吉林西部盐碱地数字图像植被覆盖度的自动提取

植被覆盖度是生态环境变化的重要指标,也是遥感反演的关键参数。盐碱地植被覆盖度的准确测量对研究地表植被蒸腾、土壤水分蒸发及土壤退化、盐碱化等具有重要意义。过绿指数(Excess Green index,ExG)对绿色植被比较敏感,能突显植被信息,去除土壤、阴影的干扰。通过对吉林西部盐碱地玉米、高粱、绿豆、杂草、土壤数字图像特征分析,利用改进过绿指数(Modified Excess Green index,MExG)算法计算植被和土壤的MExG值;并确定区分植被和土壤的MExG阈值为40,进而计算植被覆盖度。本文采用监督分类的最大似然法对比验证MExG自动提取结果,并对两种方法计算的玉米、高粱、绿豆和杂草的覆盖度,分别进行目视判读和t检验。研究表明,MExG自动提取方法具有客观性强,处理时间短,分类精度高等优点,是计算不同植被类型覆盖度的有效方法。     

基于特征分离机制的深度学习植被自动提取方法

随着遥感影像分辨率的提高,植被信息的高精度提取对于了解地表植被变化规律、评价生态区域具有重要意义。针对传统方法跨季节植被提取不完整问题,本文基于高分2号(GF-2)卫星数据,提出一种基于特征分离机制的深度学习语义分割网络植被提取方法。该网络在Densenet的基础增加可分离卷积和空间金字塔结合的特征分离机制来增大感受野,更有效利用植被的特征信息,提升了模型的精度。本文通过构建高精细跨季节植被样本库,使用本文所提方法,完成了遥感影像植被信息提取,并选取总体准确度、F1值和交并比作为评价指标,对不同的传统方法和深度学习方法进行精度对比与分析。实验结果表明,本文方法提取植被的效果较好,其中F1分数达到91.91%,总体准确度达到92.79%,交并比达到85.10%。对高分1号、高分6号和高景1号遥感影像进行植被提取通用性验证,结果表明本文方法具有一定的通用能力,可以从高分辨率遥感影像中准确地、自动地提取植被。本文研究成果可为城市生态环境评价和植被的应用研究提供数据参考。     

基于沙地指数模型的沙地监测方法

沙漠化是干旱、半干旱地区的重要生态环境问题,我国西北地区沙漠化土地分布广泛,加剧的沙漠化问题影响着区域经济和社会的发展,遥感技术的进步为沙漠化评估与制图提供了重要手段。本文以内蒙古自治区浑善达克沙地为研究区,基于面向对象方法,对研究区Landsat8 OLI影像进行沙地最优尺度分割。以分割对象为基础,实验在冬夏季影像上分层分阶段提取沙地。在冬季影像上,本文提出新比值型指数RSBI（Ratio Soil Brightness Index）对沙地进行提取,精度较SBI指数提高4.11%。后基于改进型植被覆盖度指数（FMSAVI）与反照率（Albedo）构建二维特征空间,建立沙地分类指数模型（DCI）,对夏季影像沙区分类。该方法总体精度为83.24%,较NDVI-Albedo二维特征空间模型精度提高5.59%,较FMSAVI模型提高16.20%。本文结合RSBI指数与FMSAVI-Albedo特征空间反演的DCI指数模型来提取沙地信息并对沙地分类,减少了沙地提取误差,提高了分类精度,为沙地信息的研究提供了新思路。     

基于改进线性光谱分离模型的植被覆盖度反演

线性光谱分离技术可以有效地提取像元水平上植被或其他端元(影像中的地物)的相对百分比,但是目前该技术在多光谱宽波段影像数据应用中,由于波段数量、波段宽度等的限制,估算精度离定量研究的水平仍有一定差距。鉴于此,本文提出了一种改进的线性光谱分离方法,该方法在对影像进行土地覆盖分类基础上进行分离,一方面同类土地覆盖类型内同种地物的光谱变异相对较小,更有利于端元选取;另一方面,分影像的地物种类数量明显少于整幅影像,更容易满足模型的适用条件,从而突破了波段数量限制,同时使地物光谱分离更具针对性,经过验证,该方法较传统分离方法相比植被覆盖度的反演精度可提高6.4%,用该方法实现了研究区的植被覆盖度的定量反演并对研究区植被覆盖度的空间结构进行了分析。     

水土流失区马尾松林植被提取的土壤调节指数分析

为实现水土流失区植被遥感信息的准确提取,本文采用2007年ALOS 10 m多光谱影像,利用土壤调节植被指数SAVI和MSAVI,对福建长汀水土流失区马尾松林不同植被覆盖密度的3个实验区进行植被提取,并选用不同的土壤调节因子（L=0.25,0.5,0.75,1）做实验,将结果和以NDVI植被指数提取的结果进行对比,分析了提取效果及受土壤噪音的影响程度。实验表明,SAVI指数能提高水土流失区的植被提取精度。在中、低植被覆盖区,其提取的总精度比NDVI高出2%~7%,Kappa系数高出7%~18%;而土壤调节因子L的取值对植被信息的提取也呈现出一定的规律性,即：随着L从0向1递增,SAVI提取稀疏植被的能力上升而探测阴坡植被的能力下降。总体来看,对于低植被覆盖和中等植被覆盖地区,可分别用SAVI（L取0.75）和SAVI（L取0.5）来提取植被信息,对于高植被覆盖区,仍可直接用NDVI进行植被信息提取;研究发现MSAVI在植被信息提取中并不具有特别的优势。     

淤泥质潮滩湿地类型遥感识别分类方法与应用

依据江苏盐城国家珍禽自然保护区淤泥质潮滩湿地影像特征,快速提取高精度潮滩湿地地物信息对湿地生态保护具有重要的意义。本研究以2010年TM影像为数据源,针对海滨湿地植物覆被类型复杂,以及湿地植物类型之间的生态交错带信息难以识别等问题,综合运用植被NDVI指数、波段反射率特征、环境特征和生态条件,逐级分层分类及人工选取阈值等方法,较好地解决了淤泥质潮滩湿地分类问题。结果表明,与同一时期的监督分类相比较,在识别植被交错带植被覆被类型和零星分布的植被斑块的类型方面更具优势,分类精度有明显提高。通过ROI训练区,选取了3126个包括所有类型的样本进行精度检验,分类精度达到95.87%。该方法弥补了单一分类方法的不足,对快速、高精度地提取淤泥质潮滩地物类型具有重要的参考价值和实践意义。     

线性光谱混合模型影响因子不确定性定量研究

线性光谱混合模型(Linear Spectral Mixing Model,LSMM)是一种像元分解模型,由于其简单和易操作性的特点,在目前亚像元研究中应用颇为广泛。其分离精度受多种因素的影响,但目前对该模型的研究多集中在对模型本身的线性假设评价及端元光谱选取方法上,而忽略了模型应用的环境条件(大气反射、散射、地形起伏等)对模型分解精度的影响等。本文以线性光谱模型提取植被分量为例,探讨环境大气条件、地形因素对模型精度影响的不确定性。研究将数据处理为四个层次,即原始的ASTER数据,利用MODTRAN进行大气校正的数据,经C-地形校正的数据,同时进行了大气校正和地形校正的数据。然后在四个层次上依次提取植被丰度,并将其和NDVI进行线性回归分析,检验植被丰度的分离精度,从而量化大气、地形等因子对LSMM的影响程度。研究结果表明:大气条件、地形因素都会制约LSMM分离精度的提高,特别在有地形起伏的中小空间尺度范围内,地形因子对线性光谱混合模型的影响远大于大气影响。     

结合Sentinel-2数据与光谱特征的稀疏非光合植被指数构建

非光合植被(NPV)在干旱半干旱区生态系统中扮演了重要角色，对了解植被碳循环过程起着至关重要的作用，同时掌握非光合植被定量信息对科学评估土地荒漠化程度以及荒漠化科学防治具有重要意义。本文以甘肃省民勤县为研究区，对高光谱仪采集NPV及研究区内其他端元光谱信息进行光谱分析，结合Sentinel-2 MSI影像构建提取稀疏NPV覆盖度信息的植被指数，实测NPV覆盖度作为精度验证数据，决定系数R²、均方根误差和显著性p值用于模型精度评价，结果发现：(1)通过原始光谱法、一阶导数变换法、倒数的对数法和连续统去除法进行光谱分析发现，连续统去除法处理获取的NPV光谱的包络线值较光合植被(PV)和裸地(BS)光谱包络线值特征差异明显；(2)通过绿光波段的包络线差值和短波红外波段的光谱反射率比值计算后，可以有效拉开NPV与PV和BS光谱特征值差距，从而实现NPV信息提取，得到表征NPV覆盖信息的新指数；(3)通过精度验证发现，新构建的NPV指数—包络线差值植被指数(Envelope Difference Vegetation Index, EDVI)优于参与比较分析的其他指数模型，...     

面向对象的极高海拔区水体及冰川信息提取——以珠穆朗玛峰国家级自然保护区核心区为例

极高海拔地区多为河流发源、冰川发育地,由于地形起伏强烈,且野外考察验证工作困难,传统的遥感信息提取方法很难保证该地区水体及冰川的提取精度。本文基于ASTER影像,运用面向对象的图像信息自动分析方法,对珠穆朗玛峰国家级自然保护区核心区的水体及冰川信息进行了提取研究。为保证信息提取的准确度,将数字高程模型(DEM)及其衍生数据(坡度、坡向),归一化植被指数(NDVI)数据,及有助于区分水体、冰川与其他地物的相关指数(冰雪指数NDSII)及波段运算结果(b1-b3)、(b3/b4)等,分别作为一个波段叠加到原始图像中,使之成为对目标地物光谱特征的有益补充。并对不同类型的水体及冰川进行多级、多尺度分割,以满足其对分割尺度的不同要求。分割完成后,综合考虑目标地物的光谱特征、纹理特征、空间结构特征,根据各特征指数的直方图信息,设定合适的阈值,建立了各水体及冰川类型信息提取的知识规则,并结合实地调查对信息提取的精度进行验证,改进了ASTER遥感影像自动快速提取极高海拔区水体及冰川信息的实用模型。     

干旱区植被覆盖度提取模型的建立

本文通过分析遥感提取植被覆盖度的经验模型法、植被指数法和混合像元分解法,归纳了它们各自的优势、精度和存在的问题,指出了影响应用较广泛的植被指数转换法精度是全植被覆盖像元的选取。在此基础上提出了植被指数转换法的改进模型一利用高分辨率卫星图像的最大NDVI值作为均一像元的NDVI值替换中等分辨率卫星图像的NDVI值,建立植被覆盖度提取模型,从而通过中等分辨率卫星图像获取大范围植被覆盖度的方法。经实践检验,该方法简单、实用,适合于利用中等分辨率卫星图像进行大范围宏观监测。     

玉米叶面积指数的CHRIS/PROBA数据反演分析

叶面积指数(LAI)是衡量植被生态状况和估算作物产量的一个重要指标。LAI的反演是定量遥感研究的重要内容。传统的经验统计反演方法基于单一观测角度的遥感数据进行,忽略了地物反射率的方向性。若在反演中加入多观测角度的信息,则有可能提升LAI反演的精度。以2008年甘肃省张掖市玉米实验区为研究区,利用欧空局的CHRIS/PROBA多角度高光谱数据对比分析了传统植被指数NDVI、RVI、EVI的变化规律及其反演玉米叶面积指数LAI的精度,并根据NDVI随观测角度的变化规律,构造出新型多角度归一化植被指数MNDVI,分别对实测叶面积指数进行线性回归并利用实测数据对估算LAI进行精度验证,结果表明：新型MNDVI指数相比于传统NDVI、RVI、EVI对LAI的反演精度有了显著提升,估算模型决定系数R²达到0.716,精度验证均方根误差为0.127,平均减小了33.3%。     

基于稀少控制点的SPOT5卫星立体条带影像的生产应用研究

随着相关技术的发展,高分辨率卫星遥感影像在测绘产品生产中的应用越来越广泛和深入。本文主要通过西部无图区测图的应用实践,讨论利用有理多项式方法、基于稀少控制点纠正的SPOT5HRS立体条带影像的测图生产情况,并对DLG、DEM等产品进行精度检测;同时与传统的航摄方法进行对比,分析其生产效率等情况。     

基于几何光学模型的人工林叶面积指数遥感反演

 MODIS等全球叶面积指数(LAI)产品空间分辨率偏低(250m~7km),不能满足高空间分辨率遥感应用的需求。为获取大区域高空间分辨率LAI,有必要对物理模型用于高空间分辨率遥感影像LAI反演的可行性进行探讨。本文基于4-scale模型LAI反演算法,以甘肃省张掖为研究区,利用TM 影像实现研究区人工林LAI反演。反演算法考虑了反射率入射-观测角度对LAI与植被指数关系的影响和植被冠层尺度的集聚程度。利用地面实测LAI数据对反演结果进行验证与分析,并与NDVI经验模型进行对比,同时分析LAI反演结果对波段反射率敏感性。结果表明: 4-scale模型LAI反演结果与实测LAI一致性良好(R²=0.67,RMSE=0.50),且优于NDVI经验模型(R²=0.59,RMSE=0.67);当LAI大于2时,4-scale模型LAI反演算法误差小于NDVI经验模型,能有效避免植被指数的饱和现象;红光波段反射率减小时,引起4-scale模型LAI反演结果的变化幅度比其增大时更高,且影响程度大于近红外波段反射率。研究表明,4-scale 模型LAI反演算法可用于TM数据反演人工林LAI,模型应用普适性较强。     

一种面向海量浮动车数据的地图匹配方法

浮动车数据已广泛应用于交通监管、智能出行、城市规划等领域,地图匹配是浮动车数据关键技术之一,保障匹配算法精度的同时提高匹配效率,是面向海量浮动车数据地图匹配方法的难点。本文提出一种基于HMM（Hidden Markov Model）的地图匹配模型,相对传统模型尝试了多个方面的改进：在发射概率计算中引入航向角变量,并探讨了该变量对模型精度的影响;以格网对路网进行划分,构建哈希索引,实现候选路段快速查找;采用路径无权距离替代路径实际距离,并对路网进行预处理,根据浮动车有限时间内的活动范围构建路段转移矩阵,实现路段转移概率快速计算,以减小路径匹配算法时间复杂度。将模型应用于北京出租车轨迹数据匹配结果表明,对于采样时间间隔在1~120 s的浮动车数据模型切实可行。在满足匹配精度应用需求的前提下,模型效率有了较大幅度提升,能有效应用于海量浮动车数据地图匹配。     

单侧控制条件下SPOT5 HRG影像的定向试验

高分辨率卫星影像已经成为获取地理信息的重要数据源,而其定向是一项关键技术。本文利用单侧不同数量及分布的控制点对SPOT5 HRG影像进行了定向试验,探讨了在单侧控制条件下SPOT5 HRG影像的定向精度情况,为地面控制点获取较困难地区的影像定向提供了一条参考途径。     

Extracting vegetation phenology metrics in Changbai Mountains using an improved logistic model

Remotely sensing images are now available for monitoring vegetation dynamics over large areas.In this paper,an improved logistic model that combines double logistic model and global function was developed.Using this model with SPOT/NDVI data,three key vegetation phenology metrics,the start of growing season (SOS),the end of growing season (EOS) and the length of growing season (LOS),were extracted and mapped in the Changbai Mountains,and the relationship between the key phenology metrics and elevation were ...     

路域植被等效水厚度估算模型研究

植被等效水厚度对路域生态环境的监测评估具有重要意义。本研究以湖南醴潭高速一段为研究对象,以地面实测光谱和等效水厚度以及PRO4SAIL模拟光谱和模拟等效水厚度为数据源,利用PRO4SAIL冠层模型模拟光谱与地面实测光谱建立12种常用水分指数,引入随机森林算法对水分指数与等效水厚度进行重要性分析,得到12种水分指数的重要性排序;利用调整R ²确定建立等效水厚度估算模型中输入水分指数的最佳个数;在优选水分指数基础上,以PRO4SAIL模拟光谱计算得到水分指数和等效水厚度为训练集,分别构建随机森林耦合偏最小二乘（RF-PLS）、随机森林耦合支持向量机（RF-SVM）和随机森林耦合遗传算法优化支持向量机（RF-GA-SVM）等效水估算模型,并用地面实测等效水厚度对估算模型进行精度验证与分析。结果表明：RF-SVM估算模型中输入重要性前9的水分指数（NDWI、NMDI、SRWI、SR、NDII、WI、DWI、MSI、SAVI）时,调整R ²最高,验证集决定系数为0.8877;RF-PLS和RF-GA-SVM估算模型中输入重要性前4的水分指数（NDWI、NMDI、SRWI、SR）时,调整R ²最高,验证集决定系数分别为0.8053、0.8952,其中RF-GA-SVM模型估算等效水厚度效果最佳,其精度满足路域植被等效水厚度监测要求。本文研究成果为等效水厚度估算提供一种有效且精确的方法,同时为发展基于高光谱遥感的路域环境监测提供重要支撑。     

特征优选与卷积神经网络在农作物精细分类中的应用研究

农作物的精细分类一直是农业遥感领域的热点,对农作物估产和种植结构监管有重要意义。深度学习的出现为农作物分类准确性的提升提供了新的思路。本文提出一种特征优选与卷积神经网络（Convolutional Neural Networks, CNN）相结合的多光谱遥感农作物分类方法,用以解决精细分类问题。实验以哨兵2号遥感影像为数据源,基于多光谱遥感影像的波段反射率与包括归一化植被指数在内的10种植被指数,利用Relief F算法进行特征增强与优选,获取最优特征集,从而设计出基于特征优选的CNN分类方法,并对河南省原阳县主要农作物水稻、玉米、花生进行分类识别与制图,分类精度达到96.39%。同时,选用支持向量机、CNN方法分别对研究区农作物进行分类识别。对比分析3种方法的分类结果,发现本文提出的基于最优特征集的CNN农作物分类方法表现最优,CNN方法次之,支持向量机方法表现最差。实验结果表明：① 利用Relief F算法能够对特征贡献度进行排序,完成特征筛选,得到包含24个特征的最优特征子集,训练精度达到99.89%;② 基于最优特征集的CNN方法能够在最大程度上提取高精度差异性特征,实现对农作物的精细分类,且相比CNN和支持向量机的农作物分类方法,本文方法表现更佳。     

遥感建筑用地信息的快速提取

建筑用地的急剧增加和耕地资源的迅速减少,使得土地利用动态变化监测显得尤为重要。遥感作为监测土地利用动态变化的一种有效手段,已经得到日益广泛的应用。但是建筑用地由于其光谱的异质性,而难以用简单的方法将它们从遥感影像中准确提取出来,遥感建筑用地指数(Index-based Built-up Index,IBI)是针对这一问题提出的。它的构建采用的是三个专题指数波段(SAVI植被指数、MNDWI水体指数、NDBI建筑指数),而不是影像的原始波段。由于这三个指数互为负相关,因此,可以有效地增强和提取遥感影像中的建筑用地信息。通过将IBI指数提取建筑用地的影像处理过程编成可自动执行的模块,并集成于大型的遥感商业软件中,使得影像数据处理和建筑用地信息提取时间大大缩短,提高了建筑用地信息增强和提取的效率。     

Evaluating Spatial Heterogeneity of Land Surface Hydrothermal Conditions in the Heihe River Basin

Land surface hydrothermal conditions(LSHCs) reflect land surface moisture and heat conditions, and play an important role in energy and water cycles in soil-plant-atmosphere continuum. Based on comparison of four evaluation methods(namely, the classic statistical method, geostatistical method, information theory method, and fractal method), this study proposed a new scheme for evaluating the spatial heterogeneity of LSHCs. This scheme incorporates diverse remotely sensed surface parameters, e.g., leaf area index-LAI, the normalized difference vegetation index-NDVI, net radiation-Rn, and land surface temperature-LST. The LSHCs can be classified into three categories, namely homogeneous, moderately heterogeneous and highly heterogeneous based on the remotely sensed LAI data with a 30 m spatial resolution and the combination of normalized information entropy(S') and coefficient of variation(CV). Based on the evaluation scheme, the spatial heterogeneity of land surface hydrothermal conditions at six typical flux observation stations in the Heihe River Basin during the vegetation growing season were evaluated. The evaluation results were consistent with the land surface type characteristics exhibited by Google Earth imagery and spatial heterogeneity assessed by high resolution remote sensing evapotranspiration data. Impact factors such as precipitation and irrigation events, spatial resolutions of remote sensing data, heterogeneity in the vertical direction, topography and sparse vegetation could also affect the evaluation results. For instance, short-term changes(precipitation and irrigation events) in the spatial heterogeneity of LSHCs can be diagnosed by energy factors, while long-term changes can be indicated by vegetation factors. The spatial heterogeneity of LSHCs decreases when decreasing the spatial resolution of remote sensing data. The proposed evaluation scheme would be useful for the quantification of spatial heterogeneity of LSHCs over flux observation stations toward the global scale, and also contribute to the improvement of the accuracy of estimation and validation for remotely sensed(or model simulated) evapotranspiration.