基于TM卫星遥感影像的西安市城市热岛效应变化分析

利用2006年和2010年8月的TM卫星影像,通过定量遥感反演手段和相对亮温分析方法,反演和分析了西安市城区相应时间点上的热场温度。结果显示：其城区平均气温由2006年的26.28 ℃提高到2010年的28.14 ℃,5 a间升高了1.86 ℃。期间高温区域在市区的西部、西南部和东南部出现了较大范围的扩展,尤其以东南部的扩展范围和强度为大。从相对亮温情况来看,全市缺乏极强热岛,整个市区以弱热岛占绝对优势,2010年和2006年其面积比例分别为61.11%和58.64%;其次为绿岛,其面积比例在2010年和2006年分别为34.08%和35.98%;中等热岛和强热岛所占比例极小。绿岛面积减少的最大区域在西北部的汉长安城遗址南部以及市区东南部的三兆、东伍一带;而强热岛在2010年呈星点状分布在东郊的灞桥纺织城、西二环附近的西安电工铸造厂和西安电压力容器厂、长安区的河池寨等地。从相对亮温热力斑块的转移概率矩阵看,最稳定的热力景观斑块类型为弱热岛斑块和绿岛斑块,2006-2010年,其保持不变的面积分别达79.41%和67.82%;而最不稳定的景观类型为中等热岛和极强热岛,其发生变化的面积比例分别为70.73%和64.18%。从西安市区热场变化的原因来看,城市建设的影响最大,其中人口增长、建成区范围扩张和房地产开发是最主要的影响因素,另外全球变化背景下的区域气温升高也是西安市热岛效应加剧的另一促进因素,而城市绿化建设可以在一定范围内改善局地的热岛效应状况。     

极旱荒漠区湿地植被动态变化监测——以甘肃敦煌阳关国家级自然保护区为例

利用1988—2016年共541幅Landsat 5 TM和Landsat 8 OLI影像,计算了极旱荒漠区中西土沟和渥洼池湿地植被（以芦苇为主）的归一化植被指数(NDVI),分别从NDVI,湿地植被面积和平均NDVI这3个方面对湿地植被特征进行分析,对敦煌阳关国家级自然保护区（以下称阳关保护区）内的渥洼池和西土沟湿地植被进行植被覆盖度估算,判断其变化。根据谷歌影像和现地调查,确定NDVI >0.1是识别西土沟和渥洼池湿地植被的最佳阈值,通过对保护区湿地植被的统计计算,研究其变化趋势。研究发现,渥洼池和西土沟的湿地植被都有明显的增加趋势。     

基于Landsat ETM＋影像的城市热岛研究

采用Landsat ETM＋影像数据,分别利用MODTRAN4和FLAASH对热红外波段和可见光、近红外波段进行大气校正,采用Valor的植被指数混合模型估算地表比辐射率,以普朗克公式推算地表温度,并以长沙市为研究区,分析了不同地表覆盖类型以及NDVI与地表温度之间的关系。结果表明,不同地表覆盖类型的地表温度有着显著差异,城市地表温度与NDVI之间具有明显的负相关关系,增加城市的绿地面积有助于缓解城市热岛效应。     

TM影像中水体提取方法研究

针对利用Landsat TM遥感影像中水体信息提取的常用方法对细小水体提取的局限性作了深入研究,提出了新的水体提取方法.首先利用TM 2+TM 3＞TM 4+TM 5的谱间关系提取水库、坑塘、宽的河流,然后将由3个波段组成的假彩色合成图转换到IHS彩色空间,构建模型进行细小水体的提取,最后将用2种方法提取的结果进行合并,可以完整地将水体提取出来.该方法有效的提高了细小水体提取的精度.     

呼图壁县NDVI变化与气候因子的响应

利用2010~2014年Landsat 8数据,通过差值和相关性分析法,对呼图壁县植被指数(NDVI)的时空演变进行分析,并对NDVI与气候因子相应的敏感性进行分析。结果表明,呼图壁县植被覆盖变化呈现明显的空间差异,植被指数有明显的地域特征,中部平原地区的NDVI最大,植被覆盖度明显较高,主要分布在林地、农田;南部的高山、丘陵及北部荒漠地区的NDVI较低,植被覆盖度也较低;呼图壁县具有明显的季节性NDVI变化,NDVI增加最快在夏季和秋季,而冬季增长缓慢,且NDVI对气候因子(降水、气温)响应存在时滞性;呼图壁县植被覆盖NDVI与降水和气温呈极显著相关关系,相关系数分别为0.843 1、0.870 2;复杂地形对植被指数有影响,农田耕作区的NDVI变化更大程度上体现了人类活动对植被指数的影响。随着人口增加、城市化进程加快、城乡建设侵占大量土地,会减少植被覆盖的面积,影响植被指数的分布。     

基于Landsat 8的云南松光谱端元选择与评价研究

以云南松为研究对象, 调查昆明市主城区周围61个样点, 选择3块代表性样地, 基于Landsat 8影像, 采用纯净像元指数(PPI)、连续最大角凸锥(SMACC)和几何顶点的端元提取方法, 利用样区1提取的云南松端元波谱对样区2和3进行分类。以外业调查数据提取的平均端元为真值, 结合波谱角填图(SAM)分类结果, 对比分析不同的端元提取方法。结果表明:研究样区2基于PPI、SMACC和几何顶点端元提取的分类结果整体精度分别为85.00%、35.00%和85.00%;研究样区3基于PPI、SMACC和几何顶点端元提取的分类结果整体精度分别为83.33%、16.67%和75.00%。基于PPI提取的云南松端元平均波谱曲线与真实地表的云南松波谱曲线最为相似, 可用于今后基于Landsat8数据的云南松波谱端元提取和混合像元分解。     

基于NDVI的喀斯特水资源遥感定量监测及分析——以贵州省为例

喀斯特是一类脆弱的生态环境,水资源是脆弱生态环境的重要组成部分,NDVI是流域赋水状况及空间分布的重要指标,因此,喀斯特水资源监测是研究脆弱生态环境的重要内容。在贵州省内选择20个流域作为研究样区,根据Landsat TM的植被光谱特征,利用遥感技术,提取LNDVI和ρNDVI;利用数学分析方法,建立喀斯特流域水资源监测模型。通过分析得出:①植被覆盖率是喀斯特流域赋水的重要指标;②利用地物表观反射率的归一化植被指数(ρNDVI)对喀斯特流域水资源进行监测,效果更好、精度更高;③建立了喀斯特水资源遥感监测模型。     

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。     

Early-season crop type mapping using 30-m reference time series

Early-season crop type mapping could provide important information for crop growth monitoring and yield prediction, but the lack of ground-surveyed training samples is the main challenge for crop type identification. Although reference time series based method(RBM) has been proposed to identify crop types without the use of ground-surveyed training samples, the methods are not suitable for study regions with small field size because the reference time series are mainly generated using data set with low spatial resolution. As the combination of Landsat data and Sentinel-2 data could increase the temporal resolution of 30-m image time series, we improved the RBM by generating reference normalized difference vegetation index(NDVI)/enhanced vegetation index(EVI) time series at 30-m resolution(30-m RBM) using both Landsat and Sentinel-2 data, then tried to estimate the potential of the reference NDVI/EVI time series for crop identification at early season. As a test case, we tried to use the 30-m RBM to identify major crop types in Hengshui, China at early season of 2018, the results showed that when the time series of the entire growing season were used for classification, overall classification accuracies of the 30-m RBM were higher than 95%, which were similar to the accuracies acquired using the ground-surveyed training samples. In addition, cotton, spring maize and summer maize distribution could be accurately generated 8, 6 and 8 weeks before their harvest using the 30-m RBM; but winter wheat can only be accurately identified around the harvest time phase. Finally, NDVI outperformed EVI for crop type classification as NDVI had better separability for distinguishing crops at the green-up time phases. Comparing with the previous RBM, advantage of 30-m RBM is that the method could use the samples of the small fields to generate reference time series and process image time series with missing value for early-season crop classification; while, samples collected from multiple years should be further used so that the reference time series could contain more crop growth conditions.     

基于GEE和Landsat时间序列数据的香格里拉森林类型分类研究

基于Google Earth Engine云平台和2014—2017年Landsat OLI影像序列,根据其在时间域上的光谱特征,结合植被指数特征、地形和温度特征,采用随机森林分类算法,开展香格里拉森林类型分类研究。结果表明：不同森林类型的生长轨迹有明显差异,4种森林类型在冬季的植被指数差异最明显;时间序列影像数据能够提供不同森林类型的物候差异特征,弥补单一日期影像难以区分不同森林类型的困难;研究区森林/非森林覆盖的总体精度为97.17%,Kappa系数为0.943,森林类型分类的总体精度87.78%,Kappa系数为0.80。基于Landsat时间序列的方法能够提供一个精度较高的森林分类产品,可为基于森林类型制图的应用提供帮助。