基于多波段差值比值法的秦皇岛海域赤潮监测方法

为了解秦皇岛海域赤潮的发生情况,通过利用预处理后的MODIS遥感数据,针对单波段比值法的不足,提出了多波段差值比值法来提取赤潮信息,并对两种方法进行了对比实验。实验结果证明多波段差值比值法提取的位置及面积与事实更加相符,说明该方法更适合秦皇岛海域的赤潮监测。

基于GF-4卫星遥感数据的赤潮信息识别方法——以秦皇岛海域为例

渤海是我国海洋生态监测保障的重要区域,特别是秦皇岛海域,是赤潮灾害的重点监控区。卫星遥感监测方式在赤潮灾害监测中优势突出,加强赤潮遥感监测方法研究具有重要意义。文章通过分析赤潮水体和非赤潮水体的光谱特性差异,构建了针对GF-4卫星波段特征的水体光谱特性曲线,提出了基于GF-4卫星第2、3、5波段的三种赤潮信息识别方法,并将方法应用于秦皇岛海域赤潮监测。结果表明,双波段差值法识别赤潮信息效果较好。该研究可为秦皇岛附近海域赤潮监测工作提供技术支持。

湖泊水体遥感提取方法比较研究

本文以位于我国不同地区的10个湖泊为研究区域,对波段差值模型、FAI模型以及NDWI和近红外波段模型等3种水体提取模型进行了比较,分析其在MODIS数据湖泊水体识别方面的效果。模型中的阈值分别采用大津法和迭代法计算。结果表明,波段差值模型在西部地区湖泊的应用效果较好,而NDWI和近红外波段模型在东部地区湖泊的应用效果较好,两者总体上比FAI模型更为准确地提取了湖泊水体信息。此外,大多数情况下大津法和迭代法得到的阈值是相近的。

西藏高原青稞三种植被指数对红外增温的初始响应

气候变暖影响着农作物生长及其植被指数。为了探讨西藏高原青稞(Hordeum vulgare Linn.var.nudum Hook.f.)归一化植被指数(normalized difference vegetation index,NDVI)、归一化绿波段差值植被指数(normalized green difference vegetation index,GNDVI)和土壤调节植被指数(soil adjusted vegetation index,SAVI)对气候变暖的初始响应,2014年5月在西藏达孜县布设了一个红外增温实验(3个水平,即对照,1 000和2 000 W红外增温)。通过对2014年6─9月利用农业多光谱相机获取的3种植被指数和利用HOBO微气候观测系统获取的两个深度(5和20 cm)的土壤温湿度的统计分析,探讨了西藏高原青稞植被指数对红外增温的响应及其与土壤温湿度的相互关系。结果表明,1 000和2 000 W的增温使5 cm的土壤温度(t5)分别升高了约1.62和1.77℃,使20 cm的土壤温度(t20)分别升高了约1.16和1.43℃;相反使5 cm的土壤湿度(SM5)分别下降了约1.8%和14.1%,使20 cm的土壤湿度(SM20)分别下降了21.6%和14.7%。1 000 W的增温使NDVI、GNDVI和SAVI分别增加了约2.4%、4.3%和0.5%;2 000 W的增温则使NDVI、GNDVI和SAVI分别增加了约5.5%、5.3%和4.8%,尽管增加幅度并不显著。单因子回归分析表明,t5与NDVI(r2=0.110,P=0.026)和GNDVI(r2=0.254,P=0.000 4)为负相关,而与SAVI无关(r2=0.069,P=0.082);t20与GNDVI为负相关(r2=0.218,P=0.001),而与NDVI(r2=0.040,P=0.190)和SAVI(r2=0.014,P=0.443)无关;SM5与NDVI(r2=0.277,P=0.000 2)、GNDVI(r2=0.394,P=0.000 0)和SAVI(r2=0.208,P=0.002)为正相关。SM20与GNDVI为正相关(r2=0.193,P=0.003),而与NDVI(r2=0.059,P=0.107)和SAVI(r2=0.037,P=0.209)无关。多重回归分析表明,SM5主导着NDVI、GNDVI和SAVI的变异。偏相关分析表明,NDVI、GNDVI和SAVI与SM5的相关系数分别为0.442(P=0.003)、0.412(P=0.007)和0.404(P=0.008);与SM20的相关系数分别为-0.042(P=0.792)、0.051(P=0.749)和-0.033(P=0.837);与t5的相关系数分别为-0.154(P=0.332)、-0.019(P=0.907)和-0.170(P=0.282);与t20的相关系数分别为0.228(P=0.147)、-0.041(P=0.795)和0.268(P=0.086)。因此,红外增温引起的干旱抑制了青稞的生长,进而影响了植被指数,即植被指数的不显著变化可能与红外增温引起的土壤干旱有关。

一种基于NDISI的复合权重波段双差值不透水面提取指数

针对现有遥感指数提取不透水面取结果中混有沙地、裸土等噪声的问题,本文在传统NDISI的形式基础上,提出一种新型的复合权重双差值不透水面指数(Composite-Weighted Double-Difference Impervious Surface Index,CWDDISI)。通过波段的2次差值扩大不透水面和裸地的光谱表现差距,并以植被指数和夜光灯数据作为约束权重,以此提高热红外波段中的不透水面信息比重的同时降低噪声地物的干扰。本文利用Landsat8 OLI-TIR、Landsat7 ETM+以及Sentinel-2A光谱数据,结合珞珈一号、DMSP-OL以及VIIRS/DNB夜光数据,选取广州市、西安市、咸阳市以及深圳市、北京市为实验区展开对比实验。研究结果:①CWDDISI具有很好的多区域适用性。在2018年的数据集上,相较于NDISI,CWDDISI在以山地为主的广州市试验区和以平原为主的西安市、咸阳市实验区中,其不透水面提取总精度分别提高了6.02%和7.56%,Kappa系数提高了0.078和0.104;②CWDDISI具有很好的多时相数据适用性。实验选取2002年和2016年的Landsat7 ETM+多时相数据,以深圳市和北京市为实验区展开对比;相较于NDISI,CWDDISI的不透水面总精度分别提高了1.74%和2.13%,Kappa系数分别增加了0.028和0.076。通过实验对比结果可证明,CWDDISI能够克服传统不透水面指数难以区分不透水面信息和裸土区域的问题,为后续不透水面指数的研究提供参考价值。

自然图像中的绿色植物提取

针对绿色植物图像提取的难题,本文在自然图像中,以颜色差异为基础,通过波段差值,建立目标与背景差异图像。然后通过图像分割,将绿色植物提取出来。差异图像的建立主要是利用三波段的差值方法突出绿色植被信息。通过差值处理可以将绿色植被突出。实验结果表明,该方法简单有效,便于实现。对绿色植被的提取有着重要的实际意义。

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。

基于多时相DOM的线性文化遗产自动化监测

提出一种将遥感技术应用到线性文化遗产的自动化监测方法,即基于多时相数字正射影像图(digital orthophoto map,DOM),运用多波段差值法以及面向对象分类监测方法,对线性文化遗产(以苏州宝带桥段遗产保护区为例)进行了自动化监测研究。实验结果表明,两种方法均可用于线性文化遗产自动化监测,但面向对象的分类监测法对连续的、大面积的地物变化更有效,多波段差值法对离散的地物变化更加敏感。该研究为我国线性文化遗产自动化监测与保护提供了思路,具有一定的推广价值。

基于时差特征与随机森林的水稻种植面积提取

准确提取水稻种植面积是探讨气候变化背景下水稻生产与粮食安全的重要前提。我国南方的水稻种植区域,地块破碎且受云雨天气影响严重,如何充分利用有限时相的数据获得较高精度的水稻面积提取是亟需解决的关键问题。提出了一种利用两个时相的数据,通过构建差值特征突出水稻物候变化的特点,并与随机森林算法结合高精度提取水稻种植面积的方法。将之应用于湖南省常德市鼎城区的水稻种植面积提取,结果表明:采用本方法进行水稻提取的最终总体精度达到93.01%,Kappa系数0.91,与单时相提取结果相比,总体精度提高了近3%。为了进一步分析差值特征对其他分类器的改进效果,分别将差值特征与决策树和随机森林组合,并分析了两种组合提取水稻的精度。研究发现构建的差值特征能够有效反映植物的生长状况,增加地物的可区分性,可为对象的分割及分类提供更多有用的信息,能够有效改善水稻种植面积的提取精度。