基于无人机遥感的海岸带生态环境监测研究综述

本文介绍了无人机遥感系统的发展历史及现状,并从海岸带生态环境监测应用角度,总结了无人机平台、载荷在海岸带生态环境监测的现状;综述了无人机遥感在海岸带生态环境监测中8个不同场景的应用,为无人机遥感在海岸带管理中的发展潜力和有效性提供了参考。同时指出,为进一步提升无人机遥感在海岸带生态环境监测中的应用效果,需要在无人机载荷、像控点(GCPs)布设、光谱数据处理等相关技术方面进行进一步研究和完善。未来,随着无人机数据传输速度的提高与无人机自组网技术的发展,有望实现海岸带生态环境高效、智能化监测。     

茅尾海入海河口池塘养殖污染状况遥感调查

针对广西茅尾海入海河口池塘养殖污染问题,本文利用无人机多光谱遥感影像和实测水质数据,建立了反映水体营养状态的叶绿素a (Chl-a)、化学需氧量(COD)、悬浮物(SS)、总氮(TN)、总磷(TP)5种水质参数,反演光谱特征及遥感反演模型,并利用湖泊综合营养指数法对水体富营养化状态进行评价。研究结果表明:①Chl-a与蓝、近红外波段相关性显著,COD与红、红边波段相关性显著,SS与红边波段相关性显著,TN与近红外波段相关性显著,TP与蓝、绿波段相关性显著;②在建立的几种水质参数反演模型中,二次多项式函数反演模型综合效果最佳;③池塘养殖区水体富营养指数多集中在60～80,属于中度和重度富营养化程度,且近岸水体富营养化程度大多低于远岸。     

无人机遥感和GWR结合的水华短时预测方法

目前水华已成为国内外一个重要的环境问题，单一的光学遥感方法难以实现精细化的水华预测。针对上述问题，本文以无人机多光谱影像、水质、水温及气象数据为数据源，首先通过像素匹配法（Matching Pixel-by-Pixel,MPP）反演水质参数及归一化植被指数（Normalized Difference Vegetation Index, NDVI）阈值法提取水华信息，然后基于地理加权回归（Geographically Weighted Regression, GWR）建立涵盖面积信息和位置信息的水华短时预测模型，并探讨了预测窗口尺寸对预测结果的影响。结果表明：(1)本文方法可以实现精细化的水华短时预测，在应用中对水华面积预测精度达到96.19%，在水华空间分布的预测上对水华和非水华的总体分类精度均大于0.97，生产者精度、Kappa系数均大于0.5；(2) MPP反演的总氮、总磷和溶解氧浓度与实测数据都有着较高的相关性，其决定系数R2分别达到0.89、0.85、0.89；(3)不同尺寸的预测窗口直接影响预测结果精度，相比8×8、12×12、14×14，选用10×10预测窗口得到的总体分类...