变差函数权值估算的移动最小二乘匹配点云粗差剔除

现有密集匹配点云数据已实现了地表3维信息的精细化表达,然而由于误匹配,此类点云往往包含一定数量粗差点并影响后续应用的处理效果。针对此类数据中误匹配所产生粗差点的剔除问题,将变差甬数引入移动最小二乘(MLS)粗差剔除算法。变差函数对MLS拟合区域内点对间的相关性进行估算,以此为依据设置权值对最小二乘的结果进行优化;然后利用MLS局部、分区域地对点云进行曲面拟合;最终根据拟合结果剔除粗差。利用A3数字测图系统生成的城区、山区密集点云数据进行实验,并将处理结果、等权MLS处理结果与人工剔除结果进行对比。实验结果表明该算法可有效对点云中的粗差进行剔除,相较于等权MLS粗差剔除算法,陔算法在城区、山区的误判率分别降低了5.16%和1.31%。     

太湖水体遥感反演参数的空间异质性

空间异质性的存在,会导致水质参数遥感反演中的尺度效应,影响反演精度,因此通过分析水质参数空间异质性,对于选择适当分辨率的遥感影像,提高反演精度具有重要意义.通过2008年10月在太湖布置的3个样方,利用GIS地统计学原理和分形维数的方法,对水质遥感反演中的三要素浓度,包括叶绿素a(Chl.a)、总悬浮物(TSM)和溶解有机碳(DOC)的空间异质性及其可能产生的尺度效应进行了研究.结果表明:太湖水体的三要素浓度在不同样方单元中变异系数相差较大,存在着明显的尺度效应;三个样方内Chl.a变异函数曲线斜率在变程范围内变化都较为剧烈,分形维数较高,说明太湖水体Chl.a受到某种起主导作用的生态过程的影响和控制;Chl.a和TSM的空间结构比例都在90%左右,有较强的空间相关性,表明其空间异质性的产生主要是由于结构性因素引起的,随机性因素作用微弱;DOC空间结构比例较小,说明随机性因素对其空间异质性的产生起了主导作用.三个样方中Chl.a的变程分别为147.3m、129.3m和115.0m,TSM的变程分别为1131.7m、130.6m、149.1m,因此在遥感反演中可选择TM影像,选择5×5窗口,以150m×150m作为基本单元;而DOC的变程分别为34.3m、38.5m、26.4m,表明其自相关距离较小,建议直接选择分辨率为30m的TM影像,使实际测量值与遥感影像最小单元相对应,消除反演过程中的尺度效应带来的误差.该研究也表明,MODIS的像元尺寸(250、500、1000m)明显偏大,在太湖水体三要素反演过程中,由于空间异质性引起的尺度效应,会造成一定的误差.     

基于半变异函数的重庆市地表温度空间异质性建模及多尺度特征分析

城市地表温度空间异质性的研究对理解城市地表温度空间结构有重要意义。本文利用大气校正法反演地表温度,基于半变异函数构建城市地表温度空间异质性模型,并进一步分析不同空间尺度下地表温度空间异质性结构参数的变化规律。以2013年6月16日的Landsat 8为数据源,以重庆为研究区开展实验,研究结果表明：① 不同空间尺度下重庆地表温度空间异质性均呈现指数模型分布特征;② 在30 m空间尺度下,地表温度空间异质性主要是由空间结构引起,但随机因素引起的空间变异占比为0.45,呈现出明显的块金效应,表明该尺度下随机因素引起的空间变异不可忽略;③ 从空间尺度（30~1500 m）整体变化上看,地表温度空间异质性主要由空间结构引起,同时表现出明显的尺度效应;随着空间尺度增大,块金值（C₀）、偏基台值（C）、基台值（C₀+C）以及块基比（C₀/（C₀+C））逐渐减小,表明地表温度空间异质性逐渐减弱但空间自相关性逐渐增强。变程（A）逐渐增大,表示空间自相关性范围逐渐扩大;④ 随机因素引起的空间变异占比为0.23~0.46,呈现出波动变化,这是因为地表温度在像元内部也存在空间异质性。空间结构引起的空间变异相对平缓,这是因为空间尺度的变化不会改变地形结构;⑤ 从尺度域来看,基台值与块金值在尺度域（690 m,1500 m）内呈现出较大幅度波动变化状态,且变化趋势相似,表明地表温度空间异质性的变化与随机因素有较大关联。综上所述,分析地表温度空间结构需要选取合适的空间尺度,尺度较小时,容易受到随机因素干扰,从而影响地表温度在空间结构上的空间变异性;尺度较大时,地表温度空间异质性较弱且变化不稳定。     

Enhancing group resolution of TM6 based on multi-variate regression model and semi-variogram function

［1］Castleman K R.Digital image processing.Englewood Cliffs,NJ:Prentice Hall,1996 ［2］Carr J R,Miranda F P.Spectral and texture classification of single and multiple band images.Computers & Geosciences,1996,22(8):849～865 ［3］Chen S P,Zhen W.Conciseness of remote sensing mineral resources exploration.Science and Technology Publishing House,1994(in Chinese) ［4］Costanitini M,Farina A,Zirilli F.The fusion of different resolution of SAR images.Proceeding of IEEE,1997,85(1):139～146 ［5］Dong Q,Fang H L.The use of variogram in remotely sensed images.Journal of Remote Sensing and Application,1997,12(1):7～13(in Chinese) ［6］De Jong S M,Burrongh P A.A fractal approach to the classification of Mediterranean vegetation types in remotely sensed images.PE & RS,1995(61):1 041～1 053 ［7］Fang H L,Qian G H.Fusion of ADEOS-AVNIR panchromatic and multispectral image data using principle component analysis.Journal of Remote Sensing and Application,1998,13(3):48～53(in Chinese) ［8］Franklin S E,Wulder M A,Lavigne M B.Automated derivation of geographic window size for use in remote sensing digital image texture analysis.Computers & Geosciences,1996,22(6):665～673 ［9］He J G,Zhu C G.Methods for data fusion between satellite-boarded SAR and multi-satellite remote sensing.Journal of Earth-science Information,1997 (16):29～33(in Chinese) ［10］Jia Y H.A data fusion method for spatial resolution enhancement of remotely sensed multi-spectral images.Journal of Remote Sensing and Application,1997,12(1):19～33(in Chinese) ［11］Jin G L,Qiu Z C.A research on information amount of multi-spectral images.Acta Geodaetica et Cartographica Sinica,1992,21(2):101～107(in Chinese) ［12］Kang Y H.Theories of data fusion.Xi‘an:Xi‘an Electronic University Press,1997(in Chinese) ［13］Li H,et al. Multi-sensor image fusion using the wavelet transform.Graphical Models and Image Processing,1995,27(3):235～244 ［14］Liu J G.Digital image processing of remotely sensed imagery data.Imperial College of Science,Technology and Medicine,1997 ［15］Liu J G,McM J.Moore:Pixel block intensity modulation: adding spatial detail to TM band 6 thermal imagery.Int.J.Remote sensing,1998,19(13):2 477～2 491 ［16］Lou Z,Zhu C G.Multi-variate statistics fusion of TM images.Journal of Aero-computational Technology,1998,28(3):40～42(in Chinese) ［17］Peng W N.Statistical methods for geo-data processing.Wuhan:Wuhan College of Geology,1983(in Chinese) ［18］Richard J R.Remote sensing digital image processing.an introduction,Berlin:Springer-Verlag,1999 ［19］Wang R S.Image understanding.Changsha:National Defense University Press,1995(in Chinese) ［20］Winkler G.Image analysis.Random Fields and Dynamic Monte Carlo Methods (A Mathematical Introduction),Berlin:Springer-Verlag,1995     

基于尺度转折点的尺度转换方法研究

如何用一种向上的尺度转换方法使得一幅高分辨率的遥感图像经向上尺度转换后可以生成一幅低分辨率的遥感图像,并且使这幅新生成的图像所描述的地物空间关系、空间格局及破碎程度等信息与实际情况下该尺度下的信息保持一致,损失的信息量最少。如何找到这样一种尺度转换的方法是尺度问题中的核心部分,也是遥感中最终要解决的问题。本文一方面结合景观生态学中有关空间分析和尺度转换的方法及最近提出的基于直方变差图的尺度转换方法,对这些方法加以对比并分析了它们各自的优缺点;另一方面在直方变差图的基础上结合分形理论引入了尺度转折点这一概念。通过各个尺度转折点可以确定各个尺度域。。如何找到不同尺度域之间的尺度转换方法将是本研究的重点。本文拟采用的数据为互联网上的IKONOS天安门地区图像。     

基于Monte Carlo模拟的地物适宜尺度提取分析

半方差函数可探测空间过程的影响范围,常用于分析遥感信息提取的适宜尺度,然而在进行大样本数据处理时,会受到计算机运算、存储等方面性能的制约。传统的做法往往直接采用随机抽样来减少数据量,其虽然降低了分析过程对计算机性能的要求,但同时也会降低分析结果的精度。因此,本文提出一种Monte Carlo模拟影像空间结构估算方法,其以小的样本量对大样本进行大量随机重复采样,在降低单次模拟数据量、运算量的同时,以充分的模拟量保证分析结果的精度。在此基础上,为了减少模拟所需时间,本研究引入并行计算,采用多核单计算机平台,进行多种地物适宜尺度提取分析的并行处理。实验与分析表明,该方法能较好地估算目标区域常见地物的适宜表达尺度（估计误差较小）。     

地统计法支持的北部湾东部海域沉积物粒径趋势分析

在北部湾东部海域采集表层沉积物71 个, 通过粒度分析获得其粒度参数(平均粒径、分选系数、偏态), 用克里格插值法将不规则采样站位的粒度参数内插为规则网格分布的相应粒度参数。采用地统计法分析其空间相关性, 计算度量空间相关性范围的参数, 即半方差图中的变程值。结果表明, 使用地统计分析获得的粒度参数变程值物理意义较为明确, 可作为粒径趋势分析模型的特征距离, 其中分选系数变程值作为特征距离的计算结果与前人的海流、沉积物输运信息更为吻合; 这在一定程度上消除了传统方法(试算法或经验估计法) 获取特征 距离可能造成的模型计算误差。采用不同间距插值时得到的粒径趋势矢量具有不同的空间分 辨率, 其中高分辨率的细化图所反映的海底沉积物净输运趋势与余流和环流等所反映的沉积物输运细节特征吻合较好, 低分辨率的概化图可大致反映该区域沉积物的总体输运趋势。地统计分析的结果对未来研究工作中采样间距的选取也具有指导意义。     

虚拟站点在黑河流域降水模拟中的应用

降水作为气候系统的关键因素,也是影响区域植被生长以及生态变化规律的重要因子。本文针对黑河流域气象站点分布稀疏情况,采用信息熵及半变异函数理论构建该流域虚拟气象站点,并结合部分已有站点对整个流域降水进行插值模拟。信息熵可以计算每个站点降水值所包含的信息,通过联合熵以及条件熵来依次选取所含信息量多的站点,同时结合半变异函数模型来观察各站点之间的空间相关性,以此构建最优站点数据集。利用1991-2003年该流域15个气象台站的年平均降水量作为基础数据,考虑高程、坡度、坡向对降水的影响,对降水进行相关性分析,建立回归方程反演虚拟站点降水值。最后,采用协同克里金（Co-Kriging）与具有漂移的克里金（KED）方法对该流域进行插值,对比插值精度。结果表明,增加虚拟站点有效提高了降水插值精度,在该情况下使用KED方法插值结果与观测值最接近。     

基于地统计学和克里金法的水下趋势面分析

介绍了地统计学和克里金法对水深数据进行分析的方法和原理,结合工程实践,分析了水深值在沿垂直河道方向具有的空间自相关性,根据半变异函数模型,建立了水下趋势面模型,预测了未采样区域的水深值,并对结果进行了检核。实例分析结果表明:地统计学和克里金法在研究水深数据的空间格局和预测未知采样数据方面具有较强的优势,并能建立满足后续专业应用需求的水下趋势面模型。     

漓江流域表层土壤水分物理性质空间异质性

为了解漓江流域土壤水分空间变化特征及其影响因素,基于2'经纬网格,采用地统计学方法对该流域表层（0~10 cm）土壤水分物理性质的空间变异进行分析。结果表明:从空间结构比上,漓江流域表层土壤含水量、容重、最大和最小持水量均具有高度的空间自相关性（各指标空间结构比均大于0.87）,且其空间分布趋势基本一致,由流域上游向中下游逐渐变化。土地利用对流域表层土壤水分物理性质及其空间变异具有显著影响。受时间尺度和土地利用类型等因素的影响,漓江流域表层土壤含水量相比其他土壤水分物理性质,其空间异质性由随机引起的空间变异增加,空间自相关减小,为0.87;而土壤容重最大,为0.92。相关结果对于漓江流域土壤水分动态模拟与预测研究具有一定参考价值。