2002年秋季山东省干旱遥感监测分析

利用极轨气象卫星遥感资料对2002年山东省秋季干旱进行监测和服务,其监测方法主要采用热惯量法。为了提高土壤水分模式的计算精度,将全省分为4个区域,对利用卫星资料反演的地表温度日较差进行植被指数等环境因素订正。在地理信息系统支持下,比较准确地计算出农田受旱面积,效果良好。     

基于PRS的遥感图像地物信息提取模型

点源理论(PRS)是一种面向应用需求的集中信息处理方式。不同尺度、不同分辨率的点都是一定的综合信息场,是客观世界的真实反映。本文在数字图像处理过程中引入点源理论,探讨针对地物空间信息应用服务的遥感信息分析和处理模型,讨论基于点源的图像构造、知识构造及地物模型建造过程,给出基于点源的遥感图像地物提取流程。     

概率神经网络与BP网络模型在遥感图像分类中的对比研究

通过分析概率神经网络(以下称PNN)的基本结构及其训练算法,建立了卫星图像分类的概率神经网络模型,并通过实例对比分析了概率神经网络与BP网络分类模型的分类效果。实验表明,PNN图像分类方法在分类精度上优于误差反向传播神经网络模型,且分类时间相当,是一种有效的图像分类方法。     

基于灰度形态学的高分辨率遥感影像预处理

提出了一种从高分辨率遥感影像中提取线性目标时影像预处理的方法。该方法基于灰度形态学的Top-Hat运算和灰度膨胀运算，用Top-Hat算子除去影像的噪声，再利用灰度膨胀增强影像目标和背景之间的对比度，使目标更易于识别。经过处理的遥感影像，能够更有效地提取影像的目标。     

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。     

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。     

中国农情遥感速报系统

介绍了中国农情遥感速报系统的建设情况 ,系统内容包括农作物长势监测、农作物种植面积监测、农作物单产预测与粮食产量估算、作物时空结构监测和粮食供需平衡预警等。简要介绍了 1998年以来中国农情遥感速报系统在监测内容与监测范围、监测频率、技术发展以及质量控制与过程检验体系建立等方面的进展 ,并就中国农情遥感速报系统的发展方向提出了展望。     

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。