Identification and extraction of urban construction land information by index image——a case study of Yueyang City

以岳阳市Landsat ETM+影像为信息源,分析了典型地物的光谱特征及可分性,将地物种类归并为建设用地、植被、水体三大类,分别选用归一化裸露指数( NDBI)、重归一植被指数(RDVI)和改进的归一化水体指数(修改后的NDWI)作为三种地类的指示因子,通过阈值分割、掩膜处理去除了非建设用地区域的噪音信息,得到了比较准确的城镇建设用地专题信息.综合运用三种指数提取建设用地比直接对各波段作复杂的逻辑判断思路更清晰,目的更明确,也弥补了单一指数识别建设用地的不足,精度检验结果表明其有较高的提取精度,是一种兼具自动与半自动、行之有效的城镇建设用地识别与提取方法.     

基于高光谱影像的高寒牧区土地覆盖分类与草地生物量监测模型

利用环境减灾卫星HJ 1A高光谱图像数据,分析了研究区不同土地覆盖类型的波谱曲线特征,比较了监督分类和光谱角分类方法对高光谱影像的分类精度,研究了高寒牧区草地生物量超光谱遥感监测模型。结果表明,1）不同地物波谱曲线的吸收位置和吸收深度等波谱特征在可见光波段具有较大差异,在近红外波段吸收特征相似。在可见光波段,云和植被的吸收位置最少,都只有1处,但云的吸收深度小于植被;裸地吸收位置有5处;水域吸收位置最多,有6处。2）光谱角与监督分类均适于高光谱影像分类,但光谱角分类方法的总精度可达85.9%,远高于监督分类法。3）依据草地生物量与9种植被指数间的回归分析结果,选出了适合研究区草地植被生物量动态监测的两种植被指数,即归一化植被指数和比值植被指数。     

基于CIWI模型的洞庭湖地区水体变化识别

本研究使用混合水体指数模型对洞庭湖地区2003年至2013年的水体面积变化进行识别,并使用监督分类方法提取水体进行验证。研究结果表明,2008年洞庭湖地区水体面积最大,2003年次之,2013年水体面积最小。CIWI模型提取的水体变化趋势与监督分类提取的水体变化趋势一致,但面积明显小于监督分类的结果。使用CIWI水体指数可以有效实现大面积水体的提取。     

Coastal zone land use/cover information extraction method based on RS

本文以地处莱州湾东海岸的莱州市为研究区域,以TM影像为主要信息源,在分析各类地物分类效果的基础上,结合区域特点和地物光谱特征,综合利用两期典型季相的遥感图像,并针对每一种土地利用类型确定最佳信息提取影像,提出了基于光谱、地形等多种知识的分层信息提取方法.结果表明该方法分层目标明确,分类精度和计算效率都有明显提高,且在数据分析和解译方法上表现出更大的灵活性.     

安邦河湿地自然保护区春季鸟类群落多样性研究

2009年5月9日～6月9日,采用样方法对安邦河湿地自然保护区退耕还湿区域鸟类群落多样性进行了研究。根据调查区域生境特点,将调查区划分为3个大样方,分别为恢复初期湿地（样方1）、恢复中后期湿地（样方2）以及农田（旱田,样方3）。本研究共观察到鸟类12目24科61种。该地区春季鸟类群落多样性指数为2.20,其中样方2的多样性指数最高,为1.73;样方1为0.63;样方3为0.18。多样性指数比较结果表明,进行生态恢复可以增加鸟类的群落多样性。鸟类群落多样性是衡量一个地区生态环境的一个重要指标,因此通过春季鸟类群落多样性的调查研究可为安邦河湿地恢复提供理论依据和支持。     

基于无人机可见光影像对喀斯特地区植被信息提取与覆盖度研究

为准确快速获取喀斯特石漠化地区植被和植被覆盖度信息，本研究利用四旋翼无人机采集喀斯特石漠化区域的可见光影像，选择过绿指数（EXG，excess green）、可见光波段差异植被指数（VDVI，visible-band difference vegetation indx）、红绿蓝植被指数（RGBRI，red green and blue vegetation index）、过绿减过红指数（ExG-ExR，excess green-excess red），利用植被指数时序图交点法和样本统计法思想，运用阈值分割法进行植被和植被覆盖度的信息提取，并以监督分类得到的植被和植被覆盖度信息为真实值，进行精度验证。结果表明，在贵州省关岭贞丰花江喀斯特石漠化地区，对于植被信息提取，ExG-ExR的精度最高，总体精度为95.56%，Kappa系数为0.919；ExG-ExR得到的植被覆盖度精度最好，为99.174%，均方根误差RMSE为0.097，R²为0.977。由此可见，在喀斯特地区利用植被指数时序图交点法和样本统计法思想，适合该地区的植被信息提取和植被覆盖度的提取，具有较高的精度。     

应用遥感技术对内蒙古镶黄旗草原分类的研究

研究了遥感技术在内蒙古镶黄旗草原资源调查中的应用,探讨了利用TM影像进行草原资源专题信息提取的整个过程,包括几何校正、镶嵌、特征提取和训练区的选择,采用常规的监督分类和非监督分类方法,对图像进行了分类,同时对分类结果进行了校验。     

基于Landsat 8遥感影像的土地利用分类研究——以四川省红原县安曲示范区为例

以四川省红原县安曲示范社区2013年7月23日的Landsat 8OLI影像为数据源,参照国家土地利用分类标准,结合示范区的野外实际调查资料、数字高程模型、草地资源类型等辅助信息,建立了较为准确的解译标志。将目视解译结果视为地表真实状况,对非监督分类、监督分类和基于专家知识的决策树分类的结果进行精度验证。结果表明,监督分类方法对红原安曲示范区的土地利用分类结果与实际类别吻合最好,其分类总体精度可达85.02%,其中面积占示范区总面积约99%以上的草地、湿地、道路及水体的分类精度分别达88.66%、83.42%、83.73%和85.26%。     

基于最优模型选择的牧草地上生物量遥感估算研究

生物量快速精准监测对于草地资源的可持续开发和利用具有重要意义。以青海省海晏县草场为研究区,采用Sentinel-2影像结合地面实测数据进行牧草生物量估算研究并探究最优模型。构建21种典型植被指数与生物量的关系模型,包括单变量指数模型、多元线性模型和随机森林模型,并采用留一交叉验证决定系数和均方根误差进行模型精度检验和最优模型选择。结果表明：绿色叶绿素指数（Green chlorophyll index,CI_green）和归一化差异水体指数（Normalized difference water index,NDWI）与生物量具有最优拟合关系,同样反映牧草水分和叶绿素含量的其他指数在模型中也具有重要的贡献占比,说明牧草的长势和水分含量对牧草生物量的估算具有较大影响。3种模型中,多元模型精度高于单变量模型,非线性模型精度高于线性模型。其中随机森林模型效果最优,R_cv²达到0.74,RMSE_cv达到187.71 g·m^-2,并且该模型在缓解“过饱和”方面也具有明显优势。     

荒漠-绿洲过渡带不同生境芦苇根际土壤真菌多样性及群落结构分析

以沙漠-绿洲边缘4种不同生境（湿地生境、盐渍生境、盐渍-沙地过渡生境和沙地生境）芦苇群落为研究对象,基于高通量测序法探究芦苇根际土壤真菌多样性及群落结构。结果表明,4种生境芦苇根际真菌共检测出3门18纲51目98科128属145种。在门分类水平,子囊菌门（Ascomycota）、担子菌门（Basidiomycota）分别为盐渍-沙地过渡生境、湿地生境主要优势菌门,而毛霉门（Mucoromycota）在盐渍生境中相对丰度最高。在属分类水平,湿地生境、盐渍生境、盐渍-沙地过渡生境和沙地生境的优势物种分别为棉革菌属（Tomentella）、古根菌属（Archaeorhizomyces）、梨孢属（Pyricularia）和小脆柄菇属（Psathyrella）。4种生境间真菌多样性和物种组成存在显著差异,有益菌与有害菌共存。湿地生境真菌物种丰富度和多样性最高,沙地生境和盐渍-沙地过渡生境主要优势物种更多,沙地生境和盐渍-沙地过渡生境的菌群组成相似,但真菌群落与环境因子关系尚不明确。上述研究结果对于认识河西走廊不同生境芦苇根际微环境具有一定参考价值。     

民勤10种典型荒漠植物冠层光谱与含水率的特征分析

植物体内水分是影响植物光合作用、呼吸作用、生物量及其他生理生化指标的主要因素之一,植物含水率的调查是植被研究的重要内容,利用高光谱进行典型荒漠植物含水率与冠层光谱的关系研究对荒漠区植被遥感监测具有重要意义。本研究借助ASD便携地物光谱仪实地测定了10种典型荒漠植物的冠层光谱曲线,并采用相关系数法和植被指数法,分析了不同荒漠植物光谱特征及其与冠层含水率的关系,结果显示:1)荒漠植物反射光谱曲线具有绿色植物在可见光-近红外波段的普遍特征,有明显的"绿峰"特征和"红边效应"。2)在954-973,1 184-1 198和1 440-1462 nm三个波段,荒漠植物存在明显的水分吸收谷。其中,1 440-1 462 nm波段的光谱反射率与含水率相关系数大于0.8,二者具有很强的线性相关性。3)WBI(Water Band Index)、NDWI(Normalized Difference Water Index)、NDII(Normalized Difference Infrared Infrared Index)、MSI(Moisture Stress Index)与植物含水率显著相关(P<0.05),冠层水分含量指数与植被水分实测值具有较高的一致性,可以反映荒漠植被含水率变化。     

基于多源遥感数据提高山地森林识别精度——以祁连山国家公园肃南县段为例

本研究旨在探索一种基于多源遥感数据的提高山地森林识别精度的方法。以祁连山国家公园肃南县段为实验区，结合ICESat/GLAS（geoscience laser altimeter system ）星载激光雷达数据、Landsat OLI影像、Google Earth高分辨率影像、DEM数据以及样地调查数据，综合利用各数据提供的垂直结构、光谱、季相和地形特征探索基于多源遥感数据的山地森林识别精度提升方法。结果表明：1）将经过地形校正后的GLAS数据提取的垂直结构信息与光谱信息结合能够提高山区复杂地形条件下森林范围识别的精度，相比仅依据光谱特征进行分类，依据光谱及垂直结构综合特征分类时其总体分类精度提高了10.67%。2）地形信息的加入能够尽量全面的考虑到不同地形特征上各森林类型的不同光谱特征，从而提升森林类型的识别精度，且就本研究区域而言，加入坡向信息比海拔信息更能够提高森林类型的分类精度。3）多源多时相遥感影像提供的季相特征能够对不同森林类型的分类提供帮助，而不同的波段组合对分类精度几乎没有影响。 研究对探索低成本、高时效、操作方便并具有一定精度保证的山地森林识别方法具有一定的借鉴意义。     

基于ＭＯＤＩＳ数据的青海省积雪覆盖范围监测算法探索

 以青海省作为研究区,利用ＭＯＤＩＳ每日地表反射率产品ＭＯＤ０９ＧＡ 和逐日雪被合成产品ＭＯＤ１０Ａ１,通过调整ＮＤＳＩ阈值,合成积雪分类图像,根据气象台站实测雪深数据,评价积雪分类精度,探索研究了适合该地区的ＮＤＳＩ阈值。研究结果表明,１）ＮＳＩＤＣ 发布的全球ＭＯＤＩＳ积雪产品ＭＯＤ１０Ａ１在青海高原的积雪分类精度较低,在晴空下雪深大于３ｃｍ 的积雪分类精度为８６．０１％。２）研究区适合的ＮＤＳＩ阈值为０．３７。在晴空下雪深大于３ｃｍ 时,合成雪被图像的积雪分类精度可达９０．３７％,总精度９９．５１％,多测误差０．２２％,漏测误差９．６３％。３）同ＭＯＤＩＳ逐日雪被产品ＭＯＤ１０Ａ１进行雪深分段精度比较,发现整体上自定义雪被图像的积雪分类精度较高,合成图像更符合青海高原积雪空间分布的真实情况。     

复合植被指数在稀疏高寒草原植被盖度遥感反演中的应用

基于Landsat 8遥感影像数据,以西藏日喀则经南木林到申扎县的一条样带高寒草原作为研究对象,选择较为常用的归一化植被指数(normalized difference vegetation index,NDVI)、土壤调整植被指数(soil adjusted vegetation index,SAVI)、修改型土壤调整植被指数(modified soil adjusted vegetation index,MSAVI)以及对半干旱区低覆盖植被信息较为敏感的转换型土壤调整植被指数(transformational soil adjusted vegetation index,TSAVI),结合地表反射率改进运算的FCD模型(forest canopy density mapping model)裸土(bare soil index,BI)和阴影指数(shadow index,SI)构建适合低植被覆盖区域的复合植被指数(vegetation bare shadow index,VBSI);基于各植被指数构建像元二分模型,定量反演高寒草原植被盖度;并利用网格法实测的植被盖度分析反演精度。研究结果表明,8种植被指数所构建的像元二分模型对高寒草原植被盖度的反演精度以VBSI(TSAVI)最高,反演精度为85.66%;并证明了基于野外采集的土壤光谱曲线获取的TSAVI所构建的像元二分模型对高寒草原植被盖度信息的提取具有一定的实用性;改进运算的FCD模型裸土和阴影指数能较好地削弱土壤和阴影对植被信息的影响,所构建的复合植被指数对提取稀疏高寒草原植被盖度信息具有重要的实际意义。     

基于灵活的时空融合模型的植被覆盖度与植被指数关系

时空数据融合模型被广泛地应用于获取高时间、高空间分辨率的植被指数与植被覆盖度,但是其反演的精度常常受输入的低空间分辨率影像(如MODIS影像)的影响。本研究基于灵活的时空数据融合方法(FSDAF),深入分析了赛里木湖流域与石河子地区两种不同情景的MODIS影像组合对FSDAF模型植被覆盖度提取精度的影响,并研究了6种植被指数与植被覆盖度的线性与非线性关系。研究结果表明,FSDAF模拟影像的植被覆盖度精度取决于2个时期MODIS影像的变化率,影像变化小时取得的精度明显好于影像差异大的情况。而采用植被指数对植被覆盖度模拟时,NDVI与OSAVI的线性拟合效果较好,可以获取较理想的结果。试验表明,采用时空模型用于研究区植被覆盖反演能取得较好的效果,具有一定的应用推广价值。     

The Classification of Grassland Types Based on Object-Based Image Analysis with Multisource Data

The spatial distribution of different grassland types is important for effectively analyzing spatial patterns, obtaining key vegetation parameters using remote sensing (e.g., biomass, leaf area index, net primary production), and using and protecting grasslands. Existing classifications of grasslands by remote sensing are mostly divided according to the fractional vegetation cover or biomass, but classifications according to grassland types are scarce. In this study, we focused on the classification of different grassland types using remote sensing based on object-based image analysis (OBIA) with multitemporal images in combination with a 30-m digital elevation model (DEM) and the normalized difference vegetation index (NDVI). The grasslands were located in Hulunber, Inner Mongolia, and an autonomous region of China. The support vector machine (SVM) and random forest (RF) machine learning classifiers were selected for the classification. The results revealed the following: 1) It is feasible to generally extract different grassland types on the basis of OBIA with multisource data; the overall classification accuracy and Kappa value exceeded 90% and 0.9, respectively, using the SVM and RF machine learning classifiers, and the classification accuracy of the different grassland types ranged from 61.64% to 98.71%; 2) Multitemporal images and auxiliary data (DEM and NDVI) improved the separability of different grassland types. The information in the growing season was conducive for distinguishing temperate meadow steppe from temperate steppe and was favorable for extracting lowland meadow and swamp in the nongrowing season. The DEM and NDVI also effectively reduced the number of image segmentation objects and improved the segmentation effects; 3) Spectral and textural features were more important than geometric features in this study. A few main variables played a major role in the classification, while a large number of variables had either no significant effect or a negative effect on the classification results when the optimal feature subset was determined. This study provides a scientific basis and reference for the classification of various grassland types by remote sensing, including the data selection, image segmentation, feature selection, classifier selection, and parameter settings.     

伊犁绢蒿荒漠草地退化等级的高光谱识别方法

本研究以伊犁绢蒿(Seriphidium transiliense)荒漠草地为研究对象,基于环境卫星HSI高光谱影像和群落冠层光谱,采用光谱角填图法和光谱信息散度法对草地退化等级进行识别。结果表明:以实地采集的冠层反射光谱为指导的HSI高光谱影像识别精度较差;基于HSI高光谱影像的退化等级识别结果较好,总体分类精度在76%以上,适合对伊犁绢蒿荒漠草地退化等级识别。     

中国内陆天然湿地的类型特征及分布规律－Ⅰ类的划分

 在综述前人湿地分类方法的基础上,提出了湿地分类应遵循的６条原则,借鉴任继周等提出的草原综合顺序分类法,并依上述原则,提出了依照生物气候－湿地基底物质结构－ 植被的我国内陆天然湿地的综合顺序分类方法。内陆天然湿地综合顺序分类法第一级为类,分类指标是积水深度和＞０℃ 的年积温（Σθ）。积水深度和＞０℃的年积温（Σθ）是量化的指标,利用这２ 个指标将我国天然湿地分为２１ 个类,并得到湿地类别的检索图。第二级———亚类的划分,以湿地基底物质结构作为指标;第三级———型的划分,以植被类型作为指标,分为挺水型、浮叶型、沉水型以及漂浮型。对我国的天然湿地依照生物气候等指标进行类的划分,结果表明,寒冷浅水类（ⅠＢ）、微温浅水类（ⅢＢ）、寒温浅水类（ⅡＢ）、寒冷深水类（ⅠＡ）和暖温浅水类（ⅣＢ）是我国分布面积最广的５个湿地类型,占我国内陆天然湿地总面积的７９．７５％,主要分布在青海、西藏、新疆、甘肃、四川、内蒙古、吉林、黑龙江;而暖热浅水类（ⅤＢ）、炎热浅水类（ⅦＢ）、炎热深水类（ⅦＡ）、亚热浅水类（ⅥＢ）、寒温深水类（ⅡＡ）是我国分布面积最小的５个内陆天然湿地类型,分布在安徽、湖北、云南、广东、广西、海南、贵州、青海,仅占我国内陆天然湿地总面积的０．８３％。我国现有内陆天然湿地占湿地综合顺序法中２１类的２０类,炎热季节性类（ⅦＣ）在我国无分布。由于湿地综合顺序分类法检索图充分体现了天然湿地各个类之间的发生学关系,从而为在全球气候暖干化的背景下,预测未来天然湿地类的演替奠定了基础。