基于融合时间特征Landsat影像的水稻面积提取

以洞庭湖区典型的产量大县——南县为研究区,针对Landsat回访周期较长及长江中下游阴雨天气较多的特点,利用STARFM模型融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat TM数据,获取融合时间特征的Landsat TM时序数据,基于作物物候特征提取水稻的种植面积,并与单时相Landsat TM影像分类结果进行对比分析。结果表明,基于时序Landsat NDVI数据的水稻作物分类精度较之单时相Landsat TM影像分类结果有较大的提高。     

时序遥感影像的时空特征在土地分类中的应用

基于Landsat时间序列数据的土地覆盖检测成为当前研究热点,但基于时间序列数据空间纹理特征的应用及不同时序特征重要性评估较少.基于时间序列Landsat8数据,在时序光谱特征、指数特征和地形特征基础上引入时序纹理特征,利用随机森林算法建立八种分类模型,对北京密云区进行土地覆盖分类并比较其分类精度,进而基于袋外(OOB)误差方法和基尼指数进行特征变量重要性评估.相比加入归一化建筑指数(Normalized Difference Built-up Index,NDBI)或归一化植被指数(Normalized Difference Vegetation Index,NDVI)样本特征,时序纹理特征的加入使总体精度分别提高1.88％和2.12％;最优分类模型中灰度共生矩阵(Gray-level Co-occurrence Matrix,GLCM)熵参数在纹理特征中较为重要,GLCM差异性参数和GLCM相关性参数其次.本文为进一步挖掘影像的时空特征、提高土地覆盖制图精度提供新思路.     

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。     

一种拓展的半物理时空融合算法及其初步应用

Landsat 5卫星较低的时间分辨率(16天)使得其很难获得大区域的、时相一致的清晰影像数据集。本文发展了一种基于半物理模型的时空融合算法-即乘性调制融合算法,并借助多时序的MODIS反射率数据来生成多时相的Landsat TM/ETM+反射率合成影像,经镶嵌后得到区域尺度的高时空分辨率地表反射率数据集(Landsat TM/ETM+)。本文利用吉林省2006年—2011年的Landsat 5 TM地表反射率数据以及500 m的MOD09A1反射率产品来生成3个时相的Landsat 5 TM反射率合成数据,从而获得研究区在上述时相下地表反射率数据的镶嵌图。初步分析表明,所生成的Landsat 5 TM反射率数据的光谱分布特征与MOD09A1反射率数据较为一致,且图像在整体上光谱特征的连续性较好。     

基于Landsat数据及光谱混合分析的城市扩展及物候变化提取与分析

城市化是目前全球关注的热点问题之一。城市化导致城市范围的显著扩展,并引起局地气候的变化,从而进一步导致城市区域植被物候的变化。因此,利用多年的时间序列遥感影像提取城市扩展与植被物候的变化,可为分析城市化及其影响提供依据。Landsat系列卫星数据的免费开放,为分析城市的时空变化及其环境影响提供了丰富数据。本文利用由Landsat时间序列数据及标准化光谱混合模型得到的光谱端元组分时间序列,探索了城市及周边植被物候变化提取以及城市扩展提取的新方法,并以北京市为例,提取了1984～2015年32年间的城市扩展以及3个年段的植被物候变化,分析了城市扩展的时空演化以及植被物候的时空变化,并定性分析了二者的关联。论文的主要创新点包括三个方面:(1)提出了基于Landsat时间序列数据和标准化光谱混合模型的城市及周边区域植被物候及变化的提取方法。首先,该方法针对城市区域光谱混合问题及现有植被指数的饱和等问题,采用基于标准化光谱混合模型的全球端元组分的植被丰度时间序列进行植被物候及变化的提取,避免了光谱混合分析中端元选择的问题,同时植被丰度结果在不同地区不同时间上具有可比性;其次,该方法考虑城市及周边区域植被类型多样及变化复杂的特点,适用于多种物候模型的植被物候提取,能同时提取出不同植被类型的物候结果,同时,植被物候变化结果中剔除了不同地物类型及不同植被类型的变化区域,能更好进行物候变化分析。(2)提出了基于标准化光谱混合模型及全球端元组分的城市指数(SVDUI)。该指数基于物理统计的光谱混合分析进行构建,与现有基于像元构建的指数相比更适于光谱混合严重的城市区域的研究。该指数能更好地表达城市与其它地物类别的差异,突出城市特征,并更好地提取出城市范围,因此,SVDUI指数可为城市范围提取提供一种新的途径。此外,该指数能保持时间上的一致性与可比性,具有广泛适用性。(3)提出了一种基于SVDUI城市指数的时间序列变化检测方法,该方法可以快速提取城市扩展的时间、空间及强度信息。该方法能快速、有效地提取出长时间序列的城市扩展结果,同时能充分利用年内及年际变化的时间信息,有效去除单时相结果上的噪声影响,不依赖于单时相影像的结果好坏。     

Landsat卫星热红外数据地表温度遥感反演研究进展

作为驱动地表与大气之间能量交换的关键物理量,地表温度在众多领域中都发挥着重要作用,包括气候变化、环境监测、蒸散发估算以及地热异常勘探等。Landsat热红外数据因其时间连续性和高空间分辨率等特点被广泛应用于地表温度反演中。本文详细地介绍了Landsat热红外传感器及其可用的数据与产品的现状,梳理了2001年—2020年20年间基于Landsat热红外数据的地表温度遥感反演与应用的相关文献发表及互引情况,系统地综述了基于Landsat热红外数据的地表温度反演算法,包括基于辐射传输方程的算法、单窗算法、普适性单通道算法、实用单通道算法和分裂窗算法等。在此基础上,进一步介绍了每种算法的参数化方案,包括地表比辐射率和大气参数的估算方法。最后针对Landsat热红外数据地表温度遥感反演提出了未来可能的发展趋势与研究方向。     

GEE遥感云平台支撑下的河南省土地利用变化检测

针对长时序大尺度的土地利用类型精细化分类存在的挑战,基于Google Earth Engine遥感大数据云平台,利用具有较好时空一致性的Landsat7、Landsat8数据,采用随机森林模型和众数滤波优化算法研究了过去20年间河南省土地利用分类空间变化特征及趋势.研究结果表明:1)基于GEE遥感云平台提供的丰富数据和...     

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。     

基于中尺度光谱和时序物候特征提取南方丘陵山区茶园

南方丘陵山区茶园空间分布的提取对于南方经济发展和生态环境保护有重要意义。为此提出一种基于中尺度光谱和时序物候特征的茶园提取方法。利用MODIS增强植被指数(enhanced vegetation index,EVI)和归一化植被指数(normalized difference vegetation index,NDVI)数据产品选择Landsat影像的最适时间窗口,使用面向对象方法和决策树分类模型提取初步分类结果,使用MODIS-EVI植被时序数据提取不同植被物候参数,完成茶园分布范围提取。以福建省漳州市和安溪县为研究区进行茶园提取,经检验,总体分类精度达到85. 71%,Kappa系数达到0. 83,其中茶园的生产者精度为83. 72%,用户精度为90. 00%;提取结果与漳州市和安溪县茶园种植面积的公开统计数据接近。结果表明,该方法可获得较高的茶园提取精度。提取结果可以为南方经济发展和政府有关部门对茶园的调控提供一定参考和指导。     

应用面向对象的决策树模型提取橡胶林信息

橡胶林的无序和不合理种植引发了一系列的生态问题,快速监测橡胶林空间分布及动态变化,对橡胶的合理种植、区域生态环境保护以及有关部门的规划决策有重要的指导意义。以MODIS归一化植被指数NDVI时间序列数据和多时相的Landsat TM数据为基础分析橡胶林的季相和光谱特征,确定橡胶识别的关键时期和特征参数,构建面向对象的决策树分类模型,开展橡胶信息提取研究。结果表明,多时相的遥感数据可反映橡胶的季相特征,以TM数据为基础计算得到的陆表水分指数LSWI和归一化植被指数NDVI可作为橡胶识别的光谱特征参数,橡胶休眠期是利用遥感方法进行橡胶提取的最佳时期。相比于单时相数据,利用包含橡胶关键物候期的多时相遥感数据能得到更高的橡胶林提取精度。     

光谱特征扩展的时间序列Landsat数据地表覆盖分类

时间序列遥感影像常用于地表覆盖监测及其变化监测。然而,利用时序遥感数据—尤其是中分辨率遥感数据监测地表覆盖变化,其方法基本是先对多期影像分别进行监督分类然后对比分类结果。由于这种方法需要对每期遥感影像单独选择分类训练样本,而对于历史影像,常常难以获得可靠的样本数据。本文基于遥感数据定量化处理,尝试利用光谱特征扩展方法对时间序列Landsat数据进行分类:首先,结合一种新的大气校正方法和相对辐射归一化方法,对时间序列Landsat数据进行定量化处理,以消除各期影像之间的辐射差异,获得地表反射率数据。然后,论文选择一期易于获得分类训练样本的反射率数据作为"参考影像",并结合样本数据提取不同地表覆盖类型的光谱特征。最后,将"参考影像"中提取的地物光谱特征,扩展到所有时间序列反射率数据进行分类。论文利用青藏高原玛多地区的5景Landsat数据对本文的方法进行了验证,结果显示:基于光谱特征扩展的分类方法,可有效对定量化处理后的Landsat数据进行分类,分类总体精度为88.35%—94.25%,分类结果和传统的单景监督分类结果具有较好的一致性。此外,研究也发现,"参考影像"和待分类图像获取时间的季相差异会影响其分类的精度。     

利用Landsat TM6数据反演大亚湾海水表层温度

基于Landsat TM6数据,采用覃志豪单窗算法(MW)、Jiménez-Mu(n)oz单通道算法(SC)和Weng算法计算了大亚湾海域的海表温度(Sea Surface Temperature,SST),分析比较了3种算法反演的海温空间分布特征,并选取12个样本点与实测数据进行了比较.结果表明:3种算法反演的海温分布特征基本一致,在3幅海温图像上可以清晰地观察到大亚湾核电站的热废水扩散特征;反演温度与实测温度的差值平均值分别为-2.21℃、0.19℃和-4.68℃,以SC算法误差最小.     

黑河流域遥感物候产品验证与分析

植被物候遥感产品对全球变化响应、农业生产管理、生态学的应用等多领域研究具有重要意义。但现有植被物候遥感产品还有较多问题,主要包括一方面使用不同参数的时间序列数据以及不同提取算法导致的产品结果差异较大,另一方面在地面验证中地面观测数据与遥感反演数据的物理含义不一致导致的验证方法的系统性误差。本文以黑河流域为研究区,对比验证基于EVI(Enhanced Vegetation Index)时间序列数据提取的MLCD(MODIS global land cover dynamics product)植被遥感物候产品和基于LAI(Leaf Area Index)时间序列数据提取的UMPM(product by universal multi-life-cycle phenology monitoring method)植被遥感物候产品的有效性及精度等。同时,通过验证分析进一步评估基于EVI和LAI时间序列提取的物候特征的差异及特点,探讨由于地面观测植被物候与遥感提取植被物候的物理意义的不一致问题导致的直接验证结果偏差。结果表明:UMPM产品有效性整体高于MLCD产品,但在以草地和灌木为主的稀疏植被区,由于LAI取值精度的原因,UMPM产品存在较多缺失数据,且时空稳定性较低;基于玉米地面观测数据表明,EVI对植被开始生长的信号比LAI更加敏感,更适合提取生长起点,但植被指数易饱和,峰值起点普遍提前,基于LAI提取的峰值起点更加合理。由于地面观测的物候期在后期更加关注果实生长,遥感观测仅关注叶片的生长,遥感定义的峰值终点和生长终点与玉米的乳熟期和成熟期差异较大。     

基于Landsat8影像的厚云及云影去除方法

Landsat系列卫星对推动遥感应用技术的发展起到了重要作用,其遥感图像数据在多领域得到了广泛应用。但是Landsat影像常受到云的污染,使得其在地表动态监测时有效性大大下降。本文首先利用云和云阴影匹配算法Fmask实现快速、准确地识别云与云影区域并进行掩膜,然后基于时空数据融合算法ESTARFM利用多时相MODIS和Landsat数据,对Landsat8影像缺失的云及云影区域进行插补。结果表明这是一种有效地去除云及云影的方法,对Landsat8数据的定量分析或时序研究具有重要价值。     

基于决策树的漓江上游土地覆盖分类

针对山区植被分类受地形复杂、植被类型多样、验证数据获取困难等因素限制基于多光谱数据的亚热带山区土地利用/覆盖分类存在困难,探究利用物候信息对亚热带山区植被实施分类的效果。综合运用归一化植被指数(NDVI)、比值植被指数(RVI)、归一化水指数(NDWI),同时考虑到海拔高度对植被类型的影响,建立决策树模型。该模型基于多时相Landsat TM影像,利用了不同地物类型的物候特征和光谱差异,将漓江上游地区分为8种土地覆盖类型。实验结果表明,分类结果总体精度达到86.40%,Kappa系数为0.83。     

基于图像分割和NDVI时间序列曲线分类模型的冬小麦种植区域识别与提取

为自动获取大面积冬小麦种植区域,通常利用中等空间分辨率遥感影像中的物候信息,基于时间序列曲线进行识别与提取。但在实际工程项目中,只使用物候信息提取精度偏低。因此提出了一种基于时间序列曲线数据分类模型与图像分割相结合的冬小麦识别方法。首先,构建多源数据的归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线,采用时间序列谐波分析方法(harmonic analysis of time series,HANTS)对NDVI时间序列数据进行平滑和去噪;然后,对NDVI时间序列进行坐标转换,获取波段均值、标准差和均方根3个参数,构建新的分类模型,提升冬小麦与其他作物的差异值;最后,通过与高空间分辨率数据的分割结果相结合,利用图像的空间结构信息,提高地物边界的准确性。以南京市江宁区为例,利用2017年12月—2018年6月间高分一号、Landsat8和Sentinel-2A 3种类型的共21景多源数据进行实验,最终提取精度达到98. 74%,比其他方法有所提高,为农业管理部门提供了准确的冬小麦种植区域和分布的地理信息数据。     

一种基于分层策略的时空融合模型

时空数据融合能够有效提高高空间分辨率遥感数据的时间分辨率,但是目前广泛使用的时空自适应反射率融合模型在突变区域的预测效果不佳。针对这一问题,提出一种基于分层策略的时空融合模型(hierarchical spatial-temporal fusion model,H-STFM)。该模型首先根据相邻时刻低空间分辨率数据的反射率差值,将待预测的目标像元分为物候变化像元和突变像元;然后对物候变化像元进行线性回归预测,对突变像元进行加权滤波预测;最后将物候变化和突变区域的预测结果利用优化的时间加权函数融合生成最后预测图像。以两组中分辨率遥感数据MODIS和Landsat图像为基础数据进行实验对H-STFM模型进行了定性与定量评价。结果表明,提出模型的实验结果在方差误差与相对无量纲全局误差方面表现明显优于时空自适应融合模型。     

结合MNF变换与灰值形态学的三江平原多光谱、多时相MODIS遥感影像分类

通过对影像进行光谱特征分析,及对各种植被类型进行物候特征分析,选用以NDVI数据为主的多波段、多时相的MODIS影像数据进行最小噪声分离MNF变换,然后进行灰值形态学滤波,运用阈值分割法提取旱地,并运用自组织特征映射SOM神经网络聚类模型分离湿地和水田。实验结果与现有的研究成果相比,精度有较大提高。     

利用典型Stokes参数的油菜物候期识别

油菜关键物候期信息的获取对于油菜的田间管理、观赏时间预测及产量估测等具有重要意义,是精准农业实施的重要组成部分。极化合成孔径雷达技术不仅可以实现对作物全天时监测,而且对作物的结构信息敏感,在物候期提取中极具潜力。首先,以覆盖油菜整个生长期的5景时间序列全极化Radarsat-2数据为基础,基于Stokes矢量提取了平均强度g₀、归一化平均强度g_0m、平均极化度ρ_m、零度方向路线球面度P_dor、零度孔径路线倾斜度I_dap和零度孔径路线弧对称度A_adap6个典型Stokes参数;然后,对比分析了这6个参数对油菜整个生长期动态变化的响应特征,并以此为基础采用决策树(decision tree,DT)算法对油菜的物候期进行了识别。研究结果表明,6个Stokes参数中,除ρ_m和A_adap外,其他4个参数均对油菜物候期变化敏感,在油菜物候期识别中具有极大的潜力。DT算法能有效识别油菜的各关键物候期,其分类结果与样地实测数据具...     

单窗算法结合Landsat8热红外数据反演地表温度

Landsat热红外系列数据一直是地表温度反演重要的遥感数据源,目前用于地表温度反演的单窗算法主要针对Landsat TM/ETM+第6波段数据(TM 6)建立的,Landsat 8热红外传感器(TIRS)与TM 6相比有很多变化,因而其单窗算法也需要改进。本文以Landsat 8 TIRS第10波段(TIRS 10)为数据源,提出了针对TIRS 10的单窗算法(TIRS10_SC),并对研究区地表温度进行反演研究,确定了研究区不同类型地表的温度值。研究结果表明:(1)TIRS10_SC算法可以较好地应用于Landsat 8数据的地表温度反演,平均反演误差为0.83℃,相关系数为0.805,反演温度与模拟数据和实测数据都具有较好的一致性;(2)通过对单窗算法中的地表发射率、大气水汽含量和大气平均作用温度等参数敏感性分析发现,TIRS10 SC算法能够获得较为可靠的反演结果;同时,TIRS10 SC算法对大气水汽含量和地表发射率敏感性较高,对大气平均作用温度敏感性稍弱。该算法对于利用Landsat 8 TIRS数据快速反演地表温度具有应用价值。