遥感及CA模型支持下的吉隆坡及其周边地区城市扩展分析与预测

利用长时间序列高分辨率Landsat TM影像,对吉隆坡及其周边地区城市扩展模式特征及驱动机制进行了分析,确定了其影响因子和限制因素,并基于CA模型原理对该研究区的城市扩展进行了模拟与预测.结果表明.吉隆坡及其周边地区城市扩展一直处于多经济核心支持下的中高速扩展阶段.吉隆坡内部的填充式扩展模式在整个城市扩展期间受周边的集中式扩展影响较大.在地形、经济及行政政策的交互影响下,研究区的扩展方向主要为西北、南、东南方向,其中以南部的城市扩展在各个时期最为突出.     

基于遥感技术的森林树种识别研究进展

基于遥感手段的森林类型/树种（组）的精准识别是森林参数提取和计算的前提,是林业遥感领域的研究前沿,可为宏观尺度快速获取森林资源信息提供重要途径。对多源遥感数据在森林树种识别中的应用研究进行总结分析发现,当前基于遥感数据的树种识别已成为林业遥感的研究热点。利用卫星遥感数据和近地低空遥感数据结合随机森林、支持向量机等分类方法进行树种识别已相对成熟。近年来,无人机技术不断发展,以其灵活性强的特点在林业中有较强的应用潜力,在计算机技术、数字图像处理技术和机器学习领域不断发展成熟背景下,低空遥感数据结合深度学习技术应用于森林树种的精确识别是值得深入研究的科学问题。     

基于遥感数据同化的土壤含盐量估算方法

为探究同化遥感数据对监测区域尺度土壤含盐量时空信息的适用性,以河套灌区沙壕渠灌域为研究区,以高分一号卫星影像为数据源,通过灰度关联法筛选光谱指数,采用岭回归法构建不同深度的土壤含盐量反演模型,使用集合卡尔曼滤波同化算法将遥感数据应用于HYDRUS-1D模型中,开展区域尺度不同深度土壤含盐量的同化研究。结果表明,基于不同深度土壤含盐量的岭回归法模型,其R²均在0.64以上,RE为0.14～0.22,反演精度较高,得到的反演值较为准确;在单点尺度上,与模拟值、反演值相比,同化值更接近实测值,其EFF为0.84～0.93,NER为0.61～0.73,均为正数,且RMSE降低到0.006%～0.011%,提高了HYDRUS-1D模型模拟精度;在区域尺度上,不同深度同化值的r均为0.94以上,NER为0.61以上,优于模拟值和反演值,且同化精度随着深度的增加而降低。本文基于遥感数据和HYDRUS-1D模型的集合卡尔曼滤波同化研究,提高了土壤含盐量的模拟精度,对提高监测区域尺度土壤含盐量时空信息的精度具有一定的参考价值。     

东莞市针叶类森林生物量遥感模型研究

基于 Landsat 8 影像数据,对东莞市松树林 (Pinus sp.)、杉木林 (Cunninghamia lanceolata)、针 叶混交林 3 种针叶类森林生物量进行估算,利用相关分析、主成分分析和逐步回归分析,建立针叶类森 林生物量遥感估算模型,其决定系数 (R2) 值分别为 0.880 9、 0.832 5、 0.964 0,均达显著水平。经适用性 检验,模型均达 0.05 显著水平,可用于东莞市针叶类森林生物量估算。     

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NOAA/AVHRR卫星数据的淮北地区干旱监测

基于2001—2006年极轨气象卫星遥感影像资料和农业气象观测站的旬土壤墒情资料,同时根据安徽省淮北地区干旱特点,利用距平植被指数与20cm土壤墒情建立了干旱监测模型,分别为y春=0.221x 54.375,y冬=0.4474x 81.447;各指数值反演土壤墒情分布,对模型进行统计检验,结果表明春季和冬季距平植被指数通过显著性检验。     

基于低空无人机遥感技术的油菜机械直播苗期株数识别

植株数量识别是油菜机械直播效果和质量评估的关键.该文针对油菜机械直播田间植株数量检测中人工统计耗时、费工、效率低下的现实,通过自主搭建的低空无人机遥感平台采集油菜机械直播区域的遥感影像,基于超高分辨率(0.18 cm/pixel)遥感影像计算的颜色植被指数进行油菜目标识别及其形态特征信息提取.结合田间调查数据,采用逐步回归分析方法,建立了机械直播油菜在苗期的株数与遥感特征信息之间的关系.结果显示,油菜目标的株数与其外接矩形的长宽比、像素分布密度和周长栅格数具有较好的线性关系,回归模型的决定系数R2为0.803,并通过显著性检验,其标准估计误差为0.699.模型检验结果显示,观测值与预测值之间的R2为0.809,均方根误差RMSE为0.728.研究结果表明,利用集成超高分辨率传感器的低空无人机遥感平台,通过计算颜色植被指数并分析油菜目标数量与形态特征的相关性,能有效识别油菜机械直播的出苗株数,可为后续油菜机械直播效果的快速、准确评估提供技术支持.     

引入地形因子的黑土区大豆干生物量遥感反演模型及验证

为了对田块尺度农作物地上干生物量进行估测,提高大豆地上干生物量反演模型的精度和稳定性,该文获取了研究区地块2016年7、8月份的SPOT-6多光谱数据,并测定不同地形坡位的大豆地上干生物量,以归一化植被指数(normalized difference vegetation index,NDVI)和增强型植被指数(enhanced vegetation index,EVI)为输入量,建立田块尺度大豆地上干生物量一元线性回归模型;加入与地上干生物量相关的地形因子,建立逐步多元回归和神经网络多层感知反演模型.结果表明:1)使用传统的单一植被指数模型预测大豆地上干生物量有可行性,但模型精度和稳定性不高.2)加入地形因子(海拔、坡度、坡向)的神经网络多层感知器模型,有较高的精度和可靠性,模型准确度达到90.4％,验证结果显示预估精度为96.2％.反演结果与地块的地形、地貌、气温和降水特征基本吻合,反映了作物长势的空间分布特征,可以为田块尺度大豆地上干生物量动态监测和精准管理,提供借科学依据.     

基于高分三号卫星数据与Η/Α/α-分解特征参数的农作物分类研究

利用高分三号(GF-3)卫星的全极化C波段多极化合成孔径雷达数据,基于Η/Α/ \stackrel{-}{\alpha }极化分解提取香农熵(SE)及其强度分量(SE_I)和极化分量(SE_P)、单次反射特征值相对差异度(SERD)、二次反射特征值相对差异度(DERD)、极化比(PF)、基准高度(PH)、极化不对称性(PA)和雷达植被指数(RVI)共9个特征参数,将其应用于农作物分类研究中,以支持向量机(SVM)和随机森林(RF)算法为例,初步探索了基于Η/Α/ \stackrel{-}{\alpha }分解提取的这9个特征参数在GF-3数据支持下的农作物分类潜力。结果显示:单独将SERD、PH、PF、RVI和SE_P参数用于2种分类方法时,分类精度较高,在82%~92%;但单独运用PA、DERD、SE和SE_I的分类精度均低于80%。将分类精度较低的4个参数组合后,分类精度明显提高,在SVM和RF下的总体分类精度分别达到93.02%和92.05%,Kappa系数均大于0.8。结果表明,基于全极化GF-3数据和Η/Α/ \stackrel{-}{\alpha }极化分解方法提取的9个特征参数,能很好地表征农作物的散射特征,可用于农作物分类研究。     

夏玉米冠层光合有效辐射垂直分布模型

吸收光合有效辐射分量（FPAR）是研究植被群体光合作用和光能利用的重要参数,弄清冠层内FPAR的垂直分布规律及其与冠层结构等参数之间的定量关系,可以为遥感定量反演冠层FPAR提供模型基础。该文基于平均冠层的辐射传输过程,结合冠层结构建立玉米冠层内FPAR垂直分布计算模型,并就模型的参数如植被组分光学特性、株型、太阳高度角以及天空散射光比例等对FPAR垂直分布结果的影响进行了分析。利用实测结构参数模拟了玉米冠层内FPAR,并与SUNSCAN测量值进行了比较,结果表明模型对封垄后的玉米冠层内FPAR垂直分布的模拟精度较高,RMSE均小于0.18,并能较好地计算封垄前冠层内FPAR的垂直分布趋势。