多源遥感影像的最优尺度选择

遥感信息普遍存在着尺度效应,合适的空间分辨率可以反映特定目标的空间结构特性。基于地理学第一规律,选择了目前主要采用的2种方法——局部变异和变异函数对最优尺度的选择进行研究,并针对传统方法的局限性提出了改进方案。通过同一地区的遥感卫星Landsat 7,Spot-5/HRG和QuickBird遥感影像,对不同的景观区域采用不同的方法进行了比较研究。根据实验,得出了局部变异适合微观、变异函数则更适用于宏观问题的结论,并得到了不同数据源在不同景观类型下的最优尺度。最后,根据最优尺度选择的结果,讨论了不同数据源的适用性。图4表4参19     

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。      

基于信息熵的山西太谷植被指数最佳分辨率尺度分析

尺度是理解地球系统复杂性的关键准则之一。由地学现象的本身出发,结合具体的遥感研究应用来选择遥感影像最佳分辨率具有重大现实意义。从信息论的角度出发,选取山西太谷作为实验区,利用信息熵方法测试该区域2010年各类植被指数不同分辨率下所包含的信息量(测试分辨率主要有30、60、120、240、480、960 m),获得各类植被指数图像的信息熵随图像分辨率的变化曲线,并据此判定最佳的分辨率尺度。结果表明,当各类植被指数图像分辨率为240 m时,植被指数的信息熵均开始趋于减小,此时图像的信息量基本达到饱和。因此,研究区植被指数的最佳分辨率为240 m。基于信息熵的方法来选择影像最佳分辨率,可以为植被遥感监测提供重要参考。     

基于MODIS影像的决策树森林类型分类研究

基于MODIS 影像的多种特征信息,以吉林省汪清林业局为例,结合该地区的地形分布,在空间维上分析影像的纹理特征信息和地形指标信息,时间维上分析植被的生长规律和地表温度信息,统计分析植被的特征信息差异,利用决策树方法对该林区的森林类型进行分类,并对分类结果进行精度评价。结果表明,总体分类精度为87.80%,卡帕系数为0.851 0,其中,针叶林、阔叶林、混交林、和其他用地的分类精度均达到80%以上。在分类决策中,时间和空间上的多种数据特征信息的加入,可有效地提高植被类型的分类精度。该结果有助于更好的了解植被在时间和空间上的分布情况,为大区域尺度的森林动态信息监测提供更好的依据。     

基于面向对象的无人机遥感影像荒漠植被分类

荒漠植被分布稀疏且叶面普遍较小,导致影像中植被光谱特征较弱,分类难度较大。为提高荒漠植被分类精度,选取古尔班通古特沙漠为研究区,以无人机遥感影像和数字表面模型为数据源,采用面向对象的随机森林算法,在去相关拉伸光谱信息增强基础上对荒漠植被进行分类,分析去相关拉伸前后分类精度的变化。结果表明：基于去相关拉伸并结合面向对象和随机森林算法的轻、中、重度沙漠化区总体分类精度分别为91.01%、95.34%、93.18%,较原始影像分类精度分别提升19.94%、16.10%、17.61%,实现了对荒漠植被的高精度分类,从而为获取荒漠区植被分布状况以及荒漠化监测提供参考。     

基于小波变换和随机森林的森林类型分类研究

以黑龙江省凉水国家级自然保护区为研究区,采用“高分一号”卫星提供的多光谱影像作为遥感数据源,通过对遥感影像进行小波变换处理,之后选择植被指数、纹理特征、地形因子作为分类特征,利用随机森林算法对该地区森林类型进行分类。结果表明,遥感图像在进行小波变换后,基于随机森林算法的森林类型分类精度为91.68%,Kappa系数为0.90,较未进行小波变换时的分类精度提高10.67%。总体来看,结合小波变换的随机森林分类方法可以获得比较高的分类精度。为森林类型分类提供一种新的思路,且为提高森林类型分类精度提供一种参考方法。     

基于随机森林模型的陆地卫星-8遥感影像森林植被分类

以黑龙江省漠河县为研究区域,采用陆地卫星-8遥感影像为数据源,结合影像的光谱信息和数字高程模型辅助数据,分别采用最大似然分类法(MLC)和随机森林模型法(RFM)对研究区森林植被进行分类,并分析和评价光谱特征变量对模型的重要性、2种分类方法对森林植被类型分类的适用性。结果表明:随机森林分类方法的总体分类精度为81.65%、卡帕(Kappa)系数为0.812。与传统的MLC方法相比,RFM法均提高了3种森林类型的生产者精度和使用者精度,其中针阔混交林精度提高最多。通过分析特征变量的重要性,发现高程、归一化植被指数、红光波段、近红外波段、短波红外波段对模型分类精度有较重要的影响。说明随机森林模型方法结合多源信息是森林植被类型遥感分类的一种有效手段。     

基于多源遥感数据反演森林植被面积

选取清原县为研究区,基于多源遥感数据,形成一套不同尺度（以县-乡为经营单位）的森林植被提取方法。以土口子乡为例,应用ENVI EX4．8软件,采用面向对象的方法对乡内森林植被进行提取,然后基于此方法,采用协同反演TM森林植被面积的方法对清原县森林植被面积信息进行提取。结果表明：RapidEy影像分类精度达88．87％,Kappa系数为0．61;TM影像的分类精度达到92．41％,Kappa系数为0．89,具有较高的分类精度。所建立的森林植被提取方法可为林业部门对不同尺度森林植被类型面积进行监测提供参考。     

基于面向对象和随机森林模型的杭州湾滨海湿地植被信息提取

湿地植被在湿地生态系统中起着无可替代的作用,其空间分布在很大程度上反映了滨海湿地的开发利用、生态环境特征和健康状况。以杭州湾南岸为研究区,以QuickBird影像和野外调查数据为数据源,基于面向对象原理在确定最优分割尺度的基础上采用随机森林模型,对滨海土地利用分类,并精确提取湿地植被。结果表明:面向对象和随机森林相结合的方法可以有效提取杭州湾5种湿地植被类型和6种土地利用类型,分类总体精度达86.90%,Kappa系数达到0.85,5类滨海湿地植被的用户精度均达到85%以上,更有海三棱藨草Scirpus mariqueter的用户精度达到100%,充分说明了基于面向对象分割和结合随机森林模型方法适用于滨海湿地植被信息的精确提取。     

基于Otsu算法的太湖蓝藻水华与水生植被遥感同步监测方法

蓝藻水华与水生植被在光学遥感影像上容易混淆,传统方法将太湖划分为藻型湖区和草型湖区进行分区监测,近年来太湖梅梁湖等蓝藻水华易发区域出现了大量的水生植物,分区的方法已无法满足蓝藻水华和水生植被遥感监测要求。基于光谱特征分析,采用蓝藻水华与水生植被指数(cyanobacteria and macrophytes index,简称CMI)判别蓝藻水华与水生植被水域,采用浮游藻类指数(floating algae index,简称FAI)识别蓝藻水华、浮叶/挺水植被与沉水植被,构建同步监测决策树,基于Otsu算法自动获取阈值,将中分辨率成像光增仪(MODIS)卫星影像分成湖水、蓝藻水华、沉水植被和浮叶/挺水植被几种类型。结果表明,分类结果较好,符合太湖不同地物类型实际分布情况;与相关研究HJ卫星影像东部湖区水生植被监测结果进行交叉检验,水生植被的空间分布基本一致,一致性检验结果显示,2种分类结果一致的像元比例为70.11%。实现蓝藻水华及水生植物的同步遥感监测,有助于精确评估蓝藻水华的实际强度和水生植被区范围,为富营养化湖泊的水环境管理和决策提供重要的科技支撑。     

基于像元二分模型的森林郁闭度估测方法

以遥感影像与森林资源一类调查数据为基础,基于归一化植被指数(NDVI)的像元二分模型对密云县森林郁闭度进行遥感估测,模型的纯像元植被指数通过样地数据来确定.经验证,模型估测值与实测值相关系数为0.73,相对误差为14.40％.结果说明,采用像元二分模型与森林资源一类调查数据结合进行森林郁闭度估测,技术路线简单可靠,精度可满足要求,同时能弥补TM影像分辨率的不足,具有一定的推广价值.     

无人机可见光遥感影像的空间分辨率对毛竹立竹度识别精度的影响

为探究无人机可见光影像在毛竹立竹度提取方面的适用性，以福建省三明市永安市天宝岩国家级自然保护区毛竹林为研究对象，运用重采样的方式获取不同空间分辨率(0.25、0.50、0.75 m)下的可见光影像，利用面向对象多尺度分割确定各个分辨率下的最佳分割尺度，采用随机森林分类方法，对不同空间分辨率下立竹度提取精度进行了比较。结果表明：不同空间分辨率下分割尺度的选择不同，影像空间分辨率为0.25、0.50、0.75 m的最佳分割尺度分别为20、9和8,立竹度提取平均精度分别为80.97%、81.29%和77.82%,Kappa系数分别为0.806 0、0.863 3和0.817 1;图像空间分辨率为0.50 m时，总体分类精度和Kappa系数最高，因此，毛竹立竹度提取的适宜图像空间分辨率为0.5 m,最佳分割尺度为9。     

基于空间协同仿真模拟的开化县森林碳估计

森林碳储量是反映森林生态系统生产力的重要指标,也是区域森林碳汇计量的基础。以浙江省开化县为研究区,采用2013年资源3号遥感影像与2014年森林资源清查样地数据,结合序列高斯协同模拟方法对全县地上部分森林碳储量及其分布进行估计,并以平均误差、残差平方和、平均相对误差以及均方根误差4个指标为基础对估计结果进行精度评价。结果表明:开化县2014年森林总碳储量空间协同仿真估计结果为7.221 573 Tg,碳密度值分布为0~109.178 0 Mg·hm-2,均值为32.376 4 Mg·hm-2,基于15%检验样本的平均相对误差为4.565%,仿真估计碳总量在实测样地估算的置信区间内。本研究发现,遥感影像与地面样地森林碳密度的相关性随遥感影像的空间分辨率变化而变化,这对于提高森林碳储量估计精度有着重要意义,也是下一步研究的重点。图5表3参29     

变化检测技术在森林采伐监测中的应用

利用变化检测技术从高分辨率遥感卫星影像上提取森林采伐区植被覆盖情况的变化信息,可以实现对森林采伐的监测。主要通过归一化植被指数（NDVI）结合影像差值,对经过校正后不同时相的spot5影像进行植被覆盖变化检测,结果表明,能较好地检测出采伐区变化的地面类型、林班界线,检测出采伐区植被减少的面积与实际采伐面积相比较,精度达到80%以上,检测的效果较好,该方法适用于对森林采伐进行监测。     

基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类

为了实现精确植被类型信息提取,以福建省三明市将乐林场Quickbird影像和Radarsat-2全极化影像作为基础数据,探讨高空间分辨率光学遥感影像与SAR(合成孔径雷达)全极化影像融合进行地表覆盖及森林类型识别的可行性。采用面向对象多尺度分割方法对Quickbird全色与多光谱的融合影像进行处理,SAR影像采用Gram-Schmidt融合方法处理,运用处理的Quickbird与SAR的融合影像,分类提取植被的光谱、纹理和几何特征信息,建立类层次结构,并对分类结果进行比较分析。结果表明:基于对象与知识的方法对高空间分辨率影像分类取得了较好的分类效果,多源遥感数据分类的总体精度为0.903。     

基于Sentinel-2A影像的县域冬小麦种植面积遥感监测

小麦种植面积遥感监测是小麦估产的基本要素,准确而及时地提取不同灌溉类型冬小麦种植面积及其空间分布信息可为冬小麦长势监测以及产量评估提供科学依据。以山西省闻喜县冬小麦为研究对象,以Sentinel-2A影像为基础数据源,选择主成分(PCA)、红边归一化植被指数(RENDVI)、纹理特征等3个特征变量,结合实地调查样本点,采用随机森林算法,提取冬小麦种植面积,并结合数字高程模型(DEM)提取雨养区和灌溉区冬小麦种植面积。结果表明,Sentinel-2A遥感数据适合作为县域尺度冬小麦监测的数据源;主成分分析、纹理特征和RENDVI的引入可以提高单时相遥感影像对县域冬小麦分类的识别能力;随机森林算法和数字高程模型结合可以实现雨养区和灌溉区冬小麦种植面积的提取。     

基于面向对象的资源3号遥感影像森林分类研究

森林类型识别技术是遥感分类中的重点和难点,采用面向对象的遥感影像分类方法是实现森林类型分类的新方法。资源3号遥感影像可为森林类型提取提供新方向。以资源3号遥感影像作为基础研究数据,采用面向对象的分类方法,选择分形网络演化法进行多尺度分层分割,并结合典型地物的光谱特征、纹理特征、几何特征以及植被指数,构建了适用于森林类型提取的决策树模型,并与分割尺度不同的支持向量机分类方法进行比较分析。结果表明:多层分割的决策树分类方法分类精度高于单层分割的支持向量机分类方法,分类精度分别提高了6.1%和12.5%。说明建立多层分割的决策树分类方法适用于森林类型的分类研究。     

基于3S的森林植被面积空间抽样方法

以辽宁省为例,应用中分辨率成像光谱仪影像(MODIS)数据进行森林信息提取,并选取森林面积为研究对象,采用网格单元作为抽样单元,应用随机、系统、分层的抽样方法对辽宁省森林面积进行抽样估算,在获得最优抽样方法的基础上进行第2阶段抽样,设计不同样本容量水平下的森林面积空间抽样方法试验。结果表明:以县森林面积覆盖百分比为分层标志的分层抽样方法抽样效率最高,在第2阶段抽样估算的8种样本容量水平下,当样本容量为8时,抽样精度达到95%,并且所需样本数量最少,达到了森林面积抽样精度要求。应用此方法能够减少森林资源调查成本和工作量,可以结合遥感、地理信息系统和全球定位系统技术(3S技术),进行大区域范围森林面积的监测。     

不同遥感数据融合方法在南方水稻面积监测中的应用研究

在南方水稻遥感监测中,单一传感器影像数据已不能满足监测精度的要求,需要将高空间分辨率全色影像与中高空间分辨率多光谱影像进行融合,得到新的高空间分辨率多光谱影像,有利于改善影像识别与分类精度.该文利用江苏省金湖地区HJ-1A卫星30m分辨率多波段影像与ALOS卫星2.5m分辨率全色影像进行水稻监测,采用4种融合方法(Brovey变换、IHS变换、高通滤波和小波变换)对2种影像进行融合处理.随后对各种融合影像结果进行了目视定性和融合评价指标定量说明与评价,结果表明小波变换在空间与光谱信息上具有最佳的融合效果.进一步利用小波变换的融合影像进行水稻识别与面积提取,统计表明融合影像相比HJ-1A多光谱影像,水稻面积估测精度从79.26%提高到91.65%.因此,利用多源遥感数据融合的方法对南方水稻面积进行监测,可显著提高其监测精度.     

一年一季农作物遥感分类的时效性分析

【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。