主要分布在海拔250~1250 m范围内;② SEVI均值在坡度40°附近达到峰值。     

顾及数据配准的江西省SRTM DEM精度评价和修正

目前,ICESat/GLAS是大尺度SRTM DEM精度评价的主要数据源。然而,现有的精度评价方法均忽略了2组数据的有效配准。为此,本文分析了数据配准前、后SRTM DEM整体精度差异,以及不同地形因子和土地利用类型对SRTM DEM影响程度。在此基础上,充分考虑SRTM DEM精度影响因素,分别借助多元线性回归（MLR）、后向传播神经网络（BPNN）、广义回归神经网络（GRNN）以及随机森林（RF）对SRTM DEM修正。结果分析表明：配准前,ICESat/GLAS与SRTM DEM沿x、y方向的平均水平位移分别为-17.588 m、-29.343 m,高程方向系统偏差为-2.107 m;配准后,SRTM DEM的系统误差基本消除,而且中误差降低了14.4%。配准前,坡向与SRTM DEM误差呈正弦函数关系,配准后这种关系基本消失。SRTM DEM误差均随地形起伏度、坡度、高程的增加呈增大趋势; 6种土地利用类型中,SRTM DEM在林地误差最大,未利用土地误差最小。对配准后SRTM DEM修正表明,RF效果最优,其中误差分别比MLR、BPNN、GRNN降低了3.1%、2.7%、11.3%。     

黑臭水体水面阴影提取的自适应阈值算法研究

黑臭水体水面阴影对水面光谱信息产生干扰,严重地影响了利用高空间分辨率遥感数据进行水质状况监测的精度,因此,在数据预处理中必须进行阴影剔除。本研究基于无人机高光谱遥感数据,通过分析各种波段组合下黑臭水体水面的阴影像元和水体像元的光谱特征空间,选择以492、666和792 nm处的反射率建立黑臭水体的河面阴影指数（RSSI）,并利用最大类间方差法（OTSU）自动确定划分本影、半影以及水体的阈值。利用南京金川河和龙江河的无人机高光谱遥感影像对算法进行测试,结果表明：RSSI阴影指数能突出显示阴影与水体的差异;OTSU自适应确定的阈值能较好地区分本影、半影和水体,阴影的总体识别精度达到85%以上。该算法能够有效地识别黑臭水体水面阴影,为后续开展水体的定性、定量遥感监测提供数据预处理的技术支持。     

SPOT数据反演地物辐射亮度和反射率的基础研究

以往用户对于SPOT卫星数据的应用主要针对其高空间分辨率的特性,但是因SPOT卫星传感器的波段数和波长范围有限,故利用SPOT数据进行定量遥感分析(如地物辐射亮度及反射率)的应用研究较少。然而,利用SPOT数据进行地物辐射亮度和反射率的测量也有其高空间分辨率的优势,可以更精细地分辨各类地物的细节,降低混合像元对于定标分析的影响,提高定量遥感分析的准确度。本文将就SPOT数据的辐射校正原理及其在反演地物辐射亮度和反射率方面的应用开展基础性研究,对于SPOT卫星数据的定标参数读取提供了相应的方法,选取了几种比较典型的地物进行数据分析,并利用Landsat-7数据作为参考,评价SPOT数据测量地物辐射参数的可靠性和应用效果。     

一种考虑雪粒径变化的积雪面积反演算法

光谱混合分析能够提取亚像元信息,被广泛地应用于遥感影像目标探测之中。本文针对MODIS积雪遥感影像,基于光谱混合分析框架,利用渐进辐射传输模型建立不同粒径大小的雪反射率光谱库,提出了一种考虑端元变化及二次辐射的雪盖面积反演算法。此算法首先利用渐进辐射传输模型建立不同粒径大小积雪的反射率光谱库,然后使用序贯最大角凸锥方法获取植被、土壤与岩石、阴影的光谱库。在建立各种地物反射率光谱库之后,利用均方根误差最小的方法获取最优端元组合。在此基础上,考虑端元独立辐射以及积雪与其它地物的二次辐射过程,利用稀疏光谱混合模型获取积雪面积与雪粒径大小。实验结果表明：此方法能够同时反演雪粒径与积雪面积,反演的雪粒径相比单波段的渐进辐射传输模型小,反演的积雪面积相比MOD10A1产品精度略微提高。     

线性光谱混合模型影响因子不确定性定量研究

线性光谱混合模型(Linear Spectral Mixing Model,LSMM)是一种像元分解模型,由于其简单和易操作性的特点,在目前亚像元研究中应用颇为广泛。其分离精度受多种因素的影响,但目前对该模型的研究多集中在对模型本身的线性假设评价及端元光谱选取方法上,而忽略了模型应用的环境条件(大气反射、散射、地形起伏等)对模型分解精度的影响等。本文以线性光谱模型提取植被分量为例,探讨环境大气条件、地形因素对模型精度影响的不确定性。研究将数据处理为四个层次,即原始的ASTER数据,利用MODTRAN进行大气校正的数据,经C-地形校正的数据,同时进行了大气校正和地形校正的数据。然后在四个层次上依次提取植被丰度,并将其和NDVI进行线性回归分析,检验植被丰度的分离精度,从而量化大气、地形等因子对LSMM的影响程度。研究结果表明:大气条件、地形因素都会制约LSMM分离精度的提高,特别在有地形起伏的中小空间尺度范围内,地形因子对线性光谱混合模型的影响远大于大气影响。     

基于LTDR AVHRR和MODIS观测的全球长时间序列叶面积指数遥感反演

叶面积指数是描述土壤-植被-大气之间物质和能量交换的关键参数,获取大区域长时间序列叶面积指数有助于研究气候变化条件下植被的响应及反馈。本文利用MODIS观测和经过重新处理的地表长时间数据集（Land Long Term Data Record）LTDR AVHRR数据,生成了全球1981-2012年叶面积指数数据。算法通过建立二者之间像元级关系,利用高质量MODIS观测约束历史AVHRR数据的反演,这有助于减小2种存在显著差别传感器反演结果的不一致性,也有助于提高AVHRR反演质量。首先算法利用高质量MODIS地表反射率反演2000-2012年叶面积指数,然后利用多年每8 d的LTDR AVHRR地表反射率数据计算简单比植被指数（Simple Ratio,SR）,利用SR平均值和MODIS LAI平均值建立像元级AVHRR SR-MODIS LAI关系。在此基础上,实现1981-1999年AVHRR LAI反演,最终得到全球1981-2012年叶面积指数数据。本算法反演的AVHRR和MODIS LAI与全球植被的空间分布吻合,能表征主要生物群系类型的季节变化特征,2个数据集一致性较好,并且与NASA MODIS LAI标准产品（MOD15A2）的空间分布和季节变化曲线吻合较好。     

基于开源数据和条件生成对抗网络的地形重建方法

如何使用少量的地形特征复原地形地貌一直为地学领域的难题。本文使用开源数据集提取地形特征要素,使用地形特征要素作为约束条件构建了用于生成DEM的条件生成对抗网络(Conditional Generative Adversarial Networks, CGAN),设计了基于开源DEM、开源DEM与遥感影像组合、以及5m高精度DEM提取地形特征要素生成DEM的对比实验,并对结果进行视觉效果、相关性分析以及地形因子的对比与评价。结果表明:(1)在视觉效果上,3种不同方式生成的DEM在视觉效果上均十分逼近原始5 m DEM,都远好于传统插值方法生成DEM,基于开源12.5m DEM提取要素和1m遥感影像的重建效果最接近于原始5 m DEM;(2)在相关性上,三种不同方式生成的DEM与原始5m DEM相关性均能达到0.75以上,组合开源数据提取要素重建DEM与原始5 m DEM相关性可达到0.85以上;(3)在地形因子方面,基于开源12.5 m DEM和1 m遥感影像提取要素重建DEM的坡度和坡向的分布趋势与原始5 m DEM最为一致。本文为高精度DEM建模提供了新的思路,在高精度DEM难以获取...     

多年平均气温空间化BP神经网络模型的模拟分析

气温数据空间化是插补无站地区温度、使气温数据便于综合分析的重要技术手段.理想情况下,气温的空间化分布受经度、纬度和海拔高度的影响,呈现规律性的空间分布态势.但是,各种微观因子如坡度、坡向、地形起伏、地表覆被等的存在,在一定程度上扰乱并弱化了这种规律性的分布态势.本文基于Matlab平台,利用BP神经网络研究了多年平均气...     

基于DEM纹理特征的月貌自动识别方法探究

月海和月陆是两种最主要的月貌单元,对于月海及月陆快速准确地识别是进行各项月球研究的重要基础。目前,月海和月陆的识别大多采用DEM结合其派生地形因子建立指标体系的方法。这种方法虽然可在宏观尺度对月海和月陆进行识别和提取,但仍存在2个问题：（1）可扩展性差,不同地区难以共用同一套地形因子构建指标体系;（2）指标体系中各因子权重设置具有较大的主观性。针对以上问题,本文以“嫦娥一号”探测器获取的全月球DEM数据,从月表地形纹理特征的角度出发,提出一种以月表DEM数据识别月海、月陆的自动快速的方法。首先,利用灰度共生矩阵模型,以DEM数据为基础,实现对典型月海、月陆地形纹理特征的量化,然后,对量化指标的筛选,构建能有效区分两类月表形貌单元的特征向量。在此基础上,选用离差平方和作为识别器,最终实现对月海和月陆的自动识别。本文识别方法的整体识别率达到85.7%;综上可知,该方法既能克服原有方法中因子权重设置的主观性,又具有较好的通用性。     

SRTM1 DEM与ASTER GDEM V2数据的对比分析

本文以山西省为实验区,基于ICESat/GLA14测高数据对SRTM1 DEM和ASTER GDEM V2数据的垂直精度进行了对比,分析了其在坡度、土地利用类型和地貌类型中的误差分布情况,并基于地形剖面方法分析了2种DEM数据在地形表达上的差异。研究结果表明：① 在垂直精度上,SRTM1 DEM数据要明显高于ASTER GDEM V2数据,其绝对误差均值分别为4.0 m和7.8 m,标准偏差分别为6.0 m和10.7 m,均方根误差分别为6.1 m和10.7 m。② 这2种DEM数据的精度受坡度影响严重,随坡度值的升高误差增大;SRTM1 DEM的绝对误差均值、标准偏差和均方根误差在水田最小,在林地最大,而ASTER GDEM V2的这3种误差在居民用地最小,在林地最大;SRTM1 DEM 和ASTER GDEM V2的绝对误差均值、标准偏差和均方根误差在平原地区最小,在大起伏山地最大。③ 在平原和台地地区,ASTER GDEM V2数据高程值有异常波动,SRTM1 DEM在起伏山地存在对山谷过高估计。总体上,SRTM1 DEM比ASTER GDEM V2对地形的表达准确,与ICESat/GLA14对地形的描述基本相一致。     

面向城市DEM构建的地形要素分类及表达

地形要素是对地形在地表的空间分布特征具有控制作用的点、线或面状要素,其合理划分可为城市地形建模提供数据基础。本文在解析城市地形特征和分析现有地形图分类在城市DEM建模中不足的基础上,基于面向对象思想,以城市地形被城市道路网分割为基本原则,构建了城市地形要素分类及表达方法,并以南京市某区1:500地形图为实验数据,进行了相关验证实验与分析。实验结果表明,本文提出的地形要素分类和表达方法能够整体控制并有效表达集几何和语义信息为一体的复杂城市地形,在全局和局部地形上均有较好的建模效果。本文提出的城市地形要素分类及表达方法不但可为地形要素的分析和应用提供基础,也可为城市地形构建模拟、建设规划和分析决策等提供技术支撑。     

基于小波神经网络的盲区重力数据预测

引入精度较高的小波神经网络预测局部盲区重力数据。通过实验,对比分析了不同地形数据分布状况下经度、纬度二维输入和经度、纬度、高程三维输入小波神经网络盲区重力数据预测精度,发现利用小波神经网络可以较好地实现高精度盲区重力数据的预测,同等地形条件下三维输入预测的数据精度更高,更有利于后期利用插值方法制备高精度重力基准图。同时,利用克里金法和小波神经网络对真实盲区进行预测。结果表明,两者的预测值相差不大,但小波神经网络的预测结果更为平滑,表明小波神经网络有良好的适应性。     

X波段双偏振雷达反射率的衰减订正

雷达在探测降雨时,回波都有衰减。波长较短的X波段雷达地衰减更严重,所以有必要对其回波进行衰减订正。X波段雷达回波差分传播相移(KDP)比C、S波段的要高1.5~3倍。因此可以合理地考虑利用KDP对X波段雷达回波信号反射率的衰减进行订正。又由于当KDP的值较小时,对回波反射率订正效果受到其他因素影响。所以当KDP值较小时,使用反射率(ZH)自身进行订正。利用成都信息工程学院X波段双偏振天气雷达的探测降雨过程的回波数据,在已经提出的算法的基础上,利用ZH-KDP综合算法进行软件设计,并分析回波反射率在算法处理前后的效果。通过订正处理前后的数据绘制曲线图,定量对比分析订正处理前后的反射率值,订正处理后的值比订正处理前的值有增强,又用相同时刻S波段的回波数据对X波段的订正效果进行验证,二者值的大小相差不多,说明ZH-KDP法对回波反射率的衰减有改善。     

民国初期河南省1∶10万地图精度分析

 清末与民国初期调绘了大范围的、内容较为详尽的1 ∶2.5万至1 ∶20万比例尺地图,是研究20世纪初中国历史的宝贵资料。为高效利用这些地图资源,评估地图精度提供了基础性的图件。针对民国初期河南陆地测量局调绘的1 ∶10万河南省地图,应用ArcGIS软件将民国地图与当代地图作对比,对其精度进行了系统分析和初步解释。分析表明:①全省范围内地图精度分布不均匀,经线方向平均向西偏移6.28'、纬线方向平均向南移2.23',标准差分别为3.76和2.51。②纬线方向绝对精度和相对精度总体上高于经线方向;同时,误差分布呈现空间自相关特征,经向误差Moran's I指数为0.85(Z=57),纬向指数为0.69(Z=46)。③平原地区地图相对精度高于山区。④地图误差分布呈现三种模式:位置偏移较小,偏移较大但偏移向量保持一致,以及偏移较大且方向不一致。民国地图误差与《清史稿》记载的经纬度误差具有较强的相关性,由此提出的一个初步推论:民国地图调查作业中采用了晚清时期的经纬度成果。但有些地区利用了较新的成果,也有部分地区参照或转绘了质量较差的旧地图。本研究为民国初期河南省地图的进一步利用提供了依据,也对同期地图的利用具有借鉴价值。