基于GF-1卫星数据的水库叶绿素a浓度联合反演研究

探明不同区域及不同营养状况下水库叶绿素a的共同敏感波段,基于G F-1号卫星16 m分辨率的多光谱WFV传感器影像构建叶绿素a浓度普适性反演模型.文中以湖南省3种不同营养状况的水库为研究对象,在实测高光谱及GF-1/WFV影像预处理基础上,对比实测高光谱数据与GF-1/WFV影像数据,采用相关性分析筛选叶绿素a敏感波段...     

面向对象与卷积神经网络模型的GF-6 WFV影像作物分类

GF-6WFV影像是中国首颗带有红边波段的中高分辨率8波段多光谱卫星的遥感影像,对于其影像及红边波段对作物分类影响的研究利用亟待展开.本文结合面向对象和深度学习提出一种适用于GF-6 WFV红边波段的卷积神经网络(RE-CNN)遥感影像作物分类方法.首先采用多尺度分割和ESP工具选择最佳分割参数完成影像分割,通过面向对...     

不同尺度反演土壤重金属铜含量研究

采用实测土壤高光谱遥感数据和多光谱遥感影像数据采用单元回归分析法对土壤重金属铜含量建立反演预测模型。利用单元回归分析法分别建立模型,得出高光谱的最佳预测波段是R_(942),模型决定系数R2=0.634,多光谱最佳预测波段为B2,模型决定系数R2=0.625。通过显著性检验,均达到显著水平。结果表明多光谱遥感影像数据在本研究区内具有预测重金属铜含量的能力。     

基于无人机高光谱影像波段选择的薇甘菊分类

薇甘菊是危害最严重的外来入侵物种之一,其生长与传播极其迅速,对我国森林生态系统造成了严重破坏,相关管理部门需要一个有效的薇甘菊监测手段。传统人工调查方式需要投入大量的人力物力,成本高昂、效率低下;近年来快速发展的高光谱遥感技术为薇甘菊的监测提供了新思路。本文以无人机搭载的Nano-Hyperspec高光谱仪获取的广东省增城林场遥感影像数据为基础,对高光谱数据进行几何校正、影像降噪处理、辐射定标及坏带波段剔除等影像预处理;运用最佳指数因子法(OIF)、自适应波段法(ABS)、自动子空间划分(ASP)与自适应波段相结合的波段选择法(ASP+ABS) 3种方法进行波段选择,获取信息量较大且波段间相关性较低的特征波段组成薇甘菊分类最佳波段组合,生成3幅遥感影像;最后采用支持向量机方法(SVM)对生成的3幅不同遥感影像进行分类,以分类结果的精度评价3种波段组合对薇甘菊高光谱特征的响应程度,选出更能反映薇甘菊的光谱特征的波段组合。试验结果表明,针对Nano-Hyperspec遥感影像数据,使用OIF波段选择法,研究区内薇甘菊的制图精度和用户精度分别为74.62%、66.52%;使用ABS波段选择法...     

面向桉树和车桑子精准识别的高光谱特征变换方法比较分析

相对于遥感影像,高光谱遥感影像具有光谱信息,为精准识别植被提供了新的技术支持.对高分五号(GF-5)高光谱数据进行光谱变换,结合植被指数,分析各种光谱变换方法对植被的识别能力.首先提取研究区主要的两种植被端元光谱,对实验区进行分类,依据植被分布位置,确定这两种植被分别为桉树和车桑子;然后对植被的反射率光谱进行一阶、二阶...     

典型植被指数识别火烧迹地潜力分析

植被指数法是利用卫星遥感影像识别火烧迹地的常用方法之一。植被因受火的干扰会形成火烧迹地,其光谱特征易与裸地、水体、道路、阴影和耕地等地物光谱混淆,使用遥感影像采用合适的植被指数提高过火区遥感监测精度仍是亟待解决的问题。以四川省2014年和内蒙古自治区2017年发生的4次森林火灾形成的火烧迹地作为研究区,利用高分一号16 m宽幅(GF-1 WFV)数据和Landsat8数据的波谱特性,选取归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)、全球环境监测植被指数(global environment monitoring index,GEMI)、过火区识别指数(burned area index,BAI)和归一化火烧指数(normalized burn ration,NBR)等5种典型植被指数,通过构建不同植被指数的分离指数M来定量评价这些植被指数识别火烧迹地的潜力。研究结果表明,基于近红外—短波红外波段的NBR和基于可见光—近红外波段的BAI对过火区的分离性较好,NDVI的分离性次之,EVI和GEMI的分离效果较差;基于GF-1 WFV和Landsat8数据采用BAI和NBR指数对内蒙古鄂伦春自治旗火烧迹地进行了识别(其中GF-1 WFV数据只用于BAI识别),并利用高分二号(GF-2)数据进行了精度验证,两者火烧迹地识别总体精度均大于87%,Kappa系数均大于0. 7。     

融合多光谱影像的高光谱影像厚云去除方法

云遮挡对高光谱影像的应用造成了不可忽视的影响。现有云去除方法通常利用时域近邻的同源影像提供辅助信息。然而,高光谱影像(如GF-5和EO-1高光谱影像)较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化。时间分辨率更高的多光谱影像(如Landsat 8 OLI影像)能提供时间上更接近于高光谱云影像的辅助信息,从而减少地物覆被变化带来的影响。为应对高光谱和多光谱波段之间差异较大的问题,本文基于空谱随机森林(spatial-spectral-based random forest,SSRF)方法,提出一种利用多光谱影像(Landsat 8 OLI影像)对高光谱影像进行厚云去除的方法,将其简记为SSRF_M。SSRF_M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建。本文使用GF-5和EO-1高光谱影像进行模拟云去除试验,视觉和定量评价结果均表明,与利用时间间隔更长的同源辅助影像的方法相比,本文方法能获得更高精度的云下信息重建结果。     

基于GF-1数据的耕地土壤镉(Cd)含量遥感估算方法

本文采用多种光谱变换和回归分析方法探索了使用GF-1卫星影像监测耕地土壤镉(Cd)含量的可行性。首先针对获取的GF-1原始影像数据,在完成预处理及剔除植被信息后进行倒对数、平方根和反正弦平方根变换,生成4套光谱影像;然后分别用采样点5 m缓冲区内各套影像光谱统计值与Cd含量进行相关性分析和多种回归分析。选择模型决定系数最高(>95%)的反正弦平方根变换后的自适应重加权回归方法构建的线性回归模型作为遥感估算模型。遥感估算结果在稻田积水、边缘地带等出现了异常估算值;笔者分析原因后应用线性插值的方法得到最终估算结果。相关性分析和建模精度表明该方法是可行的,有望应用于实际土壤质量监测和土地管理中。     

基于波段子集的独立分量分析的特征提取的高光谱遥感影像分类

针对高光谱影像数据具有波段众多、数据量较大的特点,本文提出了一种基于波段子集的独立分量分析(ICA)特征提取的高光谱遥感影像分类的新方法。以北京昌平小汤山地区的高光谱影像为例,根据高光谱遥感影像的相邻波段的相关性进行子空间划分,在各个波段子集上采用ICA算法进行特征提取,将各个子空间提取的特征合并组成特征向量,采用支持向量机(SVM)分类器进行分类。结果表明:该方法分类精度最佳(分类精度89.04%,Kappa系数0.8605,明显优于其它特征提取方法的SVM分类,有效地提高了高光谱数据的分类精度。     

高分一号卫星遥感影像提取冰川堰塞湖水体方法比较

快速准确地从遥感影像提取冰川堰塞湖水体信息,是研究冰坝遥感监测与应急监测的核心热点问题.以GF-1卫星遥感影像为主要数据源,采用归一化差分水体指数(NDWI)、改进阴影水体指数(ENDWI)和面向对象(SVM)对克亚吉尔冰川堰塞湖水体进行定量提取.比较分析3种水体判识方法,3种方法均可以提取完整的水体边界,并且抑制了9...