不同端元模型下湿地植被覆盖度的提取方法——以北京市野鸭湖湿地自然保护区为例

植被覆盖度作为反映湿地植物生长状况的重要生态学参数,在评估和检测湿地生态环境方面起着关键的作用.以华北内陆典型的淡水湿地——北京市野鸭湖湿地自然保护区为研究对象,中等分辨率的Landsat TM影像为数据源,基于线性光谱混合模型(LSMM)对研究区的植被覆盖度进行了估算.针对湿地植被类型丰富、土地利用类型多样化的特点,利用归一化植被指数(NDVI)在反映植物生长状况、覆盖程度以及区分地表覆盖类型方面的优势,通过对原始Landsat TM影像增加NDVI数据维对影像进行维度扩展,克服了传统研究中通常从Landsat TM影像上提取3-4种端元的局限,经最小噪声分离变换(MNF变换)、纯像元指数(PPI)计算以及人机交互端元选取等一系列运算,构建以陆生植物、水生植物、高反射率地物、低反射率地物、裸露土壤为组分的五端元模型来反映研究区的地物组成;同时,以原始Landsat TM影像为基础,构建植物、高反射率地物、低反射率地物、裸露土壤为组分的四端元模型.针对两种端元模型,采用全约束下的LSMM算法进行混合像元分解以获取研究区的植被覆盖度,其次辅以研究区的纯水体信息对其进行优化.精度检验采用相同时期的高分辨率WorldView-2多光谱影像来进行.研究表明:虽然四端元模型与五端元模型对植被覆盖度的估算结果在空间上具有基本一致的分布趋势,但是前者的估算结果在数值上要普遍低于后者,在研究区的水体及其附近,四端元模型难以体现水生植物的植被覆盖信息;另外,五端元模型的估算结果与检验数据的相关系数R达到0.9023,均方根误差(RMSE)为0.0939,明显优于四端元模型的R=0.8671和RMSE=0.1711.这反映了通过对影像进行维度扩展的方法来改进端元提取的数量是可行的,而由此构建的五端元模型可以更充分的反映研究区地物之间的光谱差异,从而获得更好的估算精度.     

基于环境星的混合像元分解水稻面积提取

以河南省息县水稻种植面积提取为例,选取线性光谱混合模型对环境小卫星数据进行分类,并计算出水稻种植面积,将其结果与高分辨率ALOS数据进行位置精度计算,得到平均精度达87.89%。同时,与决策树分类方法和神经元网络分类等方法进行对比,混合像元分解方法总量精度显著提高。表明针对环境小卫星的混合像元分解方法可以提高水稻种植面积的提取精度。     

干旱区植被覆盖度遥感估算方法研究——以疏勒河中下游平原为例

以西北地区典型的干旱区——疏勒河中下游地区为研究区,利用植被指数(NDVI、SAVI、EVI)对原始Landsat-OLI影像进行了维度扩展,构建了以高反射率、低反射率、裸土、农田植被、荒漠植被为组分的五端元模型.之后对实测植被光谱值进行分析,将实测植被光谱值引入到端元模型中,进一步构建了将植被分为农田植被、第一类荒漠植被和第二类荒漠植被的六端元模型,基于全约束的线性光谱混合模型进行混合像元分解以获取研究区的植被覆盖度.采用同时期的实测植被覆盖度值进行精度验证,结果表明:2种端元模型的模拟结果均符合研究区植被覆盖度的分布特征,虽然总体上五端元模型的估算略优于六端元模型,但是在存在大面积荒漠植被的区域,六端元模型的估算结果与实测数据的相关系数明显优于五端元模型.因此,对干旱区植被实测光谱值进行分析,将实测光谱值引入端元模型,进行植被覆盖度研究可以提高荒漠植被覆盖度的估算精度,具有一定的应用前景.     

高光谱遥感数据植被信息提取方法

利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1 m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。     

基于Landsat-8和LSMM的冬小麦面积提取研究——以皖北为例

美国国家航空航天局（NASA）成功发射了最新系列的陆地卫星（Landsat-8）,搭载的陆地成像仪（OLI）对波段进行了重新调整,从而避免了大气吸收干扰,能够更好地区分植被和无植被特征,为农业遥感提供了全新的高质量数据。本文选取皖北（阜阳、蚌埠、宿州）为研究区域,以Landsat-8遥感影像为研究数据,经缨帽变换得到遥感影像的主成分信息,并用其分量甄选出不同地物的端元,最后建立线性混合像元模型（LSMM）,并对皖北地区冬小麦进行提取。与历史统计数据对比,冬小麦种植面积的提取精度达到了90%以上,说明利用Landsat-8和LSMM开展大尺度范围的小麦种植面积提取具有明显的优势。     

天山北坡中段山区植被覆盖管理措施因子的时空格局动态变化

植被覆盖管理措施因子（Vegetation cover and management factor,以下简称C因子）是评估植被因素抵抗土壤侵蚀的能力及准确估算土壤侵蚀模数的重要参数,而区域尺度C因子高质量时间序列的准确估算和空间特征对于土壤侵蚀预测、水土保持规划尤为重要。为研究天山北坡中段山区C因子时空动态,采用线性光谱混合模型（Linear Spectral Mixture Model,LSMM）、像元二分模型、增强型自适应反射率时空融合模型（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM）等方法计算C因子,定量分析2000—2018年研究区C因子的时空格局特征,并对不同土地利用类型的C因子进行分析。结果表明,时间上,2000—2018年C因子总体呈现先上升后下降的趋势,不同时段C因子值不同,表现为秋季>春季>夏季、旱季>雨季。空间上,南部高山区（海拔>3 000 m）的C因子值较高,北部中低山丘陵区（2 000 m<海拔<3 000 m）的C因子值较低。C因子值的分布与土地利用类型关系密切,表现为裸土地>其他林地>采矿用地>内陆滩涂>其他草地>农村宅基地>灌木林地>旱地>天然牧草地>风景名胜设施用地>水浇地>人工牧草地>乔木林地。本研究探究C因子遥感定量估算方法,分析不同土地利用格局对C因子的影响,为开展大尺度C因子的准确估算及不同土地利用格局水土保持效益的综合评价提供了参考。