基于GF-1 WFV数据森林叶面积指数估算

以国产高分一号(GF-1)宽幅数据(wide field of view,WFV)为数据源,采用简单生物圈模型2(simple biosphere model2,Si B2)对黑龙江省漠河县森林植被叶面积指数(leaf area index,LAI)进行估算,并与增强植被指数(enhanced vegetation index,EVI)线性模型的估算结果进行对比,结合地面实测LAI数据分别对这2种模型估算结果进行精度评价。结果表明,采用EVI线性模型估算LAI,决定系数R2为0. 582,均方根误差(root mean square error,RMSE)为0. 701;而采用Si B2模型估算LAI,R2为0. 798,RMSE为0. 358,均比EVI线性模型有所改善。该研究发现,结合中高空间分辨率的GF-1 WFV数据,Si B2模型更适宜于该研究区森林植被的LAI反演。     

基于GF-2卫星数据的孕穗期小麦叶面积指数反演——以河北省廊坊市为例

叶面积指数(leaf area index,LAI)是评价植被长势和预测产量的重要农业生理生态参数。高分2号(GF-2)卫星数据具有高空间分辨率特点,能反映更多细节信息,针对该数据特点的LAI反演方法具有较高的研究价值。以河北省廊坊市万庄镇为研究区,对孕穗期小麦采用了回归模型和神经网络算法反演LAI;采用4种植被指数与实测LAI值构建回归模型,同时重点探讨了PROSAIL模型结合神经网络方法进行LAI反演。研究结果表明,在回归模型中,归一化植被指数(normalized difference vegetation index,NDVI)的二项式模型估算LAI可以获得最高精度,采用实测数据验证的决定系数(R2)和均方根误差(root mean square error,RMSE)分别为0.719 3和0.393 6;与回归模型相比,神经网络反演LAI方法更显著提高了精度,R2和RMSE分别达到0.900 8和0.273 2。基于GF-2卫星数据,在研究区小麦孕穗期,神经网络反演LAI具有较强可行性和适用性,可为高空间分辨率卫星影像的LAI反演提供参考。     

基于三维随机辐射传输模型的高分一号中国叶面积指数产品算法

叶面积指数LAI (Leaf Area Index)是研究植被生态系统结构和功能的核心参数之一，遥感是获取大范围动态LAI的一个主要技术手段。目前国际上没有高分辨率的LAI标准化产品。本文基于三维随机辐射传输（3D-SRT）模型查找表算法研究了适用于国产高分辨率卫星高分一号宽幅相机（GF-1 WFV）的叶面积指数反演算法。模型中单次散射反照率和不确定性等参数与波段设置和波段稳定性相关。算法在全国范围内选取不同植被类型的均质样点，统计地表反射率的差异特征，调整全国6种植被类型各波段的单次散射反照率、不确定性等算法参数，进而构造适用于GF-1 WFV传感器的查找表以进行LAI的反演。研究中使用新疆维吾尔自治区石河子地区、内蒙古自治区四道桥包含农作物、森林等共359组实测地面数据开展LAI验证。验证结果表明，和调整参数前的反演结果相比，优化后的算法均方根误差RMSE可由算法优化前的1.209下降至0.804，决定系数R2由0.659提高至0.883，反演成功率RI可由25.3%提高至73.8%，算法精度和稳定性较高，更适用于GF-1叶面积指数的反演。将其应用于GF-1卫星影像上，生产了201...     

利用Landsat 7与GF-1 WFV影像反演地表温度

地表温度在地气循环系统中具有重要作用,是目前地理学研究的重点。然而目前的国产高分辨率影像缺少热红外波段,且具有热红外波段的影像分辨率较低。基于此,本文利用低分辨率影像降尺度方法反演高分辨率影像的地表温度。首先通过Landsat 7影像的热红外波段,提取典型地物的地表温度;对GF-1 WFV影像进行预处理后,利用全约束最小二乘法对高分辨率影像进行混合像元分解;根据平均温度模型,得到高分辨率影像的地表温度,并进行降尺度,通过Landsat 7影像进行精度验证。验证结果显示,均方根误（RMSE）为1.40℃,平均绝对误差（MAE）为0.44℃,精度较高。     

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...     

利用SARA结合高分一号数据反演气溶胶光学厚度

简化的气溶胶反演算法(simplified aerosol retrieval algorithm, SARA)摆脱了传统气溶胶光学厚度(aerosol optical depth, AOD)反演算法对查找表的依赖,在暗地表区域和亮地表区域均有较好的反演效果。由于中分辨率成像光谱仪(moderate resolution imaging spectroradiometer, MODIS)数据得到的AOD空间分辨率不足,因此在SARA的基础上结合更高空间分辨率的高分一号(GF-1)宽视场(wide field of view, WFV)数据开展了AOD反演研究。精度验证结果表明,反演结果与地基观测值具有较高的一致性,相关系数为0.962,均方根误差为0.073,平均绝对误差为0.051,预期误差为88.6%;反演结果与同期的MODIS气溶胶产品相比,空间上分布较为一致,且具有较高的空间覆盖度、分辨率和精度。针对高分数据的算法适用性研究表明,GF-1 WFV相机的观测几何和辐射定标误差引起的反演误差较小,绝对误差均在0.04以内,相对误差均在10%以内。     

GF-6影像下的南方路域针叶植被LAI反演研究

为了更好应用国产高分辨率遥感影像监测评价南方路域植被环境,研究南方路域针叶植被叶面积指数遥感反演.该文以长益高速研究区域的高分六号影像(GF-6)为基础,提出了可适用于针叶叶片的LIBERTY+ SAIL耦合模型并结合多元线性回归、局部加权回归反演路域植被针叶LAI的方法.研究中以耦合模型模拟的冠层光谱反射率、GF-6影像和野外实测生化参数为数据源,通过相关性分析,将与LAI相关性较高的SAVI、RVI和EVI 3种植被指数作为反演因子,结合组合模型反演LAI并评定模型的反演精度.结果 表明,耦合模型对南方路域针叶植被LAI的估算精度整体较高,对比分析两种叶面积指数的组合预测模型,耦合模型结合局部加权回归组合反演LAI具有优越性,可更好地反演路域植被针叶LAI.     

尺度效应的叶面积指数产品真实性检验方法

真实性检验是评价遥感反演产品质量和验证遥感应用产品是否准确、真实地反映实际情况的重要途径。叶面积指数(LAI)是表征陆地植被结构和长势的关键参数,全面准确评价和验证LAI产品是产品用于陆面过程模型的前提。本文以MODIS LAI与GLASS LAI产品为研究对象,在尺度效应和尺度转换的基础上,建立了针对非均匀像元的低分辨率LAI产品真实性检验方法。在考虑空间异质性和植被长势差异的情况下,借助中分辨率的遥感影像,分别利用1 km像元平均叶面积指数和反演表观叶面积指数实现了对LAI算法和产品的真实性检验。为了比较作物长势差异和地表非均匀度对产品的影响,本文选择有代表性的河南鹤壁和甘肃张掖两个地区进行两种LAI产品真实性检验研究。研究结果表明,GLASS LAI和MODIS LAI产品均存在明显的低估现象。这并不是产品算法的问题,而是由于地表异质性和非均匀度的影响。在异质性更显著的张掖盈科灌区,低估现象更明显。GLASS LAI产品是多种LAI产品的融合,它的平均LAI比MODIS更接近真实情况,但是LAI的动态范围比MODIS窄。     

遥感影像空间尺度上推方法的评价

首先分析了几种常用的影像质量评价指标在遥感数据空间尺度上推方法评价中的不足,同时提出了已有的关于空间尺度上推方法在评价思路上的不妥之处.引入了空间分辨率和SSIM(structural SIMilarity)2个遥感影像质量评价指标,给出了新的评价思路,并在此基础上对5种遥感数据空间尺度转换方法进行了评价.在本实验中,空间分辨率和SSIM 2个遥感影像质量评价指标一致表明,Bilinear和Bicubic方法的结果影像能够更好地接近目标空间尺度下的影像特征.实验表明,依据新的评价思路,采用空间分辨率和SSIM 2个评价指标进行空间尺度上推方法表现出较强的有效性和优越性.     

遥感卫星几何产品真实性检验方法与应用

遥感影像产品的几何精度是评价遥感卫星影像质量的一个重要指标,反映卫星传感器的技术水平,对遥感影像数据的应用具有重要影响。基于当前遥感卫星几何产品真实性检验研究相关成果,从检验数据源的角度,将几何产品真实性检验方法分为基于地基数据的检验方法和基于参考影像数据的检验方法,并介绍两种方法的基本原理、操作步骤和流程、优缺点以及研究现状。最后,应用基于参考影像数据的真实性检验方法对国产GF-1卫星WFV1相机影像的定位精度进行检验。对今后遥感卫星几何产品的真实性检验具有参考与指导意义。     

黑河遥感试验中尺度上推研究的进展与前瞻

尺度问题是遥感科学研究的一个关键科学问题,但其理论和方法的发展严重受限于稀缺的多尺度观测数据。黑河生态水文遥感试验(Hi WATER)的核心目标之一是开展多尺度观测以支持尺度转换研究。本文综述了Hi WATER中定点观测的尺度上推研究进展,内容包括:(1)尝试严格定义了空间平均、空间尺度上推、观测足迹、代表性误差、观测真值等概念;(2)介绍了Hi WATER获取的多尺度(单点—像元—区域—流域)生态水文观测数据;(3)发展了基于地统计理论的多尺度采样方法,改进了基于时间稳定性的采样方法;(4)定量评估了辐射、碳通量、土壤水分、地表温度单点观测的代表性误差,实证了异质性地表遥感产品真实性检验的不确定性主要来源于观测的时空代表性;(5)发展了定点观测的尺度上推方法,将克里格方法推广至回归克里格、面到面、不等精度观测等情形,发展了贝叶斯框架下的非线性尺度上推方法,实证了引入遥感观测作为协同信息可显著提高尺度上推的精度。总之,Hi WATER初步形成了从采样设计、多尺度观测、代表性误差的度量、尺度上推新方法到真实性检验的研究框架。     

针对GF-1遥感影像的基于影像与基于辐射传输模型的两种交叉定标方法比较

"高分一号"配置了4台16m分辨率多光谱宽幅(WFV)相机,组合观测幅宽达到800km。为了将其应用于定量遥感,需要对其进行精确的辐射定标。目前针对高分一号卫星有两种交叉定标方法,都在传统方法的基础上进行了改进。一种是基于影像的交叉定标方法(image-based),另一种是基于辐射传输模型和二向反射分布函数的交叉定标方法(RTM-BRDF)。本文采用这两种方法对高分一号(GF-1)的4个相机进行辐射定标,并对这两种方法进行了对比分析,发现对于WFV2和WFV3这两个近似星下点成像相机,image-based方法可以得到精度较高的辐射定标系数,而对于WFV1和WFV4这两个非星下点成像相机来说,RTM-BRDF方法得到的定标系数精度较高。因此,最终将两种方法结合给出GF-1 4个相机最终的定标系数。     

基于GF-1与实测光谱数据鄱阳湖丰水期总悬浮物浓度反演

总悬浮物浓度是水质评价的重要参数之一。2015年8月,在鄱阳湖布设33个采样点,通过测量水面光谱和采集水样进行检测,获取水面遥感反射率、总悬浮物浓度和叶绿素a浓度等数据。结合实测水面遥感反射率数据与总悬浮物浓度的相关性分析,建立了单波段、一阶微分和波段比值3种反演模型,并分别进行了精度验证。研究发现,3种反演模型的拟合度(R2)均大于0. 9,其中单波段模型最优,其R2、均方根误差(root mean square error,RMSE)及平均相对误差(mean relative percentage error,MRPE)分别为0. 980 5,3. 78 mg/L和16. 99%。将该单波段模型应用于2015年8月3日的高分一号(GF-1)卫星影像数据,同样得到了较高的反演精度,R2,RMSE和MRPE分别为0. 847 7,12. 23 mg/L和35. 22%。结果表明,鄱阳湖丰水期总悬浮物浓度值总体偏低,平均值为23. 26 mg/L,高值主要集中在鄱阳湖北部通江河道及其以南的中部水域,其余水域分布较为均匀。利用2015年10月24日GF-1影像和准同步观测的21个采样点的总悬浮物浓度数据使用此模型做进一步验证,其反演精度接近于2015年8月影像验证结果,表明该模型能进一步推广应用到鄱阳湖不同时期总悬浮物浓度的反演。通过实测光谱的分析以及在遥感影像上的应用,可以为鄱阳湖总悬浮物浓度的反演以及环境监测提供参考。     

面向对象与卷积神经网络模型的GF-6 WFV影像作物分类

GF-6 WFV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,通过面向对象的CART决策树消除椒盐现象的同时提取植被区域,并转化为卷积神经网络的输入数据,最后基于Python和Numpy库构建的卷积神经网络模型(RE-CNN)用于影像作物分类及精度验证。有无红边波段的两组分类实验结果表明:在红边波段组,卷积神经网络(RE-CNN)作物分类识别取得了较好的效果,总体精度高达94.38%,相比无红边波段组分类精度提高了2.83%,验证了GF-6 WFV红边波段对作物分类的有效性。为GF-6 WFV红边波段影像用于作物的分类研究提供技术参考和借鉴价值。     

面向对象的多尺度加权联合稀疏表示的高空间分辨率遥感影像分类

针对高空间分辨率遥感影像中的地物具有多尺度特性,以及各个尺度的对象特征对地物分类精度的影响具有较强的尺度效性,并结合面向对象影像分析方法和多尺度联合稀疏表示方法在高空间分辨率遥感影像分类中的各自优点,提出了一种面向对象的多尺度加权稀疏表示的高空间分辨率遥感影像分类算法。首先,采用多尺度分割算法获得多尺度分割结果并提取对象的多尺度特征;然后,根据影像对象的多尺度分割质量测度计算各尺度的对象权重,构建面向对象的多尺度加权联合稀疏表示模型;最后,采用2个国产GF-2高空间分辨率遥感数据集和1个高光谱-高空间分辨率航空遥感数据集（WashingtonD.C.数据）验证该算法的有效性。试验结果表明,与SVM、像素级稀疏表示、单尺度和多尺度对象级稀疏表示和深度学习等算法相比较,本文算法获得了较高的OA和Kappa分类精度,提高了各个尺度地物的分类精度,有效抑止了地物分类结果中的椒盐噪声现象,同时保持大尺度地物的区域性和小尺度地物的细节信息。     

地表反射率产品支持的GF-1 PMS气溶胶光学厚度反演及大气校正

GF-1卫星PMS(GF-1 PMS)数据具有高空间分辨率、短重访周期的特点,可以在地表类型识别、参数提取中发挥重要作用。但由于缺少2.1μm附近的短波红外波段,使得气溶胶反演时地表反射率的精确确定非常困难,从而导致其高精度大气校正难以开展,限制了该数据的应用。本文提出了一种地表反射率数据支持的气溶胶反演方法,用于GF-1PMS数据的大气校正。其基本思想是:使用现有的地表反射率数据集为GF-1PMS数据提供地表反射率,用于确定GF-1PMS图像中浓密植被像元(DDV)的分布,基于确定的浓密植被像元反演气溶胶光学厚度(AOD),并用于大气校正。这里使用的地表反射率数据集为合成的无云MODIS地表反射率产品,对GF-1PMS数据做了空间尺度的转换。为降低两类数据配准误差对地表反射率确定的影响,提出了使用区域NDVI分布百分比匹配的方法,回避了像元的直接匹配,为GF-1PMS数据提供DDV的空间分布。为验证该方法的有效性,利用北京、太湖两个AERONET站点观测的气溶胶光学厚度对气溶胶反演结果进行精度验证,结果表明,气溶胶反演算法精度较高,稳定性较强。AOD反演结果应用于北京和敦煌地区的GF-1PMS数据大气校正,获得的地表反射率与地面实测的地表反射率的误差低于0.015,且大气校正后影像对比度明显提高。     

高分一号卫星影像谐波模型模拟方法研究

随着遥感技术的发展,遥感应用的广度和深度得到了大幅度提升,遥感用户对遥感数据的空间分辨率及时间分辨率的需求也越来越高。遥感影像空间分辨率与时间分辨率之间的矛盾难以调和,再加上云、雾、雪和云阴影等因素的影响,限制了高时空分辨率干净遥感影像的获取,为此尝试研发一种影像模拟方法,以便拓展高空间分辨率遥感影像的时间分辨率。利用无云、雾、雪和云阴影的高分一号(GF-1)卫星时间序列影像为每个波段每个像元构建以日期为参数的谐波模型,进而建立基于谐波模型的影像模拟方法,实现指定日期GF-1卫星影像的模拟。基于谐波模型的影像模拟方法生成的模拟影像与真实影像在视觉上十分接近,在定量评估方面也取得了较好的效果,两者之间各波段大多数像元差值处于-0. 03~0. 03间,均方根误差保持在0. 02~0. 05间,表明基于谐波模型的影像模拟方法具有较高的精度与稳定性,可有效提升GF-1卫星影像的时间分辨率,具有一定的实用价值。     

基于GF-1与Landsat-8影像的山区苹果园地信息提取

GF-1卫星影像具有空间和时间分辨率高、纹理信息丰富等优势,而Landsat-8卫星影像具有多波段、光谱信息充足等优势。针对两种影像的特点,本文分别用面向对象分类方法进行苹果园地信息提取研究,结果表明:两种影像的分类精度都比较高,但由于研究区域属于山区,地块分布不均匀,GF-1影像发挥其空间分辨率较高的优势,苹果园地面积提取精度比Landsat-8高1.19%。     

基于高分一号与Landsat-8影像的水体浊度反演比较

为分析高分一号WFV传感器16 m遥感影像在水质反演方面的能力,本文选取南四湖为研究区,以高分一号卫星影像与Landsat-8卫星OLI影像为数据源,结合地面同步实测水体浊度数据,建立反演水体浊度的原始光谱反射率模型、归一化反射率模型和波段比值模型,并对各模型进行精度评价,分别比较两个传感器在浊度反演能力方面的差异。结果表明:利用高分一号WFV 16m遥感影像进行水质反演具有较高的精度,且具备更高的空间分辨率和更短的重访周期,可以替代Landsat-8多光谱数据。     

高分六号宽幅多光谱数据人工林类型分类

高分六号(GF-6)卫星于2018年成功发射,2019-03正式投入使用。由于GF-6宽幅相机的WFV(Wide Field of View)影像较GF-1的同类影像新增2个红边波段,将会提高对农业、林业、草原等资源监测能力。为了分析GF-6的WFV影像在人工林分类方面的能力,促进高分数据在林业领域的应用,本文选取广西高峰林场为研究区,以最新的GF-6 WFV影像为数据源,结合地面实测类型数据,进行广西南宁高峰林场的桉树,杉木等人工林类型提取。主要运用随机森林(random forests)的分层分类法:首先计算6种植被指数,并利用随机森林法进行植被指数的特征优选,然后确定4种波段组合数据集的分类方案,4种数据集分别为(1)无红边的前4个波段,(2)有红边的8个波段,(3) 8个波段加上未优化的植被指数特征组合,(4) 8个波段加上优化的植被指数特征组合。再进行WFV影像4种数据集的随机森林分类,随机森林采用分类回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。最后比较4个方案的分类结果并进行精度验证。结果表明:方案2比方案1精度提高了4.99%,Kappa系数提高了0.058。说明包含红边的8波段数据比4个波段数据精度有大幅提升。方案4的8波段加上优化植被指数特征组合的分类精度最高,达到了85.38%,比方案2包含红边波段组和方案1无红边波段组的精度分别提高了3.98%,8.97%,Kappa系数分别提高了0.046,0.104。说明WFV影像加入红边波段比无红边波段精度明显增高。由结果可知,红边指数的引入,增强了植被信息,能够较准确地反映人工林类型特征差异,明显提升了人工林的分类精度。本研究方法可以有效改善广西人工林类型信息提取效果,为GF-6影像质量的评价及其在林业应用潜力提供科学参考依据。