地表环境参数时间序列重构的方法与应用分析

卫星传感器数据提取的地表环境参数是全球变化和区域资源环境研究的重要信息源.时间序列数据的重构旨在利用多种统计和数值分析方法,模拟参数的季节/年度变化规律,从而插补缺失观测值,优化时间序列数据,为相关研究提供更加完备的基础数据.目前,数据重构主要应用在植被指数、叶面积指数、地表能量平衡参数等,重构的方法包括阈值法、滤波方...     

基于MODIS数据云相态反演的人工增雪效果评估

针对人工增雪效果评估获取物理证据的迫切性与特殊性,选取2006年11月22-24日新疆阿克苏地区暴雪过程的EOS/MODIS卫星数据,应用"三光谱云相态反演法"对该地云团的变化过程进行了研究,可以看出反演结果与实际情况完全相符。同时针对此次暴雪发生前进行的飞机人工增雪作业,探讨了用反演结果进行效果评估的可行性,证明反演结果可清晰的展示人工增雪后云团从混合云到冰云的发展过程。结果表明:"三光谱云相态反演法"具有理论和实际应用的优势。MODIS数据云相态识别技术可以用于人工增雪效果评估。     

一种基于点云数据的三维建模方法研究

无人机倾斜摄影测量是利用多旋翼无人机到实地航拍影像,再经过软件自动化建模生成实景三维模型,因此具备很高的真实性,也能够测量更广阔的范围,但是容易缺失数据。三维激光扫描技术是采用非接触式高速激光测量方式,快速地获取测量对象表面几何特征的重要技术手段。     

LSTM支持下时序Sentinel-1A数据的太白山区植被制图

植被分类是森林资源调查与动态监测的基础与前提。当前植被分类研究大都利用光学遥感影像,然而,光学遥感成像易受到云雨覆盖的影响,难以构建完整时间序列,植被分类精度有限。微波遥感具有全天时全天候、时间序列完整的优势,在植被调查与分析中具有巨大的应用潜力。本文利用2018年Sentinel-1A微波遥感时间序列数据和深度循环网络方法,对秦岭太白山区的森林植被进行分类制图。首先利用Sentinel-2光学影像与数字高程数据对研究区进行多尺度分割;然后将处理后的时间序列Sentinel-1A数据空间叠加到分割地块上,构建地块的多元时间序列曲线;最后利用深度循环网络提取与学习多元时间序列的时序特征并分类。实验结果表明：① 与传统机器学习方法（如RF、SVM）相比,本文提出的深度循环网络方法的分类精度提高10%以上;② 在Sentinel-1A微波极化特征组合中VV+VH表现最好,与VV+VH+VV/VH极化特征组合的精度相近;③ 使用全年的时间影像构建时间序列分类精度最高,达到82%。研究表明,利用深度循环网络与时间序列Sentinel-1A数据的方法能够有效提高植被分类的精度,从数据源与分类方法上为森林植被分类研究提供了新的思路。