高分二号数据在湖北大冶矿山地质环境调查中的应用

遥感技术可用于监测和分析矿山开采活动造成的土地资源和生态环境破坏情况,对于矿区生态环境保护具有重要的现实意义.以湖北大冶为研究区,采用高分二号国产卫星遥感影像,在分析地表地物光谱特征和空间特征基础上,用波段运算和密度分割,对受污染的水体和植被进行增强处理并定性分析水体污染级别,用最大似然法监督分类对矿区进行土地利用分析,监测重要矿集区的矿山开发状况和矿山环境变化.就高分二号数据在大冶地区矿山地质环境调查应用进行探讨和分析评价,为合理保护矿区生态环境和国产高分数据在地质调查中的应用提供参考.

高分二号影像树种识别及龄组划分

以福建将乐国有林场为研究区,探索高分二号(GF-2)影像在树种识别及龄组划分上的潜力。实测研究区主要树种的冠层光谱曲线,分析不同树种在光谱上的反射差异。在影像预处理后结合归一化植被指数(normalized difference vegetation index,NDVI)和地形因子构建多波段遥感影像,采用面向对象的多尺度分割,提取光谱和纹理属性并进行属性筛选;然后,基于光谱、纹理和辅助数据不同组合的7种分类方案,采用随机森林法对研究区马尾松、毛竹及杉木3个龄组进行分类,定量分析光谱、纹理和辅助数据在树种分类中的作用。结果表明,光谱结合4方向纹理方案的总体分类精度为87.4%,Kappa系数为0.85,马尾松、毛竹和杉木各龄组得到有效分类;在最优属性集下随机森林分类器能达到较好的分类效果。研究可为GF-2影像应用于南方集体林区森林资源调查和管理提供借鉴。

基于高分二号多光谱数据的树种识别方法

树种识别一直是困扰遥感研究的一个难点,而国产高分二号识别地物和树种具有巨大潜力。选取四川省甘孜州道孚县为研究区,利用高分二号4m多光谱遥感影像,并结合该县的森林资源二类调查结果数据,分别采用最大似然法和支持向量机方法,对利用高分二号数据在树种识别应用中的可能性进行探讨。研究结果表明:所采用的两种方法识别出研究区域主要树种的精度都高于80%,其中:采用最大似然法分类精度为81.79%,支持向量机方法分类精度为86.75%。在先验知识的支持下,利用高分二号多光谱影像也可用于树种识别研究中。

基于嫦娥二号数据的高分辨率影像拼接方法研究

以嫦娥二号(CE-2)DOM数据为几何纠正和色调调整底图,采用SIFT自动匹配算法实现影像精纠正,并提出一种基于直方图匹配思想的线性变换色调调整方法,最终完成嫦娥三号(CE-3)着陆区高分辨率窄角相机(LROC-NAC)影像快速拼接,为着陆点周围的地形地貌和地质构造综合分析提供数据。结果表明,该方法解决了LROC-NAC高分辨率影像快速拼接关键问题,实现了色调连续、纹理清晰、地物完整的拼接效果,具有较高的应用价值。

基于GF-2遥感影像的机械性破损面提取方法

机械性破损面容易引发水土流失、次生地质灾害等生态环境问题,但目前还缺乏其基于遥感影像的有效提取方法。选择机械性破损面分布密集的云南省螳螂川流域为研究对象,基于高分二号(GF-2)遥感影像,探讨其基于纹理特征辅助的面向对象提取方法。根据7类地物特征建立地物分类规则,在最优尺度分割的基础上,基于光谱特征的决策树A和基于“光谱+纹理”特征的决策树B进行面向对象的分类。经过精度评价分析得出,相对于传统的监督分类法和仅基于光谱的面向对象分类法,基于“光谱+纹理”特征的决策树B分类方法使Kappa系数和总精度分别提高至0.82和86.25%,有效地提高了机械性破损面的提取精度。

基于矩匹配算法的GF-2影像条带噪声去除

高分二号（GF-2）是我国第一颗空间分辨率优于1 m的民用光学遥感卫星,波长范围从可见光到近红外,星下点空间分辨率可达0.8 m.在工作中发现GF-2数据中随机出现条带噪声,影响了数据的解译和信息提取.分析了GF-2数据条带噪声特点,选用矩阵匹配算法,对遥感影像中的条带噪声进行去除,并对去除效果进行评价.结果表明,矩匹配算法能有效去除GF-2国产卫星数据的条带噪声.

国产GF-2和ZY-3卫星数据在活动断裂定量研究中的应用——以哈思山南麓断裂带为例

利用国产GF-2和ZY-3卫星数据,以海原断裂带哈思山南麓断裂为例,应用目视综合解译、三维立体解译,结合野外验证,定量分析国产高分数据在活动构造定量研究中的应用潜力。GF-2融合影像展示了清晰的断层陡坎、冲沟左旋断错及同震破裂等现象,依据解译结果哈思山南麓断裂可分为正走滑型的荒凉滩—沙葱沟段、左旋走滑型的沙葱沟—黄河段以及以左旋运动为主黄河—沈家庄段。沿断裂带进行的1∶50 000遥感解译工作在地层边界、构造微地貌细节信息提取等方面均有较大的改进,解译得到的最小左旋水平位移量4.3m,反映1920年海原地震的水平同震位移量,而最大左旋水平位移量333.5m,则反映该段晚第四纪的持续运动。研究表明,海量国产高分辨率卫星数据在中国西部活动构造定量研究中可替代国外同等分辨率的数据,具有较强的应用价值。

基于GF-2数据的G314沿线奥-塔段地质灾害遥感调查

为充分发挥国产高分辨率卫星数据的优势,探索中巴经济走廊沿线地区地质灾害遥感调查方法,文章以高分二号(GF-2)遥感数据为主要信息源,对中巴公路G314沿线奥依塔克—塔合曼段(简称“奥-塔段”)的滑坡、泥石流、崩塌、冻融泥流、冰湖溃决、冰碛物长程滑坡等地质灾害进行1∶50000详细解译,共圈定灾害点146处,结合实地验证结果,综合分析了灾害形成的地质环境、分布特征及发育规律,给出了防治建议。研究结果为中巴公路沿线的地质灾害研究提供了基础资料,也为GF-2数据在地质灾害调查中的应用提供了技术支持。

融合Sentinel-2数据的高分五号高光谱数据降尺度

高分五号(GF-5)是中国首颗实现对大气和陆地综合观测的全谱段高光谱卫星,其搭载的可见短波红外高光谱相机AHSI提供的遥感数据拥有极高的光谱分辨率。然而,AHSI数据的空间分辨率为30 m,较低的空间分辨率限制了应用场景。为实现GF-5数据的降尺度,本文通过融合10 m哨兵二号(Sentinel-2)多光谱数据,生成10 m GF-5高光谱数据。在方法上,针对现有先进的信息损失引导的图像融合方法ILGIF(Information Loss-Guided Image Fusion)在高光谱图像降尺度中计算时间成本高的问题,本文提出了其快速版本FILGIF(Fast ILGIF)。另一方面,在降尺度过程中,本文考虑并估计了30 m GF-5高光谱数据和10 m Sentinel-2数据之间的尺度转换点扩散函数PSF(Point Spread Function),提高融合数据质量。实验结果验证了融合Sentinel-2数据用于GF-5高光谱数据降尺度的可行性。同时,结果表明:在获得与ILGIF相当精度的前提下,FILGIF大幅提高了运行效率;尺度转换PSF对降尺度过程有着重要影响,其准确的估计有助于获得更高精度的降尺度结果。

基于高分辨率遥感影像的糖料蔗生长期NDVI时序变化分析——以广西崇左市、百色市“双高”基地为例

为探究广西“双高”基地糖料蔗自茎伸长期至工艺成熟期NDVI时序变化规律,以及糖料蔗不同生长阶段的卫星遥感影像对监督分类的影响,文章利用遥感技术手段及利用归一化植被指数作为评判依据,以国产高分二号(GF-2)高分辨率遥感影像和“双高”基地范围作为数据基础,通过逐月随机抽取糖料蔗NDVI值研究其样本点数值分布规律以及不同生长阶段分类精度。经研究,得出糖料蔗样本的NDVI值在近工艺成熟期(11月)趋于正态分布,其余月份均存在一定程度的偏斜,且糖料蔗生长成熟反而导致其基于像元的监督分类精度下降。初步建立了研究区糖料蔗生长期NDVI时间序列库,为糖料蔗长势快速检测以及糖料蔗估产提供了重要参考依据,助力广西糖业信息化发展。

高分二号异轨立体数据的森林高度提取

森林植被碳储量的空间分布格局及其动态变化是陆地生态系统碳收支核算的基础。作为森林地上生物量的重要指示因子,森林高度的精确估算是提高森林植被碳储量估算精度的关键。现有研究已证明,由专业星载摄影测量系统获取的立体观测数据可用于森林高度提取,但光学遥感数据最大的问题是受云雨等天气因素的影响严重。区域森林地上生物量产品的生产需要充分挖掘潜在数据源。国产高分二号卫星(GF-2)虽然不是为获取立体观测数据而设计的专业星载摄影测量系统,但其获取的图像空间分辨率可达0.8 m,且具备±35°的的侧摆能力,在重复观测区域可构成异轨立体观测。本文以分别获取于2015年6月20日和2016年7月19的GF-2数据作为立体像对,其标称轨道侧摆角分别为0.00118°和20.4984°,以激光雷达数据获取的林下地形(DEM)和森林高度(CHM)为参考,对利用GF-2立体观测数据进行森林高度提取进行了研究。通过对立体处理得到的摄影测量点云的栅格化得到DSM,以激光雷达数据提供的DEM作为林下地形,得到了GF-2的CHM。结果表明GF-2提取的CHM与激光雷达CHM空间分布格局较为一致,两者之间存在明显的相关性,像素对像素的线性相关性(R2)达到0.51,均方根误差(RMSE)为3.6 m。研究结果表明,在林下地形已知的情况下,GF-2立体观测数据可用于森林高度估算。

波段自适应细节注入的高分五号与Sentinel-2遥感影像空谱融合

目的针对当前空谱融合方法应用到高光谱图像融合时,出现的空间细节信息提升明显但光谱失真,或者光谱保真度高但空间细节信息提升不足的问题,本文提出一种波段自适应细节注入的高分五号(GF-5)高光谱图像(30 m)与Sentinel-2多光谱图像(10 m)的遥感影像空谱融合方法。方法首先,为了解决两个多波段图像不便于直接融合的问题,提出一种波段自适应的融合策略,对多光谱图像波谱范围以外的高光谱图像波段,以相关系数为标准将待融合图像进行分组。其次,针对传统Gram-Schmidt(GS)融合方法用平均权重系数模拟低分辨率图像造成的光谱失真问题,使用最小均方误差估计计算线性拟合系数,再将拟合图像作为第1分量进行GS正变换,提升融合图像的光谱保真度。最后,为了能同时注入更多的空间细节信息,通过非下采样轮廓波变换将拟合图像、空间细节信息图像和多光谱图像的空间、光谱信息融入到重构的高空间分辨率图像中,再将其与其他GS分量一起进行逆变换,最终得到10 m分辨率的GF-5融合图像。结果通过与当前用于高光谱图像空谱融合的典型方法比较,本文方法对于受时相影响较小的城镇区域,在提升空间分辨率的同时有较好的光谱保真度,且不会出现噪点;对于受时相变化影响大的植被密集区域,本文方法融合图像有较好的清晰度和地物细节信息,且没有噪点出现。本文方法的CC(correlation coefficient)、ERGAS(erreur relative globale adimensionnelle de synthèse)和SAM(spectral angle mapper)相比于传统GS方法分别提升8%、26%和28%,表明本文方法的光谱保真度大大提高。结论本文方法的结果空间上没有噪点且光谱曲线与原始光谱曲线基本保持一致,是一种兼具高空间分辨率和高光谱保真度的高光谱图像融合方法。

1975年—2018年白洋淀湿地变化分析

白洋淀湿地生态功能重要、战略地位特殊,研究其时空变化规律具有重要意义。本文基于1975年—2018年间10期Landsat卫星遥感影像,辅以2017年—2018年高分二号(GF-2)卫星遥感影像,在野外考察湿地类型及其覆被特征基础上,人机交互解译获取各期土地利用/覆被分类图,从面积变化、类型转化、景观格局变化方面分析了近43年白洋淀湿地变化时空特征,讨论了影响分析结果的不确定性因素以及湿地变化成因。结果表明:1975年—2018年白洋淀湿地面积总体呈减少趋势,净变化-68.20 km2(-24.83%)。其中,1975年—1990年湿地面积波动性小、基本稳定,1990年—2011年湿地面积持续性减少,2011年—2018年湿地面积呈现增加趋势。湿地与非湿地类型相互转换区域主要分布于淀区南部、西部、北部的水体—水生植物—耕地—建设用地过渡区域。近43年白洋淀湿地景观趋于破碎、复杂和异质。遥感影像选取月份、年份,以及土地利用/覆被分类体系、分类方法,是影响分析结果的主要不确定性因素。气候、水文等自然因素变化,叠加工农业及城镇生活用水、上游水利工程蓄水、地下水开采等人为因素变化,是白洋淀湿地面积减少、趋于干化的成因。

结合曲率滤波的HTM算法去除遥感影像云雾

目的遥感卫星幅宽较大,成像区域内的薄云和雾很难区分,云雾降低了遥感影像的解译精度和对目标地物判别的准确性。传统的云雾去除方法是通过调整图像的对比度和饱和度来提高重建图像的质量,对不均匀分布云雾的适应性不强。为此,本文以"高分二号"(GF-2)遥感数据为例,提出一种结合高斯曲率滤波的雾度图(haze thickness map,HTM)求解算法。方法采用遥感影像的红波段进行HTM求解,首先通过不重叠的滑动窗口对整幅图像取暗像素,得到HTM估计值,利用高斯曲率滤波对其进行平滑,减少噪声干扰,保持地物边缘特征,并通过插值运算恢复到原图尺寸;然后利用改进的2维最大熵自动确定分割阈值,提取HTM中白色区域并抑制,对边缘处的像素值进行校正;最后通过HTM结果恢复出清晰影像。结果由目视判读结合评价指标进行评价,将改进的暗原色先验法、传统的HTM算法与本文改进的方法在不同地区含云雾的遥感影像上进行对比实验。本文改进方法所得结果与传统方法相比,灰度均值降低约34.96%,平均梯度提升约18.48%,信噪比提升约34.77%,对比度提升约39.41%,对于不均匀遮挡的云雾去除具有较好效果。结论改进的方法能够去除云雾干扰,有效改善影像数据的视觉效果,同时能够保留大量的细节信息,较传统方法更优。

通过训练样本采样处理改善小宗作物遥感识别精度

训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE(Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS(Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。