基于高光谱遥感数据提取森林结构参数的研究

以位于三峡库区的龙门河森林自然保护区为研究区,综合利用线性光谱混合模型和几何光学模型,基于高光谱遥感数据提取森林结构参数是本文研究的重点。在研究区地面调查数据的基础上,通过高光谱数据和混合光谱分解法,获得反演几何光学模型所需的四分量参数,根据背景光照分量与森林植被冠层各参数间的关系,反演得到森林冠层郁闭度及平均冠幅的定量分布图,并利用37个野外实测样本进行结果验证。     

毛乌素沙地植被覆盖变化的遥感分析

为了防止毛乌素沙地沙漠化、改善生态环境质量,近10年国家在该区域实施了一系列生态环境建设工程。这些工程的主要目标就是恢复退化植被,提高植被覆盖率。本研究基于2000年、2005年、2010年三期的Landsat数据,利用eCognition软件中面向对象分类技术和地理信息系统的叠加分析功能,分析了2000~2010年间毛乌素沙地植被覆盖变化情况。同时,通过MODIS-NDVI数据计算分析了植被覆盖度的变化趋势。研究得出:1)该区域草地大幅度增加,尤其是2005年到2010年之间,增加更加明显;林地基本稳定;旱地由于退耕还林等政策有所减少;2)近10年来毛乌素沙地植被覆盖度呈逐步增加趋势,西北部和东南部增加尤为明显。产生上述变化的自然因素和人为因素的贡献率需要进一步研究。     

线性/非线性光谱混合模型估算白刺灌丛植被覆盖度

及时监测干旱与半干旱区光合/非光合植被覆盖度时空变化,可以为指导荒漠化防治工程及植被衰退机制研究提供重要信息。本文以甘肃民勤典型植被白刺灌丛为研究对象,通过地面控制性光谱实验获取混合光谱、端元光谱与丰度信息,开展线性与非线性光谱混合模型(包括核函数非线性和双线性混合模型)估算光合和非光合植被覆盖度的对比研究,采用全限制最小二乘法进行模型解混,分别获取各样本数据中各类端元丰度及其精度信息,通过模型分解的均方根误差(RMSE)与地面验证精度确定用于光合和非光合植被覆盖度估算的最佳光谱混合模型,其中参考端元丰度采用神经网络(NNC)分类算法对数字影像进行分类获取。结果表明:(1)引入阴影端元的四端元模型相对于传统的三端元模型(光合/非光合植被与裸土)能有效提高光谱解混的精度,并提高光合和非光合植被覆盖度估算精度;(2)对白刺灌丛来说,光合植被、非光合植被、裸土及阴影间多重散射混合效应存在,但混合效应不够显著;考虑非线性参数的核函数非线性光谱混合模型表现略低于线性光谱混合模型,因此非线性光谱混合模型在估算白刺灌丛光合和非光合植被覆盖度时相对于线性光谱混合模型没有明显优势;(3)基于光合/非光合植被、裸土与阴影四端元的线性光谱混合模型可以实现白刺灌丛光合和非光合植被覆盖度的准确估算,光合植被覆盖度估算RMSE为0.11 77,非光合植被覆盖度估算RMSE为0.0835。     

三江源典型区草地退化Hyperion高光谱遥感识别研究

三江源草地退化直接影响当地及长江、黄河和澜沧江中上游地区的生态安全、水资源合理利用、经济可持续发展和社会稳定,一直是人们关注的焦点问题。近年来,该地区草地群落毒杂草组分增大,退化严重。高光谱遥感具有精细识别草地种群的潜在能力,如何利用其进行草地群落组成信息探测并进行退化识别是当前研究的热点和难点问题。利用卫星高光谱Hyperion影像和地面实测高光谱遥感数据,通过多端元混合像元分解技术,提取可食牧草、毒杂草以及裸土组分信息;以此为指标对研究区草地退化程度进行分类识别,依次为:未退化、轻度退化、中度退化、重度退化和极度退化。利用野外样方实测数据验证监测结果,精度达到84.2%,表明高光谱遥感对草地退化探测具有良好的应用潜力。     

土地利用现状更新调查中荒漠化地区绿地信息提取的方法研究

以内蒙古奈曼旗地区为研究区域,采用landsand5-TM数据,通过对影像进行预处理,主成分分析后进行监督分类,并运用第一主成分分量与实测数据建立植被盖度遥感信息模型,对研究地区的绿地信息进行定量化的提取。结果表明:对于该荒漠化地区,遥感影像进行主成分分析后,再进行监督分类效果较好,第一主成分分量进行线性变换后,与实测数据进行一次,二次,三次拟合,以三次拟合曲线精度最高。说明在定量提取植被盖度时,采用主成分分析后的第一主分量与实测数据建立遥感信息模型的方法是可行的。     

水蚀荒漠化信息自动提取方法研究

针对黄上高原地区水蚀荒漠化较为严重这一问题,建立了一套基于ETM+遥感数据和地理信息系统的水蚀荒漠化信息自动提取的技术方法体系,并对其信息提取精度进行了评价.该方法以NDVI(归一化植被指数)、KT3(KT变换后的湿度信息)、slope(坡度)、DEM(高程)及典型地物光谱数据作为水蚀荒漠化分类的特征波段,构建了决策树分类规则,有效剔除了研究区非水蚀荒漠化信息;引入面向对象多尺度分割技术,以坡度(slope)、沟谷密度(gully density)和植被覆盖度(vegetation coverage)等作为水蚀荒漠化程度分级的特征波段,通过层次分析法(analytic hierarchy process)确定特征波段的分割权重,实现了水蚀荒漠化程度的分级.该方法提取结果与目视解译结果的总体一致性为82.8％.     

利用高光谱混合像元分解估测喀斯特地区植被覆盖度

以Hyperion高光谱影像为数据源,以植被、裸土、裸岩作为喀斯特地区典型地物,利用纯净像元指数方法从影像中提取这3类地物的端元,然后利用匹配滤波(MF)和混合调谐匹配滤波(MTMF)混合像元分解的方法对喀斯特地区的植被覆盖度进行了估测。结果表明:MTMF方法反演得到的喀斯特地区植被丰度与实测植被覆盖度之间的最大偏差为0.15,确定系数R2为0.78,均方根误差RMSE为9.18,MTMF植被覆盖度提取的结果明显优于MF,故MTMF方法反演得到的喀斯特地区植被丰度准确地代表了地表真实植被覆盖情况。研究表明,MTMF方法对喀斯特地区植被覆盖度的估测具有更高的精度及可靠性,具有广阔的应用前景。     

基于高光谱数据和专家决策法提取红树林群落类型信息

高光谱遥感是进行地表植被观测的强有力工具,研究并验证有效的算法和数据支撑技术,对于合理利用高光谱数据进行地表植被监测与分析至关重要。在光谱特征分析和地面调查的基础上,基于决策树方法和高光谱分析方法的组合,以深圳市福田国家级自然保护区为例,利用高光谱数据进行红树林群落信息提取的实证研究。结果证实了Hymap数据对于红树林群落类型信息提取的数据支撑能力,以及相关方法用于红树林分类研究方面的有效性。     

基于ASTER遥感影像的亚热带植被覆盖度信息提取

根据植被指数估算植被覆盖度的原理,以混合像元线性分解模型两个重要参数为基础,建立基于归一化植被指数(NDVI)进行估算植被覆盖度模型是研究区域植被覆盖度的一种重要方法.本文以广州市花都区为实验区,利用ASTER高光谱影像对此方法进行验证性分析,实验结果表明:用该方法提取ASTER影像的植被覆盖度具有较好的可行性.     

基于NDVI和LSMM的干旱区植被信息提取研究——以新疆吐鲁番市为例

植被是干旱区生态建设重要的组成部分,而植被覆盖度是生态环境变化的重要指示,是评价生态系统健康的前提条件。本文在遥感等技术的支持下,以landsatTM影像为数据源,选用归一化植被指数(NDVI)和线性光谱混合分析模型(LSMM)两种方法进行分析比较,提取吐鲁番市近20年植被覆盖度,并对该地区植被覆盖度的演变特征进行分析。结果表明:①LSMM方法能较好地提取干旱区植被信息,指标简单且分类精度较高。②NDVI方法提取植被时,受到很多限制,在干旱区不宜采用。     

混合像元分解技术及其进展

混合像元分解模型是定量遥感研究的重要组成部分,为各种地学应用提供了更精细的亚像元级地物信息,这一领域受到国内外学者们广泛关注。本文围绕混合像元分解研究的4个核心问题——光谱混合模型、端元提取、模型反演方法以及解混精度评估,总结了近20年来混合像元分解的重要研究进展,分析和介绍了典型算法模型的原理和思路。进一步阐述了现有研究在一些关键问题上存在的不足,如目前仍缺乏公认的线性和非线性模型的选择判据、已有的混合像元分解模型无法抑制由端元光谱相关造成的共线性问题。最后总结了混合像元分解未来的发展趋势和值得探索的研究方向。如结合辐射传输模型和地面试验,定量分析多次散射的影响机制,以及结合克服共线性的统计回归模型。     

Evaluation of MIVIS Hyperspectral Data for Mapping Soil Degradation in an Upland Ecosystem of Southern Italy

Abstract

This paper describes the first stage of an experiment aiming to evaluate the potential and limitations of MIVIS data for mapping the degradational state of soils in a sub‐scene of a southern Apennines study area (Italy). After radiometric rectification of the image data and the collection of a field/laboratory spectral library, linear spectral mixture modelling (SMA) was used to decompose image spectra into fractions of spectrally distinct mixing components. Spectral endmember selection was based upon a principal component analysis (PCA) applied to a set of soil spectra, collected from the spectral library. The resulting abundance estimates (fractions) trough SMA were then analysed to identify soil conditions and to obtain an improved measure of dry and green vegetation cover. A map of soil conditions and dry‐green vegetation abundance, based upon MIVIS data was then derived from normalised fractions of soil‐vegetation endmembers obtained from SMA.     

基于波谱角分类法的沙化信息提取研究——以毛乌素沙地典型地区为例

以毛乌素沙地典型地区为例,以CBERS2、Landsat5 TM、SPOT5及 TM与SPOT5融合影像作为基本数据源,使用波谱角分类法对 该区流动沙地、半固定沙地、固定沙地和沙化耕地进行信息提取,探索和比较该方法针对不同传感器遥感影像的沙化信息提取精度 。对本研究区,不同传感器影像的沙化信息提取精度均在80%以上,其中融合影像的沙化信息提取精度最高为90.13%,SPOT5次之, 而CBERS2和TM对不同类型的沙化信息提取各有优势,但CBERS-2信息提取的精度要高于TM。这说明使用波谱角分类法提取的结果精 度与影像空间分辨率有正相关关系,即空间分辨率越高,沙化信息的提取精度也越高。     

综合非光谱信息的荒漠化土地CART分类

用遥感手段对荒漠化进行监测是当前荒漠化研究的热点问题,传统的荒漠化遥感信息自动提取方法是基于光谱特征的图像分割,受多种因素的影响,分类精度的提高遇到瓶颈,因此基于知识的分类方法应运而生。CART是一种非参数化的分类与回归方法,在用于遥感影像自动分类时,可以方便地应用多源知识,提高分类精度。本文在分析了CART方法原理的基础上,针对荒漠化地区各种地物的特点,将包括地物光谱知识、纹理知识、植被盖度等在内的多种知识融入CART模型,克服了单纯利用光谱特征进行分类的不足,取得了85.94%的精度。     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。     

The derivation of an Arctic sea ice normal through temporal mixture analysis of satellite imagery

The use of temporal mixture analysis (TMA) for creating a long-term baseline, or environmental “normal” is described. TMA is a promising analysis method derived from the hyperspectral image processing technique of spectral mixture analysis (SMA). TMA is algebraically identical to SMA, except that it is applied to temporal spectra rather than to electromagnetic spectra. TMA has particular potential to extract climate signals from long image sequences.     

城市不透水面遥感估算

由于人口快速增长和农村人口向城市迁移,城市不透水面积也在持续快速增长。加速的城市扩张和无监控的城市开发会导致诸多生态环境问题。本文利用Landsat影像,采用附有限制条件的线性光谱混合分解、植被覆盖度与不透水面负相关模型、监督分类三种方法对南京城区的不透水表面分布进行空间分析。通过评估这三种方法提取的不透水面的精度和分析和种方法受其主要人为因素的影响大小以及不透水面的提取过程,表明了线性光谱混合分解方法较优。     

基于独立分量分析的遥感影像非监督分类方法

利用独立分量分析的方法，从图像信号分离的角度出发，将每个波段像元的光谱特征看成是由相互独立的不同地物类型光谱信号混合而成。通过ETM^-遥感影像数据的分类试验，验证了该方法应用于多光谱遥感影像非监督分类的有效性。     

The use of single-date MODIS imagery for estimating large-scale urban impervious surface fraction with spectral mixture analysis and machine learning techniques

Urban impervious surface information is essential for urban and environmental applications at the regional/national scales. As a popular image processing technique, spectral mixture analysis (SMA) has rarely been applied to coarse-resolution imagery due to the difficulty of deriving endmember spectra using traditional endmember selection methods, particularly within heterogeneous urban environments. To address this problem, we derived endmember signatures through a least squares solution (LSS) technique with known abundances of sample pixels, and integrated these endmember signatures into SMA for mapping large-scale impervious surface fraction. In addition, with the same sample set, we carried out objective comparative analyses among SMA (i.e. fully constrained and unconstrained SMA) and machine learning (i.e. Cubist regression tree and Random Forests) techniques. Analysis of results suggests three major conclusions. First, with the extrapolated endmember spectra from stratified random training samples, the SMA approaches performed relatively well, as indicated by small MAE values. Second, Random Forests yields more reliable results than Cubist regression tree, and its accuracy is improved with increased sample sizes. Finally, comparative analyses suggest a tentative guide for selecting an optimal approach for large-scale fractional imperviousness estimation: unconstrained SMA might be a favorable option with a small number of samples, while Random Forests might be preferred if a large number of samples are available.