基于PCI的SPOT5遥感影像正射校正方法分析

正射校正是各种遥感应用过程中必不可少的基础工作,对于某些地形起伏较大、常规的几何校正难以消除由此引起的几何变形的影像,有必要进行正射校正。正射校正的方法很多,以攸县黄丰桥林场柏市分场为研究区,以SPOT5高分辨率遥感影像为校正数据进行正射校正,采用Satellite Orbital Mod—elling模型和Rational Functions模型,针对不同方法所产生的正射影像图精度以及运算速度进行比较与分析。实验结果表明：在相同的控制点条件下,对于SPOT5数据来说,Satellite Orbital Modelling模型的精度更高,但是此模型计算速度相对稍慢一点。该研究对SPOT遥感影像能更正确地选择正射校正方法提供参考。     

基于星站差分GPS及DEM的林区SPOT5数据正射校正

通过星站差分GPS采集高精度的地面控制点(GCP),结合林区1∶1万DEM数据和SPOT5物理模型对SPOT5数据进行正射校正。结果表明,采用该方法校正所有GCP总体中误差为1.337个像元,能够满足林业资源调查规划设计的要求。     

森林资源调查林区GPS控制网的试验研究

为研究Spot5、IKONOS及Quickbird等高空间分辨率遥感图像进行森林资源规划设计及调查的方法与技术 ,需进行遥感图像与实地位置的精确配准。对这 3种遥感图像 ,地面控制点的精度应分别高于 2 5m、1m及0 5m ,传统借助地形图选择校正点的方法很难满足精度要求。本文以满足Quickbird遥感图像几何精校正的精度为依据 ,在分析林区GPS控制网建立目的、精度要求及布设方法的基础上 ,结合目前GPS技术的发展现状 ,通过实例试验 ,详细探讨了林区快速布测GPS控制网的方法。     

影像校正中GCP选取的探讨

由于SPORT5卫星影像的原始数据存在着一定的几何变形,因而在应用中,首先要进行SPORT5影像的正射校正。该文从山西省森林资源“二类”调查工作实际出发,围绕正射校正中地面控制点(Ground Control Point简称GCP)选取这个环节,从模式、个数、要求、方法以及误差的调整等几个方面来探讨如何通过GCP的选取来提高SPORT5卫星影像的校正精度。     

SPOT全色波段影像的几何校正

林业遥感往往需要将不同来源的SPOT影像与TM影像融合在一起,不同影像的像元就必须能精确地配准,而SPOT全色波段的几何精校正尤为困难,影像上清楚的地物点,地形图上不清楚;表现在地形图上清楚的地物点,影像上不清楚.这使得影像校正很困难.另外,云南复杂的地形也使SPOT影像的各个位置有不同程度的变形.在菜阳河保护区影像校正中,先在影像上选择好控制点,然后用GPS采点确定控制点的地理坐标;并用高程式模型校正由地形变化引起的扭曲.     

基于DGPS的SPOT5遥感影像几何精校正研究

采用DGPS系统中的载波相位差分技术均匀地选取地面控制点,利用ERDAS IMAGINE9.1遥感影像处理软件,对天桥岭林业局太阳林场的SPOT5遥感影像进行了几何精校正。结果表明：采用3次多项式校正,相应面积控制点个数比在0.06～0.09（个.km-2）之间时校正精度最高,校正后误差为0.603个像元,即1.508 m。此方法不仅可以满足林业作业的精度要求,还可使外业工作量最小。     

红树林资源调查的遥感图象处理方法研究

在2001年应用“3S”技术与地面调查相结合的方法进行了广西红树林资源调查。以SPOT-HRV和Landsat 7 ETM 数据为信息源，采用1：1万地图形和GPS定位数据进行SPOT图象的几何精校正，并采用精校正后的SPOT图象对ETM 图象进行精校正。通过训练区对图象进行拉伸增强，然后采用锐化HIS变换的方法将SPOT图象与ETM 图象进行复合，经真彩色合成后得到的图象具有地物轮廓清晰、色彩丰富、层次分明的特点，红树林与滩涂、海域的区别十分明显，为红树林分布位置和边界的准确定位奠定了坚实的基础。     

采用Pci软件处理遥感影像研究

为了提高森林资源二类调查质量,辽宁省改变传统的地形图调绘方法,利用法国Spot5 分辨率为10 m多光谱数据与分辨率2.5 m全色数据进行融合后的遥感影像作为二类调查调绘的图面资料。利用Pci图像处理软件对spot5 10 m、2.5 m影像进行几何精校、正射校正(orthoengine)、融合处理(xpace)以及对融合后的遥感影像增强、拉伸、亮度、对比度的调整完成spot5的影像处理过程。     

应用PCI处理遥感影像初步探讨

为了提高森林资源二类调查质量，改变传统的地形图调绘方法，本文介绍了利用法国Spot5分辨率为10in多光谱数据与分辨率2．5m全色数据进行融合后的遥感影像作为二类调查调绘的图面资料；同时也介绍了利用PCI图像处理软件对Spot5 10m、2．5m影像进行几何精校、正射校正（Orthoengine）、融合处理（Xpace）以及对融合后的遥感影像增强、拉伸、亮度、对比度的调整完成Spot5的影像处理过程。     

浅谈在 ArcGIS 中地形图的拼接方法

地形图在扫描过程中不可避免地会产生误差，这些误差使图像发生变形，为了使图像能满足实际应用，就必须对图像进行校正，拼接。通过Photoshop CS5的部分命令，初步校正扫描地形图，后期利用ArcGIS10软件对初步校正的地形图进行配准校正，提高了图形拼接效果和位置精度。     

SPOT5遥感影像在林业二类调查中的应用

采用ERDAS IMAGINE图像处理软件,对青海省互助县境内的北山林场的SPOT5遥感影像进行处理,包括原始数据导入、正射纠正、影像融合、波段组合、影像增强等处理过程以及数字正射影像图(DOM)的制作。探讨SPOT5遥感影像在林业二类调查中的应用处理方法及SPOT5影像的应用前景。经现地验证,以SPOT5遥感卫星影像为底图,通过人机交互目视解译方法区划判读小班能满足林业二类调查的需要,该影像数据能作为1∶10000专题图制作的基础数据。     

SPOT-5数据在退耕还林监测中的应用研究——以山西省古交市嘉乐泉乡为例

以山西省古交市嘉乐泉乡为试验区,采用SPOT-5的10m、5m和2.5m 3种影像数据对退耕还林地面积进行分类监测。所设计的2种方案分别是:1)将地物类型分为7类,退耕还林地作为一种单独地类,对3种影像数据进行计算机自动分类和2.5m影像的人工解译分类;2)借助退耕还林作业设计图,将退耕还林地块影像分割出来,对退耕还林地和未退耕还林地进行有监分类。精度验证表明,第一种方案中2.5m融合图像的人工解译分类,退耕还林地的分类精度在50%以下;第二种方案中3种影像数据的总体分类精度均大于90%。建议在退耕还林地的作业设计图电子化的基础上,应用SPOT-5数据监测退耕还林地的任务完成和植被覆盖情况。     

CHRIS数据几何校正精度改善研究(英文)

This paper deals with a new type of multi-angle remotely sensed data--CHRIS （the Compact High Resolution Imaging Spec- trometer）, by using rational function models （RFM） and rigorous sensor models （RSM）. For ortho-rectifying an image set, a rigorous sen- sor model-Toutin＇s model was employed and a set of reported parameters including across track angle, along track angle, IFOV, altitude, period, eccentricity and orbit inclination were input, then, the orbit calculation was started and the track information was given to the raw data. The images were ortho-rectified with geocoded ASTER images and digital elevation （DEM） data. Results showed that with 16 ground control points （GCPs）, the correction accuracy decreased with view zenith angle, and the RMSE value increased to be over one pixel at 36 degree off-nadir. When the GCPs were approximately chosen as in Toutin＇s model, a RFM with three coefficients produced the same accuracy trend versus view zenith angle while the RMSEs for all angles were improved and within about one pixel.     

Vegetation inventory of a temperate biosphere reserve in China by image fusion of landsat TM and SPOT HRV

Vegetation cover types on Changbai Mountain, a natural biosphere reserve (2,000 km²) in northeast China, were derived by using multisensor satellite imagery fused with Landsat TM and SPOT HRV-XS. DEM data were used for improving classification accuracy. Cover types were classified into 20 groups. Bands 4 and 5 of Landsat TM image acquired on July 18, 1997, and band 1 of SPOT HRV-XS image acquired on Oct. 19, 1992, were fused to a false color image, and maximum likelihood supervised classification was performed. Data fusion showed high accuracy of identification, compared to individual images. The overall accuracy of classification of individual images by SPOT HRV-XS reached 56%, and TM 66%, while the fused data set provided accuracy of about 78%, which was raised to 81% after recoding by using DEM. There were five vegetation zones on the mountain, from the base to the peak: hardwood forest zone, mixed forest zone, conifer forest zone, birch forest zone, and tundra zone. Spruce-fir dominated conifer forest was the most prevalent (nearly 50%) vegetation type, followed by Korean pine and mixed forest (17%) and larch forest (5%). HRV image taken in leaf-off season is useful for discriminating forest from non-forest, and evergreen forest from hardwood forest, while the summer image (TM) provides detailed information on the difference in similar vegetation types, like hardwood forest with different compositions.     

基于GEOimage的SPOT5数据处理

2003年10月，应用SPOT5卫星影像在云南省沾益县进行了森林资源遥感调查。以性价比较高，对SPOT5支持较好的GEOimage软件为平台，总结了SPOT5正射纠正、分辨率融合、彩色合成、地图制作等影像处理方法和关键技术，并作了精度分析。     

香格里拉县TM影像的几何校正

利用ERDAS IMAGINE软件中的一般多项式模型和共线方程模型对香格里拉县TM影像进行几何精校正,对校正结果进行比较,结果为共线方程模型比一般多项式模型更适合香格里拉县TM影像的几何校正.GCP的数量和定位精度也影响校正结果:一般多项式至少需60个控制点才能使误差控制在一个像元以内,而共线方程模型只需20个控制点,控制点均方根误差随控制点数量的增加而降低.     

Estimating models of vegetation fractional coverage based on remote sensing images at different radiometric correction levels

The images of post atmospheric correction reflectance (PAC), top of atmosphere reflectance (TOA), and digital number (DN) of a SPOT5 HRG remote sensing image of Nanjing, China were used to derive four vegetation indices (VIs), that is, normalized difference vegetation index (NDVI), transformed vegetation index (TVI), soil-adjusted vegetation index (SAVI), and modified soil-adjusted vegetation index (MSAVI). Based on these VIs and the vegetation fractional coverage (VFC) data obtained from field measurements, thirty-six VI-VFC relationship models were established. The results showed that cubic polynomial models based on NDVI and TVI from PAC were the best, followed by those based on SAVI and MSAVI from DN, with their accuracies being slightly higher than those of the former two models when VFC>0.8. The accuracies of these four models were higher in medium densely vegetated areas (VFC = 0.4–0.8) than in sparsely vegetated areas (VFC = 0–0.4). All the models could be used elsewhere via the introduction of a calibration model. In VI-VFC modeling, using VIs derived from different radiometric correction levels of remote sensing images could help explore and show valuable information from remote sensing data and thus improve the accuracy of VFC estimation.