共查询到19条相似文献,搜索用时 46 毫秒
1.
雪地上的森林冠层混合反照率模型 总被引:2,自引:0,他引:2
反照率通常定义为出射与入射的能量之比,是地表能量平衡中的关键因子。气候变化对反照率也很敏感。典型的气候变化预测是通过GCM与地表模型的结合进行的。目前在地表模型(如BATS模型)中,是通过空气动力学粗糙度Z0与降雪深度d两个参数来估计雪地上树冠的反照率的。在他们的工作基础上,重点考虑对于不同的太阳天顶角,直入一扇出反照率的方向性及其与叶面积指数(LAI)的关系。同时,为了保持BATS模型所需反照率模型的基本特征,主要在几何光学-辐射传输混合模型(GORT)的基础上做了一些近似来达到此目的。最后,以针叶林为例,用MODIS的反照率数据和BOREAS地面观测数据做了初步的模型验证。结果显示模型较符合实际情况。 相似文献
2.
3.
4.
融合像素—多尺度区域特征的高分辨率遥感影像分类算法 总被引:1,自引:0,他引:1
针对基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象和面向对象影像分析方法的"平滑地物细节"现象,提出了一种融合像素特征和多尺度区域特征的高分辨率遥感影像分类算法。(1)首先采用均值漂移算法对原始影像进行初始过分割,然后对初始过分割结果进行多尺度的区域合并,形成多尺度分割结果。根据多尺度区域合并RMI指数变化和分割尺度对分类精度的影响,确定最优分割尺度。(2)融合光谱特征、像元形状指数PSI(Pixel Shape Index)、初始尺度和最优尺度区域特征,并对多类型特征进行归一化,最后结合支持向量机(SVM)进行分类。实验结果表明该算法既能有效减少基于像素多特征的高分辨率遥感影像分类算法的"胡椒盐"现象,又能保持地物对象的完整性和地物细节信息,提高易混淆类别(如阴影和街道,裸地和草地)的分类精度。 相似文献
5.
精准提取玉米倒伏范围是准确进行田间管理、玉米产量损失估计的基础,无人机获取遥感影像机动灵活,是作物倒伏测量的热门手段。本文提出利用无人技术基于冠层高度差的玉米倒伏范围提取方法。首先通过可见光波段差异植被指数提取玉米背景土壤分布;然后提取玉米的高度;最后基于玉米高度,通过SVM和OSTU自动阈值法提取玉米倒伏范围。试验结果表明,利用SVM法3个样本分类精度分别为88.84%、89.52%和90.80%;OSTU自动阈值法分别为94.61%、89.74%和97.20%,稍优于前者。本文基于作物高度为结构特征参数,提取作物倒伏,机理明确且一定程度上消除了无人机成像不稳定的影响。 相似文献
6.
7.
针对机载激光雷达(LiDAR)获取的高密度点云数据为森林冠层高度模型(CHM)构建提供了可能,但在应用中通常会出现局部无效值(凹坑)现象,影响森林高度等参数的提取精度的问题,该文提出基于距离加权和冠层控制的CHM凹坑去除方法.首先加权计算每个像素相似阈值判断可能凹坑,然后利用形态学运算控制冠层范围并确定最终凹坑,继而填入对应的CHM中值滤波后的值来去除CHM凹坑.通过与高斯滤波、均值滤波、中值滤波等方法比较,该文方法在凹坑的去除效果以及保留冠层形态方面均有优势,且对不同分辨率CHM具有普适性,直接提取单木数量精度可达96.7%,相比原始CHM以及另外4种方法处理的CHM所提取单木数量,精度分别提高2.38%、13.92%、17.81%、6.54%、2.38%;直接提取平均树高精度为99.41%,相比原始CHM及另外4种方法CHM精度分别提高0.16%、0.8%、0.56%、0.75%、0.16%. 相似文献
8.
基于线性混合模型的端元提取方法综述 总被引:2,自引:1,他引:2
混合像元是遥感领域研究的热点,而基于线性混合模型的光谱解混合技术正在越来越广泛地应用在光谱数据分析和遥感地物量化中,这项技术的关键就在于确定端元光谱。本文归纳了目前几种比较成熟的端元提取算法,分析了它们的主要思想和存在的优缺点,最后介绍了端元提取技术的应用及其发展趋势。 相似文献
9.
叶片光谱是估算植被生化参数的重要依据。然而,遥感影像获取的光谱为像元及冠层光谱,因此,在进行植被生化参数的遥感定量估算时,需将冠层光谱转化到叶片尺度。根据几何光学模型原理,推导出植被冠层光谱和叶片光谱的尺度转换函数,将冠层光谱转换到叶片尺度。首先,采用叶片光谱模拟模型PROSPECT模拟出叶片水平的光谱;其次,在几何光学模型4-scale模型中,通过改变叶片光谱和叶面积指数(leaf area index,LAI),模拟出不同叶片特征下的冠层光谱。最后,通过LAI建立两个查找表,一个是传感器观测到树冠光照面和背景光照面概率的查找表,另一个是多次散射因子M的查找表,从而实现冠层光谱和叶片光谱的转化。结果表明,利用4-scale模型能实现冠层光谱与叶片光谱的尺度转换,此方法有很好的适用性。 相似文献
10.
11.
与传统遥感观测相比,多角度对地观测通过对林木多个方向的观察,可得到丰富的森林三维空结构信息,为定量遥感提供新的途径。本文根据不同遥感数据选择合适的模型并建立相应的查找表。TM/ETM+数据采用混合像元分解模型,CHRIS数据考虑不同森林场景选择不同的遥感物理模型,在选择合适的模型基础上,根据模型的不同敏感参数和试验区选择的特点设计查找表参数,并由模型正演建立查找表,再根据插值的方法由遥感图像的反射率值反演LAI。两种数据反演得到的LAI与MODIS 15A2 LAI产品比较分析。结果表明多角度遥感反演准确率有一定的提高,具有一定的理论研究和实际应用价值。 相似文献
12.
尺度效应是地理科学中普遍存在的现象,制约着遥感等空间科学的发展。发展合理的尺度转换方法以促进遥感技术的全面应用迫在眉睫。本文分别从面—面升尺度转换、点—面升尺度转换两个角度对目前定量遥感领域存在的升尺度转换方法进行综述。其中,面—面升尺度转换方法按照转换原理可分为先反演后聚合、先聚合后反演两种;点—面升尺度转换方法依据定权策略可分为简单平均法、经验回归法、地统计方法、贝叶斯方法等。不同的升尺度转换方法具有各自的特点和优势,本文分别从模型构架、基本原理、特点、局限性和适用条件等方面对现有升尺度转换方法进行分析和讨论,并从离散型与连续型、统计型与物理型、普适型与针对型以及先验知识有和无4个方面总结了现有研究中存在的不足,剖析了升尺度转换研究中存在的问题与挑战,并预测了可能的发展方向。 相似文献
13.
李小文长期致力于遥感基础研究,是植被几何光学遥感建模的先驱。他创建了Li-Strahler几何光学模型,论文入选"国际光学工程学会(SPIE)"里程碑系列文集。以李小文为首席科学家,带领国内外科学团队,在植被二向性反射建模、热红外遥感辐射方向性建模、遥感信息尺度效应、定量遥感综合实验与真实性检验方面做出了卓越成就。本文总结了李小文的主要学术思想,对定量遥感相关研究进展进行了总结和回顾,对遥感科学及相关领域具有重要的借鉴和参考意义。 相似文献
14.
高分辨率影像分类的最优分割尺度计算 总被引:2,自引:0,他引:2
针对高分辨率遥感影像分类与信息提取中存在的难点,基于不同目标地物在高分辨率影像上具有对应最优分割尺度的基本思想,该文在分析现有最优分割尺度确定方法的基础上,提出了加权均值法结合最大面积的最优分割尺度的确定方法;利用该方法,进行了高分辨率影像分割实验,获取了对应典型地物的最优分割尺度数值范围,实现了典型地物的信息提取;并运用样本点检验的方法,计算并分析了分类的精度结果。结果表明:基于加权均值与最大面积相结合的最优分割尺度计算方法,应用于面向对象高分辨率影像信息的提取具有较为理想的精度。 相似文献
15.
遥感影像空间尺度特性与最佳空间分辨率选择 总被引:19,自引:3,他引:19
尺度概念是理解地球系统复杂性的关键,尺度问题被认为是对地观测的主要挑战之一,而结合具体研究应用领域,由地学现象的尺度本身出发,选择所需遥感影像的最佳尺度和分辨率,是非常有现实意义的.本文在深入剖析了遥感影像的尺度特性和遥感影像尺度选择的意义的基础上,探讨了基于地统计学方法定量选择遥感影像最佳空间分辨率的方法.阐明了传统局部方差方法不能得到理想结果的原因:传统的局部方差方法的实质是基于变化地面面积计算影像局部方差的均值,而基于这样不同甚至是相差悬殊的地面面积进行局部方差计算,其结果必然不具有可比性.对此,本文提出了基于可变窗口与可变分辨率的改进局部方差方法,即依次降低空间分辨率时,高分辨率采用大窗口尺寸,低分辨率采用小窗口尺寸来维持计算窗口内的地面面积的一致,由此计算出的局部方差作比较来判定遥感影像最佳分辨率.进行了系列实验分析,得到了相关结论,分析得出这种基于地统计的方法来选择遥感影像最佳分辨率的方法,对遥感和GIS研究与地学应用具有一定的理论意义和指导意义. 相似文献
16.
17.
以往的高光谱或多光谱图像分类与识别,往往只关注像元光谱维上的特性,其一切特征统计也只在光谱及波段维上展开。但是自然界的复杂性、混合像元问题的存在,仅靠像元的光谱特性是不够的,常会出现"麻点"现象。针对这一问题,本文提出一种结合地物空间特性的高光谱图像分类方法,其分类过程可以分为两个阶段,第一阶段是基于像元光谱特性的图像分类,获得影像分类图;第二阶段是针对第一阶段的分类结果,结合地物空间特性进行空间后分类处理。试验研究结果表明,该方法能够保持地块的连续性和均一性,同时克服了"麻点"现象,大大提高分类的精度。 相似文献
18.
本文提出了一种新的混合像元聚集指数计算方法。该方法基于高分辨率遥感数据,采用方向孔隙率公式和线性混合模型相结合的方法,详细描述了混合像元内部由于植被覆盖度(FVC)、端元聚集指数以及叶倾角分布等引起的尺度差异。利用模拟数据进行初步敏感性分析,将计算得到的混合像元聚集指数与所占面积比例最大的端元聚集指数进行比较,结果表明端元聚集指数的不均一性对计算结果影响最大,由此得到的混合像元聚集指数较最大面积端元聚集指数下降了55%;植被覆盖度的不均一性影响次之,可使聚集指数降低43%;植被叶倾角分布(G函数)的空间异质性影响最小,约12%。敏感性分析的结果同时也证明了对于空间异质性较强的混合像元进行尺度差异修正的必要性。利用本文中提出的混合像元聚集指数方法有望在提高低分辨率叶面积指数反演中发挥重要作用。 相似文献