环境减灾卫星多光谱CCD影像自动几何精纠正与正射校正系统

我国环境减灾光学卫星(HJ)多光谱CCD影像由于具有高时空分辨率、大幅宽等优势,能够提供同一区域不同生长阶段的植被信息,是提取具有生态学意义土地覆盖及开展植被生理生态参量反演的重要数据源之一。然而,目前该数据产品的几何定位不准确及山区地形畸变误差使其难以满足应用需求。高定位精度是遥感影像信息提取、参数反演与应用分析的前提,遥感影像的几何精纠正与正射校正是遥感数据预处理面临的首要问题。在分析国内外卫星影像自动化处理系统研究现状的基础上,结合HJ CCD影像幅宽大的特点,构建了HJ CCD影像的自动几何精纠正与正射校正处理系统。与目前商业软件相比,自动几何精纠正与正射校正处理系统采用了自动化的控制点搜索与过滤方法,能有效提高控制点选取的效率与精度。同时,结合DEM数据,系统自动拟合卫星飞行路径并纠正由偏离星下观测导致的山体位移。系统应用结果表明,自动几何精纠正和正射校正系统能够有效的提高处理效率,节省人力和时间成本。该系统已被成功应用于全国生态十年(2000—2010年)变化遥感调查与评估专项土地覆盖遥感监测的环境减灾卫星多光谱遥感影像预处理工作。     

基于环境星与MODIS时序数据的面向对象森林植被分类

林区地形复杂、植被分布无序,且森林植被光谱信息相近,因而森林二级类型边界的确定成为土地覆盖遥感分类的难点。选择吉林省东部山区为研究区,以环境星影像(HJ-1 CCD)和中等分辨率成像光谱仪(MODIS)时序数据为基础,采用面向对象的分类方法进行森林植被类型的提取。分类特征参数主要选取了HJ-1 CCD的光谱和纹理特征,以及MODIS时序数据的物候特征。研究区总体分类精度为91.5%,Kappa系数为0.88,森林二级类型的分类精度均较高,其中落叶阔叶林的制图精度达到了97.1%。所用的面向对象分类方法与未加入物候特征的面向对象分类方法相比,森林二级类型的分类精度得到大幅度提高。     

基于多源遥感信息融合的广东省土地利用分类方法——以雷州半岛为例

准确高效的获取土地利用信息对生态环境评价非常重要。广东省地处华南热带和亚热带季风气候区,经济作物种类繁多,土地覆盖破碎,为土地利用精确分类带来很大不确定性,而常年多云雨的天气也为有效光学影像的获取带来困难。为提高土地覆盖分类精度,以雷州半岛为实验区,综合应用Landsat-TM/ETM、多时相HJ光学影像,以及X波段Terra SAR数据,通过分析不同地物类型在光谱、极化以及多时相特征上的差别,对原始图像进行特征提取。在此基础上融合多源遥感信息的地物特征运用面向对象土地覆盖分类方法获取研究区高精度的土地利用信息。结果显示这一方法能有效提高土地覆盖利用信息获取精度,为研究生态环境变化提供更准确的数据支持。     

A Simple Semi-Automatic Approach for Land Cover Classification from Multispectral Remote Sensing Imagery

Land cover data represent a fundamental data source for various types of scientific research. The classification of land cover based on satellite data is a challenging task, and an efficient classification method is needed. In this study, an automatic scheme is proposed for the classification of land use using multispectral remote sensing images based on change detection and a semi-supervised classifier. The satellite image can be automatically classified using only the prior land cover map and existing images; therefore human involvement is reduced to a minimum, ensuring the operability of the method. The method was tested in the Qingpu District of Shanghai, China. Using Environment Satellite 1(HJ-1) images of 2009 with 30 m spatial resolution, the areas were classified into five main types of land cover based on previous land cover data and spectral features. The results agreed on validation of land cover maps well with a Kappa value of 0.79 and statistical area biases in proportion less than 6%. This study proposed a simple semi-automatic approach for land cover classification by using prior maps with satisfied accuracy, which integrated the accuracy of visual interpretation and performance of automatic classification methods. The method can be used for land cover mapping in areas lacking ground reference information or identifying rapid variation of land cover regions (such as rapid urbanization) with convenience.     

基于遥感与模型耦合的冬小麦生长预测

遥感的空间性、实时性与作物生长模型的过程性、机理性优势互补,将两者有效耦合已成为提高作物生长监测预测能力的重要手段之一。提出了一种基于地空遥感信息与生长模型耦合的冬小麦预测方法,该方法基于初始化/参数化策略,以不同生育时期的小麦叶面积指数(LAI)和叶片氮积累量(LNA)为信息融合点将地面光谱数据(ASD)及HJ-1 A/B CCD、Landsat-5 TM数据与冬小麦生长模型(WheatGrow)耦合,反演得到区域尺度生长模型运行时难以准确获取的部分管理措施参数(播种期、播种量和施氮量),在此基础上实现了对冬小麦生长的有效预测。实例分析结果表明,LNA较LAI对模型更敏感,以之作为耦合点的反演效果较好。另外,抽穗期是遥感信息与生长模型耦合的最佳时机,对播种期、播种量和施氮量反演的RMSE值分别达到5.32 d、14.81 kg/hm²、14.11 kg/hm²。生长模型与遥感耦合后的模拟结果很好地描述了冬小麦长势和生产力指标的时空分布状况,长势指标的模拟相对误差小于0.25,籽粒产量模拟的相对误差小于0.1。因此研究结果可为区域尺度冬小麦生长的监测预测提供重要理论依据。     

基于不同决策树的面向对象林区遥感影像分类比较

面向地理对象影像分析技术(GEOBIA)是影像分辨率越来越高的背景下的产物.如何提高高分辨率影像分类精度和分类效率是影像处理的重要议题之一.本研究对QuickBird影像多尺度分割后的对象进行分类,分析了C5.0、C4.5、CART决策树算法在林区面向对象分类中的效率,并与kNN算法的分类精度进行比较.利用eCognition软件对遥感影像进行多尺度分割,分析得到最佳尺度为90和40.在90尺度下分离出植被和非植被后,在40尺度下提取不同类别植被的光谱、纹理、形状等共21个特征,并利用C5.0、C4.5、CART决策树算法分别对其进行知识挖掘,自动建立分类规则.最后利用建立的分类规则分别对植被区域进行分类,并比较分析其精度.结果表明: 基于决策树的分类精度均高于传统的kNN法.其中,C5.0方法的精度最高,其总体分类精度为90.0%,Kappa系数0.87.决策树算法能有效提高林区树种分类精度,且C5.0决策树的Boosting算法对该分类效果具有最明显的提升.     

洞庭湖洲滩速生杨树林变化信息提取方法

洞庭湖是我国第二大淡水湖,其湿地资源具有重要的生态功能和经济价值。近20年来,洞庭湖洲滩速生杨树林发展迅速,其中西洞庭湖杨树林的扩张最为明显,极大改变了湖区湿地植被分布格局,隐含极大的生态风险。以Landsat ETM+和HJ-1A/1B CCD影像为数据源,提出了洞庭湖速生杨树林变化信息提取的两种方法,并对这两种方法进行了比较研究。一种是分类的方法,即采用面向对象分层信息提取的方法先提取出树林滩地信息,再将距离大堤一定范围内的树林滩地归为防护林,速生杨树林变化的面积即为两个时相提取结果的差值。另一种是变化检测的方法,它是基于像元进行变化检测,先确定出总的变化区域,再从中筛选速生杨树林的变化信息。结果表明:(1)两种提取方法都是可行的,不同方法提取的速生林变化信息存在一定差异,但空间分布大体一致;(2)基于分类的方法总体精度和Kappa系数均略高于基于变化检测的方法:其中基于分类的方法总体精度达84.00%,Kappa系数为0.67,基于变化检测的方法总体精度达83.00%,Kappa系数为0.65;(3)基于分类的方法图斑较大、图斑数较少,基于变化检测的方法图斑较小且较破碎、图斑数多;(4)基于分类的方法漏分较少、错分较多,基于变化检测的方法漏分较多、错分较少。为洞庭湖洲滩杨树林的动态监测提供了研究方法,也为杨树林扩张原因及其生态效应分析提供研究基础。     

基于中分辨率TM数据的湿地水生植被提取

利用湿地水生植被生长旺盛、光谱反射较强、光谱信息比较丰富的8月份中分辨率Landsat TM和ETM+多光谱遥感影像,采用面向对象的分类方法,进行野鸭湖湿地水生植被的提取。研究表明:在提取过程中,通过对原始影像进行主成分变换和穗帽变换,将主要信息与噪声分离,不仅减小了数据冗余和波段间的相关性,而且增大了影像上湿地水生植被与其他地物类型光谱和空间信息的差异性,并结合野外水生植被光谱特征分析,选择归一化植被指数NDVI与归一化水体指数NDWI辅助分类,构建特征波段或波段组合,然后,确定适当的隶属度函数和阈值范围,构建分类决策树,完成湿地水生植被的自动分类,提高了影像分割与面向对象分类的精度,取得了较为理想的湿地水生植被提取结果。2002年和2008年两景影像的总体分类精度分别达到86.5%和85.44%,表明中分辨率TM影像可以满足湿地水生植被提取的需要,又因为其具有较高的波谱分辨率、极为丰富的信息量、相对较低的价格、长时间序列,可以作为近20a湿地水生植被提取和动态变化监测的主要数据源。     

基于遥感和地统计学方法的小麦生长管理分区

以江苏省如皋市和海安县冬小麦种植区域为研究对象,将基于小麦不同生育时期30m分辨率的HJ-1A/B CCD影像提取的归一化植被指数(NDVI)与土壤养分指标(全氮、有机质、有效磷、速效钾)分布状况有机结合,在空间变异性分析和主成分提取的基础上进行聚类分区.结果表明,基于抽穗期NDVI与土壤养分指标耦合的分区方法效果最佳,分区后各子区域内部NDVI值和土壤养分指标的变异系数分别在4.5%～6.1%和3.3%～87.9%,低于单纯基于土壤养分指标或NDVI进行分区的子区域内部的变异系数,大大缩小了区域管理单元内部的变异性.分区结果能提高按区管理作业的精度,可为区域性小麦生长管理和过程模拟奠定基础.     

NDVI曲线与农作物长势的时序互动规律

利用气象卫星NOAA AVHRR资料,反演出农作物生育期内每日和旬度的NDVI数据,分析了NDVI时间曲线的波动与农作物生长发育阶段及农作物长势的响应规律,并以华北冬小麦为例,探讨了NDVI在冬小麦中生育期的积分值与农作物单产之间的相互关系。结果表明,利用长时间序列的NDVI数据,结合作物的物候历,可以实现作物长势的遥感监测和产量遥感估算。     

湿地翅碱蓬生物量遥感估算模型

以黄河三角洲HJ-1A CCD遥感数据和滨海湿地翅碱蓬生物量实测数据为数据源,通过对比分析参数回归模型（单变量线性和非线性回归模型,多元线性逐步回归模型）和人工神经网络模型（BP网络、RBF网络、GRNN网络）,构建黄河三角洲湿地翅碱蓬生长初期的生物量湿重遥感估算最优模型。研究表明：基于遥感信息变量能够建立生长初期翅碱蓬生物量湿重估算模型。尽管基于RDVI、MSAVI和PC2的3个变量的多元线性回归模型的拟合效果较优,但是以SAVI、MSAVI、RVI、DVI、RDVI和PC2等7个遥感信息变量构建的BP神经网络模型的精度更高,平均相对误差为12.73%,估算效果最优,能够满足较高精度的生物量湿重估算需求。翅碱蓬生长初期生物量湿重最优估算模型的建立,为滨海地区植被生物量监测、区域翅碱蓬生物量季节动态模拟以及黄河三角洲生态系统功能评价提供技术支持与基础。     

基于多源遥感数据的植物物种分类与识别: 研究进展与展望

物种分类与识别是生物多样性监测的基础, 明确物种的类别及其分布是解决几乎所有生态学问题的前提。为深入了解基于多源遥感数据的植物物种分类与识别相关研究的发展现状和存在的问题, 本文对2000年以来该领域的研究进行了总结分析, 发现: 当前大多数研究集中在欧洲和北美地区的温带或北方森林以及南非的热带稀树草原; 使用最多的遥感数据是机载高光谱数据, 而激光雷达作为补充数据, 通过单木分割及提供单木的三维垂直结构信息, 显著提高了分类精度; 支持向量机和随机森林作为应用最广的非参数分类算法, 平均分类精度达80%; 随着计算机技术及机器学习领域的不断成熟, 人工神经网络在物种识别领域得以迅速发展。基于此, 本文对目前基于遥感数据的植物物种分类与识别中在分类对象复杂性、多源遥感数据整合、植物物候与纹理特征整合和分类算法技术等方面面临的挑战进行了总结, 并建议通过整合多时相监测数据、高光谱和激光雷达数据、短波红外等特定波谱信息、采用深度学习等方法来提高分类精度。     

基于阈值法的山区森林常绿、落叶特征遥感自动识别方法——以贡嘎山地区为例

森林的常绿、落叶特征是土地覆被产品的重要属性。由于山区地形复杂,地表遥感辐射信号地形效应明显,导致山区森林常绿、落叶特征遥感自动识别一直是难点。提出了一种基于阈值法的山区森林常绿、落叶特征遥感自动识别简单实用方法。该方法利用多源、多时相遥感影像,选择归一化植被指数(NDVI)为指标,通过统计参考样本的NDVI在生长季和非生长季的差异,自动找出区分常绿、落叶特征的阈值,基于判别规则识别山区森林常绿、落叶特征。以贡嘎山地区为例,分别以多时相Landsat TM影像(简称TM)、多时相环境减灾卫星影像(简称HJ)为单源数据,多时相的HJ、TM组合影像为多源数据,验证该方法的有效性。实验结果表明,该方法能够有效识别山区森林常绿、落叶特征,总体精度达到93.87%,Kappa系数为0.87。该方法适用于山区大面积森林常绿、落叶特征遥感自动提取,已被成功应用于"生态十年"专项西南地区土地覆被数据的生产。     

基于多光谱影像的森林树种识别及其空间尺度响应

当前,不同空间分辨率卫星影像对森林类型识别结果中普遍存在的尺度效应,而且纹理参量对不同尺度下树种识别精度的影响仍缺乏广泛认知.本研究以中国东北旺业甸林场为研究区,采用观测时相同步、地理坐标匹配的GF-1 PMS、GF-2 PMS、GF-1 WFV,以及Landsat-8 OLI卫星传感器数据组成空间尺度观测序列(1、2、4、8、16、30 m),并结合支持向量机(SVM)模型,探讨了区域内5种优势树种遥感识别结果的尺度变化规律及其纹理特征参数的影响,同时检验了基于尺度上推转换影像的树种识别结果差异.结果表明: 影像空间分辨率对区域树种识别结果具有显著影响,其中,研究区森林树种识别的最佳影像分辨率为4 m,当分辨率降低至30 m时,树种识别结果最差.在1～8 m影像分辨率范围内,增加纹理信息能够显著提高不同优势树种的识别精度,使总分类精度提升了2.0%～3.6%,但纹理信息对16～30 m影像的识别结果没有显著影响.与真实尺度卫星影像相比,基于升尺度转换影像的树种识别结果及其尺度响应特征存在显著差异,表明在面向多个空间尺度的遥感观测和应用研究中,需要采用真实分辨率影像以确保结果的准确性.     

基于Landsat TM的热带精细地物信息提取的模型与方法——以海南岛为例

应用遥感技术进行精细地物信息提取是研究生态系统结构、过程和功能的重要手段之一。由于热带地区生态系统复杂,为精细地物信息提取带来很大的不确定性,极易产生"同物异谱"、"同谱异物"的现象。研究以地处热带地区的海南岛精细地物遥感信息提取为例,在综合分析典型地物光谱特征、空间分布、斑块形状等基础上,构建和优化了水陆指数WLI(Water and Land differing Index)、乔灌草指数GSI(Grass and Shrub differing Index)、旱地-沙地指数SSI(Field and Sand differing Index),并结合新型通用植被指数VIUPD(Vegetation Index of the Universal Pattern Decomposition Method)及DEM(Digital Elevation Model)等多源数据,提出基于决策树的面向对象遥感信息提取方法。该方法首先确定要提取的对象,明确对象类别与对象隶属关系,然后逐层逐项的提取天然林、橡胶林、浆纸林等地物信息。结果表明,综合提取的精度达88%,相比传统的监督分类方法精度(66%)提高22个百分点,精度明显提高。     

A Technique to Identify Changes in Hemlock Forest Health over Space and Time Using Satellite Image Data

The objective of this study was to develop a technique to classify health of eastern hemlock stands using historical satellite images. While remote sensing and geographic information systems have been used successfully to classify forest health using recent images, applying this process to older images is problematic because contemporaneous field data are not available to measure the accuracy of the classification of historical images. Data ranges were established for each hemlock health class using a contemporary image and field data. These ranges were used to level-slice archived images to create a series of health-class maps that show changes in forest health over time. By applying cross-tabulation procedures to pairs of classified images, it is possible to construct a transition map that indicates how the hemlock health class of each pixel in the images of the study area has changed over time. The resulting maps provide a look back at forest conditions of the past and can be used to identify areas of special interest.     

基于人工神经网络的生态环境质量遥感评价

利用ETM遥感数据提取反映生态环境的植被、土壤亮度、湿度,MODIS地表温度产品提取的热度指数、气象指数及其它地学辅助信息作为神经网络的输入,野外调查标准兴趣区的遥感本底值评分值作为网络输出,建立一个3层结构的BP神经网络生态环境遥感本底值预测模型.利用MATLAB软件对网络进行训练和研究区生态环境遥感本底值的预测输出,并将预测结果按照生态环境遥感本底值分级评分标准进行等级划分.结果表明,总体分类精度达87.8%.利用神经网络方法对生态环境遥感本底值进行预测是可行的.采用先预测再分级的方法不仅能很好地评价区域生态环境质量,而且能够和区域生态环境类型紧密的结合起来.     

Classification of Pinus massoniana and secondary deciduous tree species in northern subtropical region based on high resolution and hyperspectral remotely sensed data

Aims Using remote sensing data for tree species classification plays a key role in forestry resource monitoring, sustainable forest management and biodiversity research.Methods This study used integrated sensor LiCHy (LiDAR, CCD and Hyperspectral) to obtain both the high resolution imagery and the hyperspectral data at the same time for the natural secondary forest in south Jiangsu hilly region. The data were used to identify the crown and to classify tree species at multiple levels. Firstly, tree crowns were selected by segmenting high-resolution imagery at multiple scales based on edge detection; secondly, characteristic variables of hyperspectral images were extracted, then optimization variables were selected based on the theory of information entropy. Tree species and forest types were classified using either all characteristic variables or optimization variables only. Finally, tree species and forest types were reclassified along with the tree crowns information, and the accuracy of classification was discussed. Important findings Based on all available characteristic variables, the overall accuracy for four typical tree species classification was 64.6%, and the Kappa coefficient was 0.493. The overall accuracy for forest types classification was 81.1%, and the Kappa coefficient was 0.584. Based on optimization variables only, the overall accuracy for four typical tree species classification dropped to 62.9%, and the Kappa coefficient was 0.459. The overall accuracy for forest types classification was 77.7%, and the Kappa coefficient was 0.525. Obtaining both high resolution image and hyperspectral data at the same time by integrated sensor can increase overall accuracy in classifying forest types and tree species in northern subtropical forest.     

基于高分辨率与高光谱遥感影像的北亚热带马尾松及次生落叶树种的分类

利用遥感数据开展森林资源树种的分类对森林资源的监测、森林可持续经营及生物多样性研究都有重要意义。该文以江苏南部丘陵地区的北亚热带天然次生林为研究对象, 利用LiCHy (LiDAR、CCD、Hyperspectral)集成传感器同期获取的高分辨率和高光谱数据, 进行冠幅识别和多个层次的树种分类: 首先, 对高分辨率影像进行基于边缘检测的多尺度分割, 提取出单木冠幅; 其次, 对高光谱影像进行特征变量提取, 并对提取出的特征变量利用信息熵原理选取优化特征变量; 然后, 分别利用全部特征变量和经优化的重要特征变量对森林树种及森林类型进行预分类; 最后, 在预分类结果中加入单木冠幅信息对森林树种及森林类型进行重分类, 并分析分类结果的精度。研究表明: 1)利用全部特征变量进行4个典型树种分类时, 总体精度为64.6%, Kappa系数为0.493; 而针对森林类型的分类精度为81.1%, Kappa系数为0.584。2)利用选取的优化特征变量分类精度略低于利用全部特征变量的分类精度, 其中对4个典型树种分类时, 总体精度为62.9%, Kappa系数为0.459; 而针对森林类型的分类精度为77.7%, Kappa系数为0.525。通过集成传感器同期获取的高分辨率和高光谱数据可以有效地进行北亚热带森林的树种分类及森林类型的划分。     

环境灾害遥感小卫星在辽河三角洲湿地景观制图中的应用

及时、准确地获得湿地的空间分布,对湿地的动态监测、保护与可持续利用具有重要的意义.环境灾害遥感小卫星星座A、B星(HJ-1A/1B星)是我国自主发射的陆地资源监测卫星,可为湿地类型的提取提供新的遥感影像数据源.本文通过对比我国环境灾害遥感小卫星CCD相机影像（HJ CCD）数据与Landsat TM5影像数据获取的湿地景观类型图的分类精度和各景观类型面积,验证和探究了HJ CCD数据在湿地景观动态变化监测中的适用性和应用潜力.结果表明：HJ CCD数据在地物识别分类方面可完全替代Landsat TM5数据;在实时动态监测方面,HJ CCD数据获取周期仅为2 d,优于Landsat TM5数据（16 d）.