无人机多光谱影像辐射一致性自动校正

针对一个架次内无人机影像由于光照度变化、拍摄角度等原因引起的相同地物点在不同影像上的辐射信息不一致的问题,验证了利用SIFT(scale invariant feature transform)算法匹配同名点,然后利用同名点灰度值的相关关系建立校正模型,再用该校正模型校正整幅影像的辐射一致性校正方法。对比评价了基于直方图匹配的色彩一致性校正方法、原始色彩空间辐射一致性校正、针对三波段影像的HSV(hue,saturation,value)色彩空间亮度一致性校正以及双边滤波去噪的效果。试验结果表明:基于直方图匹配的色彩一致性校正能在视觉上达到很好的效果,但是会造成校正后影像的灰度级严重缺失;基于同名点灰度值相关关系的校正模型能够很好地恢复待校正影像与基准影像的辐射一致性;HSV色彩空间亮度一致性校正能够在色彩上和辐射信息上与基准影像均达到很好的一致性,但只适用于三波段影像;双边滤波在去除噪声的同时,能够保持甚至提高校正后影像与基准影像的辐射一致性。     

基于6S模型的山区环境星影像大气校正研究

针对山区地形复杂,高程变化较大的特点,利用6S辐射传输模型建立查找表,结合研究区DEM对影像进行了大气校正。试验结果表明,校正后的影像清晰度、对比度提高了,消除了大气对NDVI的负面影响。     

用多辐射校正水平遥感数据提取植被叶面积指数的精度分析

选用南京市SPOT5 HRG图像的地物反射率(PAC)、表观反射率(TOA)、星上辐射率(SR)和灰度值(DN)影像,提取了2种植被指数(VI),即归一化植被指数(NDVI)和比值植被指数(RVI),与地面实测的植被叶面积指数(LAI)进行了相关分析,并建立了157个LAI-VI关系模型。结果显示:LAI与VI呈显著的正相关关系(r=0.303~0.927,p0.01),对应不同植被的优选模型自变量包括了3个辐射校正水平的2种植被指数,可见基于不同辐射校正水平的植被指数在LAI遥感反演中具有一定的应用潜力。这些优选模型为:阔叶林:LAI=-3.345+5.378RVISR+7.329NDVISR(R2=0.818,RMSE=0.527),针阔混交林:LAI=1.696+17.076NDVIDN+137.684(NDVIDN)2-288.240(NDVIDN)3(R2=0.919,RMSE=0.440),灌木:LAI=-0.065+19.112NDVISR-113.820(NDVISR)2+184.207(NDVISR)3(R2=0.900,RMSE=0.448),草地:LAI=-5.905+6.446RVISR+9.477NDVISR(R2=0.944,RMSE=0.378),植被总体:LAI=-1.615+7.199NDVIDN+2.640NDVISR+2.105RVIPAC(R2=0.801,RMSE=0.668)。研究表明,基于不同植被类型、不同辐射校正水平影像的LAI遥感估算有利于充分挖掘遥感影像信息,进而提高LAI估算的精度。     

多光谱低空遥感图像光照辐射度校正

为了提高受云层阴影影响的遥感图像的信息提取准确度,该文以水稻小区试验过程中为进行氮素水平检测而采集的低空机载高分辨率多光谱遥感图像为对象,对受云层阴影影响的高光谱图像进行光谱校正,从而提高氮素水平检测的精度。试验中采用机载的双摄像机同步采集可见光和近红外的水稻遥感图像,并将两摄像机的图像进行几何校正后合成得到彩红外(color infrared,CIR)光谱图像;同时在图像采集区域布置3块不同反射率的1.2 m×1.2 m标定靶,利用便携式光谱仪测定标定靶的反射光谱曲线,并统计标定靶在图像中各通道的亮度均值。以标定靶在晴天无云和有云图像中的亮度值为节点,对G、R和近红外(near infrared,NIR)通道分别建立分段的线性变换模型进行校正。为验证校正精度,在遥感图像中分别选择大田水稻、小区试验田块和裸地3个不同区域的图像的G、R和NIR通道像素亮度均值及归一化植被指数(normalized differential vegetation index,NDVI)作为评价指标。试验结果表明,和传统的整体线性变换相比,采用分段线性变换校正具有较高精度,G、R和NIR通道校正后的平均误差为8.6%,9.1%和11.7%,NDVI平均误差为11.5%,有效提高了阴影条件下的遥感图像的信息提取精度,提高了受云层影响遥感图像的利用率。研究为低空遥感的图像校正提供了参考。     

基于薄云雾去除的ETM+影像大气校正

中国南方农业遥感监测中,遥感影像常常受到薄云雾影响,大气的散射与吸收作用会使传感器接收到的地物反射率与真实值之间存在差距,是导致数据质量下降的主要原因,薄云雾去除和大气校正处理是十分必要的。该研究利用LandSat-7/ETM+影像,结合背景抑制云雾厚度因子（BSHTI）云检测方法和虚拟云点（VCP）云去除方法进行薄云雾去除,并与暗元法去云处理结果对比分析,然后将去云处理后的影像进行FLAASH大气校正,选取校正前后典型地物的光谱特征和NDVI值进行分析评价。结果表明,BSHTI-VCP法可有效消除薄云雾对遥感数据的影响,提高了云雾覆盖范围的影像质量;FLAASH大气校正较好地消除了大气影响,获得了地物真实地表反射率。该研究为南方作物遥感监测中定量反演与信息解译提供了良好理论支持。     

汶川地震前后都江堰植被盖度变化的遥感研究

选取都江堰市2007年9月18日和2008年7月18日两个时相的TM数据,在辐射校正相关理论的指导下,对遥感影像进行辐射校正,主要是将图像的DN值转换为表观反射率.再使用归一化植被指数(NDVI)对图像进行密度分割、分类等处理,提取植被盖度信息.根据区内植被发育特点.将之分为无植被覆盖、低植被覆盖、中植被覆盖和高植被覆盖4级,通过震前和震后对比分析,研究发现地震活动的强弱直接导致了区内植被盖度不同程度的变化.     

水稻遥感估产中AVHRR通道1和通道2的大气影响校正

NOAA/AVHRR通道1和通道2的大气校正可简化为加法因子天空反照率和乘法因子透过率的计算。研究发现,传统的用黑色目标扣除法确定天空反照率值,主观性很强,而且直方图横坐标并非实际的反照率值,而是反照率分组值,因此简单地用直方图并不能真正确定黑色物体的反照率。改进方法首先计算NOAA/AVHRR数据的统计量,采用ENVI的选择感兴趣区功能,将统计计算得出的头几个值作为利用图像定义感兴趣区的阈值,然后在影像中判断其是否符合要求,来确定天空反照率值。用改进的方法对57幅NOAA/AVHRR数据进行计算,结果表明,简单的直方图法和统计计算结果加上影像判读的结果是有差异的,后者才能找到真正的像元最低点的值。然后再用能见度进行透射率订正,取得较好的结果     

基于冬季资源三号影像的福建省中部地区植被覆盖度提取研究

本文以2012年冬季福建省中部某个区域的资源三号卫星影像为基础数据,经过地形辐射校正后利用NDVI来反演该区域的植被覆盖度,后与该区域外业验证结果进行回归分析。结果表明,两者的相关性较大,NDVI估算值相比外业验证值相对偏大,说明NDVI像元二分法反演低植被区植被覆盖度偏高。     

ENVI FLAASH和ERDAS ATCOR2的大气校正对比研究

研究分别用ENVI FLAASH模块和ERDAS ATCOR2模块对LANDSAT5-TM图像进行大气校正,进而对校正效果进行评价。结果表明,ENVI FLAASH和ERDAS ATCOR2均能很好地消除大部分大气的影响,满足试验要求。但从精度方面考虑,ENVI FLAASH要略胜于ERDAS ATCOR2。     

P5和SPOT5影像在全国土地调查中的应用

利用不同传感器、不同时相但具有相同分辨率的影像各自特点提取地物,可以达到较好的解译效果。首先对P5影像进行正射校正,与SPOT5影像精确配准。根据不同地物在SPOT5与P5影像上的影像特征分别建立解译标志并进行对比,通过比较根据SPOT5提取地物和SPOT5与P5二者共同使用提取地物与外业实地调查相比的精度,发现利用现势性好的经过校正后的P5影像与SPOT5配合使用,勾绘道路,耕地,工矿用地和新增地物的边线,可以提高解译精度,为外业提供准确的定位信息,而对于其他地类如林地、灌木林地、草地等,则需根据光谱信息丰富的SPOT5进行解译。     

基于波段权重的多尺度Retinex遥感图像渐晕校正方法

针对传统函数逼近法存在的校正质量不稳定、耗时长以及Retinex算法存在的光晕、泛灰和光谱数据失真的问题,该文提出了一种带光谱恢复的多尺度Retinex渐晕校正方法。通过对无人机遥感图像全局亮度的估计以及光谱恢复因子的引入,实现无人机遥感光谱图像的渐晕校正。利用该文方法对遥感图像进行处理,并与基于高斯曲面的函数逼近法和多尺度Retinex算法结果进行对比,依据灰度分布情况、标准差、平均梯度、清晰度、光谱相关系数以及光谱角指标进行评价分析。试验结果表明,该文提出的方法可以取得较好的渐晕校正效果,结果不存在光晕、泛灰现象,结果的平均梯度和清晰度均值分别为0.077 4和49.33,相较原始图像和函数逼近法以及多尺度Retinex算法处理结果,平均梯度分别提高了5.94%、5.56%和4.78%,清晰度分别提高了8.94%、6.79%和6.63%,该文方法校正图像的对比度和清晰度更优,方法具有较好的渐晕校正效果。     

基于无人机多光谱影像的夏玉米叶片氮含量遥感估测

利用无人机平台搭载多光谱相机组成的遥感监测系统在农业上已取得了一些成果,但利用无人机多光谱影像开展作物氮素估测研究少有尝试。基于此,该文利用国家精准农业基地2017年夏玉米3个关键生育期无人机多光谱影像和田间实测叶片氮含量数据,开展夏玉米叶片氮素含量的无人机遥感估测研究。对该研究选用的15个光谱变量,通过相关性分析解析光谱变量与LNC的相关关系,筛选出对玉米叶片氮素含量敏感的光谱变量;应用后向逐步回归方法分析不同变量指数下估测精度变化,最终确定不同生育期夏玉米LNC估测的光谱变量,实现对夏玉米叶片氮含量的较高精度监测。研究发现:1)在3个生育时期,GRE和GNDVI与LNC都有很强的相关性,表明绿波段可以很好地进行夏玉米生物理化参数的反演;2)在喇叭口期和灌浆期,OSAVI、SAVI与LNC具有高度相关性,证明在夏玉米生长前期和后期选择控制土壤因素的光谱变量可以提高对氮素估测的能力。在筛选最优光谱变量建模过程中发现,喇叭口期选取5个光谱变量(GNDVI、GRE、OSAVI、REG、SAVI)建模效果最好,估测模型的R~2、RMSE和nRMSE分别为0.63、27.63%、11.62%;抽雄吐丝期选取6个光谱变量(REG、GRE、GNDVI、MNLI、RED、NDVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.64、20.50%、7.80%;灌浆期选取5个光谱变量(GRE、GNDVI、RED、NDVI、OSAVI)建模效果最好,估测模型的R~2、RMSE和n RMSE分别为0.56、31.12%、12.71%;在不同生育期选取最优光谱变量进行夏玉米LNC估测具有很好的效果。应用无人机多光谱遥感影像数据可以很好地监测田块尺度夏玉米LNC的空间分布,可为玉米田间氮素精准管理提供空间决策服务信息支持。     

基于无人机遥感植被指数优选的田块尺度冬小麦估产

田块尺度作物快捷精准估产对规模化农业经营管理具有重要意义。因此,急需选取最优植被指数和最佳无人机遥感作业时期,建立冬小麦无人机遥感估产模型,获取及时、快速、低成本的无人机遥感估产方法。该文以山东省滨州市典型规模化农田为研究对象,利用固定翼无人机遥感平台对冬小麦进行多期遥感观测与估产。基于2016年冬小麦返青拔节期、抽穗灌浆期和成熟期的无人机遥感影像数据集,采用最小二乘法,构建了基于不同植被指数与冬小麦实测产量的9种线性模型,并结合作物实测产量进行模型评价。多时相多种类植被指数的优选分析结果显示,抽穗灌浆期估产模型R~2最高,RMSE最低(n=34)。其中,模型R~2达到0.70的植被指数共6个,从高到低依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI;RMSE由低到高依次为EVI2、MSAVI2、SAVI、MTVI1、MSR和OSAVI。另外,该文进一步评价农田土壤像元对无人机遥感估产的影响,经过阈值滤波法处理后,返青拔节期估产模型的R~2(n=34)从约0.20提升至0.30以上,RMSE和MRE下降;抽穗灌浆期模型的RMSE降低,R~2(n=34)有所提升但不显著。综上所述,最佳无人机飞行作业时期为冬小麦抽穗灌浆期,最优植被指数为EVI2,土壤像元的滤除对抽穗灌浆期无人机遥感估产模型的影响不显著。因此,优化后的基于植被指数的无人机遥感估产模型,可以快速有效诊断和评估作物长势和产量,为规模化农业种植经营提供一种快捷高效的低空管理工具。     

基于优化SIFT算法的无人机遥感作物影像拼接

针对作物遥感影像因对比度低所导致的使用尺度不变特征变换算法(scale-invariant feature transform,SIFT)提取特征点数目少,拼接效果不理想的情况,提出了一种基于图像锐化的自适应修改采样步长的非极小值抑制拼接算法,该算法在图像预处理中引入锐化滤波器对平滑后的图像进行卷积,增强图像细节,增加特征点提取数目,同时通过基于尺度的自适应修改采样步长,使图像特征点分布更加均匀,根据低对比度作物遥感影像的成像特性,采用非极小值抑制,提高图像匹配效率。在查找匹配点的过程中,引入最优节点优先算法(best-bin-first,BBF)查找最近邻与次近邻,采用随机抽样一致算法(random sample consensus,RANSAC)优选特征点。通过试验验证,该文改进后的算法相比于标准SIFT算法,在处理低空作物遥感影像时,特征点提取数目平均增加77.5%,特征点匹配对数平均增加15对,对于标准SIFT算法无法匹配的低对比度作物遥感影像,提取到了8对以上的匹配点对,满足了拼接条件。该改进算法相对于标准SIFT算法更适于低对比度遥感影像的拼接。     

基于多光谱遥感的耕地等别识别评价因素研究

为了判断应用遥感技术进行耕地质量识别的可行性,该文以多光谱遥感影像为数据源,采用遥感技术提取耕地质量影响因素,进行耕地质量遥感识别评价。通过建立反演模型和实地验证,有机质含量、地形坡度与表层土壤质地可以利用遥感影像有效获取;灌溉和排水因素理论上可以通过遥感影像识别,但资料获取较困难,可通过专题图和影像解译相结合的方法获取;剖面构型、障碍层次和土壤酸碱度等因素通过遥感识别的准确度较低。以自然等指数作为遥感识别评价成果,利用已有农用地分等成果对其进行验证,结果表明,在误差范围[7%,7%]内二者具有高度一致性,因此基于多光谱遥感进行耕地质量识别评价具有一定的可行性。该研究可为耕地等别评价因素识别、耕地质量评价和动态监测提供参考。     

一种提取不透水面的可见光波段遥感指数

为了从高分辨率无人机影像中获取准确的城市不透水面信息,在可见光波段范围内建立绿-蓝光谱特征空间,综合土壤线及不透水面线,构造了能够将土壤、植被像元与不透水面像元有效分离的绿-蓝不透水面指数。以广州市局部地区的GF-2号影像为验证数据对比及分析垂直不透水层指数、比值居民地指数以及绿-蓝不透水面指数的提取结果,以验证绿-蓝不透水面指数的可行性与提取精度。同时,将眉山市洪雅县部分地区的无人机正射影像作为试验数据进行不透水面提取。结果表明,在3个不透水面提取指数的横向对比中,绿-蓝不透水面指数和垂直不透水层指数的提取结果总体精度相同,验证了绿-蓝不透水面指数的有效性。在对无人机正射影像的不透水面提取中,得益于无人机低空摄影技术能够获取地形特征的特点,解决了建筑物屋顶因植被覆盖导致的错分问题,提取结果总体精度达到了96.95%,Kappa系数为0.936 1。试验证明了绿-蓝不透水面指数能够代替归一化差值不透水面指数、垂直不透水层指数、比值居民地指数等,应用于无人机遥感影像的不透水面信息提取中。     

利用无人机多光谱估算小麦叶面积指数和叶绿素含量

利用无人机遥感的方式进行农作物长势监测是目前精准农业、智慧农业发展的重要方向,为了探究无人机多光谱反演小麦叶面积指数(Leaf Area Index,LAI)和叶绿素含量的模型估算潜力,该研究在3个飞行高度(30、60、120 m)采集多光谱影像,通过使用全波段差值光谱指数(Difference Spectral Index,DSI)、比值光谱指数(Ratio Spectral Index,RSI)、归一化光谱指数(Normalized Spectral Index,NDSI)和经验植被指数与地面实测数据进行相关性分析,获得不同高度下的光谱指数与LAI和叶绿素含量的关系模型及其决定系数,以决定系数为依据分别构建多元逐步回归、偏最小二乘回归和人工神经网络模型,分析不同飞行高度无人机多光谱反演小麦冠层LAI和叶绿素含量SPAD(Soil and Plant Analyzer Development)值的精度。结果表明:1)30 m高度下,绿-红比值光谱指数与小麦LAI的相关性最高,相关系数为0.84;60 m高度下,红-蓝比值光谱指数与小麦叶绿素含量的相关性最高,相关系数为0.68;2)在60 m高度下,经验植被指数与小麦LAI和叶绿素含量的相关性较好,最大相关系数分别为0.77和0.50;3)利用偏最小二乘回归反演小麦LAI的精度最高,决定系数为0.732,均方根误差为0.055;利用人工神经网络模型反演小麦叶绿素含量的精度最高,决定系数为0.804,均方根误差0.135。该研究成果可为基于无人机平台的高通量作物监测提供理论依据,并为筛选无人机多光谱波段实现作物长势参数快速估测提供应用参考。     

面向对象分类技术在开发建设项目水土保持监测中的应用

[目的]研究基于无人机低空遥感影像的面向对象分类技术在开发建设项目水土保持监测中的应用,为水土保持监测工作的信息化能力提升提供技术支撑。[方法]利用旋翼无人机获取水土保持监测目标区域的低空遥感影像,通过倾斜摄影技术构建数字表面模型,结合ESP分割尺度评价工具获取最优分割尺度参数,采用多元特征空间指标参与最邻近分类法的监督分类,并依据位置信息的评价方法和误差矩阵对分类解译精度进行验证。[结果]本研究的水土保持监测目标区域的地物分类总体精度达到了86.10%,Kappa系数为0.841,有较好的一致性,能够满足精度需求。[结论]利用无人机低空遥感影像的面向对象分类技术实现了开发建设项目水土保持监测区域地物的快速、精确识别和分类。     

基于微小型无人机的遥感信息获取关键技术综述

近年来,基于微小型无人机的遥感信息获取技术广泛应用在农业领域。采用微小型无人机遥感信息平台获取农田作物信息,具有运行成本低、灵活性高以及获取数据实时快速等特点,是目前农田作物信息快速获取的主要方法之一,是精准农业发展的重要方向。该文主要对微小型无人机遥感技术平台的发展、遥感信息获取技术、遥感图像的处理与解析、以及微小型无人机遥感平台应用在作物信息监测和生产管理等方面进行了深入剖析,强调了遥感信息获取与解析技术的重要性和存在的问题,受微小型无人机飞行稳定性和载荷量的限制,如何实时快速准确地调整机载遥感传感器的姿态使被测目标始终处于监测视野中,并实现图像信息的远距离获取与传输,以及如何处理和解析无人机遥感系统获取高质量的遥感图像是微小型无人机遥感技术能否被广泛应用在各研究领域的关键技术。最后,提出了增强无人机飞行控制系统的高稳定性、遥感图像的精确获取及数据的实时传输和高精度的图像后处理方法,对作物信息监测技术的发展和应用具有重大意义,是实现大面积精准农业生产管理决策的重要依据。