镜泊湖水体富营养化空间分布特征与影响因素分析

利用2015年9月镜泊湖实测叶绿素a浓度与同步Landsat8 OLI数据建立了叶绿素a浓度波段组合模型,根据拟合度和验证精度最优原则,确定最优反演模型为(B_4+B_5)/B_3。通过Carlson营养状态指数法分析可知,镜泊湖水体营养化状态在空间上存在差异,其中湖区大部分地区属于中营养状态,南部地区湖心位置为贫营养状态,镜泊乡附近湖区处于富营养化状态。     

基于MERIS遥感图像的太湖叶绿素浓度反演

以太湖为试验区,基于MERIS遥感图像数据以及同步实测的太湖水质参数数据,应用归一化叶绿素指数算法(NDCI),对太湖水体叶绿素a浓度进行反演,得到了太湖区域的水体叶绿素a反演结果,并对反演结果进行了验证和分析。结果表明:归一化叶绿素指数反演算法能够精确地反演太湖区域的叶绿素a浓度值,模型的决定系数(R2)为0.881 2,反演精度优于传统经验统计模型,可为今后更精确地反演内陆水体的叶绿素a浓度提供参考依据。     

基于TM影像的克钦湖叶绿素a浓度反演

为了研究扎龙湿地克钦湖的富营养化情况,利用准同步实测数据和Landsat-5/TM数据反演整个克钦湖的叶绿素浓度.在对叶绿素光谱特征研究的基础上,选取TM2、TM3、TM4单波段及其1 1种波段组合与叶绿素a浓度进行相关性分析,将相关系数较大的3种波段组合分别建模,得到3个估算叶绿素浓度的反演模型,选择精度较高的模型Y=41.57×(TM3+TM4)-0.697反演了克钦湖叶绿素a浓度.通过分析结果得出:克钦湖的水体叶绿素浓度分布总体上是南湖比较低,北湖较高,大的趋势是由南向北递增.这与准同步水质采样数据基本吻合,反映了克钦湖富营养化状态的实际情况.该模型可以较好地估测克钦湖水体叶绿素a的浓度,可以满足该水体叶绿素a含量定量监测的需要,对水体水质的动态监测和预警提供理论依据.     

基于Landsat影像的博斯腾湖水质参数反演模型研究

以内陆博斯腾湖为研究区,通过实测数据和遥感数据,分析了单波段数据、归一化数据、波段组合数据与溶解性总固体、矿化度之间的相关性,建立并筛选获得了最优模型,以期为博斯腾湖溶解性总固体和矿化度两个指标的大面积遥感反演提供理论依据。结果表明,对溶解性总固体与矿化度浓度进行反演,单波段最优分别为B3与B2,最佳模型皆为指数模型;归一化处理后最优波段为B3与B2,最佳模型分别为二次模型与指数模型;波段组合最优为B2×B3与B2-B7,最佳模型为指数模型与指数、线性模型。通过模型的验证与比较,研究发现,归一化法对于溶解性总固体浓度的反演能达到较好的效果,而波段组合法能较好的反演矿化度浓度。     

应用增强回归树对小兴安岭沼泽湿地构成信息的提取

湿地是地球上最重要的生态系统之一，在维护全球生态安全方面起着不可替代的作用。为了精确监测湿地变化，提高湿地遥感监测水平，以小兴安岭地区作为研究区，应用谷歌地球引擎(GEE)云平台和R工具软件，使用Landsat8 OLI光学数据和地形数据，构建增强回归树(BRT)湿地发生概率模型，探讨光学数据以及地形数据对沼泽湿地提取的重要性。结果表明：(1)模型A_UC值为0.807,模型标准差为0.003,模型预测性能较好、性能稳定；(2)沼泽湿地发生概率模型中输入变量的重要性由高到低的排序为红波段(B4)、地形位置指数(TPI)、蓝波段(B2)、绿波段(B3)、归一化植被指数(NDVI)、地形湿度指数(TWI)、归一化水指数(NDWI)、近红外波段(NIR);(3)当湿地-非湿地二元分类阈值为0.7时，模型对湿地的提取精度(0.828)高于对非湿地的提取精度(0.803),模型预测湿地的能力优于非湿地。     

基于环境小卫星CCD数据对太湖地区叶绿素a浓度的反演

针对我国湖泊水体富营养化监测问题,以太湖为研究对象,使用了快速、低成本、大范围的遥感技术反演太湖水体中的叶绿素a含量.以环境小卫星CCD数据和实测数据为研究基础,使用波段比值法建立了5种叶绿素a浓度回归模型.结果表明:多项式反演模型具有最佳的拟合效果,其相关系数R=0.8845;对该反演模型进行合理性验证,并将其运用在太湖地区,最终反演了该水域的叶绿素a浓度.这表明波段比值法构建的多项式反演模型可以较为准确地反演出太湖地区的叶绿素a浓度值.     

基于中分辨率影像湿地离散水体提取研究——以新疆阿勒泰科克苏湿地为例

首先利用Landsat8 OLI和GF-1 WFV卫星的多光谱影像分别对新疆阿勒泰科克苏湿地的离散水体进行支持向量机模型分类和最大似然模型分类,以选出最佳的分类模型;然后对Landsat8 OLI和GF-1 WFV影像分别提取灰度共生矩阵纹理特征、Getis指数特征和Moran’I指数特征,并与其对应的多光谱影像进行组合得到包括原始多光谱影像在内的7种组合特征集,利用选出的最佳分类模型对特征集进行离散水体提取,对其精度检验结果进行对比。结果表明,对Landsat8 OLI和GF-1 WFV卫星的多光谱影像同时引入Getis指数特征和灰度共生矩阵纹理特征能够明显提高分类精度,Landsat8 OLI影像Kappa系数从0.815 7提高到0.922 3,总体精度从94.25%提高到97.50%;GF-1 WFV影像的Kappa系数从0.832 6提高到0.932 4,总体精度从94.75%提高到98.25%。综合可知,Getis指数和灰度共生矩阵同时作为新的特征波段引入到多光谱影像上,对于离散水体信息提取具有积极效果。     

基于中分辨率影像湿地离散水体提取研究——以新疆阿勒泰科克苏湿地为例

首先利用Landsat8 OLI和GF-1 WFV卫星的多光谱影像分别对新疆阿勒泰科克苏湿地的离散水体进行支持向量机模型分类和最大似然模型分类，以选出最佳的分类模型；然后对Landsat8 OLI和GF-1 WFV影像分别提取灰度共生矩阵纹理特征、Getis指数特征和Moran’I指数特征，并与其对应的多光谱影像进行组合得到包括原始多光谱影像在内的7种组合特征集，利用选出的最佳分类模型对特征集进行离散水体提取，对其精度检验结果进行对比。结果表明，对Landsat8 OLI和GF-1 WFV卫星的多光谱影像同时引入Getis指数特征和灰度共生矩阵纹理特征能够明显提高分类精度，Landsat8 OLI影像Kappa系数从0.815 7提高到0.922 3,总体精度从94.25%提高到97.50%;GF-1 WFV影像的Kappa系数从0.832 6提高到0.932 4,总体精度从94.75%提高到98.25%。综合可知，Getis指数和灰度共生矩阵同时作为新的特征波段引入到多光谱影像上，对于离散水体信息提取具有积极效果。     

基于遥感数据的东平湖面积变化监测

本文以东平湖的1985、1990、1995、2002、2005、2009年的Landsat4-5卫星遥感数据为数据源,提出了波段加和法提取东平湖的水面面积。并与归一化差异水体指数(NDWI)法、改进的归一化差异水体指数(MNDWI)法和修订型水体指数(RNDWI)法计算结果进行比较,相对误差为0.68%～7.27%。波段加和法较上述的三种方法能够更加精确地提取狭窄水面,使小区域水体与其他地物的区分边界更加明显直观。同时,通过对该湖泊1985～2009年年际水面面积变化趋势分析表明,东平湖水面面积总体呈现缓慢的下降的趋势。     

基于智能手机和人工神经网络反演小微水体水质参数研究

通过智能手机反演进行环境监测越来越受到关注，目前研究主要利用可见光反射率进行光学活性参数反演。本文基于水质现场监测数据，同步应用智能手机拍照，通过偏振镜、手机望远镜、不同规格滤波片、24色标准色卡，获取水体图像信息，结合逐步回归与人工神经网络方法，开展了长三角地区典型小微水体水质光学参数叶绿素和浊度以及非光学参数可溶性有机碳（dissolved organic carbon，DOC）反演监测。结果表明，研究区水体总体DOC浓度值变异范围在2.73-16.90 mg/L，浊度变异范围在6.53-91.10 NTU，叶绿素a浓度值变异范围在0.36-245.47 μg/L。通过逐步回归方法提取了水体DOC浓度的五个图像特征参数为R1＇、B/G2＇、R2"、R4"、B/G6＇，浊度图像特征参数为B/R3＇、G5"、R6"，叶绿素a的图像特征为B/G1＇、R2"、B/G4＇。结合人工神经网络模型反演水体水质参数，DOC浓度纳什系数NSE为0.62，浊度NSE为0.65，叶绿素NSE为0.67，具有较高的反演精度。本研究构建了基于智能手机反演水质光学参数的方法，并探讨了非光学参数反演的可行性，为后续开发APP应用程序和反演水质参数提供了基础和依据。     

基于人工神经网络的CHRIS数据内陆水体叶绿素浓度反演研究

利用BP神经网络和CHRIS高光谱数据反演了富营养化非常严重的太湖梅梁湾地区叶绿素A浓度。首先计算了CHRIS模式2的18个波段与叶绿素A浓度的皮尔森相关系数,选择CHRIS的前5个波段和第13波段的反射率值作为神经网络的输入,以野外测量的叶绿素A浓度为神经网络的输出。实验表明,BP神经网络具有很好的非线性拟合能力,叶绿素A浓度的反演精度相对误差仅为22%,明显优于传统的多项式模型,显示BP神经网络与CHRIS高光谱数据结合的方法在内陆水体水质参数反演领域的应用具有相当的优势。     

农田洪涝灾害信息遥感自动提取方法研究

为提高农田洪涝灾害信息提取效率,探索了有效的遥感影像水体自动提取方法,以2021年7月下旬河南省浚县农田洪涝灾害为研究对象,在灾前、灾中和灾后以Sentinel-2遥感数据归一化水体指数（NDWI）、改进的归一化水体指数（MNDWI）、多波段水体指数（MBWI）和B12波段作为多维特征,采用多维非监督水体自动提取方法提取水体面积。同时利用Canny-Edge-Otsu水体自动提取方法分别对MBWI、MNDWI、NDWI 3种水体指数和GF-3数据的HV极化波段进行阈值分割,提取农田洪涝灾害信息,并对不同数据源和不同方法提取农田洪涝灾害信息的精度进行对比分析。结果表明,多维非监督水体自动提取方法集成了多种水体指数和波段作为多维特征,灾前和灾后水体提取误差分别为6.99%和7.45%,低于Canny-Edge-Otsu水体自动提取方法;MBWI、MNDWI与NDWI 3种水体指数相比,MBWI水体提取误差最小,NDWI提取误差最大,但均易将建筑物和云阴影地区误判为水体;灾后基于GF-3的洪水提取误差为15.57%,高于Sentinel-2影像,但GF-3遥感影像不受云雨天气影响,能够在洪涝...     

基于Landsat-OLI影像数据的向海湿地水体叶绿素a反演模型研究

本文以向海国家级保护区湿地水体为研究对象,以"3S"技术为支撑,基于实测水质数据与Landsat-OLI遥感影像数据,分析了波段的遥感反射率与叶绿素a浓度之间的相关性,采用回归分析的方法,建立并筛选出了最优反演模型。结果表明:Landsat-OLI数据的第4波段与向海湿地水体叶绿素a浓度的相关性最好,其构建的线性模型为反演叶绿素a浓度的最优模型。     

运用遥感影像对暖温带-亚热带过渡地区森林蓄积量反演

以甘肃小陇山百花林场为研究对象,运用Landsat OLI影像、森林二类资源调查数据和样地数据,计算Landsat OLI影像7个多光谱波段的纹理特征、波段比值和植被指数,利用多元逐步回归方法构建了不同自变量的森林蓄积量反演模型,并对模型的精度进行评价。结果表明:基于光谱波段、波段运算和纹理特征的综合回归模型对森林蓄积量的反演精度为80.74%。光谱波段、植被指数、波段运算、纹理特征的森林蓄积量反演模型的精度分别比基于光谱波段、波段运算和纹理特征的综合回归模型的森林蓄积量反演精度低8.76%、5.64%、5.03%、2.39%。因此,运用光谱波段、波段运算、纹理特征的综合回归模型估算森林蓄积量较为可行,对森林管理部门以及其他国民经济建设部门的监测与管理具有重要的参考价值。     

基于OLI影像的徐州市植被提取

基于Landsat 8的OLI影像对徐州市2013—2017年植被数据进行植被提取。通过OLI影像对K-L变换、归一化植被指数NDVI及原始波段的相关系数进行计算,从而选取3种最优波段进行组合,利用SVM监督分类对5年城市数据进行植被提取。结果表明,原生波段与衍生波段的合成影像有效提高了植被提取精度,同时数据分析也显示出徐州市辖区内存在植被面积较小、植被空间分布不均等问题,并提出徐州市植被规划的合理建议。     

ETM影像水体信息提取研究

选取湘阴县为研究区,应用归一化植被指数法（NDVI）、归一化水体指数法（NDWI）、改进的归一化水体指数法（MNDWI）3种方法进行水体提取试验。结果表明：改进的归一化水体指数法（MNDWI）提取水体信息精度最高,总体精度达到98.0%;研究区内水体总面积为346.904 km2。     

千岛湖水体叶绿素浓度高光谱遥感监测研究初报

以千岛湖为研究对象,利用高光谱地物光谱仪在库区进行了反射光谱测量和同步水质采样分析.通过研究水体藻类叶绿素浓度与其高光谱反射特征之间的关系,建立了叶绿素a的遥感定量模型, 结果表明:光谱反射率比值R701 nm/R516 nm、IKONOS的红光与蓝光波段反射率之比与叶绿素a线性相关程度都比较高,决定系数分别为0.87和0.83,可以用来估计叶绿素a浓度;而微分光谱、单波段以及其它波段比与叶绿素a的相关性不及前两者.所以,遥感估算千岛湖叶绿素a浓度,采用比值法最准确.由于TM波段与IKONOS波段范围几乎完全相同,而分辨率不同,从经济实用的角度考虑,可以用TM数据对整个库区进行大范围遥感监测,而对其支流和小范围水面,用分辨率较高的IKONOS数据才能满足精度要求.     

参数优选支持的光学与SAR数据森林地上生物量反演研究

  目的  森林是整个陆地碳循环系统中最大的有机碳贮库,准确地估测森林地上生物量影响着全球碳源与碳储量的分析与评价。本文旨在评价利用Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR 3组不同源遥感数据估测森林AGB的潜力,进而剖析光学数据和SAR数据在估测森林AGB方面的差异。  方法  首先对Landsat8 OLI、高分一号光学数据、ALOS-1 PALSAR-1SAR数据分别提取波段比值、植被指数、纹理信息,对ALOS-1 PALSAR-1SAR数据同时提取极化分解信息;然后,利用随机森林算法对不同数据提取的特征参数进行重要性排序,选择排序靠前的特征进行建模;最后,利用KNN-FIFS算法分析不同特征组合,对4组数据建立4个模型估测森林AGB,并使用留一交叉验证法对4个模型估测森林AGB值进行精度评价。  结果  使用植被因子、波段比值、纹理因子、极化分解信息4种特征参数分别对3组数据进行建模估测森林AGB,基于Landsat8 OLI数据反演森林AGB的精度评价结果为R2 = 0.50,RMSE = 33.34 t/hm2;基于高分一号数据估测精度为R2 = 0.36,RMSE = 37.60 t/hm2;基于PALSAR纹理特征估测精度为R2 = 0.45,RMSE = 35.40 t/hm2;基于PALSAR全极化分解信息估测精度为R2 = 0.63,RMSE = 28.84 t/hm2。  结论  参数提取方法相同时,即基于植被因子、波段比值、纹理信息3种特征参数估测森林AGB,其光学数据和SAR数据的反演潜力基本一致;参数提取方法不同时,即SAR数据加入极化分解信息估测森林AGB,与光学数据相比,SAR数据对森林AGB的反演潜力较好。      

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%。     

土地利用分类中OLI影像合成最佳波段组合研究

为了将Landsat8_OLI遥感影像应用于土地利用分类中,以新疆维吾尔自治区阿拉尔市Landsat8_OLI遥感影像为试验数据,在对试验数据进行光谱特征分析的基础上,采用最佳指数(OIF)法对Landsat8_OLI遥感影像合成最佳波段组合进行了研究。结果表明,Landsat8_OLI数据各波段中,Band5包含的地物信息最丰富;Landsat8_OLI最佳波段组合为OLI457,其结果具有较好的目视效果。