高分辨率谷歌地球遥感数据与Landsat 8 OLI影像的融合方法研究

探讨高分辨率谷歌地球遥感数据与Landsat8 OLI数据的融合方法,分别使用Bovey变换、Gram-Schmidt变换和主成分变换方法得到相对理想的融合结果。通过评价表明,后两种方法可以得到更好的结果,并满足大比例尺制图的需求。     

基于乡镇尺度Landsat8 OLI影像融合算法适应性研究

本文利用OIF因子选择乡镇尺度下Landsat8 OLI影像MS最优波段组合,在此基础上,研究OLI影像MS波段与PAN波段对6种融合算法：Brovey法、PCA法、Daubechies小波变换法、Coifet小波变换法、HIS与小波相结合的变换法、PCA与小波相结合的变换法融合的适应性,并对融合前后影像进行SVM分类,以验证融合结果在实际生产应用中的有效性。结果表明：B456为7波段35种组合方式中最佳波段组合,其OIF值为27.842;对融合前后影像进行定性和定量精度评价,OLI影像对PCA算法融合适应性最强,各精度指标均占优;Daubechies小波算法光谱扭曲度最小;HIS-wavelet算法清晰度最高;PCA-wavelet算法相关系数最高,融合结果信息含量最大;适应性最差为Brovey算法。土地利用分类精度验证结果表明：OLI影像经PCA算法融合后有助于提高分类精度。     

基于机载LiDAR和光学遥感数据的热带橡胶林叶面积指数反演

叶面积指数（LAI）作为表征植被冠层结构的重要参数，一直是气候变化和生态研究中的热点，遥感技术的发展为大范围叶面积指数的获取提供了可能。以景洪市热带橡胶林为研究对象，以机载LiDAR和Landsat8/OLI为信息源，结合44块样地实测数据，使用支持向量机回归(SVR)、BP神经网络(BPNN)和偏最小二乘回归(PLSR) 3种模型,在前期建立基于林分水平的LAI估测模型的基础上，进一步构建区域尺度的LAI反演模型，实现景洪市橡胶林LAI的反演。结果表明，基于LiDAR的林分水平模型中，SVR模型最优，决定系数（R²）为0.76，相对均方根误差（rRMSE）为17%，估测精度（P）为83%；以SVR模型估测结果作为区域尺度遥感反演模型的先验样本，结合Landsat8/OLI数据的BP神经网络模型反演效果最好，估测精度达76%。     

采用Landsat8产品算法流程的高分一号数据大气校正

高分一号(GF-1)卫星搭载的传感器,实现了高分辨率和宽幅成像能力的结合,使其在精准农业方面应用发挥重要作用。该文在6S大气辐射模拟模型基础上,参照LaSRC大气校正流程,设计了GF-1卫星WFV/MSS数据从算法原理分析到编码实现的大气校正。算法应用大气总传输率、水汽透过率和大气后向半球反照率等参数和高程、大气可降水以及臭氧含量等值,循环计算使GF-1像元红蓝通道值比等于来自MODIS数据的红蓝通道值比,求得GF-1像元气溶胶,再将包含当日大气可降水和臭氧含量的辅助数据文件等代入6S模型,得到大气校正后的地表反射率。试验表明,该大气校正方法在有农田和林木等植被覆盖的中低纬度大气校正效果较好,对稀疏植被的荒漠裸地和建筑地表大气校正效果相对稍差。比较GF-1WFV/MSS数据与Landsat8(LC8)OLI数据的基于6S模型LaSRC流程算法的大气校正结果,GF-1WFV/MSS各传感器与LC8OLI大气校正结果的相关系数为0.825~0.972,2种卫星数据大气校正结果相关性高,其中WFV相较于MSS显示出与LC8 OLI更相近的大气校正结果。结果表明,应用6S模型原理参照LaSRC校正流程设计的自行估计数据逐像元水平气溶胶参数的GF-1卫星数据大气校正方法应用方便、可操作性强,适合生长季农林监测等陆面应用。     

基于LandsatTM/OLI数据的吐鲁番绿洲土地利用/覆被变化研究

[目的]运用3S技术研究1990~2015年吐鲁番地区土地利用/覆被变化情况。[方法]以吐鲁番地区1990年landsat5 TM影像及2015年landsat8 OLI影像数据为基础,运用3S技术,基于光谱特征的最大似然监督分类法和人机交互式目视解译方法,获取1990、2015年吐鲁番绿洲土地利用类型数据。最后运用土地利用格局变化指标分析方法及空间转移矩阵方法,探讨了1990~2015年吐鲁番绿洲土地资源的结构特点和变化规律。[结果]吐鲁番绿洲呈扩大趋势,绿洲面积增加,未利用地减少。其中,耕地、草地、园林地面积增加显著,裸地和盐碱地面积减少,沙地面积小幅增加。绿洲区域内建设用地和水域面积增加,但绿洲外围的尾闾湖—艾丁湖却呈萎缩趋势。[结论]该研究为吐鲁番地区生态环境保护提供了基础数据与科学依据。     

环境敏感变量优选及机器学习算法预测绿洲土壤盐分

基于机器学习预测干旱区(如新疆)土壤盐分的研究目前较少涉及且敏感变量的筛选还需深入探讨。该研究比较5种机器学习算法(套索算法,The Least Absolute Shrinkage and Selection Operator-LASSO;多元自适应回归样条函数,Multiple Adaptive Regression Splines-MARS;分类与回归树,Classification and Regression Trees-CART;随机森林,Random Forest-RF;随机梯度增进算法,Stochastic Gradient Treeboost-SGT)在3个不同地理区域(奇台绿洲,渭-库绿洲和于田绿洲)的性能表现;参与的变量被分为6组:波段,植被相关变量集,土壤相关变量集,数字高程模型(digital elevation model,DEM)衍生变量集,全变量组,优选变量组(全变量组经过算法筛选后的变量集合)。通过算法筛选,以示不同研究区的盐度敏感变量。同时借助以上述6组结果评判算法的性能。结果表明:综合分析6个变量组的R2和RMSE,预测精度排名如下:优选变量组植被指数变量组土壤相关变量组波段DEM衍生变量组。由于结果不稳定,全变量组未参与排名。在所有变量中,植被指数(EEVI,ENDVI,EVI2,CSRI,GDVI)和土壤盐度指数(SIT,SI2和SAIO)与土壤盐度相关性高于其他变量。综合评价以上5种算法,Lasso和MARS的预测结果出现极端异常值,但其预测结果能基本呈现土壤盐分空间分布格局。CART的结果能清晰分辨灌区和非灌区土壤盐分的分布态势,但二者内部并无太多变化且稳定性较差。RF和SGT的结果显示,二者在3个绿洲的土壤盐分值域范围和土壤盐分空间分布格局相似,纹理信息相对其他3个算法更为丰富。更为重要的是,算法在各个地区的结果都较为稳定。二者相比,SGT验证精度相对最高,其次为RF。     

基于TM与OLI影像的石家庄市土地利用变化分析

为了了解近年来石家庄土地利用变化趋势,基于Landsat TM/OLI影像数据,运用ENVI空间分析与土地利用动态度模型对石家庄1987-2015年的土地利用时空变化特征进行了分析。结果表明,高密度建筑用地面积从1987年的24.51km~2扩张到2015年的168.44km~2,低密度建筑用地面积从92.22km~2减少到86.93km~2,绿地面积从250.78km~2下降到111.29km~2;各土地类型变化差异显著,石家庄单一土地利用动态度在-4%~14%之间,各时间段综合土地利用动态度分别为0.16%、0.32%和0.38%;人口增加、经济增长和人民生活水平提高是导致石家庄土地利用变化的主要原因。     

基于OLI影像的县域冬小麦种植面积提取

以河南省虞城县为研究区域,筛选冬小麦分蘖期至拔节期内的3期(分蘖期、越冬期、拔节期)高质量OLI遥感影像,进行辐射定标及FLAASH大气校正,以便将影像DN值转算为地表反射率,并利用全色波段进行影像融合处理以提高空间分辨率。以归一化差异水体指数(NDWI)、归一化差异建筑指数(NDBI)、归一化差异植被指数(NDVI)为基础,结合外业调查数据构建决策树模型,3期影像中NDWI大于0的像元为水体,NDBI大于0的像元为居民地,NDVI分别大于0.59、0.52、0.65的像元为冬小麦纯净像元,NDVI分别小于0.49、0.44、0.56的像元为其他地物,剩余部分为冬小麦混合像元,通过实地调研确定将混合像元面积折算为冬小麦实际种植面积的权重为0.46,最后计算虞城县冬小麦的实际种植面积。结果表明,冬小麦分蘖期至拔节期是遥感监测冬小麦种植面积的最佳时期,3期影像提取的2014年虞城县冬小麦种植面积分别为76 238.79 hm2、77 406.65 hm2、77 397.82 hm2,与往年统计数据和样地实测数据相比,精度达到了99%。     

祁连冰沟流域浅雪层光谱特征 分析与遥感算法反演

祁连山冰沟流域地形复杂,积雪深度较浅且破碎化严重,针对MODIS标准积雪面积比例产品在该地区监测精度较差的问题,本研究基于冰沟流域浅雪光谱特征分析及结合野外实测经验,探索浅雪的光谱特征对MODIS浅雪面积比例提取精度的影响;然后通过线性回归法、线性混合像元分解法及BP神经网络模型3种方法分别构建了针对研究区的MODIS积雪制图算法,并利用同时相的Landsat 8OLI二值积雪数据作为真值对上述3种制图方法进行精度验证。结果表明,1)浅雪的光谱反射率对基于NDSI阈值法的MODIS浅雪提取精度几乎没影响,MODIS提取浅雪精度差的主要原因为该地区复杂的地形而导致的积雪分布破碎化,即混合像元的大量存在;2)利用BP神经网络模型反演积雪面积比例的最佳输入参数组合为(ρ_1~ρ_7)+NDSI+DEM;3)线性混合像元分解模型在该研究区的积雪面积比例提取精度较低,BP神经网络模型精度最好;4)在地形复杂区域,多因素模型(BP神经网络模型)相对于单因素模型(一元线性回归模型)具有较好的积雪面积比例提取精度和稳定性,可以为研究区MODIS积雪面积比例的反演提供一种理想的方法。     

OLI与HSI影像融合的土壤盐分反演模型

土壤盐渍化问题是黄河三角洲地区主要的土地退化问题,借助遥感技术快速、准确地掌握土壤盐渍化信息,对农业可持续发展具有重要意义。该文以黄河三角洲垦利县为研究区,利用超球体色彩空间变换算法,将环境一号卫星HSI高光谱影像与Landsat 8 OLI多光谱影像进行融合,选择土壤盐分的特征波段,结合土壤盐分的实测数据,建立统计分析模型(多元线性回归、偏最小二乘回归)和机器学习模型(BP神经网络、支持向量机和随机森林),对土壤盐分进行遥感反演。结果表明:OLI影像的统计分析模型和机器学习模型精度均较低,精度最高的随机森林模型相关系数仅为0.570;HSI影像的反演模型精度高于OLI,BP神经网络模型相关系数为0.607;融合影像反演模型精度明显高于HSI影像和OLI影像,土壤盐分含量的实测值与机器学习模型预测值具有良好的相关性,BP神经网络模型、支持向量机模型和随机森林模型的决定系数R~2分别达到0.966、0.821和0.926,模型反演精度较高。研究表明,多光谱和高光谱影像融合能显著提高土壤盐分遥感反演精度,机器学习模型的反演效果明显优于统计分析模型。研究结果对黄河三角洲典型地区的土壤盐分反演具有积极的理论和实践意义。