利用温湿度指数提高红树林遥感识别精度

针对使用TM图像反射波段信息难以将红树林与陆地植被、尤其是与水体—植被混合像元有效区分的问题,结合不同潮位的TM图像,基于反射波段信息,引入TM6热红外波段信息,提出了温湿度指数(temperature-moisture index,TMI)。分析结果表明,综合潮位信息、热红外波段信息及温湿度指数能显著提高红树林与其他地物之间的可分性。采用光谱角度制图(spectral angle mapping,SAM)监督分类法对红树林进行分类识别,较之其他研究者所采用的分类特征,热红外波段信息及温湿度指数能使红树林分类精度明显提高(Kappa系数提高了0.14,错分率降低了19.9%),说明利用潮位信息、热红外波段信息及温湿度指数可以提高红树林的遥感识别精度。     

地形抹平与半经验模型的Landsat TM/ETM+地形校正方法

地形校正可以减小地形起伏对地物光谱的影响,提高计算机分类在山区的精度。设计了针对全球土地覆盖分类的Landsat TM/ETM+数据地形校正方法 SCOS(Smoothed COS余弦),首先对地形的坡度角进行抹平处理,很大程度上削弱了地表非朗伯性对地形校正的影响,然后利用简单有效的余弦校正去除地形效应。该方法与其他常用地形校正算法的对比分析是通过对全球不同区域、不同地表覆盖的有代表性的6景Landsat TM/ETM+数据的试验,采用统计分析与目视判读的方式,从过度校正和类内均一性两个方面进行的。结果表明,该方法在目视效果和统计结果上优于常规方法,并且更加简单有效,无需复杂的大气参数及传感器参数,满足全球地表覆盖分类对地形校正的需求。     

多源数据的土地覆被样本自动提取

随着遥感数据获取能力的不断增强,自动化程度已经成为大尺度遥感土地覆被分类面临的关键问题。然而,现有训练样本的人工选取方法成为制约土地覆被分类自动化的瓶颈。本文以河南、贵州两省为研究区,提出一种基于多源数据的土地覆被样本自动提取方法,以构建适用于大尺度的土地覆被自动分类。首先,以2010年1∶10万土地利用数据CHINALC和30 m分辨率全球土地覆被数据Globle Land30为样本数据源;然后,利用空间一致性分析及异质性分析确定样本初选区域;最后,通过样本提纯去除无效样本。结果表明:(1)应用多源数据的土地覆被样本自动提取方法获得的分类产品总体分类精度高于人工样本提取方法制作的全球土地覆被产品MCD12Q1。(2)与单源样本自动提取方法相比,应用多源数据的土地覆被样本自动提取方法,可获得更好的分类稳定性。综上,多源数据的土地覆被样本自动提取方法可在保证精度的同时,提升土地覆被分类的自动化程度。     

基于机器学习的稀疏样本下的土壤有机质估算方法

采用GRNN（Generalized Regression Neural Network）和RF（Random Forest）2种机器学习方法构建土壤有机质预测模型,以提高稀疏样本情况下的土壤有机质估算精度。依据北京市大兴区农用地2007年的土壤有机质采样数据,按MMSD准则（Minimization of the Mean of the Shortest Distances）抽稀为8种不同采样密度的样本（分别为2703、1352、676、339、169、85、43、22个样本）,分别采用GRNN、RF和Ordinary kriging对各采样密度下的未知采样点进行预测,采用交叉检验的方式验证各采样密度下未知样点的预测精度。随着采样点密度的下降,样点间的空间自相关性逐渐减弱,半变异函数的拟和精度变差,预测点结果误差增大,预测的置信度降低。当抽稀到43个和22个采样点时,样点间的空间自相关性接近歼灭,半变异函数的决定系数较低且残差较大。普通克里格受到采样点数量和采样密度、样点的空间结构的影响比较明显,其预测精度随采样点数量的下降而下降。在85个采样点及以下时,其预测值与观测值之间没有显著的相关性。GRNN和RF的预测精度受采样密度的影响不大,其预测精度在一个较小的范围内波动,其预测值围绕观测值在一定阈值空间内震荡波动,具有较好的相关性,在85个及以下的采样密度时,预测精度相对普通克里格有较大的提升。普通克里格法不适合在稀疏样本条件下空间插值计算,尤其是在空间自相关性比较弱的情况下。机器学习模型能充分学习土壤间环境信息、样点空间邻近效应信息,兼顾属性相似性和空间自相关,具有更好的稳定性和适应性,不容易受到采样点数量、构型和采样密度等因素的影响,即使在采样点空间自相关性很弱的情况下也能做出稳定预测精度。     

采用不同样本集合同化地面观测对一次飑线过程的影响

针对夏季黄淮地区一次飑线过程,利用WRF (Weather Research and Forecasting) 模式及其Hybrid ETKF-3DVAR同化系统,考察不同生成方案的样本对同化地面观测的影响。集合样本创建方式包括3类:扰动初始背景场的方案 (RCV)、使用不同的物理参数化方案 (PPMP) 以及前两者集成方案 (BLE)。基于增量场分析,同化地面观测主要调整850 hPa以下水平风和水汽混合比的空间结构,其中RCV方案侧重于改变水平风的空间分布,PPMP方案侧重于改变水汽混合比的空间结构,BLE方案兼具二者特征。同化地面观测可以间接改善6 h降水预报,其中PPMP试验的降水预报最好,尤其是对降水位置和强度的预报。对比雷达回波观测,RCV试验和BLE试验对弓状回波模拟得较好,BLE试验的模拟较多体现RCV特征。PPMP试验和RCV试验还可改变冷池的位置和强度,同时影响飑线出现和消亡时间,相对而言,PPMP试验影响更大。     

类星体样本光变研究进展

光变是活动星系统的共同特征,光变规律的研究已成为人类探索活动星系核物理的有力手段,综述了类星体样本光变的研究现状,对样本的光变比例,光变类星体的平均光变幅,光变时间尺度,光变幅与类星体物理参量的相关情况,类星体样本光变和其它活动星系核样本的关系进行了详细评述,并评述了样本光变的星暴模型,微透镜模型,吸积盘模型三种理论模型。     

遥感卫星图像特征分析研究

文章介绍了遥感卫星中两种传感器的成像原理和工作方式,几何特征以及它们的用途,着重分析研究了它们的特点和功能。     

硅藻群落结构的差异:比较样本采集过程与空间梯度

硅藻种群的分布与其所处的生境条件密切相关,但在实际过程中的一些人为因素,例如取样方法、样本的制备以及藻种鉴定都可能会干扰到种群结构的分析结果.因此很有必要探究这些人为因素是否会对真实的硅藻群落生态学研究产生误导性的判断,以免干扰硅藻生物水质评价的客观性.选取采样方法及样本制备为代表的人为因素对硅藻群落生态分析结果引入的误差大小进行评估.结果显示,子样本之间(同一样品重复制作的玻片样本)和样品之间(同一样点重复取样)群落结构差异大小分别是1.26%和1.97%,同一条河流的样点之间则为3.38%,而所选定的跨河流研究区域的样点间群落结构差异最大(42.03%).生态学的排序结果和数理统计分析表明,在硅藻群落结构分析中,现场取样方法和样本制备过程相对于不同生境条件所引起的变化,并不会带来较大的差异.因此在河流附生硅藻的群落生态学研究中,可基本不考虑取样方法等因子的干扰,而是侧重于环境因子对硅藻生态分布的影响.     

基于多源遥感数据的玛纳斯河流域荒漠化监测

利用遥感手段对玛纳斯河流域绿洲-荒漠带的荒漠化状况进行监测。利用不同时期TM数据,在小尺度上分析该区域2000~2008年荒漠化土地的分布特征;基于MODIS陆地遥感产品(NDVI、Albedo及LST),利用多源信息复合法计算荒漠化程度指数;基于TM荒漠化监测结果对该指数进行分级处理,初步建立并验证基于MODIS数据的荒漠化监测评价模型。结果表明:近10 a来,绿洲外围荒漠化土地变化较小,大部分变化发生在绿洲内部,主要为局部荒漠化被开发或因盐碱化过重导致的撂荒;荒漠化监测评价模型对研究区荒漠化程度定量评价精度可达91.25%。     

基于LBV变换的TM数据水体提取新方法

TM数据经典水体提取方法存在对细小水体的漏判和对山体阴影的误判两方面缺陷。本文基于LBV变换提出了B分量阈值法和LBV关系法两种新的水体提取方法。实验结果表明:两种新方法的漏分精度分别为2.54%、2.73%,误分精度分别为15.71%、13.39%,整体提取效果优于经典方法。