基于GDAL的遥感影像快速裁切技术

介绍了基于开源GDAL类库开发,实现遥感影像的大批量快速裁切的技术,经应用测试,该技术提高了遥感影像处理的作业效率和自动化水平,降低了生产成本。     

基于高分一号宽幅多光谱影像的鄱阳湖湿地分类研究

典型湿地类型分类对于湿地生态环境保护和生态环境建设具有重要意义。本研究以高分一号宽幅多光谱影像数据作为数据源,以鄱阳湖典型湿地作为研究对象,进行典型湿地类型分类。研究采用主成分分析、归一化植被指数、比值植被指数和归一化差异水体指数等方法对不同湿地类型进行光谱特征分析,结果表明:高分一号宽幅多光谱影像反演的归一化植被指数和归一化水体指数能够较好地区分水体、泥滩、挺水植物和湿生植物等常见湿地类型。通过归一化植被指数将湿地类型分为植被和非植被,归一化差异水体指数将植被类型进一步分为挺水植物和湿生植物,将非植被分为水体和泥滩。构建决策树对典型湿地类型进行自动分类,经过精度评价和分析验证,该方法针对高分一号宽幅数据进行典型湿地分类总体精度能够达到82.28%,Kappa系数0.7346,优于常规的监督分类和非监督分类。     

基于DInSAR技术与WorldView-2影像的煤矿塌陷区信息提取研究

结合DIn SAR与World View-2光学遥感解译技术,对研究区进行多源数据处理,提取研究地区的煤矿塌陷区信息,然后对处理后的两种结果进行对比。二者既有区别,又可以互补,最终在研究区形成完整的塌陷区信息。     

高分一号遥感影像地质灾害信息提取方法研究

山区地质灾害发生频繁,受灾范围大,危害严重。提取地质灾害信息、估算受灾情况,对救灾工作极为重要。传统的遥感人工解译方法速度慢、效率低;计算机自动解译速度快但解译精度受影像质量影响大,大范围地区很难建立起普适性的解译模型。本文利用洮南市西部高分一号遥感数据,结合DEM生成三维影像,建立解译标志,解译基础地质信息,分析地质灾害成因;根据研究区泥石流地质灾害的主要影像特征,提取影像的分类属性,基于面向对象的分类方法,建立信息提取模型,快速提取出地质灾害敏感区域;再进行人机交互,精确提取出地质灾害的类型和范围,通过野外验证,该方法十分可靠,为大范围地质灾害信息快速提取和灾后救援提供科学依据。     

土地变更影像在棚户区改造资金监管中的应用探索

加快棚户区改造是落实国务院部署的一项政治任务,也是当前及今后一段时期内的最大民生工程。通过利用年度土地变更调查遥感影像对荣成市2015年度棚户区改造新开工项目进行甄别排查,经实地核查后获取不合格项目的具体范围和面积。研究结果表明,利用年度土地变更调查遥感影像可以有效地提高棚户区改造资金监管中对于项目定性效率,并推进资源共享共建,为政府决策提供科学依据。     

基于遥感的GEF海河项目实施效果评价

GEF海河项目于2011年完工,该项目在华北地区16个县市实施,惠及2 000多万人。本文从ET、地下水超采量削减、污染物排放量控制、地表水水资源量与利用量以及出入境水质水量5个方面对GEF海河项目实施效果进行了评价。结果表明,全流域ET值减少了68.4 mm,COD和NH3-N入河总量分别减少了36.8%和8.5%、入海总量分别减少了46.1%和36.4%,地表水资源量增加了8.94%,总用水量减少了1.99×108m3,生态环境用水量增加了7.77×108m3,河湖环境明显改善。     

基于遥感数据的哈尔滨土地利用/覆被变化研究

以哈尔滨市为例,基于Landsat数据,利用遥感技术和GIS技术对2000和2015年的遥感影像数据进行解译分类,通过对分类结果的统计分析,定量研究哈尔滨市15年间的土地利用变化过程,结果显示:哈尔滨市土地综合利用程度较高,区域内耕地面积减少;相反,城市建成区面积大幅增加,区域内绿地面积逐年减少,应注意生态环境维护保持。     

基于卫星遥感影像和DEM融合的地质断裂带研究

应用遥感影像进行地表地质分析,具有数据量大、耗时短、费用低廉等优势,可以快速获取大范围区域的相关地质信息,因此,近年来,卫星遥感影像广泛应用于地质分析工作中。但是由于卫星影像在不同时期内的特征不同,且有大量不同的数据源,在不同影像上获取地质特征困难,因此,如何利用影像处技术增强影像中的地质特征,成为遥感影像地质判读的研究重点。地质断裂带调查一般借助各种直接与间接的调查方法以确认断裂带的存在与否和位置,了解断裂带的活动性,并提供点状或剖面数据材料。卫星影像在追踪研究贯穿地表且可为影像所解析的断裂带上,提供真实的影像证据,有助于直接分析影像中断裂带走向和延展。利用遥感影像处理计算,将卫星影像数据叠加到DEM上编制三维地形图,并利用计算机仿真,通过不同方向的投射光源,找出最适合的观察角及最能凸显出重点区域线状地类的状态。对于地质现象的分析及解释上,可提供较平面影像细致、准确的参考依据。     

PMODTRAN: a parallel implementation based on MODTRAN for massive remote sensing data processing

MODerate resolution atmospheric TRANsmission (MODTRAN) is a commercial remote sensing (RS) software package that has been widely used to simulate radiative transfer of electromagnetic radiation through the Earth's atmosphere and the radiation observed by a remote sensor. However, when very large RS datasets must be processed in simulation applications at a global scale, it is extremely time-consuming to operate MODTRAN on a modern workstation. Under this circumstance, the use of parallel cluster computing to speed up the process becomes vital to this time-consuming task. This paper presents PMODTRAN, an implementation of a parallel task-scheduling algorithm based on MODTRAN. PMODTRAN was able to reduce the processing time of the test cases used here from over 4.4 months on a workstation to less than a week on a local computer cluster. In addition, PMODTRAN can distribute tasks with different levels of granularity and has some extra features, such as dynamic load balancing and parameter checking.     

A variable precision rough set approach to knowledge discovery in land cover classification

This paper presents a granular computing approach to spatial classification and prediction of land cover classes using rough set variable precision methods. In particular, it presents an approach to characterizing large spatially clustered data sets to discover knowledge in multi-source supervised classification. The evidential structure of spatial classification is founded on the notions of equivalence relations of rough set theory. It allows expressing spatial concepts in terms of approximation space wherein a decision class can be approximated through the partition of boundary regions. The paper also identifies how approximate reasoning can be introduced by using variable precision rough sets in the context of land cover characterization. The rough set theory is applied to demonstrate an empirical application and the predictive performance is compared with popular baseline machine learning algorithms. A comparison shows that the predictive performance of the rough set rule induction is slightly higher than the decision tree and significantly outperforms the baseline models such as neural network, naïve Bayesian and support vector machine methods.