基于背景场的地震亮温异常时空演变分析——以2014年新疆于田Ms7.3级地震为例

本文处理了新疆地区2010~2014年的FY-2E卫星热红外亮温数据,基于构建的亮温背景场资料,对2014年2月12日新疆于田Ms7.3级地震前地表红外亮温的时空分布和演变特征进行了分析。研究发现震前亮温异常主要呈条带状分布于塔里木盆地西南缘和东南缘地区,其位置和走向均与于田地震所处断裂带相吻合;异常出现在2014年1月27日(地震前16天),一直持续到2月2日(地震前10天),之后迅速消失;亮温异常十分明显,异常出现时亮温均值相比背景值增幅达8K～10K,异常值增幅可达20K以上。此次亮温异常现象在时空演变的各个方面均与于田地震具有很好的相关性,亮温背景场资料对于地震异常提取具有一定参考价值。     

基于频谱相似性的高光谱遥感图像分类方法

提出一种基于光谱曲线频谱特征的高光谱遥感图像分类方法.该方法将高光谱图像中每个像元所对应的光谱序列视为一维离散信号,经离散傅里叶变换获得频谱图,由于不同地物光谱曲线的频谱表征差异明显,进而提出以目标和参考光谱曲线的频谱幅度值之差来度量光谱的相似性.由于频谱能量随着谐波次数的升高而急速下降,所以本文利用兰氏距离（Canberra距离）对该方法进一步改进,从而提高较高频率成分在光谱相似性度量中的贡献.此外,根据频谱图中各次谐波的能量分布规律,分析了地物光谱曲线的频谱能量累积分布函数,并最终确定参与相似性度量计算的谐波次数.为定量评价本文方法,本文采用两幅高光谱图像进行分类实验,并以制图精度、用户精度、总体精度、平均精度和Kappa系数,对本文方法、光谱角填图（SAM）、光谱信息散度（SID）和欧氏距离（ED）方法的分类结果进行比较分析.实验结果表明：本文方法可有效地应用于高光谱遥感图像分类.     

一种基于特征选择的面向对象遥感影像分类方法

针对GF—1多空间分辨率遥感数据空间信息丰富,传统影像分类方法无法满足实际应用需要的问题,提出了一种基于特征选择的面向对象遥感影像分类方法——object-RJMC算法,即在影像分割及特征提取的基础上,运用Relief F算法和J-M(Jeffries-Matusita)距离算法去除无关及冗余特征,筛选出适于各类别分类的特征,然后利用CART算法建立分类规则,完成分类过程。以GF-1号2 m、8 m和16 m空间分辨率的三组影像进行算法验证,并与object-CART和pixel-CART影像分类方法进行对比分析。实验结果显示object-RJMC算法的分类精度均高于object-CART和pixel-CART算法的分类精度;且对高空间分辨率的影像分类效果要优于对中低空间分辨率影像的分类效果。该算法减少了特征选择及规则建立的人工干预,克服了以像素为单位的分类算法中由于缺少空间邻域信息而产生孤立、离散、不连通分类结果的问题,可有效地提高GF-1遥感影像分类精度。     

基于clear-SSD的单点多盒飞机目标检测天气适用性

目前遥感影像目标检测算法大多针对良好天气,一旦出现雾霾,则必然影响检测效果。为使目标在良好天气或雾天条件下均能有较优的检测精度,提高模型适用性。以飞机检测为例,提出一种基于影像处理的clear-SSD单点多盒目标检测模型。该模型在SSD检测算法前增加了影像处理算法,即先对待检测的遥感影像进行清晰化处理,再通过SSD检测算法提取影像中的飞机。比较不同清晰化算法对检测精度的提升效果,选择适用性最优的算法作为模型前端,备选清晰化算法包括暗通道、高斯同态滤波及线性同态滤波,研究表明,三种清晰化算法对精度均有改善,其中高斯同态滤波的适用性最优,平均检测精度达到0.9843,比原始SSD模型提高了0.043,因此,将高斯同态滤波作为clear-SSD模型的影像处理部分。     

空间重采样方法对遥感影像信息影响研究

在对原始影像进行几何校正时需要对影像进行重采样,必然会导致光谱信息的失真,如何保持原始影像的光谱信息一直是研究的热点问题.从影像应用质量评价的角度,对3种不同类型的遥感影像质量进行了评价与分析,通过对多幅不同空间分辨率的遥感影像重采样后进行比较,评价了重采样后遥感影像的质量.研究表明,影像重采样后的信息量随着空间分辨率的提高基本保持不变,随着空间分辨率的降低,信息量也逐步减少的结论,为评价遥感影像重采样后影像信息量损失情况的多尺度效应提供参考.     

基于高分3号和高分2号叶面积指数反演与分析

针对光学数据反演叶面积指数(LAI)容易受到云雾遮挡和光学遥感信息饱和的问题,根据雷达散射机制和Yamaguchi分解,提出了极化分解植被指数,利用光学植被指数和极分解植被指数融合形成光学与微波极化分解融合植被指数;利用光学与微波极化分解融合植被指数与实测数据建立回归模型反演叶面积指数,并对该模型精度评价.实验表明:光学与微波极化分解融合植被指数与实测数据建立回归模型反演叶面积指数的精度要优于极化分解植被指数和光学植被指数与实测数据建立的回归模型,其中MRVI与LAI建立回归模型是最优的,R~2达到0.7262,RMSE到达0.3548.综上所述,光学与微波极化分解融合植被指数不仅充分利用雷达能够穿透浓密植物的特性,而且融合光学数据对叶面积指数的反演敏感性,更能准确的反演叶面积指数.