混合像元分解在石漠化信息提取中的应用进展

为有效实现石漠化信息提取,概括性地从像元级和亚像元级2方面介绍石漠化信息的遥感提取方法,重点介绍混合像元分解技术的数据源、端元提取方法、模型算法及结果应用,结果表明,混合像元分解技术能较好地解决混合像元问题,为利用非线性混合像元分解模型开展石漠化信息提取提供参考。

基于决策树和混合像元分解的城市扩张分类

当今,城市扩张备受关注,通过遥感影像可以快速获取土地利用信息,但由于混合像元现象的存在,使得影像分类精度很难提高。首先对影像作决策树分类,获得初步分类结果和混合像元区域,然后利用混合像元线性分解模型对其进行分解,最后利用地学知识和野外调查资料进行结果后处理。实验结果表明:从两年的建筑信息的分类精度基本保持在80%以上,总体分类精度接近90%,Kappa系数达到0.84来看,此结果能够满足城市扩张分析的要求。

基于土壤植被光谱协同分析的土壤盐度推理模型构建研究

土壤组成较为复杂,单纯利用土壤光谱信息探测土壤盐度,反演精度不足以满足实际需求。通过遥感获取的植被信息(植被类型和生长状况)可间接反映土壤盐分的空间分布特性,弥补上述不足。为此,基于干旱区土壤盐度与植被之间的协同变化,尝试结合土壤和植被光谱信息,借助二维特征空间理论,构建土壤盐度推理模型,提高土壤盐度推理精度。对于干旱区单个像元下土壤光谱的影响,利用归一化植被指数(normalized difference vegetation index,NDVI)难以准确反演干旱区稀疏植被参数。因此,首先利用线性混合像元分解模型(linear spectral unmixing model,LSUM)提取研究区地物组分,构建植被组分指示因子(combined vegetation indicative factor,CVIF)方程,并与土壤盐度指数(salinity index,SI)构建二维特征空间。分析二维特征空间内散点走势与土壤盐分之间的关系,建立土壤盐度推理模型(salinity inference model,SID)。验证结果显示,CVIF提取的植被信息精度(R^2>0.84,RMSE=3.92)高于应用较为广泛的NDVI(R^2>0.66,RMSE=13.77)。构建的SID模型与前人基于NDVI建立的联合光谱指数(combined spectral response index,CORSI)相比,前者(R^2>0.86,RMSE=6.86)推理精度优于后者(R^2>0.71,RMSE=16.21)。由此得出结论,基于土壤和植被光谱信息双重判定的SID模型对土壤盐渍化的高精度遥感监测研究具有较好促进作用。

基于无人机高光谱影像的植被覆盖度遥感估算模型比较

为了探寻光谱解混模型估算植被覆盖度的精度及适用性,对广东省中山市民众镇义仓村内的一块香蕉林地,利用无人机高光谱数据,比较了3种植被覆盖度估算的经典模型(像元二分模型、Carlson模型和Baret模型)以及目前较为常用的3种光谱解混模型(线性光谱混合模型(Linear Mixed Model,LMM)、后验多项式非线性混合模型(Polynomial Post-nonliner Mixing Model,PPNMM)和考虑光谱变异的正态组分模型(Normal Compositional Model,NCM))估算植被覆盖度的效果.实验结果表明:像元二分模型高估了植被覆盖度;Carlson模型低估了植被覆盖度;Baret模型在低植被覆盖度区域内高估了植被覆盖度、在高植被覆盖度区域内低估了植被覆盖度;LMM模型在高植被覆盖度区域有较好的估算效果;PPNMM模型在低植被覆盖度出现小幅度高估;NCM模型估算的效果最佳.

基于无人机高光谱影像的互花米草植被覆盖度反演

植被覆盖度是反映植被生长状况和描述植物冠层结构的关键参数,利用遥感技术探寻最佳反演方法具有重要意义。本研究选取黄骅滨海湿地互花米草群落作为研究对象,基于高光谱影像以面向对象分析方法提取的植被覆盖度作为验证数据,对四种混合像元分解模型(像元二分模型、Carlson模型、Baret模型和SDVI模型)及随机森林模型的反演精度进行了比较。结果表明:(1)在整个研究区内,像元二分模型有高估植被覆盖度的趋势;Carlson模型、Baret模型及SDVI模型均有低估植被覆盖度的趋势;随机森林回归模型在研究区内反演精度最高。(2)在低植被覆盖度区域内,四种混合像元分解模型均有高估植被覆盖度的趋势,模型反演精度仍以随机森林最优,其RMSE、RPD及R2分别达到0.073、2.454及0.903。(3)在高植被覆盖度区域内,仅随机森林模型可应用于植被覆盖度反演。

提高城市TM图像分类精度的两种方法比较

城市遥感图像分类是获取城市绿地空间分布状况的基础,然而混合像元的存在导致分类精度不高。因此,提出了混合像元分解模型结合神经网络法(MPD-NN法),利用其对北京市TM图像进行地物分类,并与较常用的决策树法分类结果比较,研究在图像现有空间分辨率的条件下提高城市分类精度。结果表明,MPD-NN法分类可较为有效地处理城市遥感图像存在的混合像元问题,可以提高城市分类精度,分类精度高于决策树法,其总体精度和Kappa精度均将近90%,水体、草地、农田、裸地、林地的分类精度在85%以上,高密度建筑区、低密度建筑区、水泥地的分类精度接近80%,也均高于决策树法,是遥感分类较精确识别城市下垫面地物的一种可行方法。

定西市安定区植被覆盖遥感调查方法研究

植被覆盖度是研究地表植被状况的重要指标。以定西市安定区为研究区域,以混合像元分解模型为基础,探讨了遥感估算植被覆盖度的方法和一般工作流程,其结果经检验与定西市水土保持科学研究所的地面实测数据基本相符。该方法不需要进行大范围的野外考察,节约成本,经济方便,适于植被覆盖度的动态监测研究。

海南城市发展进程遥感监测分析与模拟

基于混合像元分解模型与CLUE-S模型相结合的方法,对海南省三亚市和海口市两个不同类型城市在2000–2015年期间的城市化进程进行了监测,模拟分析了两个城市2020年城市土地利用分布格局及异同.结果表明,海口市和三亚市在15年来均存在大幅度城市扩张情况,其中三亚市扩张了3.4倍,扩张程度更为巨大.实验表明,所采用的混合像元分解模型与CLUE-S模型相结合的方法能够提供更加精细的城市发展过程信息,有助于城市规划与国土资源决策.

陕西省植被退化及其驱动因素分析

基于2000—2013年250 m分辨率MODIS NDVI数据,运用混合像元分解模型计算植被覆盖度,评价陕西植被退化情况,分析引起植被退化的主要因素,为进一步开展生态、城镇建设规划提供依据。结果表明:1)陕西省植被退化区域主要分布在以西安市为主的关中城市群和榆林市以北的沙漠地带。植被退化面积最多的市是西安市,其次是榆林市,最少的是安康市。2)植被变化以改善和变化不明显为主,分别占土地总面积的48.03%和49.10%;植被退化面积较少,占土地总面积2.87%,其中轻度退化、中度退化和重度退化的面积分别占总土地面积的1.39%、0.56%和0.92%。3)植被退化主要发生在农田,占总退化面积的54.36%。4)植被退化面积与新增建成区面积的关系达到极显著程度,说明随着城镇化的不断发展,城镇用地不断扩张,大量农田、森林、草地等植被覆盖度高的土地被占用,直接导致植被退化,因此在城镇规划中应重视绿地园林建设;榆林市以北的沙漠地带局部区域植被仍在退化,应继续保护治沙成果和治理裸露沙地。