基于SRTM3的山区遥感影像地形校正研究

山区遥感影像的地形效应尤为明显,是利用遥感影像进行精确定量分析及应用的主要障碍。为提高地表参数遥感定量化精度,研究在SRTM3数字高程模型的支持下,利用Lambertian模型、归一化模型、C校正方法对山区TM影像进行地形校正实验。通过比较分析影像的校正效果及对地形变量与影像校正前后的辐射亮度值进行相关性分析,对利用开源SRTM3地形数据对山区遥感影像进行地形校正的可行性进行研究。实验表明除小部分区域由于SRTM数字高程模型本身的误差使得影像存在误校正外,利用SRTM3数字高程模型进行地形校正效果明显。     

高光谱图像植被类型的CART决策树分类

为提高植被分类的精度, 在利用高光谱图像提取植被信息时需要考虑训练样本和地形等其他因素的影响。以长白山为研究背景, 基于CART（Classification And Regression Tree）算法构建决策树模型, 对高光谱图像进行植被分类。由于混合像元的影响, 以采用PPI（Pixel Purity Index）提取的纯净像元作为训练样本, 提取植被指数、 纹理和地形等分类特征变量。基于这些变量构建CART决策树对植被分类, 并将结果与最大似然法分类结果进行比较。结果表明, CART决策树分类法可实现光谱、 纹理和地形特征的有效组合, 有较好的分类效果。     

Landsat影像地形校正方法的适用性分析

比较了Cosine校正模型、C校正模型、SCS+C校正模型和Minnaert校正模型在我国复杂地形区域进行遥感影像地形校正的效果.以江西、陕西、云南、大兴安岭东北为研究区域,共96景Landsat影像,基本涵盖了我国典型的山区地貌.每景影像每一波段(1,2,3,4,5,7)的最适宜地形校正方法通过光照系数(太阳入射角余弦值)与像元值的相关性系数平方得出.对于整个研究区域,最佳的地形校正方法的选择基于最适宜方法所占比例和Wilcoxon符号秩检验的显著性分析.实验结果表明C校正模型在我国适用性最为广泛,其次是SCS+C校正模型,这为大范围研究区域地形校正方法选择提供了较好的借鉴.     

基于多源数据的甘南草地植被覆盖度遥感监测研究

选取甘南藏族自治州为研究区域,以2016-2017年野外实测样方盖度数据和无人机照片提取的草地植被覆盖度数据为基础,对基于像元二分模型计算的草地植被覆盖度进行精度校正,分析并探讨无人机用于野外草地植被覆盖度调查的可行性,构建基于不同遥感数据源草地植被覆盖度的回归模型,并对模型进行精度评价.结果表明,利用无人机在草地上空一定距离(25 m)获取的照片可以多时相匹配Landsat 8等中分辨率遥感影像,动态监测野外大面积草地植被覆盖度;乘幂模型对以像元二分法计算的陆地卫星-8陆地成像仪(Landsat 8 OLI)产品的草地植被覆盖度校正效果最佳,模型的估测精度高达93.60%,在进行空间小尺度研究时模型计算精度最高;对数模型对以二分法计算的MOD13Q1产品的草地植被覆盖度校正效果最佳,模型的估测精度为91.97%;用中分辨率遥感数据Landsat 8 OLI校正低分辨率MODIS模型,修正后的模型R2=0.64,比原始的中分辨率成像光谱仪(MODIS)估测模型(R2=0.23)明显提高,在进行空间大尺度研究时该模型更适应.     

基于模糊C均值和BP神经网络的遥感影像自动分类算法

针对非监督分类算法分类精度不高、监督法分类算法的训练样本需要人工选择且容易误选的问题,提出了一种基于模糊C均值聚类(FCM)和BP神经网络相结合的遥感影像自动分类算法。首先利用FCM对影像进行初始聚类,然后根据聚类结果,由该算法自动选取其中的纯净像元作为训练样本,并送入BP网络进行学习,用最终训练得到的BP神经网络分类器对TM遥感影像进行分类,实验结果表明该算法具有较高的分类精度,能够满足大尺度地物类别判定的需要。     

山区复杂地形条件下GF-1卫星遥感雪面反射率计算

针对山区遥感影像计算雪面反射率的难点,采用各向异性校正与地形校正相结合的方法,将研究区不同坡面方向的雪面反射率归一化至平坦地表垂直观测方向上的雪面反射率,以消除地形影响.其中,各向异性校正采用二向反射分布函数(Bidirectional Reflectance Distribution Function,BRDF)模型;地形校正采用山地辐射传输模型.遥感影像选用新疆玛纳斯河流域的高分一号卫星(GF-1)宽幅相机数据.利用同步观测的积雪光谱数据对此方法的校正能力进行验证,结果表明此方法能够消除大部分地形和大气的影响;计算的雪面反射率在非阴影区与阴影区均与实测数据相一致;该方法可为山区积雪的光学遥感研究提供技术支撑.     

地形数据辅助下的山区土地覆盖分类研究

山区土地覆盖分类经常受到地形效应及太阳高度角的影响,使用纯粹的基于光谱特征的分类方法很难取得较高的分类精度。本文以从DEM得出的高程、坡度、粗糙度三个地形数据集作为山区土地利用覆盖分类的辅助数据,使用最大似然分类器和基于Back Propagation算法的多层前馈型神经网络分类器分别对上述由光谱数据及地形辅助数据叠和生成的多波段影像进行分类试验,结果显示地形数据辅助下分类结果的精度较原始影像有一定程度的提高。     

基于CART决策树的ZY-3卫星遥感数据土地利用分类监测

通过分析ZY-3卫星遥感影像光谱特征、数据质量,探讨其遥感影像在土地利用分类监测领域的应用前景.基于遥感影像特征,结合面向对象的分析思想,选择训练样本构建决策树分类模型,进行土地利用计算机自动分类,并通过混淆矩阵和Kappa分析对分类精度进行评价.研究表明：1)基于决策树模型和面向对象分类方法,ZY-3卫星遥感影像分类总体精度为88.76%,有助于提高影像分类精度;2)在分类模型中,ZY-3卫星影像对水域、耕地、公路用地和林地影像辨识度较高,而对于其它用地类型相对不足.3)ZY-3卫星数据高分辨率影像特征明显,影像可用于土地利用分类监测.     

不同引力范围下二次引力模型亚像元定位研究

为进一步提高亚像元级遥感影像分类精度,研究开展了基于空间引力模型(spatial attraction model,SAM)和像元交换模型(pixel swapping model,PSM)有机结合的二次引力计算模型(double-calculated spatial gravity model,DSGM)亚像元定位实验;并对不同引力范围下的模型精度进行验证。研究中,利用空间引力模型改进像元交换模型初始化算法;并相应的对像元交换模型优化算法进行改进。其中,实验数据为人工影像数据和美国威斯康星州典型农业区的Landsat 8遥感影像数据。结果表明,当退化尺度为4时,在环绕空间关系下,利用二次引力计算模型对人工影像和遥感影像进行亚像元定位精度较空间引力模型和像元交换模型均有所提高。可见基于二次引力计算的亚像元定位模型精度均优于空间引力模型和像元交换模型,证明所提亚像元定位方法具有一定可行性和适用性,为更好地突破遥感影像空间分辨率的限制提供了新的思路。     

基于Landsat8 OLI影像的山区植被地形落影校正方法研究

为消除地形落影影响,提出一种基于Landsat8 OLI影像的山区植被地形落影校正方法.落影校正利用能够有效消除地形阴影干扰且无需异源数据支持的SEVI作为阴影校正信息源,构建光照区SCS+C校正后红绿蓝波段地表反射率与SEVI间的随机森林回归(Random Forest Regression,RFR)模型,进而利用落...     

基于多特征融合的反向传播神经网络高分影像分类与变化检测

为了降低基于高分影像的土地利用分类后的错分和漏分的可能性,提高分类以及变化检测精度,本文以广西桂林市临桂区为研究区,采用WorldView-2号以及高景一号高分影像,基于多层前馈(back propagation, BP)神经网络方法融合遥感影像的纹理、光谱、植被指数以及水体指数特征,制定出4种特征数据集融合方案,实现对植被覆盖率较大地区的地物识别与分类;然后选取最优分类结果,进行桂林市临桂区2017与2020年土地利用变化检测。不同方案的对比结果表明,融合纹理、光谱、植被指数以及水体指数特征的第四种方案可以得到较为有效的分类以及变化检测结果,分类的总体精度为92.92%,Kappa系数为0.9028,保持了较高正确率。     

地形调节植被指数构建及在植被覆盖度遥感监测中的应用

提出一种无需异源数据支持就能有效消除山区地形影响的地形调节植被指数(TAVI).以Landsat TM影像为数据源,采用TAVI进行复杂地形山区植被覆盖度遥感监测;并选择典型样区进行植被指数与太阳入射角余弦值cosi回归分析、比较,定量验证地形调节植被指数抗地形影响的效果.结果表明,TAVI与cosi一元线性回归方程斜率仅为0.01,相关系数只有0.01,TAVI获得预期的抗地形影响的效果;利用TAVI反演的植被覆盖度空间分布呈面状展开,没有出现地形纹理状的分布形态,获得了满意的抗地形影响的效果.     

基于卫星遥感影像的土地分类实验方法研究

为了让本科生充分理解和掌握遥感影像处理技术,结合吉林大学大学生创新创业训练计划,设计了基于高分辨率卫星遥感影像的校园土地分类实验项目。以2015 年9 月20 日高分二号( GF-2) 卫星拍摄的吉林大学中心校区卫星影像为实验数据,通过使用不同的光谱指数以及支持向量机( SVM: Support Vector Machine) 分别对影像中的建筑物、植被、水体、平地和操场等地物进行提取,进而得到基于高分辨率遥感影像的校园地物分类图,并对分类结果中各种地物信息进行统计分析,将统计结果与真实的地物参数进行对比,近而改善该方法的分类精度与可靠性。实践结果表明,该实验可以有效的帮助学生对知识的理解和掌握,达到了预期的教学效果。     

遥感专家分类系统在滇西北植被信息提取中的应用试验研究

 选取滇西北香格里拉县的大中甸乡作为试验区,基于GPS定位调查对试验区典型覆盖地物的遥感多光谱信息进行测定与分析理解,集成GIS功能进行地形模型的变量处理,利用ERDASIMAGINE遥感专家分类系统模块,探索对试验区主要植被类型进行智能提取的知识库设计与分类组织实施.初步探索结果表明.相对于仅仅基于遥感光谱信息的传统分类方法,由于专家系统技术可以组织多变量参与分类信息提取,并通过专家综合分析进行灵活多变的规则知识库设计,还可根据区域特征与环境资源管理需要对专家分类过程实行反复调试的功能,因此,专家系统技术在自然环境复杂多样的云南山区植被信息提取中具有较为突出的先进性和实用性.对于试验结果,可通过适当的规则修改调整,将有关技术方法应用推广到其它广大山区.     

SPOT卫星资料在水深信息中的应用研究

根据卫星遥感资料的特点,结合河流、湖泊、水库等不同地表水体作的光谱测量分布成果,对ＳＰＯＴ卫星多波段图像资料提供的安徽省安庆地区的武昌湖水下地形和水深信息,利用ＥＲＤＡＳＩＭＡＧＩＮＥ图像分析处理软件、获取该湖的水下地形分布图,并与准同步实测的水下地形的高程资料进行相关分析,建立水深遥感信息的定量模式,结果表明：具有高分辨率的ＳＰＯＴ卫星资料在水下地形高程数据的支持下,通过计算机图像分析处理能够快     

大面积遥感植被成图方法的述评

自然植被的地理空间分布是十分重要的环境因子，其应用需求范围很广，包括全球气候变化，自然灾害监测，生态系统活力监测以及火灾管理等。日益增长的更高层次的应用需要一种有一定比例尺的大范围的且能提供详细信息的植被数据集。笔者介绍一种能生成分辨率为30m的自然植被类型覆盖图以及可用于可燃物和火险评估项目的结构变量的遥感方法。此方法的成功有赖于传感器的改进和数据的质量、对区域及其植被生态的全面了解、大量遥感和地面数据的成功整合以及灵活的成图算法。初步成果来自犹他州中部地区，包括28个植被类型。森林、灌木和草本层的郁闭度（亚像元密度）的分类总精度为60％（按生命表平均），三者郁闭度的相关系数分别为0．89，0．60和0．55，平均冠层高的相关系数分别为0．73，0．50和0．20。对改进过的第一轮技术成果进行了讨论，其中包括成图模型的细化、有关环境梯度的应用以及与实际植被类型相关的潜在植被问题等。     

植被高光谱遥感分类方法研究

结合具体的OMISI高光谱遥感数据，对各种常用植被高光谱遥感分类方法进行分类训练，通过比较分类性能，得到各种方法在植被高光谱分类中的若干应用规律和分类过程中选择最优分类方法的一些技巧。在此基础上，提出将传统分类方法与基于光谱特征匹配的分类方法相结合对高光谱图像进行分类的方法。     

云南山区NPP遥感监测研究中遥感图像预处理

 在国际上,区域植被第一性生产力(NPP)的监测和估算已成为遥感技术应用研究的重要方面.针对云南山区特点,利用遥感监测技术进行山区植被NPP的应用方法研究具有特殊意义.现就课题“遥感监测山区植被NPP的应用方法研究”中所进行的有关前期工作———遥感图像预处理的内容、工作平台、遥感图像与基础地理信息概况、遥感图像数据的试验样区切割提取,以及试验样区遥感数据多光谱信息的统计计算等进行操作整理与初步分析研究,对有关研究的深入进行获得初步的基础研究成果.