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。     

基于多元遥感影像的三北地区片状防护林面积估算

三北防护林体系工程是我国重点林业生态工程,其数量与空间分布格局影响着整个三北地区的生态环境.为科学、客观、完整地评价三北防护林体系工程建设30年来(1978-2008)片状防护林的数量与空间分布格局,本文采用多元遥感影像对三北地区片状林面积估算方法进行了研究.首先,利用TM影像(分辨率30 m)监测2008年三北地区片状防护林面积;再基于随机取样原理,建立不同降水气候区的高分辨率影像(SPOT5,分辨率2.5m)与TM影像在片状防护林面积监测的校正关系;最后利用前两部分结果估算出2008年三北地区片状防护林面积.结果表明:截至2008年,三北地区片状防护林(乔木林郁闭度＞0.3,灌木林覆盖度＞40％,精确度约85％)总面积328360.03 km2.其中,东北区116244.55 km2,华北区42981.32 km2,黄土高原区76767.05 km2,蒙新区92367.11 km2.按照防护林树种统计,针叶林62614.74 km2,阔叶林121628.51 km2,针阔混交林22144.09 km2,灌丛121972.69 km2.     

三北地区农田防护林面积的多尺度遥感估算

农田防护林是三北防护林体系工程重要组成部分,准确估算农田防护林(林带)的数量与空间分布对了解该林种防护效应的发挥程度及促进农田防护林体系建设进程具有重要作用.本研究利用多尺度遥感影像获取林带长度,结合实地调查的林带宽度,估算三北地区(东北西部、华北北部和西北大部;依据地貌特征,将三北地区划分为东北、华北、黄土高原和蒙新4区)农田防护林面积.东北和华北区的林带长度通过建立Landsat TM和SPOT5解译得到的林带长度的关系获得;黄土高原和蒙新区则通过建立有林带农田面积(基于Landsat TM获得)和林带长度(基于CBERS-02B获得)关系获得.结果表明:至2008年,三北地区农田防护林(包括中龄林、成熟林、过熟林;不包括新造林、未成林和部分残次林;下同)总长度为106.40×107 m,其中,东北区23.82×107 m,华北区6.07×107 m,黄土高原区25.58×107 rn,蒙新区50.93×107 m;三北防护林体系工程农田防护林面积约为130.31×104 hm2(114.98×104 ～ 145.64×104 hm2),其中,东北区42.88×104 hm2(37.52×104 ～48.24×104 hm2),华北区10.79×104 hm2(9.56×104 ～ 12.29×104 hm2),黄土高原区25.58×104 hm2(22.70×104 ～ 28.45×104 hm2),蒙新区50.93×104 hm2(45.20×104 ～ 56.66× 104 hm2);估算的平均精度为89.54％,其中,东北和华北区79.27％,蒙新和黄土高原区99.80％.     

基于GIS的浙江省水稻遥感估产最佳时相选择

水稻遥感估产最佳时相选择应包括水稻种植面积估算最佳时相和水稻产量预报最佳时相两部分。在水稻遥感估产最佳时相选择中,由于首次引入GIS技术提取水稻可能种植区域,缩小了研究范围,植被种类也较简单一,因此仅用农作物物候历即可确定水稻种植面积估算最佳时相,而不需要考虑所有的植被类型。利用盆栽试验和小区试验研究水稻产量与不同时期的农学参数、农学参数与植被指数及水稻产量与植被指数的关系,结果表明,水稻产量与农业参数、农学参数与光谱变量的关系均以孕穗以抽穗期最好,水稻产量与光谱变量的关系则从分蘖盛期到抽穗期的极显著。因此,以孕穗期到抽穗期作为建立水稻遥感估产模型的最佳时期。再利用1998年各地的水稻发育期观测资料,确定各区水稻产量遥感最佳时相。     

Detecting and mapping vegetation distribution on the Antarctic Peninsula from remote sensing data

We present the first regional map of vegetation of anywhere on the Antarctic continent based on remote sensing (RS) data. We have used a normalized difference vegetation index (NDVI) for the examination of Landsat ETM data on the Antarctic Peninsula. The results show that 44.6 km² (0.086%) of the study area (74,468 km²) is classed with a probability of vegetation of over 50%. The NDVI analysis is ground-truthed against vegetation surveys in Ryder Bay on the Antarctic Peninsula, and the results have been corrected for several factors influencing low NDVI readings in this environment. This methodology has been applied to 13 Landsat scenes covering Graham Land in the Northern part of the Antarctic Peninsula to examine the distribution of vegetation in the region. The Antarctic Peninsula region is important, as it has shown rapid warming of over 3°C during the past 50 years, and predictions indicate accelerated future warming. A baseline survey of the amount and distribution of vegetation is required against which to monitor future change. The results give a comprehensive coverage and allow us to present the first remote sensing-based vegetation map in Antarctica. However, initial results point to the need for further investigation of apparent errors resulting from geology on bare ground.     

基于卫星遥感数据的黄淮海地区植被覆盖时空变化特征

利用1982—2003年GIMMS NDVI遥感数据,在进行合成、重采样和时间序列滤波处理的基础上,采用线性趋势分析、经验正交函数分解等方法,对中国黄淮海地区植被覆盖的时空特征进行了研究。结果表明:22年来黄淮海地区植被覆盖总体上呈略微增加的趋势,且该区域生长季有提前和延长的趋势;黄淮海大部分地区植被活动在增强的同时,局部地区出现了植被退化现象;从季节变化上看,春季上升和夏季下降趋势明显;林地为主的自然植被、草甸类自然植被和所有农业植被未变化类别占主导地位,而草原植被则以增加趋势为主。主要生长季的NDVI距平EOF分析表明,第1模态的主要特征是区域中间、北部和南端为正,四周为负变化;第2模态的主要特征是从东南向西北由正到负变化且正值区明显偏多;第3模态从东南向西北呈现"正-负-正"的空间分布,其中负值区大部分为以林地为主的自然植被区和一年一熟农业植被,正值区大部分为农耕区和草原牧区,该模态大致反映了农牧区和林区的NDVI分布型。     

Biomass estimation using satellite remote sensing data—An investigation on possible approaches for natural forest

Vegetation type and its biomass are considered important components affecting biosphere-atmosphere interactions. The measurements of biomass per unit area and productivity have been set as one of the goals for International Geosphere-Biosphere Programme (IGBP). Ground assessment of biomass, however, has been found insufficient to present spatial extent of the biomass. The present study suggests approaches for using satellite remote sensing data for regional biomass mapping in Madhav National Park (MP). The stratified random sampling in the homogeneous vegetation strata mapped using satellite remote sensing has been effectively utilized to extrapolate the sample point biomass observations in the first approach. In the second approach attempt has been to develop empirical models with satellite measured spectral response and biomass. The results indicate that there is significant relationships with spectral responses. These relationships have seasonal dependency in varying phonological conditions. The relationships are strongest in visible bands and middle infrared bands. However, spectral biomass models developed using middle infrared bands would be more reliable as compared to the visible bands as the later spectral regions are less sensitive to atmospheric changes It was observed that brightness and wetness parameters show very strong relationship with the biomass values. Multiple regression equations using brightness and wetness isolates have been used to predict biomass values. The model used has correlation coefficient of 0.77. Per cent error between observed and predicted biomass was 10.5%. The biomass estimated for the entire national park using stratified and spectral response modelling approaches were compared and showed similarity with the difference of only 4.69%. The results indicate that satellite remote sensing data provide capability of biomass estimation     

Infrastructures and services for remote sensing data production management across multiple satellite data centers

With the number of satellite sensors and date centers being increased continuously, it is becoming a trend to manage and process massive remote sensing data from multiple distributed sources. However, the combination of multiple satellite data centers for massive remote sensing (RS) data collaborative processing still faces many challenges. In order to reduce the huge amounts of data migration and improve the efficiency of multi-datacenter collaborative process, this paper presents the infrastructures and services of the data management as well as workflow management for massive remote sensing data production. A dynamic data scheduling strategy was employed to reduce the duplication of data request and data processing. And by combining the remote sensing spatial metadata repositories and Gfarm grid file system, the unified management of the raw data, intermediate products and final products were achieved in the co-processing. In addition, multi-level task order repositories and workflow templates were used to construct the production workflow automatically. With the help of specific heuristic scheduling rules, the production tasks were executed quickly. Ultimately, the Multi-datacenter Collaborative Process System (MDCPS) were implemented for large-scale remote sensing data production based on the effective management of data and workflow. As a consequence, the performance of MDCPS in experiments environment showed that those strategies could significantly enhance the efficiency of co-processing across multiple data centers.     

基于多源遥感数据的大豆叶面积指数估测精度对比

近年来遥感技术的革新促使遥感源越来越丰富.为分析多源遥感数据的叶面积指数(LAI)估测精度,本文以大豆为研究对象,利用比值植被指数(RVI)、归一化植被指数(NDVI)、土壤调整植被指数(SAVI)、差值植被指数(DVI)、三角植被指数(TVI)5种植被指数,结合地面实测LAI构建经验回归模型,比较3类遥感数据(地面高光谱数据、无人机多光谱影像以及高分一号WFV影像)对大豆LAI的估测能力,并从传感器几何位置和光谱响应特性以及像元空间分辨率三方面分析讨论了3类遥感数据的LAI反演差异.结果表明： 地面高光谱数据模型和无人机多光谱数据模型都可以准确预测大豆LAI(在α=0.01显著水平下,R²均>0.69,RMSE均<0.40);地面高光谱RVI对数模型的LAI预测能力优于无人机多光谱NDVI线性模型,但两者差异不大(E_A相差0.3%,R²相差0.04,RMSE相差0.006);高分一号WFV数据模型对研究区内大豆LAI的预测效果不理想(R²<0.30,RMSE>0.70).针对星、机、地三类遥感信息源,地面高光谱数据在反演LAI方面较传统多光谱数据有优势但不突出;16 m空间分辨率的高分一号WFV影像无法满足田块尺度作物长势监测的需求;在保证获得高精度大豆LAI预测值和高工作效率的前提条件下,基于无人机遥感的农情信息获取技术不失为一种最佳试验方案.在当今可用遥感信息源越来越多的情况下,农业无人机遥感信息可成为指导田块精细尺度作物管理的重要依据,为精准农业研究提供更科学准确的信息.     

林地叶面积指数遥感估算方法适用分析

叶面积指数是与森林冠层能量和CO2交换密切相关的一个重要植被结构参数,为了探讨估算林地叶面积指数LAI的遥感适用方法和提高精度的途径,利用TRAC仪器测定北京城区森林样地的LAI,从Landsat TM遥感图像计算NDVI、SR、RSR、SAVI植被指数,分别建立估算LAI的单植被指数统计模型、多植被指数组合的改进BP神经网络,获取最有效描述LAI与植被指数非线性关系的方法并应用到TM图像估算北京城区LAI。结果表明,单植被指数非线性统计模型估算LAI的精度高于线性统计模型;多植被指数组合神经网络中,以NDVI、RSR、SAVI组合估算LAI的精度最高,估算值与观测值线性回归方程的R2最高,为0.827,而RMSE最低,为0.189,神经网络解决了多植被指数组合统计模型非线性回归方程的系数较多、较难确定的问题,可较为有效的应用于遥感图像林地LAI的估算。     

干旱区土壤盐渍化特征空间建模

当前,土壤盐渍化以及因灌溉引起的土壤次生盐渍化问题是我国干旱、半干旱区所面临的主要生态环境问题。在特征空间理论的支持下,以波谱分解技术为基础,以Landsat-TM、Landsat-ETM+多光谱遥感影像和野外调查数据为基础数据源,通过分析干旱区土壤盐渍化对地表生物物理特征的影响,探讨了表征盐渍化过程与地表生物物理特征之间的规律及定量关系,进而利用土壤盐渍化遥感监测中关键的3个指标——经过波谱分解技术获得的直接表征盐渍化的土壤盐渍化光谱、间接表征盐渍化的植被覆盖度和土壤水分含量协同构建了二维特征空间支持下的土壤盐渍化遥感监测模型VSSI(Vegetation fraction and Soil fraction Soil Index)、SVSI(Soil water contents and Vegetation fraction Soil Index)、SSSI(Soil water contents and Soil salinization fraction Soil Index)和三维特征空间支持下的土壤盐渍化遥感监测模型SVWSI和SDI。研究结果表明:基于三维特征空间建立的SVWSI(Soil salinization fraction-Vegetation fraction-Water contents Soil Index)和SDI(Soil Distance Index)模型对不同盐渍化程度土壤的敏感程度要高于基于传统二维特征空间建立的VSSI、SVSI和SSSI模型。其中,SVWSI和SDI模型与实测0—10 cm土壤盐分含量决定系数分别为R2=0.8325和R2=0.8646,这充分说明基于高维数特征空间所构建的土壤盐渍化遥感监测模型能更准确地反映盐渍化土壤地表盐量组合及其变化信息,且指标简单、易于获取,对于今后干旱区区域大尺度盐渍地信息提取以及动态监测研究具有重要意义。     

基于多源遥感数据的生态保护修复项目区监测方法评述

回顾了山水林田湖草生态保护修复项目的实施背景,针对生态保护修复项目监测监管范围广、技术难等问题,强调了基于多源遥感数据开展项目遥感监测的重要性与必要性。从监测指标拟定、遥感地物信息提取、多源遥感数据融合、动态变化检测等方面评述了基于多源遥感数据的生态保护修复项目区监测方法,包括基于中高空间分辨率遥感数据的地物信息提取、融合机器学习的非线性混合像元分析、基于混合像元分析的时空融合等。在总结技术和工作推进方面的优势、局限基础上,提出要结合实际工作,持续优化国土空间生态保护修复监测指标;充分挖掘遥感数据解析的相关算法潜力,提升地物信息提取和混合像元分析的精度;加强时空融合算法与变化检测方法的研究探索,加强相关方法的实践应用;以“山水林田湖草生态保护修复工程试点”项目为平台,建立稳定的国土空间生态保护修复遥感监测运行机制,加强科技创新,形成技术标准,指导工作开展。     

基于NOAA PAL数据集的地表蒸散遥感估算方法

基于NOAA AVHRR气象卫星长时间序列10 d合成的PAL数据集（分辨率8 km×8 km）以及地表能量平衡原理和“VI-T_s”方法,建立了地表蒸散的遥感估算方法,该方法不需要地面气象观测数据的支持,所需参数可直接从遥感数据反演或推算,并选择国际上著名的遥感蒸散模型——SEBS模型对新建模型进行了验证比较.结果表明：新建模型和SEBS模型模拟的地表蒸散值及其季节性变化趋势非常一致,说明新构建模型的模拟结果比较可靠,能够反映地表蒸散的实际情况.新建地表蒸散遥感估算模型可操作性强,为利用长时间序列的卫星遥感数据研究我国乃至全球地表蒸散的时空变化规律提供了一个新的途径.     

Dust source susceptibility mapping based on remote sensing and machine learning techniques

Dust source susceptibility modeling and mapping is the first step in managing the impacts of dust on environmental systems and human health. In this study, satellite products and terrestrial data were used to detect dust sources in central Iran using remote sensing and machine learning techniques. After recording 890 sites as dust sources based on field surveys and determining 14 independent variables affecting wind erosion and dust sources, dust source distribution maps were prepared through GLM (Generalized Linear Model), CTA (Classification Tree Analysis), ANN (Artificial Neural Network), MARS (Multivariate Adaptive Regression Spline), RF (Random Forest), Maxent (Maximum Entropy), and ensemble algorithms. Specifically, 70% of dust source sites were used as training data and 30% were used for algorithm performance evaluation through different statistical methods such as partial ROC (Receiver Operator Characteristic), sensitivity, specificity, and TSS (True Skill Statistics). According to the results, following the ensemble model, RF had the highest and GLM had the lowest performance in dust source detection. According to the ensemble model, precipitation with a mean weight of 0.3 followed by evaporation, temperature, and soil moisture with mean weight of 0.173, 0.16, and 0.153, respectively, were the main driving forces in dust susceptibility mapping. This model classified 40.92% of the study area with low potential, 15.37% with medium potential, 25.77% with high potential, and 17.94% with very high potential. The research findings indicate that the integration of remote sensing and prediction algorithms can be used as a useful means for predicting the spatial distribution of dust sources in arid and semi-arid regions.     

基于遥感数据的东海浮游植物生物量时空变化研究

基于地理位置、纬度和生态特征的不同在东海选取了9个面积相同的子区域,采用1997-2015年由SeaWiFS(Sea-Viewing Wide Field-of-View Sensor)和MODIS(Moderate-Resolution Imaging Spectroradiometer)传感器获得的叶绿素a浓度资料,对我国东海浮游植物生物量的时空变化和藻华现象进行了分析。通过高斯曲线模型拟合,得到了藻华爆发的起始时间、峰值时间、结束时间及持续时间。研究表明东海浮游植物生物量在空间上的分布规律为:外海浮游植物生物量小于近岸;长江口和台州列岛海域的浮游植物生物量较大,近黄海海域的两个区域次之,较小的位于南麂列岛海域和台湾海峡,越靠近南部海域浮游植物生物量越低。藻华发生的规律为:以南麂列岛为分界线,由高纬度到低纬度,浮游植物到达藻华发生峰值的时间持续推后,爆发持续时间增长。     

基于遥感和地面数据的景观尺度生态系统生产力的模拟

描述了一个反映系统碳循环和水循环的景观尺度生态系统生产力过程模型(EPPML)．该模型以遥感图像作为数据源,从中获取影响植被生产力的重要变量——叶面积指数(LAI);主要对景观尺度生态系统的净初级生产力(NPP)和蒸散量的空间分布格局和时间动态进行模拟;用地理信息系统(GIS)手段对空间数据进行处理、分析和显示,从而实现将植物生理生态研究的结果从小尺度向中尺度进行拓展和转换．本研究用EPPML对1995年长白山自然保护区的植被生产力进行了模拟,结果表明,EPPML可以比较准确地模拟该保护区主要植被的NPP．NPP的模拟值年均为0．680kgC·m^-2,变幅为0．105—1．241kgC·m^-2(82.1％),其中阔叶红松林的年NPP最高(1．084kgC·m^-2)．NPP年总量为1．332×10^6tC,以阔叶红松林和云冷杉林最高,分别为0．540×10^6tC和0．428×10^6tC．NPP的季节变化呈明显的单峰型,7月最大(6．13gC·m^2·d^-1)．NPP在夏季积累最多(0．465kgC·m^-2),春季次之,冬季最少。     

青藏高原冬季枯草生物量遥感估算

草地生物量是高寒草甸生态系统功能状态与生产效益的基础指标。然而,青藏高原冬半年非生育期,包括生物量在内的牧草要素观测全面中止,使得冬季成为牧草观测的一个空白期。通过2020年8月—2021年4月在青海海北高寒草地逐月牧草参数与高光谱野外同步观测试验,进行了牧草不同月份、不同衰减状态下生物量、表观状态、光谱特征的观测及其动态变化过程分析。结果表明,高寒冬季牧草生物量总体呈迅速下降和相对稳定两个阶段。8—10月牧草生物量处于迅速衰减下降阶段,牧草生物量由8月的9225 kg/hm²急剧下降至10月的3536 kg/hm²,降幅近160%,11月—次年4月则进入总体稳定阶段。利用衰减过程牧草生物量与反射光谱间关系,提出了一种修订的归一化枯草植被指数(R-DGVI),该指数在低覆盖与高覆盖植被区均表现出较好的枯草识别能力,具有相比NDVI更强的枯草识别能力与更宽的阈值范围。在此基础上,建立的中分辨率成像光谱仪(MODIS)卫星冬季枯草生物量遥感估算模型R²达到0.5627(P<0.01),进一步,通过给出5个等级枯草生物量...     

极端气候胁迫下西南喀斯特山区生态系统脆弱性遥感评价

全球气候变暖导致极端天气事件频发,针对西南喀斯特山区的特殊地理国情(水土流失和石漠化严重),引入了大尺度景观格局指数(香农均匀性指数和蔓延度指数)和极端气候指数(极端高温日数、极端低温日数和极端降雨日数),构建了生态系统脆弱性遥感评价体系,进而分析和探讨了该地区近13年的生态系统脆弱性时空变化格局和驱动机制,研究结果表明:西南喀斯特山区的生态系统则属于轻-中度脆弱,其分布格局表现为以川滇黔为核心向周边减小的趋势。2000—2013年,西南喀斯特山区的生态系统脆弱性表现为先增加后减小的趋势。近13年西南喀斯特山区的生态系统脆弱性时空变化格局受人类活动(不同产业GDP和人口密度)、降水、地形地貌、水土流失、石漠化等因素影响较为显著。本研究可以为西南喀斯特山区的生态系统保护及生态环境的恢复与治理提供决策依据和技术支持。     

基于多时相MODIS数据的东北地区一季稻面积提取

利用2007-2008年MODIS/Terra陆表反射率数据提取的归一化植被指数(NDVI)、增强植被指数(EVI)及陆表水分指数(LSWI),分析了东北地区水稻、旱田、林地、湿地和水体5种不同下垫面在作物生长季的动态变化,同时结合水稻发育期观测数据,建立了东北地区一季稻面积提取模型,并制作了东北地区水稻种植面积分布图.以辽宁盘锦为试验区,利用ALOS数据提取结果对该模型进行了试验,提取精度达到89.5％,结果表明该方法可以较高精度进行大范围的一季稻种植面积提取.     

不同利用状况下草原遥感估产模型

在内蒙古自治区的温性草甸草原、温性草原、温性荒漠草原、温性草原化荒漠和温性荒漠5种具有代表性的草地类型区地面观测数据的基础上,考虑草地的利用状况信息,分类建立了产草量与4种植被指数(由MODIS数据计算得到)的回归估产模型,将利用状况这一定性变量作为虚拟变量与遥感估算模型相结合,找出了3种利用状况下的鲜草产量最优混合估算模型和估算指数。结果表明:(1)EVI是反映产草量变化的最好指标,分类构建的模型平均测产精度达到了80%;(2)将利用状况作为虚拟变量考虑之后建立的混合测算模型精度达到了79%,明显高于利用状况未知时构建的混合模型的精度,比分类建模应用更简洁方便。