基于Landsat长时间序列数据估算树高和生物量

以Landsat长时间序列数据为研究对象,旨在以光谱序列信息反演森林参数为视角,应用Landtrendr算法从时间序列数据中提取森林扰动变量,使用随机森林计算方法建立扰动变量、反射率和GLAS激光点森林参数之间的关系模型,获取树高和生物量的空间分布信息。为多源遥感数据反演森林参数提供参考,研究证明基于Landsat长时间序列数据获得的森林扰动变量能够增强反射率和森林参数之间的相关性,可提高预测精度。     

融合高时空分辨率数据估算植被净初级生产力

植被净初级生产力NPP(Net Primary Production)遥感估算与分析,有赖于高时空分辨率的遥感数据,但目前中高分辨率的遥感数据受卫星回访周期及天气的影响,在中国南方地区难以获取连续时间序列的数据,从而影响了高精度的区域植被净初级生产力的遥感估算。为此,提出一种基于多源遥感数据时空融合技术与CASA模型估算高时空分辨率NPP的方法。首先,利用多源遥感数据,即Landsat8 OLI数据与MODIS13Q1数据,采用遥感数据时空融合方法,获得了时间序列的Landsat8 OLI融合数据;然后,基于Landsat8 OLI时空融合数据,并采用CASA模型,以长株潭城市群核心区为例,进行区域植被NPP的遥感估算。研究结果表明,基于时间序列Landsat融合数据估算的30m分辨率的NPP具有良好的空间细节信息,且估算值与实测值的相关系数达0.825,与实测NPP数据保持了较好的一致性。     

基于时间序列统计特性的森林变化监测

森林动态变化分析对揭示生态系统环境变化及植被恢复和布局重建等具有重要意义,时间序列的遥感数据为森林监测提供了基础数据。本文根据森林植被的统计学特性,在暗目标法的基础上,利用归一化植被指数NDVI实现森林样本自动选择;并融合NDVI构建了新的综合森林特征指数(Integrated Forest Z-Score,IFZ);以时间序列的IFZ分析森林动态信息,实现森林变化动态监测。以三峡大坝及周边区域森林为研究区,利用2001年至2012年每年生长季节(5月—10月)的Landsat TM影像检验本文算法。基于2002年、2006年和2010年三期7月—9月的Quick Bird影像的精度分析结果发现:研究区森林变化检测的总体精度可达96.53%,Kappa系数为0.9512。在添加NDVI指数后构建的IFZ提高了总体监测精度。其中,毁林类别的检测精度提高显著,漏检率和误检率分别为2.74%和3.64%;干扰后重建的森林类别的检测精度有一定提高,其漏检率和误检率分别为10.79%和10.51%。研究结果表明,改进暗目标法能提高森林样本的选样效率,添加NDVI的IFZ能提高森林动态变化的识别度。此外,本算法不仅能定性识别森林变化,而且能定量提供森林干扰发生时间和干扰强度。     

地表覆盖水面信息动态监测方法探索

遥感技术提取水面信息是目前高效的方法,文中通过梳理现有水面提取方法,对关键技术进行分析,提出依据应用需求可采用基于中低空间分辨率、高时间分辨率遥感影像的大区域水面信息提取,以及基于长时间序列遥感影像的水面空间分布变化监测等不同监测模式的思路。通过选取实验区,开展水面范围变化动态监测,对提出的思路进行验证,为水面范围变化动态监测提供方法参考。     

改进的VCT长时间序列森林干扰方法

针对传统的VCT(Vegetation Change Tracker)模型进行了改进,通过引入双季节数据,提高了森林干扰提取精度。以湖南省株洲市天元区和渌口区为例,基于Google Earth Engine搭建了VCT模型,构建了长时间序列Landsat 5/8卫星数据堆栈(LTSS),实现了研究区1989—2019年以来的森林干扰历史重建,分析了研究区森林干扰时空分布特征和变化趋势等。实验结果表明:基于双季节数据的VCT算法可有效提取森林干扰信息,干扰提取的总体精度达到81.33%,较传统的VCT方法提高了4.44%;研究区1989—2019年干扰面积总体呈上升趋势,干扰主要体现在城镇扩张、农业开垦和交通网建设3方面。实验结果表明了该算法的有效性,可应用于我国南方森林干扰提取研究。     

Landsat卫星图像用于大面积森林扰动监测的研究进展

自然因素和人为原因使不同程度的森林扰动现象频繁发生,对森林资源管理、气候变化等产生了重要影响。在全球变暖的大背景下,大面积森林扰动监测及其影响已成为目前国内外研究的热点与前沿问题之一,Landsat系列卫星是最为常用的一类数据。在深入分析国内外相关方法的基础上,综述了Landsat卫星图像用于大面积森林扰动遥感监测的研究进展,主要方法包括全地面覆盖制图、抽样方法和与较低空间分辨率图像复合方法 3大类,并对比分析了这些方法的优缺点,最后对未来可能的研究方向做出了展望。     

融合Landsat 8与Sentinel-2数据的红树林物候信息提取与分类

科学准确地监测红树林是保护海陆过渡性生态系统的基础和前提,但红树林分布于潮间带,难以进行大规模人工监测。遥感技术能够对红树林进行长时间、大面积监测,但已有研究尚存不足。一方面,红树林分布于热带、亚热带区域,受到天气条件限制难以获得长时间覆盖的有效光学遥感数据;另一方面,红树林极易与其他陆生植被混淆,仅利用多波段数据的光谱信息难以精确识别。本文以恒河三角洲孙德尔本斯地区为例,基于谷歌地球引擎GEE（Google Earth Engine）获取2016年全年的Landsat 8 OLI和Sentinel-2 MSI数据,利用物候信息进行红树林提取研究。首先,基于最小二乘回归构建两个传感器在相同指数之间的关系,重建时间序列数据,之后根据可分性判据选取增强型植被指数EVI（Enhanced Vegetation Index）和陆地表面水分指数LSWI（Land Surface Water Index）。其次,对两个指数的时间序列数据进行Savitzky-Golay滤波处理,并分别提取生长期始期等13种物候信息。最后,将两个指数的物候信息进行特征级联,采用随机森林RF（Random Forest）方法进行分类,提取研究区红树林范围。实验结果表明：Landsat 8 OLI和Sentinel-2 MSI数据融合可有效提升时间序列质量,与基于单一传感器数据的分类结果相比,总体精度提高1.58%;物候信息可以显著增强红树林与其他植被的可分性,与直接使用时间序列数据的分类结果相比,总体精度提高1.92%;同时考虑EVI和LSWI指数可极大地提升分类效果,与采用单一指数相比,总体精度分别提高14.11%和9.69%。因此,本文通过数据融合、物候信息提取和指数特征级联可以更好地提取红树林,总体精度达到91.02%,Kappa系数为0.892。研究验证了物候信息在红树林遥感监测中的应用潜力,提出的方法对科学准确地监测全球或区域红树林具有一定参考价值。     

基于时间序列多源遥感数据的长江河口湿地生态系统长期演变过程与机制研究

受全球气候变化和人类活动的影响,长江河口湿地生态系统面临湿地面积萎缩、外来物种入侵、环境污染以及海岸侵蚀等诸多退化风险,实际应用中由于缺乏高质量长期连续的湿地变化监测资料,严重制约着湿地生态系统的长期演变规律及其驱动机制的研究,这对长远的湿地生态修复策略制定、湿地的生态修复和重建效果评估、湿地资源的合理保护和科学管理等产生了重大的影响。随着遥感技术的快速发展以及遥感数据可获取能力的不断提高,基于高质量长时间序列遥感数据分析湿地生态系统长期演变过程、规律、机制及其生态效应成为可能。本文以长江河口湿地生态系统为例,利用长时间序列多源遥感数据,针对已有湿地产品存在的时空不连续、一致性差、精度不高的问题,提出面向典型河口海岸湿地生态系统长期演变的遥感监测新方法,开展了长时间序列的长江河口湿地的遥感制图和变化监测研究,并在此基础上深化分析并探索了长江河口湿地生态系统结构和功能的长期演变过程、特征与驱动机制。     

Landsat长时间序列数据格式统一与反射率转换方法实现

介绍了一种长时间序列遥感影像预处理程序,即陆地卫星生态系统干扰自适应处理系统(landsat ecosystem disturbance adaptive processing system,LEDAPS)。该程序通过使用MODTRAN太阳能输出模型,校正太阳方位、日地距离、TM或ETM+带通以及太阳辐照度,将定标影像转换为表观(top-of-atmosphere,TOA)反射率影像,并将通过浓密植被(dark dense vegetation,DDV)算法插值生成的气溶胶光学厚度(aerosol optical thickness,AOT)以及通过相关资料获得的臭氧(O3)浓度、大气压及水汽值等用于6S辐射传输模型,生成地表反射率产品。以LEDAPS可处理的标准数据Landsat7 ETM+和统一格式后的非标准数据Landsat5 TM影像为例,介绍了长时间(1987—2011年)序列数据的选择、格式统一以及算法的实现过程,同时给出了校正后影像效果评价的方法。结果表明,标准数据和非标准数据经过LEDAPS处理后生成的地表反射率产品能有效降低大气中O3、水汽及气溶胶等对影像真实反射率的影响,为土地覆盖变化和干扰因素等的长时间序列监测和生物物理参数的遥感反演提供科学产品,有助于在国内形成处理长时间序列影像数据的准则。     

时序NDVI数据集螺线型构建及多形状参数变化检测

地表覆盖遥感监测是生态环境监测、自然资源管理、可持续发展规划等的重要基础。覆盖大区域的高分辨率时序遥感影像往往难以获取,且现有多种变化检测算法受困于物候差异带来的伪变化问题,严重制约着大区域地表覆盖遥感监测的有效开展,已成为国内外学术界关注的前沿课题。目前一个重要研究方向是利用长时间序列的低空间分辨率NDVI数据和高空间分辨率多光谱影像,通过基于混合像元分解的时空融合构建兼具较高空间分辨率和时间分辨率的NDVI数据集,以解决物候差异带来的伪变化问题。然而,现有的分解算法易造成方程组无解的欠定问题,难以在大区域构建出高质量的时序NDVI数据检测地物变化。     

结合光谱和纹理特征的林地变更检测

开展林地变更调查,能够为森林执法督察、林地"一张图"更新等提供精准的空间信息和属性信息,对于林业资源的监测管理具有重要意义。针对大范围多时相遥感影像人工勾绘变化图斑耗时费力的现状,提出一种结合光谱和纹理特征的林地变更检测方法,并以灵山县东北部为例,利用20171209和20180201两个时期的高分二号遥感影像进行试验。结果表明,该方法在减少人力投入、降低时间成本的基础上,不仅将遥感影像的变化检测效率提高了一半以上,同时能达到77%以上的检测准确率,在森林资源普查中具有一定的应用价值。     

多时相遥感变化检测的动态贝叶斯网络研究

动态贝叶斯网络是20世纪90年代在贝叶斯网络基础上发展起来的、利用时序动态数据产生可靠概率推理的新方法，动态贝叶斯网络为实现遥感变化检测从静态到动态分析提供了一种新的途径。在实现了贝叶斯网络遥感数据分类的基础上，把握发展动态，探索了利用动态贝叶斯网络对多时相多特征遥感数据进行变化检测的问题。以北京东部地区1994年、2001年和2003年5月Landsat TM遥感数据为例，介绍了利用动态贝叶斯网络进行多时相遥感变化检测的基本过程。实验结果表明：动态贝叶斯网络算法可以一次性输入和处理多个时相的遥感数据，并通过概率和有向无环图表达了不同时间片段之间特征和状态变化的关系。     

Forest cover classification using Landsat ETM+ data and time series MODIS NDVI data

Forest cover plays a key role in climate change by influencing the carbon stocks, the hydrological cycle and the energy balance. Forest cover information can be determined from fine-resolution data, such as Landsat Enhanced Thematic Mapper Plus (ETM+). However, forest cover classification with fine-resolution data usually uses only one temporal data because successive data acquirement is difficult. It may achieve mis-classification result without involving vegetation growth information, because different vegetation types may have the similar spectral features in the fine-resolution data. To overcome these issues, a forest cover classification method using Landsat ETM+ data appending with time series Moderate-resolution Imaging Spectroradiometer (MODIS) Normalized Difference Vegetation Index (NDVI) data was proposed. The objective was to investigate the potential of temporal features extracted from coarse-resolution time series vegetation index data on improving the forest cover classification accuracy using fine-resolution remote sensing data. This method firstly fused Landsat ETM+ NDVI and MODIS NDVI data to obtain time series fine-resolution NDVI data, and then the temporal features were extracted from the fused NDVI data. Finally, temporal features combined with Landsat ETM+ spectral data was used to improve forest cover classification accuracy using supervised classifier. The study in North China region confirmed that time series NDVI features had significant effects on improving forest cover classification accuracy of fine resolution remote sensing data. The NDVI features extracted from time series fused NDVI data could improve the overall classification accuracy approximately 5% from 88.99% to 93.88% compared to only using single Landsat ETM+ data.     

结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法

针对多时相遥感影像变化检测存在数据不确定性、检测精度不高等问题,提出了一种结合变化向量分析（CVA）和直觉模糊C均值聚类算法（IFCM）的多时相遥感影像变化检测方法. 首先通过CVA构建两个时相遥感影像的差异影像;然后采用直觉模糊C均值聚类算法对差异影像进行聚类得出变化区域和未变化区域;最后对变化检测结果进行二值化处理并进行精度评价. 选取两个时相的高分一号遥感影像和Szada数据集影像作为实验数据. 实验结果表明,采用提出的方法可有效解决传统方法存在的数据不确定性问题,变化检测精度达到了95.92%和92.70%,是一种可行的遥感影像变化检测方法. 研究结果可用于森林动态变化监测、土地复垦利用规划变化分析以及灾损评估.      

利用影像相关分析的遥感变化检测

针对利用单一光谱特征进行影像相关分析在遥感变化检测应用中效果较差的问题,提出了一种将纹理特征与光谱特征相结合的相关系数计算模型。应用中在对多时相影像进行相同尺度棋盘分割的基础上,先计算各对应分割窗口内的相关系数,再以其中心点的坐标和相关系数值作为一个特征点,在三维空间中进行插值处理得到整个区域的相关系数空间分布图;进一步通过密度分割处理提取变化信息。本文以两期GF-1影像数据进行了变化信息提取试验,结果表明,采用组合特征相关系数的变化检测结果明显优于单一光谱相关系数的变化检测结果。组合相关系数的应用研究为利用影像相关分析方法从高分影像中提取变化信息提供了一种新的思路。     

融合多特征的遥感影像变化检测

常规多时相遥感影像变化检测主要基于光谱信息,没有充分利用纹理、几何、形状等多种特征信息,不足以体现检测目标的完整性和准确性。本文针对不同特征在变化检测中应用的优势,在提取影像多种特征的基础上,构建了1维和多维两种基于信息融合策略的变化检测方法,即利用1维特征空间加权距离相似度运算、多维特征空间的模糊集融合和支持向量机融合策略进行变化检测。利用多时相QuickBird高分辨率遥感影像进行城市土地覆盖变化检测试验,结果表明,本文方法可以有效集成不同特征的优势与表征变化信息的能力,提高变化检测过程的稳定性和适用性,同时能够更好地保持变化地物的结构和形状,突出主要变化目标。     

基于正交变换的多通道遥感影像变化检测

针对多时相多通道遥感影像的变化检测问题，引入了多元统计中的典型相关分析方法，对遥感影像进行典型变换，并采用最小噪声比率变换对典型变换结果作后处理，得到差异影像，初步解决了将变化信息集中到少数分量中的问题。实验证实了该方法的有效性，并与主成分分析方法进行了比较。     

融合像素级和对象级的遥感图像变化检测方法

针对现有遥感影像变化检测方法常存在的检测结果破碎、虚检较多、对数据匹配要求高等问题。提出了一种融合像素级和对象级的遥感图像变化检测方法。利用光谱和纹理信息构建单高斯模型,在多尺度上进行像素级变化检测。然后,以像素级检测结果为种子区域,同时在变化前后影像上区域生长,融合生长结果提取变化对象。最后,依据检测需求对变化对象进行特征分类并滤除虚警。实验结果表明,该方法降低了虚检,保持了变化区域的结构完整性,在变化前后图像分辨率存在一定差别时仍有较高的检测精度。     

基于随机森林的遥感影像变化检测

随机森林是一种新兴的、高度灵活的机器学习算法,在预测和分类方面有着良好的稳定性,且算法性能要优于许多单预测器。鉴于此,本文提出了随机森林的遥感影像变化检测算法,利用熵率法对遥感影像进行超像素分割,获取最优分割结果;构建了基于随机森林的遥感影像变化检测模型,以所提取的Gabor特征和光谱特征作为模型输入进行训练和预测,并将有决策树的投票作为最终的变化检测结果。试验结果表明,本文所构建的随机森林变化检测模型在漏检率和虚检率上明显低于其他算法,且总体正确率高,在算法时间上也明显优于其他算法。