IMD法在多光谱图像分类中的应用

数学形态学着重于分析和处理图像的几何结构信息。根据这一原理，在图像分类预处理过程中，对各种地物区域的几何结构特点进行分析，构造相应的结构元素，然后对图像进行形态迭代分解法(IMD，Iterative Morphological Decompostion)变换。在变换结果中，地物区域的灰度信息进行了归一化处理，同时区域的几何结构特点和独立地物得到了有效保留。将多光谱图像的IMD变换结果进行分类实验的结果表明，该方法可以有效提高多光谱图像分类的精度和效率，具有较强的适用性。     

GIS数据辅助下的线状目标自动提取

首先介绍了遥感影像中线状目标骨架自动提取的意义和研究现状，然后结合老的GIS数据，提出了一种算法来实现遥感影像中线状目标骨架的自动提取，算法主要包括影像预处理、GIS数据与影像的配准、骨架跟踪、编组连接与数据简化等步骤。最后又利用遥感影像和相应的GIS数据进行了实验，实验证明了算法的可行性和有效性。     

高分辨率遥感影像的精纠正

论述了对高分辨率遥感影像进行精纠正获得正射影像的关键技术。若干实际不同分辨率的高分辨率遥感影像被用于相应的实验，实例证明了本文算法的正确性。     

基于光谱信息的遥感图像空间域自适应滤波

遥感图像往往由于内外因素的干扰含有各种噪声 ,为提高图像质量人们对其进行滤波。常规的滤波方式完全基于图像空间域 ,在消除异常点使图像平滑的同时使边界变得不清楚从而使图像模糊 ;或者正相反 ,在边缘信息得到增强时也放大了图像噪声而使图像变得粗糙。该文的自适应滤波方法充分利用多光谱和高光谱遥感图像的光谱维信息 ,滤波时不仅要使均匀的地块得到平滑 ,而且要使地块间的边缘、局部的异常点、线仍然得到保存、在光滑的同时尽量保持原有的数值特征     

利用案例推理（CBR）方法对雷达图像进行土地利用分类

提出了基于案例推理 (CBR)的遥感分类的新方法。基于规则的专家系统被用来提高遥感分类的效率。但所涉及的规则可能多达上百或上千条 ,有的问题根本无法用规则来表达。CBR只是根据以往的案例进行推理 ,克服了基于规则的推理方法的不足 ,可以用来解决一些复杂的资源环境问题。利用CBR和模糊数学结合 ,并通过分层随机采样来控制案例在空间上的分布 ,以反映复杂环境所造成的光谱变化 ,由此解决遥感分类中的“同物异谱”现象。实验表明 ,所建立的案例库可以被重复多次使用 ,分类的效果比监督分类和非监督分类要好。     

利用AMTIS数据反演植被和土壤温度

遥感陆面温度 (LST)是目前遥感界面临的重要课题 ,组分温度反演则为LST反演的主攻目标。如果混合像元组分间的温度及发射率存在明显差别 ,就可以从多角度热辐射亮度变化中分离出组分温度的信息。在热辐射矩阵模型的基础上 ,讨论了确定可反演参数和反演组分温度的方法 ,并以AMTIS多角度热红外图像为数据源 ,在进行几何和大气纠正后 ,尝试利用矩阵反演方法分解混合像元中的植被和土壤温度。误差分析表明土壤温度反演结果较好 ,但植被温度的反演精度不高     

复种指数遥感监测方法

复种指数是反映水土光与自然资源利用程度的指标 ,其实质是沿时间序列 ,反映某一种植制度对耕地的利用程度。联系复种指数与时间序列NDVI曲线的纽带是农作物年内的循环规律。时间序列的NDVI值蕴涵着植被的生长和枯萎的年循环节律 ,经时间序列谐函数分析法 (HarmonicAnalysisofTimeSeries ,HANTS)重构的NDVI曲线 ,可以准确地反映农作物的出苗、拔节、抽穗、收获等物理过程。因此 ,根据时间序列的NDVI曲线的周期性 ,可以反向捕捉到耕地农作物动态的信息 ,进而得到耕地的复种指数。本文依据上述原理 ,提出复种指数遥感监测的方法 ,然后用 1999年至 2 0 0 2年 4年的VGT(SPOT4卫星vegetation数据 )旬合成NDVI时间序列数据集提取了复种指数 ,并利用地面样区观测结果和统计数据进行检验 ,取得很高的精度。     

泰国水稻种植面积月变化的遥感监测

介绍了光学和微波遥感影像相结合进行泰国水稻种植面积监测方法。泰国雨季雨量充足 ,气温适合 ,同一时间耕地上水稻的物候多样 ,每月水稻种植面积都发生变化。利用旱季的TM影像 ,获得耕地信息。同时利用TM影像覆盖的雷达区域进行非耕地去除 ,进行非监督分类 ,提取反映水稻种植不同生长期的雷达影像后向反射系数特征 ,建立各种类型的分类模型 ,采用监督分类的方法对全景雷达数据进行水稻种植情况调查 ,并分别予以识别和统计 ,反映研究区水稻月种植情况。分类结果通过类别检验和面积量算检验进行精度评价和分析。     

The analysis of SPOT-5 characteristics on land cover Classification

<正>KnowledgeaboutlandcoverandlandusehasbecomeincreasinglyimportantastheNationplanstoovercometheproblemsofuncontrolleddevelopment,deterioratingenvironmentalquality,lossofprimeagriculturallandsetc.Landuseandlandcoverdataareneededintheanalysisofenvironmentalprocessesandproblemstoknowiflivingconditionsandstandardsaretobeimprovedormaintainedatcurrentlevels.     

Seasonal and inter-annual relationships between vegetation and climate in central New Mexico, USA

Linear correlations between seasonal and inter-annual measures of meteorological variables and normalized difference vegetation index (NDVI) are calculated at six nearby yet distinct vegetation communities in semi-arid New Mexico, USA Monsoon season (June–September) precipitation shows considerable positive correlation with NDVI values from the contemporaneous summer, following spring, and following summer. Non-monsoon precipitation (October–May), temperature, and wind display both positive and negative correlations with NDVI values. These meteorological variables influence NDVI variability at different seasons and time lags. Thus vegetation responds to short-term climate variability in complex ways and serves as a source of memory for the climate system.