开封市Spot5全色波段与多光谱影像融合评价

以Spot5全色波段与多光谱波段为例,用PCA、Brovey、IHS等三种像素级融合方法对其进行融合研究。分别运用灰度均值、相关系数、平均梯度等三个传统的指标在影像亮度、光谱保真度以及高频信息融入度三个方面对其评价。最后综合这些指标在信息量以及融合指数方面对融合影像进行综合评价,从而建立一套完整的影像评价体系。     

植被覆盖区高光谱蚀变矿物信息提取

在植被覆盖严重地区,基于综合光谱信息模型,开展了高光谱遥感典型蚀变矿物信息提取研究.以河北省承德市大营子地区为例,利用Hyperion数据,在植被覆盖度大于70%的地区,根据蚀变矿物与背景地物波谱特征的差异,提取了该区绿泥石、斜绿泥石、方解石和白云石蚀变矿物分布信息,与已知地质矿产资料及野外检查结果一致.最后依据蚀变矿...     

结合空间—光谱信息的快速自训练高光谱遥感影像分类

自训练方法被广泛应用于高光谱影像分类任务中以解决标记样本获取困难的问题。传统的自训练方法不仅忽略了高光谱影像所能提供的空间信息,导致最终分类精度受到影响;同时在每次迭代过程中都需要完成一次对未标记数据的分类任务,导致需要大量的时间成本。因此,针对上述问题,本文提出了一种基于空间—光谱信息的快速自训练方法用于高光谱影像分类。与传统的自训练方法不同,该方法在迭代过程中使用空间—光谱信息对未标记数据进行筛选完成标记样本的扩充,而不是使用分类器对未标记样本进行分类。首先针对初始标记样本使用空间邻域块选择空间近邻点,然后使用自适应阈值对空间近邻点进行二次筛选得到空谱近邻点赋予标记,最后根据扩充后的标记样本对分类器进行训练完成分类任务。结果表明,在Washington DC Mall Subimage高光谱数据集中每类分别选择2个和10个训练样本时,整体分类精度分别达到了93.17%和95.43%;而在Indian Pines数据集中整体分类精度分别达到了59.75%和86.13%。我们提出的结合空间—光谱信息的快速自训练方法和对比方法相比,我们的方法有明显的提升。     

基于光谱-环境随机森林回归模型的MODIS积雪面积比例反演研究

积雪面积比例（Fractional Snow Cover, FSC）数据能在亚像元尺度上定量的描述像元内积雪覆盖的程度,相比二值积雪面积数据可以更加精确地估计积雪覆盖的面积。基于机器学习的随机森林回归模型可以表示高维的非线性关系,可显著提高MODIS FSC的反演精度。采用随机森林回归模型结合光谱、环境信息构建了一个新的回归模型——光谱-环境随机森林回归（Spectral Environment Random Forest Regressor, SE-RFR）模型,用于MODIS数据反演中国区域的FSC。利用中国典型积雪区内由Landsat 8地表反射率数据获取的FSC数据作为参考值,对SE-RFR模型的反演精度进行评估。研究表明,利用“SE-RFR”获取的FSC数据RMSE、MAE分别为0.160、0.104,精度较高。此外,根据SE-RFR模型与未加入环境信息的随机森林回归（S-RFR）模型比较结果可知,加入环境信息的随机森林回归模型提高了FSC反演的精度,特别是在受环境信息影响较大的青藏高原地区,RMSE从0.200降低到0.181。最后,将SE-RFR模型与目前使用广泛的MODIS FSC反演模型FSC_NDSI、MODSCAG和SSEmod进行了比较,结果表明SE-RFR模型的RMSE与FSC_NDSI、MODSCAG和SSEmod模型的RMSE相比,平均RMSE分别提高了12.0%、8.3%和5.5%。总体来说,SE-RFR模型可以准确地提取MODIS FSC,对于区域乃至全球FSC产品制备具有广泛的应用前景。     

以建成区提取为目标的Landsat8影像融合方法研究

建成区提取是城市环境监测中重要的一步,Landsat8影像广泛应用于灾害监测、城市环境监测、道路交通等领域。针对Landsat8全色影像空间分辨率高,纹理信息丰富,而多光谱影像光谱信息丰富,空间分辨率低的特点,开展以建成区提取为目标的Landsat8影像融合方法研究,探究大面积建成区提取对影像融合方法选择的影响。本文探究了Brovey变换,NNDiffusion,Gram-Schmidt(GS)法,PCA变换和小波变换(WT)等5种融合方法,利用融合影像结合"三指数法"提取建成区。结果表明:GS融合方法在光谱保持性方面具有较好的效果,各项评价指标均占优,建成区提取精度达到85.66%和83.3%。     

遥感影像分类中的空间尺度选择方法研究

提出了一种新的基于信息熵的空间尺度选择方法。该方法充分利用了遥感影像的多光谱信息。在这个方法中, 信息熵被用于评价影像类别可分性的定量标准; 另外影像的空间分布特征也被考虑。该方法与已有方法, 即基于局部方差的方法、基于变异函数(Variogram)的方法、基于离散度的方法, 进行了比较。TM和QuickBird两种影像被引入到评价中来。实验结果表明, 本方法能够准确地确定两种实验影像的最优分类精度所对应的空间尺度。QuickBird影像采用了面向对象的分类方法进行实验, 这表明本方法不仅适合于传统的分类方法, 同时也适用于面向对象的方法。通过比较分析表明, 本文方法明确优于已有各种方法。     

多源信息融合中小波变换的应用研究

研究了小波变换在多源信息融合中的应用,主要涉及高分辨率全色影像与低分辨率多光谱影像融合问题及合成孔径雷达与光学影像的融合问题.主要方法是基于地物光谱信息特征的彩色融合与基于几何特征的融合.利用小波技术对整个融合过程加以改进.获得的融合结果表明基于光谱特征信息的融合方法,可以有效地提高多光谱影像的空间分辨率,而基于几何特征的融合方法,可以提高对遥感影像的目视解译效果.视觉效果上就是将高分辨率影像的细节加入到了低分辨率多光谱影像中,并同时保持原始影像的光谱特征.     

结合高光谱像素级信息和CNN的玉米种子品种识别模型

玉米作为中国重要粮食作物,品种众多,易出现错分现象,影响农业安全和粮食生产。针对传统基于卷积神经网络CNN（Convolutional Neural Network）的高光谱图像作物品种识别模型所需建模样本数量巨大的问题,提出基于高光谱像素级信息和CNN的玉米种子品种识别模型。首先,获取不同品种玉米种子在400—1000 nm范围内的高光谱图像,提取样本全部像素的203维光谱信息,利用主成分分析PCA（Principal Component Analysis）算法将光谱维度降至8维。在实验中,样本的像素级光谱信息（即：样本的全部像素的光谱信息）除应用于CNN模型外,也应用于支持向量机（SVM）和K近邻分类（KNN）模型中,结果表明：在相同模型中,基于像素级光谱信息比基于米粒级光谱信息（即：每粒样本所有像素光谱信息的平均值）识别效果好;在相同情况下,CNN模型比SVM和KNN模型的识别效果好;基于像素级光谱信息和CNN的品种识别模型识别效果最稳定,依据像素级分类结果采用多数投票策略对玉米种子样本进行识别,样本识别精度高达100%（注：100%为建模集样本与测试集样本数量为0.27和0.32时的识别精度,随着测试集样本数量的增加,该识别精度将有所降低）。最后,使用t分布随机邻域嵌入（t-SNE）算法实现CNN输出特征值的可视化,验证了基于高光谱像素级信息和CNN的品种识别模型的有效性。在建模样本极少的情况下,实现了玉米种子品种的无损、高效识别,为精准农业提供了理论基础。     

Landsat-8 与GF-1 卫星渤海海冰探测能力对比研究

为更有效地利用Landsat-8和GF-1卫星进行渤海海冰监测,从海冰检测和海冰类型识别两方面,开展Landsat-8与GF-1卫星的渤海海冰探测能力对比分析研究。实验研究表明,在海冰检测方面,GF-1区分海冰与海水的能力强于Landsat-8;在海冰类型识别方面,Landsat-8识别海冰类型的能力要强于GF-1影像。初步讨论了综合利用Landsat-8与GF-1卫星监测渤海海冰的方案。     

资讯

首批海洋观测业务卫星投入业务化运行6月28日,自然资源部在北京组织海洋一号C卫星及海洋二号B卫星在轨交付。这标志着国家民用空间基础设施规划立项批准的首批海洋观测业务卫星实现业务化运行,也代表着目前我国民用遥感海洋观测卫星发展的最高水平。海洋一号C卫星于2018年9月7日成功发射,是接替海洋一号B卫星的业务卫星,寿命5年,卫星可获取全球24小时水色水温信息、全球海岸带和内陆水体50米分辨率高精度多光谱信息及全球大洋船舶识别信息。