基于线性光谱混合模型的荒漠草地覆盖度估测

为了解决草地混合像元对草地植被覆盖度监测的影响,该研究以Landsat TM为数据源,探讨线性光谱混合模型进行混合像元分解的关键问题,分析混合光谱模型获得的不同组分分量与植被覆盖度之间的关系,以期建立适合天山北坡荒漠草地覆盖度监测模型。结果表明:通过光谱混合模型获得植被、沙丘以及盐碱化土壤3个基本组分,其中植被组分与覆盖度拟合效果较好(R2=0.62),与植被指数法估测草地覆盖度相比,决定系数R2均高于比值植被指数、归一化植被指数、土壤调节植被指数及修正土壤调整植被指数MSAVI。通过对所获模型精度检验,均方根误差RMSE为1.28,结果较为理想。因此,利用线性光谱混合模型解析混合像元估测天山北坡荒漠草地覆盖度具有可行性。     

高光谱遥感数据植被信息提取方法

利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1 m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。     

综合季相节律和特征光谱的冬小麦种植面积遥感估算

及时准确地获取区域和国家尺度的作物种植面积和空间分布具有重要意义。针对目前中低分辨率遥感数据相结合方法的局限,提出一种新的作物类型识别方法。首先基于MODIS NDVI数据的时间优势,提取研究区各类植被的NDVI时间序列曲线,从而分析冬小麦在季相节律上的识别特征,构建冬小麦识别模型。再将MODIS像元分类处理,纯耕地像元利用冬小麦的季相节律特征识别;耕地与其他植被的混合像元利用混合像元分解的思想提取耕地组分的NDVI时间序列,从而进行识别,进一步根据空间关系将识别结果重新定位到中分辨率尺度上;冬小麦与其他作物的混合像元覆盖区则利用TM遥感影像的光谱差异加以区分。在伊洛河流域主要农业区,以冬小麦为识别对象,结果表明识别精度达到96.3%。该方法为作物种植信息的提取提供了新的解决问题的途径,也对其他类型作物的识别也具有重要的参考价值。     

滨海光谱混淆区面向对象的土地利用遥感分类

滨海光谱混淆区土地利用/覆盖信息获取是遥感信息提取的难点之一,该研究选择黄河三角洲垦利县为研究区,采用2007年3月11日陆地卫星TM遥感影像数据,利用面向对象的土地利用遥感分类技术,通过影像分割和采用支持向量机分类方法对研究区土地利用/覆盖信息进行提取,并将分类结果与传统的基于像元的分类方法进行对比分析。结果表明:面向对象支持向量机的分类精度达到84.83%,比基于像元的最大似然法和波谱角法分别提高了5.94%和19.53%,且有效避免了椒盐现象。说明面向对象的图像分类方法明显提高了遥感影像的分类精度和分类效率,为滨海光谱混淆区土地利用信息的快速、准确提取提供了有效技术手段。     

基于MODIS-NDVI时序数据的黄土丘陵区土地覆盖分类研究

为了获取年际土地覆盖基础数据以支持区域土壤侵蚀定量评价,探讨了采用基于时间序列谐波分析法(HA-NTS)对延河流域2006年MODIS-NDVI时间序列进行滤波;参考当地年植被变化特征,根据土地覆盖类型的NDVI时序曲线特征,选择定量化的分类特征,进行决策树分类,并以此为基础建立各个决策树类别掩膜;基于MODIS-NDVI和MOD09GA,在各个掩膜区内进行非监督分类,结合坡度图调整分类结果,形成延河流域土地覆盖类型图。结果表明:与2006年TM分类结果的总体一致性为75%,Kappa系数为0.620 9,影像分类结果可靠,分类方法现实可行。     

基于标准地表光谱端元空间的苹果园种植时间制图方法

利用遥感数据进行果园种植时间制图可以高效便捷地获取大区域尺度的果园种植时间信息。为避免混合像元对果园的光谱信息造成影响,实现果园范围的精准识别及果园种植年龄的推测,该研究基于Landsat系列影像,开展融合地表标准地表光谱端元空间的果园范围提取和种植时间制图的研究。首先,将标准地表光谱端元空间融入原始影像中运用随机森林算法进行土地利用/覆被分类,重点提取果园分布范围。其次,构建地表植被端元年际间时间序列曲线,求得果园缓慢增长区间,运用四点法求取果园最大环境承载量。最后,回溯找到果园种植起点进行Logistic增长模型拟合,完成果园种植时间制图。研究结果表明：1）由线性光谱混合分解所得的地表光谱四端元能够很好地表达研究区地表组分信息。融合标准端元空间与随机森林算法提高了地物信息的提取精度。分类总体精度达到88.80%,Kappa系数达到0.86,对果园有较好的解译能力。2）通过植被端元年际时间序列曲线可以很容易地捕捉到土地覆被/利用类型的变化,通过Logistic增长模型可以检测植被生长的状况和最大环境承载量。拟合的果树生长模型具有较高的精度和稳定性,整体拟合度达到0.751,年龄验证误差均值为1.86a,说明该方法可以相对准确地确定苹果树的种植时间和长势。     

以土地利用为基础的安徽省生态评价遥感信息模型

[目的]建立更科学合理的生态评价遥感信息模型,为研究区的可持续发展提供参考依据。[方法]利用NDVI(归一化植被指数)和像元二分模型监测植被覆盖度作为地表植被覆盖信息的评价指标;用热惯量法反演研究区的土壤含水量作为研究区地表植被覆盖信息与土壤肥力的评价指标;采用目视解译获得土壤质地的编码分布图并进行影像化处理,将土壤中物理性黏粒含量作为评价土壤板结情况指标;利用线性光谱混合分解模型提取研究区的裸地比率作为土地荒漠化程度的评价指标。[结果]从土地利用的角度构建了生态评价指标体系,建立了以像元为单位的生态评价定量化遥感信息模型。[结论]植被覆盖度因子对研究区生态评价的影响程度相对较大;在生态评价过程中本研究新建模型总体评价精度比传统方法提高了15%。     

基于相似性分析及线性光谱混合模型的双季稻面积估算

为了解决大范围水稻种植信息提取时的混合像元问题,以便能够准确及时地获取水稻信息、指导水稻生产、保证粮食安全,该文提出了一种基于相似性分析和线性光谱混合模型复合的水稻提取业务化方法。以江西省为研究区,利用2010年4月15日至2010年10月31日的MODIS合成地表反射率数据(MODIS09A1),计算出时间序列MODIS-EVI指数,运用Savizky-Golay滤波方法对其进行平滑处理减少云等噪声的影响。根据双季稻的生长规律,结合野外调查和HJ-1ACCD2影像,确定双季稻样点,提取出标准双季稻EVI生长变化曲线,构建图像像元相似性指数,然后采用线性光谱混合像元分解模型对疑似双季稻像元进行混合像元分解,获得江西省双季稻种植面积信息的分布情况。结果显示,运用该方法提取的江西省双季稻种植分布情况与实际情况吻合,与江西省2010年统计年鉴中全省双季稻种植面积相比,提取精度为93%,精度较理想,与各地区统计面积相关性较好,R2=0.9659,可以为今后高精度水稻种植信息业务化的提取提供参考。     

基于多季相光谱混合分解和决策树的干旱区土地利用分类

该文利用2015年Landsat 8多季相数据,以民勤县为例探讨了干旱区土地覆被/利用分类方法。首先进行了研究区多季相遥感数据的主成分变换,确定了Landsat OLI光谱空间的内在维数。其次通过对各季相主成分空间的分析,确定了光谱混合分解的端元类型及各自的代表性季相。获取端元光谱之后,采用全约束线性光谱混合模型分解各个季相的遥感影像,估计各端元组分占像元的面积百分比（端元丰度值）。最后利用端元丰度值的多季相估计结果,依据先验知识和训练样本建立决策树分类规则进行土地覆被/利用分类。分类方法的总体精度达到90.94%,Kappa系数为0.90。研究表明：将物理意义明确的端元丰度值作为分类变量,能够快速、有效地获取分类规则,生成树的结构简单、合理、清晰,对训练数据的依赖性较低,因此具有应用于整个旱地系统土地覆被/利用分类的潜力。     

基于混合像元分解提取大豆种植面积的应用探讨

利用中低分辨率卫星影像进行大宗作物面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度.以吉林省梨树县大豆种植面积为例,选取线性光谱混合模型对TM影像进行分类并计算出大豆种植面积,将其结果与Quickbird影像解译结果对比分析,采用以数量精度为基础的精度评价方法,分类精度达到92%.同时,使用典型的最大似然法监督分类和自组织迭代法非监督分类提取大豆种植面积,分类精度分别为87%和84%.结果表明,混合像元分解方法与其他遥感定量提取方法相比,能够提高大豆种植面积提取的精度.     

黄土高原地区土地覆盖类型的时空格局

[目的] 构建黄土高原地区长时序、高精度的土地覆盖数据集,对该区2001—2020年土地覆盖的时空格局进行分析,并为该地区生态环境保护和可持续发展提供科学依据。[方法] 利用多源、多时期土地覆盖产品和地面特征数据构建训练样本,并使用谷歌地球引擎（Google Earth Engine,GEE）平台和随机森林分类模型生成黄土高原地区土地覆盖（land cover of Loess Plateau,LCLP）数据集。在此基础上,通过空间分析和一元线性回归模型对黄土高原地区土地覆盖类型的时空格局进行分析。[结果] 基于随机森林验证集的结果显示,LCLP产品的总体精度和kappa系数均高于90%。基于独立验证集的精度验证结果显示,LCLP的总体精度较现有产品提高了0.58%～20.23%。同时,耕地、林地、草地、不透水面和裸地的分类精度均得到了提升。[结论] 本研究构建的LCLP数据集分类精度相较于其他产品有了显著提升,适用于反映黄土高原地区土地覆盖的变化。2001—2020年,黄土高原地区耕地和灌木呈现下降趋势,而林地、水体和不透水面呈现为极显著的上升趋势。从土地覆盖的变化情况来看,耕地和草地是其他土地覆盖类型新增的主要来源。     

基于时序NDVI图谱库提高土地覆盖分类精度的方法

为提高MODIS土地覆盖产品的分类精度,该文以河南省为试验区,首先将MODIS土地覆盖产品(MCD12Q1)分为高精度区域和低精度区域,然后通过构建时序NDVI图谱库并利用图谱曲线相似性测定方法,改进MCD12Q1低精度区域的分类精度。结果表明:1)时序NDVI是土地覆盖的重要分类特征,二者之间具有较强的关联性。2)利用时序NDVI图谱库能够明显提高MODIS土地覆盖产品的分类精度,改进后的MCD12Q1的总体分类精度分别由72.76%(比较评价)、64.52%(样本评价)提高到83.05%和81.72%。3)不同土地覆盖类别精度提高的程度不同,林地、草地、耕地、人工地表以及水体的生产者精度分别提高35.36%、29.51%、2.98%、6.96%和6.11%。4)对于判定时序NDVI曲线相似度的2种具体方法而言,最小距离法(minimum distance,MD)总体上优于光谱角度匹配法(spectral angle mapper,SAM)。综上,保留现有土地覆盖产品中分类精度较高的部分,基于时序NDVI图谱库改进分类精度较低的部分,是提高现有土地覆盖产品分类精度的有效方法。     

多源土地覆被产品在长三角地区的一致性分析与精度评价

土地覆被数据是全球环境问题,人类活动对生态系统影响评估等相关研究的重要数据源。近年来国内外生产了众多全球尺度或国家尺度上的土地覆被数据集,这些数据集在应用于特定区域研究时精度的可靠性以及多源数据集间的一致性对数据集的选择有着重要意义。该研究以长三角为研究区域,采用混淆矩阵、构成相似性分析和空间一致性分析等方法,对CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC6种土地覆被数据集进行了基本精度验证及一致性分析,并探讨了面向不同用户需求的土地覆被数据产品的适用性。结果表明:CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC在长三角地区的总体精度分别为76.89%、78.42%、84.67%、74.26%、80.61%和85.43%;产品间土地覆被类型面积估算的相关系数均大于0.9;FROM-GLC、GLC_FCS30和GlobeLand30三套产品对长三角地区65.51%的土地分类有完全一致性,产品间一致性分别为72.23%、77.99%和76.41%。6种产品对于广泛分布且占研究区大部分面积的耕地、林地、水体和建设用地具有较好的分类精度,湿地、裸地、灌丛和草地分类结果较弱,需要辅助其他数据产品使用。结合地形地貌分析来看,长三角地区土地覆被分类精度整体受地形起伏影响较小,但丘陵密布的浙江省的部分区域受地形影响出现了分类不稳定的情况。从城市发展的角度看,长三角地区土地覆被分类精度受到城市经济发展活跃程度影响。面向用户应用需求来看,耕地类型上CGLS_LC数据具有最优表现,林地和建设用地类别上GLC_FCS30和CGLS_LC具有相近的优秀表现,而水体类别则是FROM-GLC数据更具有优势。     

三种土地覆盖遥感数据在中国区域的精度分析

土地覆盖遥感数据的精度分析是数据应用的前提和基础。该文以中国科学院资源环境科学数据中心提供的2000年中国土地覆盖数据作为参考,基于对土地覆盖类型的归并,在各种土地覆盖类型的分布面积、空间位置等方面分析了GLC2000、MODIS V004和MODIS V005三种数据描述中国土地覆盖状况的能力,并引入差异性指数,深入分析影响土地覆盖数据精度的原因,得到以下主要结论:总体上各数据均能反映中国主要土地覆盖类型的分布情况,GLC2000、MODIS V004和MODIS V005数据的总体精度分别为62.8%、61.7%和61.9%;3种数据的乔木林地面积较参考数据均偏大,而建筑用地、湿地和水体的面积均偏小;乔木林地、灌木草地、耕地和裸地冰川的精度较高,建筑用地和湿地的精度较低;GLC2000数据在省级水平上对乔木林地和耕地的描述最准确,MODIS V005数据的平均用户精度和生产者精度最高;土地覆盖数据的精度随着数据差异性指数的增加而降低,随着差异性指数为1的区域面积比例的增加而升高;MODISV005数据的精度受土地覆盖差异性的影响相对较小。     

基于证据理论的多源遥感产品土地覆被分类精度优化

针对现有土地覆被遥感产品及融合方法存在的不足,该文提出了一种新的分类体系转换方法,实现了证据理论(Dempster-Shafer)框架下多源产品的集成,并以GEOWIKI、林业调查数据为参考,通过绝对及交叉验证方法对融合结果精度进行了评价。研究结果表明:无论总体精度还是类别精度,融合结果与原始数据相比均有一定提高,说明在融合过程中,吸收了多源数据的类别分布特征,做到了多源数据间的互补。通过融合结果的不确定性分析,总体上融合结果的不确定性较小,但在景观异质性较强区域,融合结果的不确定性显著,不确定性值集中于0.4~0.7之间,这说明如何提高景观异质性区域的土地覆被类别精度,实现该区域数据重构是未来亟需解决的问题。该文所得成果为未来全球或区域尺度土地覆被遥感产品的研制及产品精度验证提供了参考。     

基于MODIS植被指数时间谱的华北平原土地覆盖分类

中分辨率成像光谱仪(MODIS)已在全球资源环境监测中发挥了重要作用，但是它的低分辨率成为提高分类精度的阻碍。利用MODIS的高时间分辨率弥补其低空间分辨率的不足，设计分类器改善分类精度。利用2003年23个时相的MODIS_EVI图像，构建华北平原植被指数图像时间立方体。在谐波分析去噪标准化基础上，从EVI时间谱上提取5个表征物候差异的特征向量，结合表征地气交互作用差异的地表温度(LST)信息及表征地表固有的空间分异特征的坡度信息，建立分类二叉树进行土地覆盖分类。结果表明，与2000年TM分类结果的总体一致性为75.5%，Kappa系数为0.68。而NASA USGS基于MODIS分类精度为66.0051%，Kappa系数为0.3209。进一步与2003年耕地面积的官方统计资料的比较表明，该文的估算误差为34.0507 khm²，而NASA USGS的估算误差高达66.1205 khm²。研究表明利用高时间分辨率的MODIS植被指数时间序列获得较高精度的土地覆盖分类结果是可能的。     

基于高分辨率遥感影像的青海湖沙柳河流域土地覆盖监督分类方法对比

[目的]研究高寒河源区土地覆盖的精准分类方法,为地物分类提供参考,分类结果可为青海湖流域土地资源与生态环境监管提供数据支撑。[方法]运用高分辨率遥感影像,通过6种监督分类器(平行六面体、最小距离、马氏距离、最大似然、神经网络和支持向量机)对青海湖沙柳河流域的土地覆盖进行分类,最后通过最佳提取方法统计得出青海湖沙柳河流域土地覆被概况。[结果]支持向量机、神经网络和最大似然的分类精度较高,其总体分类精度均大于96%,Kappa系数均大于0.95,平行六面体的分类精度最低,误差较大。综合各种分类精度及分类图像局部细节,支持向量机分类效果最佳。通过解译可知沙柳河流域土地覆被以草地为主,占流域总面积的71.09%,裸地和湿地分别占流域总面积的16.26%和10.24%,水体、农田和建筑用地面积较小,共占流域总面积的2.41%。[结论]运用高分辨率遥感影像,通过支持向量机分类器可实现对青海湖沙柳河流域土地覆被的良好分类。整个流域植被覆盖度高,生态环境良好。     

中国区域多源土地覆被遥感产品精度分析与验证

国家及区域尺度的土地覆被信息对于解决环境演变、生物多样性保护、生态系统评价及环境建模等一系列问题起着至关重要的作用。该文以中国科学院CHINA2000数据为参考,从国家尺度比较了当前全球4种土地覆被遥感产品的分类精度,以便解释验证数据与参考数据在空间及专题上的一致性和异质性。结果表明:与参考数据相比,4种遥感产品的土地覆被类别的空间分布,从整体上表现出较高的一致性,但在局部区域差异性较大,特别是在景观异质性较强的西南和东南地区;GLC2000遥感产品从相关系数和总体精度方面都表现出与参考数据较好的一致性,其相关系数为0.92,总体精度为55.86%,GLOBCOVER产品则表现出与参考数据较差的一致性;4种产品与参考数据在空间上表现出明显的混淆现象,混淆主要发生于林地、灌木、草地和耕地之间,这表明粗空间分辨率遥感产品在识别叶类土地覆被类型的能力上仍需要改进,该文为中国用户合理利用遥感产品提供了科学合理的依据。     

基于HJ卫星数据与面向对象分类的土地利用/覆盖信息提取

土地利用/覆盖信息是区域气候与环境研究的基础,是土地资源规划与管理、合理开发与保护的信息保障。为此,该文选取长株潭城市群核心区为试验区,以时间序列HJ卫星影像为数据源,首先构建了时间序列归一化植被指数(normalized difference vegetation index,NDVI)、时间序列光谱第一主成分(first principal component,PC1)数据集,通过J-M(Jeffries-Matusita)距离变量可分离性分析结合地表覆盖的物候特征,确定最佳时序HJ组合数据;其次,采用面向对象的随机森林算法对研究区土地利用/覆盖信息进行分类,并对分类结果进行精度评价与比较分析。研究结果表明:采用时间序列HJ组合数据与面向对象的分类方法,提取城市土地利用/覆盖信息的总体精度和Kappa系数分别达到91.55%和0.90,其中水田、水浇地、旱地、林地、建设用地的生产者精度均达到90%及以上;相对于时间序列基于像元分类、单时相面向对象的分类方法,该文提出的土地利用/覆盖信息提取方法的总体分类精度和Kappa系数分别提高了2.26%、0.02和6.82%、0.08,有效提高了区域土地利用/覆盖信息提取的精度,为大范围土地利用/覆盖精细化分类提供了有效的途径。     

全极化SAR图像的煤矿区土地覆盖信息分层提取方法研究

为弥补光学遥感在煤矿区资源与生态环境监测中应用的不足, 研究应用全极化SAR图像有效提取煤矿区土地覆盖信息的方法具有重要意义。针对全极化SAR图像极化信息丰富、斑点噪声多、局部异质性大等特点, 提出采用面向对象的影像分类方法对其进行分层土地覆盖信息提取。以徐州市西南部的煤矿区为研究区, 选取Radarsat-2的全极化SAR图像, 分析了研究区内全极化SAR图像中典型地物的灰度特征, 提出面向对象分类方法所涉及的最优分割尺度选择法, 给出全极化SAR图像分割对象后向散射特征的计算方法。对研究区的SAR图像进行试验, 首先对SAR图像进行多尺度分割, 选择各土地覆盖类型的最优分割尺度, 然后在该尺度下计算出土地覆盖类型的后向散射特征指数, 最后采用模糊逻辑分类法分层提取出研究区内的土地覆盖信息。结果表明: 在适于各土地覆盖类型提取的最优分割尺度下, 充分利用分割对象的灰度、形状、纹理以及类间相关特征, 并综合应用隶属函数法和最邻近分类法, 能有效地提取煤矿区的农田、道路、塌陷地、建筑物、山林这5类土地覆盖信息。与最大似然分类法相比, 该方法能够较好地消除"椒盐现象", 各种土地覆盖类型的提取精度都有所提高, 其总体分类精度可提高38.3%。