基于"3S"技术的甘肃子午岭自然保护区土地利用变化研究

以甘肃省子午岭自然保护区为研究对象,运用"3S"技术,对研究区的地形图、不同时相的TM遥感影像进行数据预处理,并分类提取了研究区2个时段的土地利用信息.对分类信息进行统计分析后并与实地调查数据进行比较,结果表明,近20年来甘肃子午岭自然保护区的森林覆盖面积在稳步提高,乔木林面积明显增加.为甘肃子午岭自然保护区工程的建设提供了基础信息,为林区植物种群生长及分布调查研究提供了宏观数据,并且输出了研究区不同时相土地利用专题图.     

基于土地利用/覆盖的甘肃省景观生态风险时空变化特征

甘肃省景观类型丰富多样,在中国西部地区的生态安全中起关键性作用,也为当地发展提供着重要的物质基础和生态服务。由于气候变化和人类不合理活动的影响,甘肃省部分地区生态环境的安全与稳定遭到严峻挑战。本研究基于欧洲航空局全球土地利用/覆盖数据（CCI-LC）,利用动态度、转移矩阵方法分析了2005-2019年甘肃省土地利用/覆盖变化特征;通过构建景观生态风险指数并运用空间自相关分析法分析了景观生态风险的空间分布特征。结果显示：1)2005-2019年间,裸地面积减少最多,变化率1.88%,耕地次之,变化率2.31%;草地面积增加最多,变化率1.83%,建设用地次之,变化率191.08%。2）所有土地利用/覆盖类型中,建设用地的动态度最高且在整个研究时期内变化速率都保持在较高水平,综合动态度最大的时期为2010-2019年。3）土地利用/覆盖转移矩阵主要表现为耕地、林地、草地、裸地之间的转入与转出以及其他土地类型向建设用地的转入。4)2019年整体的生态风险值较2005年明显上升。其中低风险区和较低风险区面积最多,转化最频繁;中等风险区、较高风险区和高风险区面积虽然较少,但都存在不同程度的增长。...     

土地利用动态监测中多源影像融合方法的比较研究--以陕北黄土丘陵沟壑区为例

在陕北黄土丘陵沟壑区,采用单一传感器的遥感影像提取土地利用信息,存在着识别的土地利用类别少、某些类别混分现象较严重、分类结果的精度较低等问题。以TM多光谱数据和SPOT全色光谱数据的融合为例,提出了适宜于该地区的两种影像融合方法:主成分变换法和乘积运算法,并从影像的光谱质量、纹理信息和目视效果等方面对其进行了对比与评价。结果显示,主成分变换法为较理想的融合方法。以陕北无定河流域为实验样区的土地利用自动分类结果表明,该方法的应用使土地利用各类别的提取精度都有不同程度的提高;水体、水田和城镇用地等面积较小的类别分类正确率提高达到10%以上;坡耕地与林草地的混分明显减少,分类精度均提高了5%以上;分类总精度从82.0%提高到89.2%,取得了良好的分类效果。此研究对于遥感影像融合技术的评价与应用进行了有益的探索,同时为该地区的土地利用动态监测提供了关键技术。     

基于随机森林回归算法的小麦叶片SPAD值遥感估算

使用机器学习中的随机森林(RF)回归算法构建小麦叶片SPAD值遥感反演模型。以2010—2013年江苏地区试验点稻茬小麦3个生育期(拔节、孕穗、开花)的叶片为材料,结合我国自主研发的环境减灾卫星HJ-1对研究区域进行同步监测,分析了各生育期叶片SPAD值与8种植被指数间的相关性;以0.01水平下显著相关的植被指数作为输入参数,使用RF回归算法构建了每个生育期的小麦SPAD反演算法模型,即RF-SPAD模型,以支持向量回归(SVR)和反向传播(BP)神经网络算法构建的SVR-SPAD模型和BP-SPAD模型作为比较模型,以R2和均方根误差(RMSE)为指标,分析了每个生育期3个模型的学习能力和回归预测能力,结果表明:RF-SPAD模型在3个生育期都表现出最强的学习能力,R2和RMSE在拔节期分别为0.89和1.54,孕穗期分别为0.85和1.49,开花期分别为0.80和1.71;RF-SPAD模型在3个生育期的回归预测能力都高于BP-SPAD模型,高于或接近于SVR-SPAD模型,R2和RMSE在拔节期分别为0.55和2.11,孕穗期分别为0.72和2.20,开花期分别为0.60和3.16。     

基于迁移学习的无人机影像耕地信息提取方法

随着精准农业技术的发展,对农作物用地信息快速、准确提取的需求越来越高。同时,无人机技术以其方便、高效、具有低空云下飞行能力等优势被广泛应用于自然资源的调查中。但无人机影像普遍光谱信息较为匮乏,因此很难准确、快速地提取出耕地信息。基于此,提出了一种利用迁移学习机制的耕地提取方法(TLCLE)。首先,利用深度卷积神经网络(DCNN)剔除线状地物(道路、田埂等),然后,通过引入迁移学习机制将DCNN特征训练过程中得到的特征提取方法迁移到耕地提取中,最后,将所提方法与利用易康(e Cognition)软件进行耕地提取(ECLE)结果进行对比。研究结果表明:对于实验影像1、2,TLCLE方法耕地提取总体精度分别为91.9%、88.1%,ECLE方法总体精度分别为90.3%、88.3%,2种方法提取精度相当,在保证耕地地块完整、连续性上TLCLE方法优于ECLE方法。     

如何调整汽车后视镜

一部车有三个后视镜,每个车主一天看它们不下百来回,但问个简单的问题:你怎么调整爱车的后视镜?阁下说得出一个所以然来吗?也许每个人开车都有不同的习惯,但是怎样调后视镜,还是有一定的规矩。左侧后视镜调整要领:把水平线置于后视镜的中线位置,然后再把车身的边缘调到占据镜面影像的1/4。右侧后视镜调整要领:把水平线置于后视镜的2/3位置,然后再把车身的边缘调到占据镜面影像的1/4。中央后视镜调整要领:水平摆中间、耳际放左边。远方的水平线横置于中央后视镜的中线位置,然后再移动左右,把自己右耳的影像刚好放在在镜面的左缘。车子的视觉…     

基于多源数据融合的盐分遥感反演与季节差异性研究

为提高多光谱盐分遥感反演的精度,利用实测高光谱与多光谱进行数据融合,并分析了不同季节盐分遥感的差异性。以河套灌区永济灌域为研究区域,以实测光谱仪测定的土壤高光谱数据和Landsat-8 OLI多光谱数据为基础,通过光谱变换和多元逐步回归方法筛选特征波段和特征光谱指数,构建了春、秋两季土壤盐分多光谱、高光谱反演模型,并利用特征光谱指数的线性回归构建了高-多光谱数据融合反演模型。结果表明:高光谱的反射率总体比多光谱高36. 83%,春季反射率比秋季平均高23. 78%。利用模型中最优变量-特征光谱指数对多光谱模型与高光谱模型进行融合,高-多光谱融合反演模型训练集和验证集R2平均值分别为0. 651和0. 635,RMSE平均值分别为2. 44 g/kg和2. 49 g/kg,精度明显高于对应的多光谱反演模型,其中训练集、验证集的R2平均值分别提高了36. 19%和35. 64%,RMSE平均值分别降低了34. 28%和41. 72%。春季多光谱、高光谱和融合反演模型的精度均高于秋季,其中训练集R2平均值比秋季模型分别提高了6. 03%、6. 05%和4. 40%,验证集R2平均值分别提高了19. 07%、12. 21%和1. 75%。构建的高-多光谱融合模型反演灌域春秋两季平均盐分含量分别为6. 05、5. 97 g/kg,平均相对误差分别为9. 65%和10. 68%,总体上该区域春季土壤主要为重盐化土,秋季土壤主要为中盐化土。     

基于MK—SVR模型的小麦叶面积指数遥感反演

提出了运用多核支持向量回归(MK-SVR)算法构建小麦叶面积指数(LAI)遥感监测模型。以2010—2013年试验样点小麦拔节、孕穗、开花3期的实测LAI数据为基础,同步获取我国自主研发的环境减灾卫星HJ-CCD对该研究区域的影像数据,分析了各生育期小麦LAI与8种植被指数间的相关性。以显著相关的植被指数作为输入参数,使用MK-SVR算法构建了每个生育期的小麦LAI反演模型,即MK-SVR-LAI模型。为了评价模型,每期使用单一核支持向量回归(SK-SVR)、偏最小二乘(PLS)回归算法构建了SK-SVR-LAI、PLS-LAI模型。将模型估算LAI值和田间观测LAI值进行比对,以决定系数(R2)和均方根误差(RMSE)为指标评价并比较了模型。结果表明:3个生育期MK-SVR-LAI模型的RMSE值均低于参比模型,拔节期为0.293 1,孕穗期为0.466 8,开花期为0.548 6,且该模型的R2也都最高,拔节期为0.762 4,孕穗期为0.801 8,开花期为0.668 9。     

西安市生态环境植被信息的遥感反演

西安市自然生态环境问题突出,植被信息作为地表生态环境评价与监测的重要参数之一,对区域生态环境的监测及生态环境建设具有重要意义。为此,通过LandsatTM影像提取的植被指数与叶面积指数关系的相关分析,确定适合反映研究区植被信息的VI。结果证明,用NDVI作参考来监测植被状况是合理的,相关系数为0.7205。基于此进一步分析了植被指数与生态环境参数的关系,为西安市的生态环境监测提供依据。     

基于遗传算法的遥感数字图像镶嵌研究

遥感数字图像的镶嵌处理是遥感图像处理的基本工作之一，为此介绍了一种基于遗传算法确定图像重叠区和调整图像色度，以辅助完成遥感图像的镶嵌工作的新方法。