基于光谱混合分析的干旱荒漠区植被遥感信息提取研究——以古尔班通古特沙漠西缘为例

干旱荒漠区植被的盖度和空间分布特征是评判该区生态环境状况及荒漠化程度的重要指标。以Landsat TM影像为数据源,利用归一化植被指数（NDVI）和线性光谱混合分析模型（LSMM）两种方法对研究区——古尔班通古特沙漠西缘进行分析。在运用LSMM过程中,通过多种方法选择出最佳端元,并利用实测数据对混合像元分解结果进行验证。结果表明:①NDVI提取植被的方法受到很多限制,不适合在干旱荒漠区应用;②基于最小法非受限光谱混合分解结果较为理想,植被、盐碱地、裸沙和黑色砂粒等4种端元地物被选取出来;③LSMM提取的植被分量与实测植被盖度显著相关,线性相关系数为0.858,表明干旱荒漠区的植被盖度可以通过遥感影像提取的植被分量间接得到。     

一种基于光谱归一化的丘陵地区植被覆盖度反演方法

由于影像空间分辨率的限制,利用遥感影像反演植被覆盖度时,像元内通常存在植被与其他地物混合的现象。此外,受到物理属性、地形、阴影等因素的影响,植被内部存在较大的光谱差异。混合像元的存在,以及植被内部光谱变化较大都将导致植被覆盖度反演精度降低。本研究基于Sentinel 2A遥感影像,提出了一种基于光谱归一化的光谱混合分析方法,以期解决植被内的光谱差异以及与其他地物的混合问题。首先,对端元矩阵与遥感影像进行归一化预处理,以减弱植被内的光谱变化;然后,采用全约束最小二乘法(FCLSU)、部分约束最小二乘法(CLSU)、扩展线性混合模型(ELMM)三种混合像元分解算法来定量分析植被与其他地物的混合状态。在验证解混算法精度时,采用无人机高分影像分类结果作为植被覆盖度参考影像,并对归一化前后的精度进行对比。光谱归一化前,ELMM和CLSU的R和RMSE都接近0.903和0.353,FCLSU的R和RMSE为0.869和0.434。光谱归一化后,三种算法的R和RMSE都接近0.91和0.2。试验结果表明:端元和影像进行归一化后,降低了光谱变异性,三种算法的解混精度在整体上提高较大,且对四川丘陵地区的植被覆盖度的反演结果接近真实值。     

新疆荒漠稀疏植被覆盖度信息遥感提取方法比较

植被覆盖度信息是荒漠生态环境表征的重要指标之一。荒漠区地表植被稀疏,在遥感光谱信息中表现较弱,通用的植被覆盖度遥感提取方法应用于干旱荒漠区存在一定的局限性,为了探寻一种满足大尺度荒漠地区的植被覆盖度信息的提取方法,必须对比和分析现有的遥感方法在干旱荒漠区的应用效果。以新疆荒漠区为例,利用MODIS遥感影像和野外植被覆盖度实测数据,对常用的6种遥感植被覆盖度提取方法（改进的三波段梯度差法、像元二分法、线型混合像元分解法、归一化植被指数法、增强型植被指数法和修正型土壤调整植被指数法）的结果进行精度验证和对比分析。结果表明：MODIS影像上较难提取纯荒漠植被像元,用农作物的像元值代替会降低像元二分法和线性混合像元分解模型的模拟精度;植被指数法对地面实测数据依赖性较大,模拟的精度差异很大,仅考虑红光和近红外的归一化植被指数法模拟精度最低,而综合考虑土壤和大气因素的增强型植被指数法的模拟结果精度最高;改进的三波段最大梯度差法虽然模拟精度稍次之（R²=0.74;RMSE=13.46）,但依据光谱的物理特性,能显著地反映南、北疆荒漠植被覆盖度的差异,是目前大尺度的荒漠区覆盖植被信息提取较为适宜的方法之一。     

遥感影像混合像元分解中的端元选择方法综述

端元选择是进行遥感影像混合像元分解的首要步骤,也是最关键的步骤,其直接影响混合像元分解的精度。该文对遥感影像混合像元分解中端元产生的特定背景、当前存在的端元选择途径和端元选择方法进行综述,并通过对当前端元选择方法的分析,提出了选择或构造端元选择方法应遵循的几个原则。     

基于高光谱影像数据的戈壁表面砾石粒径定量反演潜力评估

在新疆哈密境内的噶顺戈壁选取样地,采集不同粒径砾石的光谱数据,分析光谱吸收特征,并利用光谱混合分析技术,以地物光谱为端元从EO-1 Hyperion 高光谱影像中提取了不同粒径的丰度图,分析戈壁表面砾石与高光谱影像的相关关系。结果表明:获取的地物光谱特征显示出粒径的差异对光谱具有明显的影响。所有光谱都展现出在2 250 nm处具有Al–OH 的吸收特性,而且粒径d=41 cm的吸收特性比其他粒径都更显著。而与更小粒径相比,粒径d=53 cm和d=83 cm在480 nm和920 nm处具有较弱的Fe³⁺ 吸收特性。粒径d=0.8 cm(R²=0.637)、d=3.4 cm(R²=0.687)、d=16.3 cm(R² =0.644)及d=41 cm(R²=0.622) 与相应的丰度影像具有显著相关性,而粒径d=53 cm(R²=0.181)和d=83 cm(R²=0.167)与相应的丰度影像相关性不显著。EO-1高光谱影像适用于对戈壁区砾石分布特征的确定,在进一步的研究中将高分辨率影像与高光谱影像相结合,可以提高判别精度。     

遥感影像混合像元分解及超分辨率重建研究进展

随着遥感应用的深入.传统将遥感影像像元当作纯净像元的方式所带来的问题已经被广泛认识到,混合像元分解的相关理论和技术成为遥感领域的一个热点问题.本文总结了混合像元分解及超分辨率影像重建的主要理论和方法.根据超分辨率影像重建的主要流程,分别回顾了混合像元端元类型选择,端元丰度分解和超分辨率影像的重建,并对相关模型和技术给出了总结和评价.端元类型选择是确定在影像范围包含的纯净地物类型,重点介绍了基于统计学和几何学的两种方法.端元丰度估计是目前该领域研究最多的方向之一.集中了很多新的理论和方法.可变端元分解和盲源分解作为2种效果较好的方法在文中作了详细的回顾和评价.空间自相关性是对丰度估计的结果进行超分辨率重建的主要理论基础,如何在丰度约束条件下最大化空间自相关性是大多数基于混合像元分解超分辨率重建的目标.最后,文章在总结目前混合像元分解及超分辨率遥感影像理论发展的基础上,给出了一些意见和展望,指出考虑混合像元形成机理、综合多种模型及先验信息将有助于基于混合像元分解的超分辨率遥感影像研究.     

绿洲植被覆盖度遥感信息提取——以敦煌绿洲为例

以敦煌绿洲为研究区,利用Landsat TM遥感数据,通过归一化植被指数(NDVI)和混合像元分解两种方法,提取了敦煌绿洲的植被覆盖度信息。在基于NDVI提取植被覆盖度时,选取了基于NDVI的像元二分模型; 在混合像元分解过程中,对遥感影像进行波段反射率归一化处理和最小噪声变换(MNF),确定了3个类型端元:植被、不透水表面/土壤、水体/阴影; 最后利用高分辨率遥感影像验证对比了两种提取方法的精度。结果表明:混合像元分解更能准确地提取敦煌地区植被覆盖度信息,其线性相关系数为0.8915,均方根误差为0.0882,而且提取结果更符合实际情况,可以为敦煌植被状况监测及生态环境保护提供科学建议。     

不同分辨率遥感图像混合像元线性分解方法研究

混合像元的存在是传统像元级遥感分类和面积量测精度难以达到实用要求的主要原因,为了提高遥感应用精度,须解决混合像元分解问题。传统的方法主要通过改进分解模型提高分解精度,该文在不改变线性分解模型的条件下,分析不同分辨率尺度对于线性分解精度的影响。实验中运用像元合并的方法,得到不同分辨率的TM系列遥感图像,分别选取植被、裸地、水体3种典型地物进行线性分解;以分辨率更高的Quickbird图像分类结果作为真值进行精度评价。实验结果表明:随着图像分辨率的降低,植被的RMSE值不断缩小,在30 m分辨率尺度上均值为0.36,在150 m尺度上均值为0.17,分解精度提高了1倍左右;但随着分辨率进一步降低,由于混合像元现象加剧,RMSE值上升,分解精度随之降低。     

组合光学和微波遥感的耕地土壤含盐量反演

耕地保护关系到国家粮食安全和经济社会可持续发展,对生态环境保护具有重要作用,快速精准的获取耕地土壤盐分含量及空间分布信息是耕地保护的必然要求。以宁夏平罗县为研究区,利用Landsat 9 OLI和Sentinel-1遥感影像,提取光谱指数和雷达极化组合指数,基于变量投影重要性法与灰度关联法筛选特征变量,然后运用反向传播神经网络、支持向量机和随机森林3种机器学习算法构建模型,并用最佳模型反演耕地土壤含盐量空间分布情况。结果表明：(1)利用变量投影重要性法筛选变量建立的模型验证集决定系数(R²)大于灰度关联法筛选变量建立的模型。(2)利用随机森林算法,组合光谱指数和雷达极化组合指数协同反演模型效果最佳,建模集R²为0.791,均方根误差(RMSE)为1.016,R²较单一数据源模型分别提高0.065和0.085,RMSE分别降低0.147和0.189;验证集R²为0.780,RMSE为1.132,R²较单一数据源模型分别提高0.091和0.237,RMSE分别降低0.175和0.3...     

极端干旱区荒漠稀疏河岸林遥感分类研究

研究以位于极端干旱区的塔里木河干流中下游地区为例,基于Landsat TM影像,结合决策树分类、几何光学模型与光谱角匹配,解决混合像元信息分解,实现干旱区稀疏荒漠河岸林类别识别。首先从遥感视角的角度,将地物分解为目标和背景,提出塔里木河干流荒漠河岸林植被分类系统;其次以多变量决策树法将非荒漠植被信息剔除,采用几何光学模型模拟各类荒漠植被的像元光谱,最后以光谱角匹配的方法将荒漠植被进一步进行分解,得到塔里木河干流中下游地区典型研究区的植被分类专题图,分类精度结果表明:基于混合像元分解与几何光学模型的分类方法总精度达到了79.43%,Kappa系数为0.718,表明分类质量良好。     

基于线性光谱分离技术的西藏乃东县土地覆被变化监测

青藏高原是全球气候变化研究关注的热点地区,也是中国生态保护的重点区域,其土地覆被变化研究对优化土地利用结构、改善土地覆被状况和生态环境具有重要意义。线性光谱分离技术是利用遥感手段监测土地覆被变化的有效方法。本文选取西藏乃东县为研究区,利用1988、2000和2010年三期Landsat TM、ETM遥感影像,采用线性光谱分离技术,定量提取了研究区三期影像中单个像元的植被、裸土、裸岩覆被率比例,同时将植被分量与NDVI结果进行对比分析。结果表明：①研究区山峦重叠,沟谷纵横,地表破碎,混合像元比例高,线性光谱分离技术可以很好地处理复杂地物的土地覆被变化;②1988-2010年间,研究区裸土面积下降幅度较大,植被覆盖率及裸岩覆盖率有所上升,说明本区植被得到一定的恢复,但同时石漠化也在进一步加剧;③通过对线性光谱分离的植被分量与NDVI结果比较,发现线性光谱分离技术对青藏高原土地覆被识别具有较好的适用性。     

基于遥感和像元二分模型的内蒙古正蓝旗植被覆盖度格局和动态变化

以内蒙古锡林郭勒盟正蓝旗为研究区,应用中国环境与灾害监测预报小卫星数据(HJ-1A CCD)及美国陆地卫星数据(Landsat ETM+),在充分考虑区域土壤和植被类型等背景基础上,先后使用了MNF、二维散点制图以及PPI方法,得到具有时空针对性的纯净像元;以此为基础,运用像元二分模型计算得到研究区植被覆盖度空间分布数据;最后,结合研究区其它权威土地覆被和土地利用(LUCC)数据,对比分析了本研究所得的植被覆盖度数据精度,评价了2000~2009年间区域植被覆盖度动态变化过程,指出本区在实施有关生态工程后植被覆盖度恶化趋势得到遏制。研究结果证明,在锡林郭勒盟正蓝旗地区应用像元二分模型计算植被覆盖度的方法是简洁且有效的。     

基于 NDVI 物候特征的华南地区冬种马铃薯遥感提取方法

马铃薯是华南地区的特色冬种农作物,其地块的“早稻―晚稻―冬种马铃薯”三季种植模式具有特有的植被指数时间序列曲线特征。利用这一特征,提出一种基于 NDVI 时间序列数据和 SAM 的冬种马铃薯种植面积提取方法。以广东省惠州市稔平半岛为研究区,冬种马铃薯面积为研究对象,采用 2011 年 HJ-1 A/B CCD 遥感数据为主要数据,计算每一景影像的 NDVI 后以时间为坐标轴排列成 NDVI 时间序列数据集,在此提取冬种马铃薯种植区的 NDVI 时间序列参考曲线,使用光谱角度匹配（SAM）方法,计算每个像元的 NDVI 时间序列曲线与 NDVI时间序列参考曲线的光谱夹角值,根据 Rule 图像的统计参数确定夹角阈值,达到快速有效地在遥感影像上提取冬种马铃薯对应像元的目的。结果表明：研究区总体提取精度为 82.70%,重点种植区域提取精度为 93.75%,可见基于 NDVI 物候特征的 SAM 方法能够有效提取研究区冬种马铃薯的种植面积。     

基于HJ-1A高光谱影像的湿地精细分类

混合像元的存在不仅影响了基于高光谱影像的地物识别和分类精度,而且已成为遥感科学向定量化发展的主要障碍。本文以扎龙湿地为试验区,以环境一号卫星采集的高光谱影像为数据源,分别采用传统的全约束最小二乘光谱解混算法(fully constrained least squares spectral unmixing algorithm, FCLS)与基于稀疏约束最小二乘光谱解混算法(sparse constrained least squares spectral unmixing algorithm, SUFCLS)实现了试验区湿地的精细分类,并对两种分类结果的表现及其分类精度进行了对比分析。研究结果表明：SUFCLS算法能够自适应的从光谱库中选择场景中所占比例最高的一组端元,并将此端元的组合应用于传统的全约束最小二乘光谱解混中实现不同湿地类型丰度的提取,该算法充分考虑了端元的空间异质性,弥补了FCLS算法在端元选取过程中的不足。精度验证结果表明与FCLS算法相比,SUFCLS算法分类结果的均方根误差更小,丰度的相关系数更高,因此该方法对于提高湿地解混精度以及实现湿地精细化分类具有重要意义。     

基于多尺度空间ANN - CA模型的遥感影像超分辨率制图方法研究

为获取遥感影像混合像元中各组分的空间分布状况,提出一种新的遥感影像超分辨率制图方法,用于继混合像元分解之后的亚像元定位。将元胞自动机理论移植到不同空间尺度的演化上,建立基于神经网络的多尺度元胞自动机模型(ANN-CA),并利用该模型提取北京市海淀区城镇用地超分辨率信息。结果表明,该方法能有效表达图像像元之间的空间自相关性。     

基于多源遥感和机器学习方法的科尔沁沙地植被覆盖度反演

植被覆盖度是监测生态系统及其功能的关键参数,如何提高大区域植被覆盖度的反演精度,对生态脆弱区环境可持续发展至关重要。本研究基于人工神经网络、支持向量回归和随机森林等机器学习方法,利用无人机、Worldview-2与Landsat 8 OLI遥感数据,对科尔沁沙地植被覆盖度进行多尺度反演。结果表明：随机森林模型比人工神经网络、支持向量回归模型表现佳,可在单元（试验区）、区域（研究区）尺度上较高精度地反演沙地的植被覆盖度,反演值与无人机实测值均在线性水平上呈显著相关（P<0.01）;在单元、区域尺度上,构建的植被覆盖度反演模型测试集R²分别为0.84、0.80,MSE分别为0.0145、0.0370,一致性指数d分别为0.9576、0.8991。利用多源遥感数据和机器学习方法,通过局部区域的高精度反演逐步实现低空间分辨率遥感影像的大区域植被覆盖度反演,不仅可有效提高沙地植被覆盖度的反演精度（R²=0.78,大于0.63）,也为区域生态环境监测与生态系统健康评价提供支持。     

基于NDVI的新疆荒漠地区植被覆盖度遥感估算经验模型研究

新疆荒漠地区植被覆盖度遥感估算模型十分缺乏,给荒漠化监测等相关工作带来很大不便,开展植被覆盖度遥感估算经验模型研究,对于促进和完善相关地区的生态监测及研究工作具有积极的现实意义。通过对阜康市北部沙漠南缘和克拉玛依市中部平原荒漠进行无人机航拍,利用无人机遥感提取（光合）植被信息,并将无人机航拍影像的植被覆盖度统计单元与高分辨率卫星影像像元在空间上直接相对应,获取在高分辨率卫星影像像元尺度上的植被盖度,然后通过植被覆盖度和空间上与其相对应的源自高分辨率卫星影像的NDVI数据的拟合关系,建立基于源自高分二号影像的NDVI的阜康北部沙漠植被覆盖度遥感估算线性模型以及基于源自ZY1-02C影像的NDVI的克拉玛依平原荒漠植被覆盖度遥感估算二次多项式模型。研究中所采用的无人机遥感与卫星遥感相结合、植被覆盖度统计单元与卫星像元在空间上直接对应的方法,可避免以往相关工作中常以点位测量数据代表卫星像元数据所带来的不确定性。由于所用卫星影像的NDVI数据稳定性相对不足等原因,所建立的遥感估算模型的估算精度尚相对偏低,有待于今后进一步的工作加以改进。