资源一号02D高光谱影像内陆水体叶绿素a浓度反演

2019-09-12成功发射的资源一号02D卫星(ZY-102D)搭载了新一代可见短波红外高光谱相机AHSI(Advanced Hyperspectral Imager),其丰富的细分波段和较高的空间分辨率在内陆湖库水质监测方面具有较大潜力,但数据可用性有待分析和验证.本研究以中国华东和华北平原的典型富营养湖库(太湖、...     

资源一号02D卫星在基础性地理国情监测中的应用

作为我国首颗自主建造并成功运行的民用高光谱卫星,资源一号02D同时搭载可见近红外相机和高光谱相机.为更好地验证其在基础性地理国情监测业务工作中的应用效果,本文根据基础性地理国情监测相关行业标准和规范,选择覆盖试验区范围内的资源一号02D卫星影像数据作为监测数据源,探讨利用资源一号02D卫星数据开展地表覆盖数据更新的技术流程与方法,结果表明:资源一号02D卫星影像数据的几何纠正精度较高,数据的光谱信息丰富,解译标志可清晰地显示和区分不同地表覆盖类型,完全可以满足基础性地理国情监测业务工作对卫星数据源的要求.     

资源一号02C卫星多光谱数据真彩色模拟技术研究

资源一号02C卫星多光谱数据没有蓝色波段,给制作真彩色影像带来了一定困难。本文针对02C卫星多光谱波段的特点,分析了常用线性模拟蓝波段影像方法,选取多景不同时相的、覆盖山地或平地的真实数据进行加权法和平均值法的对比试验,定性与定量分析后的结果表明：基于加权法生成蓝波段的真彩色模拟结果,无论是从整体色调方面,还是从典型地类的颜色方面,均优于基于平均值法生成蓝波段的真彩色模拟结果,可进一步深入研究后进行规模化应用。     

基于高光谱的湿地植被分类研究

光谱特征的选择对于湿地植被的识别精度和效率有直接的影响。本文以萨克拉门托-圣华金三角洲为研究区,基于Hy Map航空高光谱遥感影像数据,分析湿地植被的一阶微分和二阶微分光谱特征。在上述分析的基础上基于均值置信区间的波段选择法对一阶微分、二阶微分进行波段选择,根据获取的有效特征波段构建特征集,利用C5决策树分类算法产生规则集,并对实验区的湿地植被进行了分类研究。结果表明:湿地植被的一阶微分、二阶微分能够突出不同湿地植被光谱曲线在不同波段的增速不同,利用均值置信区间的波段选择法能够对特征波段起到降维效果,根据降维后的特征波段采用C5决策树分类算法,可以实现湿地植被在物种水平上的识别,并达到较好的分类精度。     

基于资源一号02C卫星数据的面向对象的森林植被分类

资源一号02C卫星是我国自主研发的高分辨率卫星。利用面向对象的信息提取技术,开展基于资源一号02C高分辨率数据的林区植被分类,具体分为三个步骤:1)对影像进行多尺度分割,获取最优尺度;2)根据各类地物特点及相互间关系,建立地物类型层次;3)结合光谱、纹理、形状多种对象特征,进行地物分类。以广西猫儿山自然保护区为例,根据区内地物特点,将地物分为针叶林、阔叶林、竹林、灌丛、耕地、非植被、阴影等7种类型,经检验表明该方法总体分类精度达到82.24%,kappa系数为0.77,优于面向对象的最邻近法和基于像元的最大似然分类。     

资源一号02C卫星PMS数据特性分析

首先介绍了资源一号02C卫星PMS数据的基本参数;再通过目视判读与定量分析相结合的方法,重点从清晰度、波段统计、相关系数、主成分分析、图像几何质量等方面对PMS数据特性进行了分析;最后根据分析结果,提出了可行性意见,为PMS数据在地质矿产实际中的应用提供参考。     

基于特征提取的高光谱数据分类

与多光谱数据相比,高光谱数据对地物具有更高的光谱分辨率,但是由于高光谱数据巨大的数据量以及相邻波段之间的强相关性,导致了对这种数据的许多处理方法达不到其应有的效果,从而在某种程度上制约了其广泛的应用。本文使用了一些有效的特征提取和信息转换方法对高光谱信息进行了优化处理,并设计了相应的分类流程,在充分保证其分类精度的前提下达到了对高维信息的数据降维和高效利用的目的。     

ZY1-02D高光谱数据在地质矿产调查中的应用与分析

资源一号02D(ZY1-02D)卫星为我国首颗高光谱业务卫星,为了测试ZY1-02D高光谱载荷数据在地质矿产调查中的应用能力,在数据预处理的基础上开展岩性及矿物信息识别,并与GF-5数据提取结果进行对比分析,结合实地调查成果,对该数据的应用能力进行了有效的分析.结果表明:ZY1-02D高光谱数据反射率光谱曲线与地质体光...     

基于波段组合的高光谱数据湿地分类研究

对高光谱数据进行波段组合,可以减少信息量的冗余,提高数据的处理速度。对黄河口入海口湿地进行分类,对合理利用、开发保护该地区湿地资源具有重要意义。本文首先分析了“珠海一号”高光谱数据各个波段的信息量及波段之间的相关系数,然后利用最佳波段指数(OIF)方法选出波段组合B7-B8-B32,进一步在OIF基础上设置信息量与相关系数阈值,选出波段组合B7-B18-B32,实验结果证明分类精度提高了5.4%。最后,根据地物的光谱特征分析,选择光谱差异较大的波段进行组合B6-B13-B18,分类后精度比OIF筛选出的波段组合精度高12.6694%。经实验验证,结合地物光谱特征的波段组合可以大大提高分类精度。     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

雄安新区马蹄湾村航空高光谱遥感影像分类数据集

高光谱遥感影像分类数据集主要用于辅助高光谱遥感分类算法的精度验证、效率评价及性能评估，一般包括高光谱遥感影像、影像对应地物类别标注以及相关信息文档等内容。常用的高光谱遥感影像分类数据集以欧美为主，如India Pines、Salinas、KSC等。随着中国高光谱遥感传感器技术发展和学术交流机制的日臻完善，国内也发布了高光谱遥感分类数据集，如江苏省常州的茶树数据集。较于欧美高光谱遥感分类数据集的广泛应用，中国高光谱遥感分类数据集的发布与应用仍偏少。近年来，中国高质量高光谱遥感数据获取能力大幅增强，提升了中国高光谱遥感共享数据源的数量及质量，为促进中国高光谱遥感应用研究及业务化能力提供了支撑。本分类数据集包括雄安新区马蹄湾村高光谱影像数据，由中国科学院上海技术物理研究所研制高分专项航空系统全谱段多模态成像光谱仪采集，光谱范围为400—1000 nm，波段250个，影像大小为3750×1580像元，空间分辨率0.5 m；同步实地调研地类分布19种，包括水稻茬、草地、榆树、白蜡、国槐、菜地、杨树、大豆、刺槐、水稻、水体、柳树、复叶槭、栾树、桃树、玉米、梨树、荷叶、建筑。利用随机森林分类方法对该数据进行了分类验证，分类精度可达97%。该数据集（下载方式：http：//www.hrs-cas.com/a/share/shujuchanpin/2019/ 0501/1049.html）可为中国经济作物高光谱精细分类研究提供良好的数据支持，更可为中国高光谱遥感载荷业务化应用发展提供有力促进。     

资源一号02C卫星数据在北京岩溶水资源勘查评价工程中的应用

以资源一号02C(ZY1-02C)卫星数据为数据源,以GIS为数据处理平台,以遥感地质理论和水文地质理论为指导,将遥感技术应用于北京岩溶水资源勘查评价工程中。通过水文地质遥感解译和综合分析,优选了一处新的供水水源地,建立了适用于北方岩溶区的含水岩组和泉点的遥感解译标志,提出了基于GIS的水文地质分析方法,扩展了国产资源卫星数据的应用领域。     

基于随机森林算法的高光谱遥感作物分类

随机森林算法是近年来发展起来的一种新型算法,具有速度快、精度高等优势,综合性能优异。本文运用随机森林算法和Hymap高光谱数对几种常见的作物进行了分类识别,并与支持向量机的分类结果进行了对比,综合讨论了随机森林算法的优势与不足。实验结果表明：当实际参与训练的样本数目接近时随机森林算法的分类精度和运算速度都优于支持向量。在提取足够样本的情况下,随机森林能在保证精度的条件下节约大量时间,在大面积的遥感分类中具有较大应用潜力。     

利用SVM-CRF进行高光谱遥感数据分类

提出了一种改进的随机场模型SVM-CRF,它以支持向量机作为条件随机场的一阶势能项,结合了支持向量机和条件随机场的优点。采用AVIRIS高光谱遥感数据进行实验,对SVM-CRF模型进行了分析,结果表明,在分类精度上SVM-CRF优于支持向量机和传统条件随机场模型。     

基于光谱相关性的SVM高光谱遥感影像分类

根据高光谱遥感影像数据特点,首先利用光谱相关性进行特征选择,然后引进SVM进行高光谱遥感影像分析解译,最后利用AVIRIS影像进行试验,结果显示分类精度和时间比常规方法都有很大改善。     

基于随机森林分类方法和多源遥感数据的湿地植被精细分类

利用大丰市沿海滩涂湿地区域的高光谱影像和同时期的机载LIDAR数据,结合影像的光谱信息,采用随机森林算法(RF)对研究区进行湿地植被精细分类,并分析和评价分类模型参数设置对总体精度的影响,最后与SVM分类结果进行对比。结果表明:随机森林分类方法的总体精度为90.3%、卡帕(Kappa)系数为0.874;与传统的SVM分类方法相比,RF法均提高了4种湿地植被的生产者精度和使用者精度。通过分析RF分类模型参数设置对总体精度的影响,得出当生长树个数为30、生长树深度为30时,分类精度最高。     

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。     

高光谱与高空间分辨率遥感数据的亚热带森林生物量反演

精确估算森林生物量对全球碳平衡以及气候变化的研究有重要意义。以亚热带天然次生林为研究对象,借助地面实测样地数据,通过对机载LiCHy(LiDAR,CCD and Hyperspectral)传感器同时获取的高光谱和高空间分辨率数据进行信息提取和数据融合,建模反演森林生物量。首先通过面向对象分割方法进行单木冠幅提取,然后融合从高光谱数据提取的光谱特征变量和从高空间分辨率数据提取的单木冠幅统计变量,构建多元回归模型估算地上、地下生物量,最后利用地面实测生物量经交叉验证评价模型精度。结果表明,综合模型的精度(R~2为0.54—0.62)高于高光谱模型(R~2为0.48—0.57);在高光谱模型中地上生物量模型精度(R~2为0.57)高于地下生物量模型(R~2为0.48);在综合模型中地上生物量模型精度(R~2为0.62)同样高于地下生物量模型(R~2为0.54)。交叉验证结果表明,与仅使用高光谱数据(单一数据源)相比,通过集成高光谱和高空间分辨率数据的生物量反演效果有所提升,可以更加有效地估算亚热带森林生物量。     

南京沿江湿地高光谱与多光谱遥感分类对比分析

随着遥感技术的发展,以及对湿地分类研究的不断深入,如何提高分类精度成为一大研究方向。分类方法、影像数据源、影像的特征提取都影响着分类结果的精度。目前,利用影像数据进行湿地分类,精度难以提高主要是受影像像源的制约,其中,不同湿地类型波谱特性之间的混淆是制约精度提高的直接原因。高光谱(Hyperspectral)遥感是20世纪末对地观测系统中较重要的技术突破之一,随着定量化研究的发展,高光谱遥感技术以其光谱分辨率较高的特点受到国内外广泛关注,并在资源、环境、城市、生态等领域得到了广泛应用。本文比较了湿地分类中hyperion的数据与landset TM数据的分类精度。在进行分类时,使用监督分类的方法(SVM)对南京新济州、新生州、江心洲的湿地地物类型进行分类。结果表明,在训练样本合适的前提下,用高光谱数据进行分类可以得到更高的分类精度。     

基于高光谱卫星遥感数据的UPDM分析方法

提出了一种用于处理多/高光谱卫星数据的UPDM分析方法。研究结果证明,该方法应用于Land sat/TM(ETM+)、Terra/MODIS和ADEOS II/GLI等高光谱卫星传感器时,光谱重构均方根误差小于0.029,适用于研究高光谱卫星遥感数据。