基于B算法和多波段模型的青海湖遥感测深比较研究

遥感测深技术克服了水体传统测深方法不足,可以快速、动态获取大型水域的水深信息.本文以LandSat-8OLI卫星遥感影像、SQ-SFCC手持式超声波测深仪实测水深数据,对比分析了底部反照率独立水深测量算法(B算法)、多波段模型水深估算的精度及其稳定性.结果表明,B算法模型是青海湖遥感测深的最优模型,模型绝对误差介于-3.71~0.11m之间,平均误差为-0.17m,总体平均相对误差为3.88%,这对于中国面积最大的咸水湖水深遥感估测而言,已经能够满足一般应用与科学研究的测深要求.本文方法能够迅速、经济地估测咸水湖泊水深,对其它大型湖泊的水深测量也具有一定的借鉴意义.     

基于RBF神经网络的水深遥感研究

为提高水深遥感反演的精度,以Landsat TM1~4波段为数据源,利用已知的水深数据作为训练样本,建立RBF神经网络模型对岱海水深进行反演试验。利用实测的水深数据检验RBF神经网络模型的反演精度,并与传统反演模型和BP神经网络模型进行对比。结果表明,RBF神经网络模型反演的水深与实测水深的决定系数为0.90,平均绝对误差为1.09 m,均方根误差为1.45 m,反演效果和精度明显好于传统反演模型;与BP神经网络模型相比精度也有提高,而且RBF神经网络模型的参数大多通过训练学习得到,应用更为便捷,在干旱内陆的咸水型湖泊水深遥感反演中有一定的应用价值。     

黄河源区高寒草地植被覆盖度反演模型精度评价

植被覆盖度是许多气候、水文、生态等模型的重要输入参数,其估算精度的提高对相应模型的改进及模拟精度的提高具有重要的现实意义。本研究以黄河源为研究区域,基于大量与卫星遥感像元空间尺度匹配的实测植被覆盖度数据,评估了回归模型法、像元分解法、神经网络算法三种常用植被覆盖度遥感估算方法的反演精度。结果表明:回归模型法中基于归一化植被指数(NDVI)的反演精度高于其他植被指数;像元二分法中,变量因子(L)的加入不能显著提高反演精度;反向传播(BP)神经网络算法应用植被指数替换卫星遥感反射率数据作为驱动数据,反演精度显著提高。因此,通过比较和优化可以提高植被覆盖度的反演精度,但每类反演方法的最高反演精度差异不显著。     

广东飞来峡库区水深遥感

 通过深入分析太阳光在水体中传输的物理过程,引入水体光学厚度概念,根据辐射传输理论,推导出水深遥感物理模型。以广东省飞来峡水库为例,采用SPOT5多光谱遥感数据,对其进行精确的辐射纠正、大气纠正,转化为符合地表实际反射率的反射率图像。经过水陆分离,选用合适的遥感波段数据,代入有关水体光学参数,应用水深遥感模型,计算出水域各像元水深值,通过图像处理软件绘制水深遥感制图。由于水面采砂、网箱养殖等人类活动的影响,水库采砂区水域水体浑浊以及库湾水域叶绿素浓度偏大,影响水深遥感精度,本文的模型综合考虑了水中泥沙和叶绿素对水深遥感的影响,并采用多波段数据求解水深,信息量丰富,精度得到大幅度提高。     

基于Sentinel卫星的浑浊水体叶绿素反演对比研究——以鄱阳湖为例

Sentinel-2A卫星、Sentinel-3A卫星分别于2015年6月和2016年2月成功发射,其上搭载的MSI、OLCI传感器的空间分辨率、时间分辨率、波段设置等在内陆水体水环境遥感研究中具有较大的应用潜力.针对浑浊水体叶绿素的反演难题,以鄱阳湖为例,基于光学分区理论并结合同步实测数据,探讨了Sentinel系列卫星数据在湖泊叶绿素a遥感反演的可行性.研究表明：1) 对于Sentinel-2A MSI数据,鄱阳湖北湖区以[1/Rrs(665)－1/Rrs(705)]*Rrs(740)作为反演因子构建的三波段模型拟合效果最好,决定系数R2是0.65,平均相对误差是38.53%;鄱阳湖南湖区差值模型Rrs(705)－Rrs(665)反演结果最好,R2是0.63,相对误差是39.87%.2) 对于Sentinel-3A OLCI数据,鄱阳湖北湖区以[1/Rrs(665)－1/Rrs(673.75)]*Rrs(753.75)作为反演因子构建的三波段模型拟合效果最好,R2为0.65,平均相对误差为37.6%;鄱阳湖南湖区差值模型Rrs(708.75)－Rrs(665)反演结果最好,R2是0.62,平均相对误差为39.6%.3) Sentinel系列卫星的分区模型能在一定程度上解决鄱阳湖部分浑浊水体区域叶绿素反演不成功的问题,后续将研究更高精度的反演模型方法.     

HJ-1A/1B卫星CCD影像的鄱阳湖6S大气校正研究

HJ-1A/1B卫星CCD数据具有较高的空间、时间分辨率,在内陆湖泊水色遥感定量监测中有较大的应用潜力,大气校正是其需要解决的首要问题.采用6S模型对2009年10月24日鄱阳湖HJ-1A/1B卫星CCD影像进行大气校正处理,并用实测数据进行了对比分析,结果表明6S模型校正后的CCD影像水体遥感反射率能表现鄱阳湖水体悬浮泥沙浓度入江水道高于主湖区的空间分布特征;二波段(绿光波段)和三波段(红光波段),大气校正结果精度较高,平均相对误差分别为9.6%、12.6%,最小相对误差分别达到3.0%、1.6%;一波段(蓝光波段)、四波段(近红外波段)大气校正结果误差较大,建议参数反演时尽量避免采用这两个波段.     

基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演

针对太湖叶绿素a浓度反演大多采用低中分辨率遥感数据,缺少基于高分辨率遥感数据研究的现状,采用高分六号卫星遥感影像,运用波段比值模型、归一化差异叶绿素指数（NDCI）模型和三波段模型定量反演了太湖蓝藻的叶绿素a质量浓度,并采用2018年10月28日、2019年4月6日和2019年6月3日的高分六号卫星遥感影像对3种模型的反演精度进行了验证。结果表明,采用NDCI模型的平均相对误差、均方根误差和平均绝对误差最小,NDCI模型具有更好的精度和稳定性,更适合高分六号卫星遥感影像在太湖叶绿素a质量浓度反演方面的应用。     

湖泊叶绿素a反演的大气校正模型比较研究

为获取湖泊叶绿素a定量反演所需的最优大气校正方法,以太湖为例,分别使用FLAASH、6S及QUAC 3种大气校正模型对HJ-1B卫星CCD数据进行大气校正,通过对比各波段反射率及遥感指数与叶绿素a的相关性,得到归一化水体指数相关系数最高,并使用归一化水体指数建立叶绿素a反演模型.反演模型R2在0.7以上,同时通过了统计检验.实验利用太湖采样点平均光谱反射曲线及实测光谱对比大气校正模型的影像处理效果,并在此基础上,利用误差参数评价不同大气校正处理后的反演精度.结果表明:3种大气校正算法的影像处理效果总体较好,FLAASH和6S算法的各项参数接近,反演精度优于QUAC算法,并且聚类分析结果很好地证实了二者的相似性;QUAC算法在获得较高精度的同时其典型地物光谱出现失真.因此,在湖泊叶绿素a浓度反演建模时,大气校正方法应优先考虑FLAASH算法和6S算法,尽量避免使用QUAC算法.     

基于BP ANN和B算法的黄河口水深遥感比较研究

基于Landsat8 OLI传感器数据,用BP人工神经网络模拟水深法和底部反照率独立水深测量算法(bottom albedo-independent bathymetry algorithm,简称B算法)来反演黄河口水深,并与实测水深数据进行比较;然后,基于两种水深反演方法的结果进行了对比分析和适用性评价.发现,用BP神经网络模拟方法提取的水深在近岸水深小于15 m的区域和水深大于15 m的区域,反演结果与实测水深误差较大,变化趋势不一致,实测值与模拟水深值相关系数低;以B算法提取的水深与实测水深误差较小,在趋势上一致,相关系数为0.899;并基于该算法的表现,通过水深遥感制图进一步在实际应用中验证了该水深反演方法.结果表明,底部反照率独立测深算法精度高、效果好,比较适用于黄河口水深探测.     

MODIS/Terra辅助的HJ-1B CCD1数据悬浮泥沙浓度反演研究

针对MODIS/Terra传感器服役时间超期需要后续卫星延续观测以及国产陆地卫星数据水环境遥感应用问题,以深圳湾为研究区域,利用2007年～2008年获取的40个现场实测数据与MODIS/Terra NIR-SWIR大气校正反射率数据建立MODIS悬浮泥沙浓度反演模型,以此为基础,反演2010年～2012年4景MODIS悬浮泥沙浓度分布状况,展开同步的瑞利散射校正反射率(Rrc)多波段组合因子的HJ-1B CCD1影像悬浮泥沙浓度反演模型对比研究.结果表明,在不进行气溶胶校正的情况下,HJ-1B CCD1数据波段比值算法(Rrc(660)/ Rrc(560))可以有效实现深圳湾悬浮泥沙浓度的反演,反演模型的决定系数为0.88,均方根误差为7.19 mg/L,模型验证的相对误差为7.45%,该研究对于进一步推进水环境遥感监测有一定的积极意义.     

阿拉斯加北极滨海平原极地湖泊的水深遥感反演

 北极滨海平原地区的湖泊水体深度对理解极地地表过程和环境变化具有重要意义。利用遥感数据反演极地湖泊水体深度具有快速和大范围的优势,但目前在极地湖泊中的研究较少。以遥感探测阿拉斯加极地湖泊深度为研究目的,实施并验证了Stumpf水深反演模型对于极地湖泊深度遥感反演的工作方法,且对该地区16 380 km²范围内分布的3 187个湖泊进行了同期深度反演,并利用船载声纳仪实测湖泊水体的深度数据对反演结果进行精度验证。结果显示水深反演结果的平均绝对误差和均方根误差分别为0.37与0.54 m,表明利用遥感技术适用于反演极地湖泊的水体深度。实验结果显示阿拉斯加北部滨海平原极地湖泊平均深度具有沿山麓向滨海平原逐渐下降的趋势。     

基于Landsat8遥感影像的山仔水库CDOM空间分布反演研究

利用Landsat8影像数据和实地采样数据,分析CDOM特征波段,提取敏感波段组合,构建适用于山仔水库的CDOM浓度反演模型。结果表明,以band3/band4敏感波段组合影像数据,反演模型为线性模型,平均相对误差为25.37%,R2值为0. 652,模型拟合优度比较高,反演效果较好。     

基于Landsat 8数据反演地表发射率的几种不同算法对比分析

为了分析研究不同地表发射率反演算法的精度和适用性,文中选取西安市的遥感影像Landsat 8为基础数据,运用ENVI,ArcGIS等软件,首先对Landsat 8数据进行预处理,提取西安市的NDVI影像;然后,建立决策树模型得到西安市地表分类影像,并基于像元二分模型反演得到植被覆盖度,基于NDVI得到4种不同算法的地表发射率;最后,以精度0. 01的MODIS LSE产品为标准数据,从像元尺度上对比分析了4种算法的精度,并依据回归决策树方法的分类结果,对比分析了不同算法在各类地表覆盖类型上的发射率反演差异。结果表明:在像元尺度上,植被指数混合模型法与NDVI~(TEM)改进算法精度较高且较为接近;从不同下垫面的反演差异来看,在植被区域4种算法之间的差异较小,而对于水体区域,4种算法之间的差异较大;从反演方法的适用性而言,植被指数混合模型法与NDVI~(TEM)改进算法较为适合本研究区。     

基于GOCI遥感数据的湖泊富营养化监测研究

采用高时间分辨率的地球同步海色成像仪(geostationary ocean color Imager,GOCI)遥感数据,以日本霞浦湖的西湖为研究对象,利用波段比值法建立了基于GOCI遥感影像的叶绿素a质量浓度反演模型.以此探讨利用GOCI数据估算湖泊水体富营养化程度的可能性.研究结果显示,遥感数据波段比值能够反映湖泊叶绿素a质量浓度随时间演变趋势,两者的相关系数达62％,利用反演模型得到的叶绿素a质量浓度的平均相对误差小于50％,表明GOCI遥感数据具有对湖泊富营养化程度进行监测的潜力.     

长江经济带湖泊水下地形的热红外遥感反演——以武汉市东湖为例

针对长江经济带平原湖区的浅水湖泊,提出了一种基于热红外遥感的湖泊水深测量方法.首先根据湖泊水温的垂直分布规律,推导出浅水湖泊中表层水温与水深平方的倒数存在近似的正比关系.然后以武汉东湖为例,利用Landsat-8热红外(TIRS)遥感影像数据反演东湖水表温度.结合实测水深测量样本点对,利用半经验回归方法,确定水深与水温的关系式,根据此关系式由水温反演出整个湖泊的水深,最后再结合影像当日的水位数据得到水下地形.试验模型拟合的相关系数R2为0.657,在浅水湖泊水深反演中能取得平均相对误差8.93%的相对测深精度.试验表明, 利用热红外遥感可为长江经济带平原湖区浅水湖泊的水深测量和水下地形测量提供一个快捷的新方法.     

利用Landsat影像热红外波段反演西双版纳勐仑地区地表温度的方法初探

利用Landsat TM/ETM+数据的热红外波段,基于Modtran4辐射传输模型的大气校正,通过目前2种主要算法——Qin等的单窗算法与Jiménez-Mup~noz-Sobrino的普适性单通道算法反演了热带西双版纳勐仑地区的地表温度,同时利用同步地面实测数据对反演结果进行了精度检验.结果表明,2种方法均具有一定的反演精度,其中Jiménez-Mu~noz-Sobrino法较好,其相对误差仅为5.4%,该方法更适于该地区地表真实温度的反演.     

随机森林算法在干旱区土地利用遥感分类中的应用研究

为了验证随机森林算法在干旱区土地利用遥感分类中的效果,本文采用随机森林算法,结合Landsat8遥感影像以及DEM、NDVI等辅助数据,解译了干旱区典型流域玛纳斯河流域的土地利用图。分析结果表明:(1)分析决策树数量(k)和分类变量数量(m)对分类精度具有很大影响。通过优化2个参数得到最优随机森林模型,当k取103、m取6时,模型分类精度可达95%;(2)通过土地利用分类精度的影响因子分析发现,海拔高程和归一化植被指数对土地利用分类的影响程度比坡向的影响更大。(3)通过分类结果对比分析发现,应用随机森林算法分类的精度比用最大似然法的分类精度高9%,利用变量重要性筛选出的遥感波段构建优化随机森林模型,能有效降低遥感数据源数据量,而Kappa系数保持在0.97不变。随机森林算法可以在干旱区土地利用分类中广泛应用。     

基于干涉极化SAR数据的森林树高反演

将C1oude极化干涉散射模型和ESPRIT算法结合来降低森林参数反演的运算量.利用ESPRIT算法对Cloude模型中的散射相位中心进行估计,再将估计得到的散射相位中心代入Cloude模型,从而得到树木高度等参数.采用中国天山地区SIR-C/X-SAR L波段全极化干涉数据对森林地区植被树高进行了反演实验.实验表明,与直接采用Cloude的极化干涉模型进行反演相比,在反演精度不变的情况下,运算时间仅是单独使用Cloude模型的1%～2%.     

面向GF-5卫星高光谱传感器的浑浊水体叶绿素a浓度反演算法研究——以鄱阳湖为例

为了分析即将发射的高分5号卫星(GF-5)的高光谱数据在内陆水体水色遥感中的应用潜力,以鄱阳湖为研究区域,利用2009年、2011年和2016年共134组现场实测光谱及其对应的叶绿素a、总悬浮物浓度数据,考虑高浑浊水体引起的叶绿素a浓度变化的光谱响应差异,在进行水体光学分区基础上通过光谱模拟与差分处理开展了叶绿素a浓度跨阶分高光谱反演研究.结果表明：1)进行光学分区有利于提高反演精度,非高浑浊水体(NDCI≥0.06)区域,反演模型判定系数R2达到0.82,均方根误差RMSE为1.12,平均相对误差MRE为0.32,而不进行光学分区的全湖区反演建模R2仅为0.37;2) 相较于鄱阳湖前期研究得到的最优多波段反演模型(R2＝0.76),利用495、591、675、679、684、688、692和696 nm等波长的原始光谱以及差分光谱(一阶差分、二阶差分)建立的跨阶分多波段组合模型可以更有效地反演非高浑浊水体叶绿素a浓度(R2＝0.82),但对于高浑浊水体(NDCI<0.06),叶绿素a浓度的高光谱反演能力还需要进一步挖掘.     

基于ZY-1 02D影像的白洋淀水域叶绿素a浓度遥感反演

白洋淀位于雄安新区的核心区域,是当前社会关注的焦点,对白洋淀水域进行水质监测是水污染防治的重要依据,对周边居民生活和当地经济发展具有重要意义。本文将ZY-1 02D AHSI高光谱影像与ZY-1 02D VNIC多光谱影像作为遥感数据源,分别进行了基于单一影像数据的单独反演与基于两种影像的联合反演,研究结果表明联合反演模型相较于基于AHSI的反演模型可以有效提高叶绿素a浓度的反演精度,三种反演模型中基于VNIC的反演模型精度最高,相较于以往学者的研究结果高光谱数据的优势未充分体现,说明对于白洋淀淀区的叶绿素a浓度反演空间分辨率有更大的影响,从而进一步将ZY-1 02D AHSI的36波段与ZY-1 02D VNIC融合,将空间分辨率提高至10 m,优化后的模型AURE与RMSE分别降低到13.62%、0.52 ug/L,进一步提高了叶绿素a浓度的反演精度。研究表明,ZY-1 02D影像数据在内陆水体水质监测中具有较好的适用性,利用模型算法提升高光谱数据的空间分辨率将是提高叶绿素a浓度反演精度的重要途经,本文研究成果对ZY-1 02D影像在白洋淀水域的水质监测与应用具有重要的意义。