西北地区陆地生态系统植被状态参数业务化遥感研究

植被指数(NDVI)和叶面积指数(LAI)是两个非常重要的陆地生态系统植被状态参数.我们首先利用最大值(MVC)合成方法使用先进遥感数据如MODIS、AVHRR3等得到旬合成植被指数(NDVI),然后利用最新的经验方法针对不同的陆地生态系统类型反演得到叶面积指数,重点研究了我国沙尘暴发生频率较高的我国西北地区植被覆被状态及其变化情况.植被指数能够反映区域,乃至全球范围植被年季状态,用于监测陆地生态系统植物光合作用活动及其变化.植被指数作为一个基础参数能够用于计算反演更高级别的陆地生态系统状态参数.叶面积指数直接影响植被的光合作用,蒸腾作用的变化和陆面过程的能量平衡状态.在沙尘暴预测研究中使用的起沙过程模型需要将叶面积指数作为一个关键输入变量,另外,绝大多数生态过程模型模拟碳、水循环时也都需要将叶面积指数作为一个非常重要的输入变量.我们总结了最新的叶面积指数经验反演方法,针对6钟不同的陆地生态系统类型应用不同经验模型计算得到了叶面积指数.     

结合像元分解和STARFM模型的遥感数据融合

高空间、时间分辨率遥感数据在监测地表快速变化方面具有重要的作用。然而,对于特定传感器获取的遥感影像在空间分辨率和时间分辨率上存在不可调和的矛盾,遥感数据时空融合技术是解决这一矛盾的有效方法。本文利用像元分解降尺方法(Downscaling mixed pixel)和STARFM模型(Spatial and Temporal Adaptive Reflectance Fusion Model)相结合的CDSTARFM算法(Combination of Downscaling Mixed Pixel Algorithm and Spatial and Temporal Adaptive Reflectance Fusion Model)进行遥感数据融合。首先,利用像元分解降尺度方法对参与融合的MODIS数据进行分解降尺度处理;其次,利用分解降尺度的MODIS数据替代STARFM模型中直接重采样的MODIS数据进行数据融合;最后以Landsat 8和MODIS遥感影像数据对该方法进行了实验。结果表明:(1)CDSTARFM算法比STARFM和像元分解降尺度算法具有更高的融合精度;(2)CDSTARFM能够在较小的窗口下获得更高的融合精度,在相同的窗口下其融合精度也高于STARFM;(3)CDSTARFM融合的影像更接近真实影像,消除了像元分解降尺度影像中的\"图斑\"和STARFM模型融合影像中的\"MODIS像元边界\"。     

北太平洋宽吻海豚正常生理指标数值的算法

连续5年对青岛海豚表演馆中北太平洋宽吻海豚(Tursiops gille Dall)进行现场实验和行为学研究,获取了大量的生理指标数据,运用不同的分析和计算方法对所得数据进行了筛选、剔除及处理,确立了海豚各生理指标的正常闽值和范围确定的方法,从而为准确了解海豚机体的生理状况、疾病诊断及治疗奠定了基础。     

基于被动微波遥感的青藏高原雪深反演及其结果评价

采用修正的张氏雪深反演算法,用SSM/I37GHz和19GHz水平极化亮温值计算了青藏高原及其毗邻地区的积雪深度,对其精度进行了评价,并对误差来源进行了分析。结果显示,此算法能够较好地反映研究区的雪深分布,但局部地区误差较大,总体上雪深被高估。其误差主要来源于冻土,深霜层,植被以及雪层中液态水含量,雪粒的形状和粒径的变化带来的影响。SSM/I数据较低的分辨率和研究区复杂的地形使反演的雪深与观测的雪深缺少可比性,给精度的评价带来影响     

地震震害微观与宏观方法快速盲估综述

本文以分类清单法和利用GDP进行震害评估法为例, 回顾地震损失微观、 宏观两类快速评估方法的原理、 流程及应用。 总结两种方法的特点, 并做简单对比。 结果表明, 根据要求的不同和掌握资料丰富程度的差异, 选择适当的方法进行震后快速盲估, 其结果对政府决策和抢险救灾具有重要意义。     

基于直方变差图的土地覆盖数据集多尺度精度评价

针对目前精度评价尺度单一的问题,提出基于直方变差图的多尺度精度评价方法,分别在像元尺度和亚像元尺度进行土地覆盖数据集精度评价。在像元尺度利用驻点作为采样工具直接评价数据集精度;亚像元尺度上,则利用非严格定义的驻点和驻点直方变差图对不同面积和空间结构的优势类进行精度评价。并以浙江北部典型区域为实验区,Landsat TM/ETM+为参考数据,对UMD、IGBP DISCover、MOD12Q1-2001、GLC2000、GlobCover2009等5种大尺度土地覆盖数据集进行多尺度精度评价实验。结果表明,多尺度精度评价方法能够全面地评价土地覆盖数据集的精度,提供更加丰富的多尺度精度信息。像元尺度精度评价可在一定程度上消除由于参考数据与数据集间的空间匹配造成的误差,评价结果更加客观;亚像元尺度精度评价能有效反映亚像元尺度优势地物面积及空间结构与精度的关系。     

地震数据去噪中的小波方法

地震资料去噪是地震数据处理中是必不可少的步骤,随着地震勘探的进步和勘探目的层加深,对地震资料的信噪比和分辨率提出了越来越高的要求.小波分析作为一个新兴的数学方法在地震资料去噪中也有巨大的潜力.本文从小波去噪的特点出发,介绍了小波分频和小波域阈值去噪的特点,并详细总结了地震资料去噪中的小波方法,主要有面波的压制和随机噪声的衰减.最后简要叙述了地震资料小波去噪的一些问题和发展.     

典型遥感数据分类方法的适用性分析——以遥感图像场景分类为例

目前普遍采用的分类器通常都是针对单一或小量任务而设计的,在小数据量的处理中能取得比较满意的结果。但对于海量遥感数据的处理,其在处理时效和分类精度方面还有待研究。本文以遥感图像场景分类任务为例,着重对遥感数据分类问题中几种典型分类方法的适用性进行比较研究,包括K近邻(KNN)、随机森林(RF),支持向量机(SVM)和稀疏表达分类器(SRC)等。分别从参数敏感性,训练样本数据量,待分类样本数据量和样本特征维数对分类器性能的影响等几个方面进行比较分析。实验结果表明:(1)KNN,RF和L0-SRC方法相比RBF-SVM,Linear-SVM和L1-SRC,受参数影响的程度更弱;(2)待分类样本固定的情况下,随着训练样本数目的增加,SRC类型分类方法的分类性能最佳,SVM类型方法次之,然后是RF和KNN,在总体分类时间上呈现出L0-SRCL1-SRCRFRBF-SVM/Linear-SVMKNN/L0-SRC-Batch的趋势;(3)训练样本固定的情况下,所有分类方法的分类精度几乎都不受待分类样本数目变化的影响,RBF-SVM方法性能最佳,其次是L1-SRC,然后是Linear-SVM,最后是RF和L0-SRC/L0-SRC-Batch,在总体分类时间上,L1-SRC和L0-SRC相比其他分类方法最为耗时;(4)样本特征维数的变化不仅影响分类器的运行效率,同时也影响其分类精度,其中SRC和KNN分类器器无需较高的特征维数即可获得较好的分类结果,SVM对高维特征具有较强的包容性和学习能力,RF分类器对特征维数增加则表现得并不敏感,特征维数的增加并不能对其分类精度的提升带来更多的贡献。总的来说,在大数据量的遥感数据分类任务中,现有分类方法具有良好的适用性,但是对于分类器的选择应当基于各自的特点和优势,结合实际应用的特点进行权衡和选择,选择参数敏感性较小,分类总体时间消耗低但分类精度相对较高的分类方法。     

改进的P-SVM支持向量机与遥感数据分类

本文介绍了将P-SVM算法引入多光谱/高分辨率遥感数据的分类, 并且展示了卫星ASTER和航空ADS40数字影像分类的技术过程和结果验证。结果表明：P-SVM方法的分类精度不低于SVM, 并减少了时耗。     

地质大数据可视化关键技术探讨

详述了地质大数据可视化的研究内容,从应用角度可将其分为:表达三维可视化、分析三维可视化、过程三维可视化、设计三维可视化和决策三维可视化5类.针对地质大数据这5类可视化中涉及到的几方面关键技术进行了深入探讨,包括:地质体三维可视化动态精细建模技术;基于CUDA+GPU集群的地质体属性场数据并行可视化技术;针对地质大数据的...