多源雷达遥感协同的鄱阳湖流域洪水淹没历时估算

洪水淹没历时是洪涝灾害损失评估的关键变量,为满足大尺度洪涝灾害遥感应急监测和灾损评估需求,亟需构建一种利用多源密集雷达遥感的流域洪水淹没历时估算方法。以2020年长江中下游鄱阳湖流域性洪水为例,综合利用国内外多源密集时相的雷达遥感数据,对鄱阳湖流域周边受灾地区的洪水淹没范围进行提取,在此基础上构建基于遥感的洪水淹没历时估算模型,并依据乡镇级平均淹没历时和水稻的淹没时长-产量损失关系对鄱阳湖周边地区进行洪涝灾情评估。结果表明:密集时相洪水淹没范围提取结果的Kappa系数高于0.89,流域洪水淹没历时为1~44 d,鄱阳湖流域周边地区受灾极其严重乡镇为新建县南矶乡、鄱阳县昌洲乡和永修县三角乡,重灾区为鄱阳镇、莲湖乡、蛟塘镇等,绝大部分地区为水稻不同程度减产的中度灾区,评估结果与实际灾情基本一致。本文提出的淹没历时计算和灾情评估方法具有大尺度、高频次和准确性等优势,可为流域性洪涝灾害应急监测和灾损评估提供支撑。

多源遥感降水数据在辽宁西部水文模拟中的应用研究

选用雷达遥感降水数据和卫星遥感降水作为水文模型的降水输入,以辽宁西部区域为研究区域,分析多源遥感降水数据在水文模拟中的适用性和精度。研究结果表明:经过修正后的雷达遥感降水数据和实测降水数据之间的误差值要小于卫星遥感降水数据;雷达遥感数据在水文模型中的模拟精度要好于卫星遥感降水数据,更适用于辽宁西部区域水文模拟。研究成果对于区域多源遥感数据在水文模拟中的应用提供相关参考。

遥感信息融合和分类器集成的地类高精度识别

针对光学和雷达遥感协同应用于城市地物类型高精度识别难这一问题,提出了一种信息融合与自适应提升(adaptive boosting,adaboost)和引导集成(bootstrap aggregation,bagging)分类器集成模型的遥感影像地物识别方法。该方法充分利用光学和雷达遥感数据提供的不同信息,达到提高遥感图像在地物识别方面应用的潜力。首先选择GS(Gram-Schmidt)、主成分变换(principal components transform,PCT)、HSV(hue,saturation,value)和改进的多孔小波算法(a trous algorithm for wavelet,ATWT)融合算法对信息源进行融合,然后采用bagging和adaboost集成算法对支持向量机(a library for Support Vector Machines,LibSVM)、功能树(function tree,FT)、快速有效的裂具算法(ripper alogrithm for fast,effective rule induction,JRIP)、序列最小优化算法(sequential minimal optimization,SMO)分类器进行集训练学习提高地类识别精度。研究以意大利北部帕维亚地区的ERS SAR与Landsat TM影像对为信息源,通过融合定量指标评价和典型地物识别应用验证,结果表明提出的多分类器模型能够充分利用光学和雷达遥感信息,稳健有效地进行地物类别提取,地物识别精度比单独使用光学和雷达数据提高15到17个百分点。

基于SAR-C的大兴安岭西麓地区主要农作物识别方法研究

雷达遥感能够克服复杂地形与气象条件影响,既可在恶劣的气候条件下,也可以在白天和黑夜发挥作用,具有较强的全天候、全天时的工作能力,这一特性优于可见光和红外波段的探测系统。大兴安岭地区,夏季多云,光学影像难以获取,对于遥感农作物识别造成了影响。该研究选取大兴安岭西麓部分地区为研究区域,以单极化多时相Sentienl-1A为数据源,采用最大似然法、CART决策树方法对研究作物种类进行提取,并对其结果进行了分析。通过分类结果数据比对,表明:在农作物识别中CART决策树分类方法能够提供较高的分类精度,作物识别精度达到80.257%,Kappa系数0.733。光学影像能够很好辅助雷达影像用于区分非耕地信息。SAR数据对大兴安岭西麓地区春小麦具有很好地识别效果。