基于GF-6/WFV卫星遥感的大田冬小麦叶片氮素含量估测

为对大田冬小麦叶片氮素含量(LNC)进行快速、准确及无损监测,通过在江苏省泰州泰兴市、盐城大丰区和南通如皋市布设冬小麦遥感监测大田试验,在获取试验样点冬小麦冠层红光波段反射率(REDref)、近红外波段反射率(NIRref)和计算的十个光谱指数(RVI、NDVI、DVI、SAVI、OSAVI、MSR、RDVI、EVI2、NLI和SVI)基础上,将12个遥感光谱指标与冬小麦LNC进行相关分析,选出与LNC相关性较好的作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型,并利用GF-6/WFV卫星遥感影像对县域冬小麦LNC的空间分布开展监测。结果表明,12个遥感光谱指标与冬小麦LNC之间存在不同程度的相关性,其中NDVI、RVI、MSR、OSAVI和NLI与冬小麦LNC的相关性较好(相关系数不低于0.65)。将优选的5个遥感光谱指标作为模型输入变量,构建基于BP神经网络的冬小麦LNC估测模型(LNC-BPEM),模型的估测精度r^(2)=0.866,RMSE=0.246%,ARE=12.9%。将冬小麦LNC-BPEM估测模型和GF-6/WFV影像结合对县域冬小麦LNC的空间信息监测,获得了如皋县域冬小麦LNC的空间分布特征,该区域冬小麦LNC范围在0.9%~2.0%(长势正常)的种植面积为29 693.3 hm^(2),占冬小麦总种植面积的74%。这说明利用GF-6/WFV卫星的多个遥感光谱指标与神经网络结合建模可有效估测县域大田冬小麦叶片氮素含量。

联合多时相GF-6 WFV和Sentinel-2的森林类型识别

【目的】我国南方地区多云雨,地型较破碎,森林类型精细识别较为困难,探讨联合多源、多时相的遥感数据对森林类型识别具有重要意义。【方法】以江西省信丰县为研究区,基于2019年森林资源二类调查数据,将森林划分为松林、杉木林、阔叶林、针叶混交林、针阔混交林、竹林、灌木林和其他林地等8种类型,利用随机森林算法比较GF-6 WFV和Sentinel-2最佳时相相同波段(紫/深蓝、蓝、绿、红、近红外、红边)和不同波段(黄边、短波红外)的森林类型识别能力,构建联合光谱特征集。联合多时相GF-6 WFV和Sentinel-2,构建多时相植被指数特征集,结合联合光谱特征集、纹理特征和地形特征,通过随机森林和递归消除法构建特征变量优选数据集进行森林类型识别,利用混淆矩阵和森林类型的实际分布对识别结果进行精度验证。【结果】(1)GF-6 WFV蓝、绿和红波段组合的总体精度为58.31%,分别加入紫、近红外、红边、黄边和Sentinel-2短波红外波段后,其总体精度分别提高1.99%、8.90%、10.71%、1.50%和14.10%;Sentinel-2蓝、绿和红波段组合的总体精度为54.68%,分别加入深蓝、近红外、红边、短波红外和GF-6 WFV黄边波段后,其总体精度分别提高3.30%、10.82%、12.92%、17.31%和3.97%。(2)特征变量优选数据集的总体精度和Kappa系数为80.80%和75.56%,贡献程度大小依次为GF-6 WFV多时相植被指数、Sentinel-2多时相植被指数、GF-6 WFV光谱特征、Sentinel-2光谱特征、地形特征和纹理特征,贡献率分别为40.44%、23.23%、18.12%、10.21%、4.61%和3.39%。(3)松林、杉木林、阔叶林、针叶混交林、针阔混交林、竹林、灌木林和其他林地的制图精度分别为86.97%、85.60%、88.61%、9.43%、19.01%、53.60%、86.90%和82.56%,用户精度分别为81.42%、79.79%、77.57%、71.43%、81.82%、67.00%、87.74%和82.88%,识别结果与研究区实际森林类型分布较吻合。【结论】联合多时相GF-6 WFV和Sentinel-2可以综合多时相、多源影像的优点,能够有效提高森林类型的识别精度。

GF-1与GF-6 WFV影像在滇池悬浮物浓度反演中的对比分析

总悬浮物(TSM)是水环境评价的重要参数之一,也是遥感水质反演的重要指标。GF-1/WFV和GF-6/WFV作为高分系列对外免费开放的卫星数据,在遥感监测中的应用较为广泛,但目前针对两种数据的对比分析以及GF-6/WFV新增波段在水体水质参数反演中的适用性研究较少。以云南滇池水域为研究区域,对与水体实测数据同步过境(或时相相近)的GF-1/WFV和GF-6/WFV遥感影像采用统计分析的方法进行相同波段(蓝、绿、红、近红外)一致性分析,在此基础上运用经验回归方法分别构建两种数据的TSM反演模型,并将加入GF-6/WFV新增波段的模型与GF-1/WFV构建的模型进行对比分析,选择最优模型应用于滇池2020年的6幅GF-6/WFV图像得到滇池TSM分布图。结果表明:GF-1/WFV与GF-6/WFV的蓝、绿、红、近红外波段的相关系数分别为0.98,0.98,0.97和0.99,两种数据的表观反射率具有很高的一致性。GF-1/WFV基于蓝、绿、近红外波段构建的差值模型“B2+B4-B1”反演精度较高,模型反演的均方根误差为6.35 mg·L^(-1),平均绝对百分比误差为23.60%。GF-6/WFV基于近红外、红边1和红边2波段构建的比值模型“1/B5+B6”反演精度较高,模型反演的均方根误差(RMSE)为3.07 mg·L^(-1),平均绝对百分比误差(MAPE)为20.65%,以GF-1/WFV构建的差值模型“B1-B4”与GF-6/WFV构建的“B5-B4”对比发现后者均方根误差减小了2.61 mg·L^(-1),平均绝对百分比降低了32.33%,实验表明加入红边波段的模型反演效果较其他模型更好。采用建模公式得到了2020年滇池TSM分布图,滇池TSM的变化范围在4~45 mg·L^(-1),均值为18.23 mg·L^(-1),总体空间分布呈现北重南轻的分布态势,滇池TSM时间分布表现为上升-下降趋势。该研究不仅可以为湖泊水质监测传感器波段设置提供参考和借鉴,也为滇池水资源监管部门进行水质遥感监测提供了技术支撑。

不同大气校正模型对GF-6 WFV影像清晰度的影响评价研究

为探讨不同大气校正模型对高分六号(GF-6)WFV影像清晰度的提升,利用主客观相结合的方法对大气校正后的影像清晰度进行评价。结果表明:1)不同大气校正模型对影像清晰度提升的效果不同。从基于地理视觉要素的主观评价来看,大气校正后的GF-6 WFV影像纹理特征更为明显,清晰度得以提升。2)基于影像特征的定量评价结果表明,不同的大气校正模型对GF-6 WFV影像清晰度提升程度不同,快速大气校正对影像提升效果最为明显。3)从基于色彩保真度的定量评价结果可知,不同大气校正结果对不同地物反射率影响较为明显,FLAASH大气校正结果更适合于植被遥感应用研究,快速大气校正模型的适用范围更广。

基于随机森林的GF-6 WFV和Landsat8 OLI遥感影像分类比较

高分六号卫星具有宽覆宽、多种分辨率、波段多的优势,能为遥感土地覆盖提供更丰富的信息。为了明确GF-6 WFV在土地覆盖分类中的重要性,以山西省浑源县为研究对象,选取同期Landsat8 OLI影像为对比数据集,采用随机森林分类方法进行土地覆盖分类对比研究,结果表明:GF-6 WFV和Landsat8 OLI总体分类精度分别为91.11%和87.87%,Kappa系数分别为0.89和0.85,说明GF-6 WFV的分类效果优于Landsat8 OLI。对比GF-6 WFV和Landsat8 OLI影像的地物光谱特征分析可知,各地物在两幅影像的近红外波段区分较明显,但是GF-6 WFV在红边波段对耕地、林地、草地和灌木的可分性更好,尤其是在红边2波段差异最明显;GF-6 WFV提取的地类面积占比更接近真实值,此外,GF-6 WFV具有更高分辨率的优势,在复杂地物类型分布的地区,GF-6 WFV的分类精度更高。

GF-6卫星WFV数据在林地类型监测中的应用潜力

为了了解"高分六号"(GF-6)卫星宽视场(WFV)传感器1A级产品数据品质,评估新增4个波段在林地类型分类研究中的应用潜力,文章以内蒙古鄂伦春自治旗的秋季GF-6卫星WFV数据为对象,开展了绝对定位精度的测试,并应用随机森林方法进行了林地类型分类研究。结果表明,GF-6卫星的WFV平原区数据几何畸变较小,无控制点有理多项式系数校正后图像配准的中误差在1个像元之内,有助于降低遥感技术应用的门槛,提高工作效率。新增的红边1、红边2、黄边波段对林地类型分类影响显著,整体分类精度从74%提高到80%以上,紫边波段对于森林类型分类也有所贡献。因此,GF-6卫星WFV的8波段多光谱遥感数据对中国大尺度森林资源、森林灾害等的宏观动态监测具有重要意义和极大应用潜力。

基于GF-6 WFV影像和CSLE模型的山区耕地侵蚀定量评价及特征分析

坡耕地是高原山区水土流失最主要的策源地,其严重的土壤侵蚀已经威胁到山区粮食安全和农业可持续发展。该研究以云南省土壤侵蚀较为严重的文山州为例,在第三次全国国土调查数据、水利普查抽样单元和GF-6WFV等多源遥感数据基础上,结合随机森林算法快速自动提取梯田,利用CSLE模型对山区耕地土壤侵蚀进行精细定量评估,并以空间自相关分析揭示土壤侵蚀空间分布特征。结果表明:1)文山州耕地空间异质性显著,以广南、西畴、马关一线为界,呈自西向东递减格局;坡耕地占耕地总面积的79.27%,3929.57 km^(2)耕地采取水土保持工程措施,占49.79%。2)全区耕地平均侵蚀模数为5180.72 t/(km^(2)·a),其中69.99%的耕地遭受轻度及以上侵蚀;耕地总侵蚀量达4081.50万t,其中未采取保护措施耕地的侵蚀贡献率为79.40%,土壤侵蚀对坡度和高程的响应存在差异,具有明显垂直地带性特征,1000~1800m高程带侵蚀情况严峻,3073.65万t侵蚀量源于20°以上陡坡,占侵蚀总量的75.30%。3)侵蚀空间聚集特征鲜明,文山州南部和东部为侵蚀高值中心,低值中心见于中西部和北部。利用区域侵蚀因子自动提取产品和空间自相关分析能够快速完成侵蚀精细定量评估,可为区域水土保持资源精准分配和生态环境建设提供参考。

GF-6WFV黄边波段在森林扰动监测中的应用潜力研究

为了探讨国产高分六号卫星多光谱宽视场成像仪(WFV)八波段数据在森林扰动研究中的应用潜力,本文基于北京市西山林场2018年10月-12月期间的4期高分六号卫星WFV数据,经数据标准化处理后,比较4波段和7波段黄边归一化植被指数(YNDVI)与标准NDVI在森林扰动信息提取方面的差异。研究结果表明在初秋至初冬的时间序列内,植被的季节性变化明显,GF-6 WFV的近红外波段对于森林扰动监测作用最大;基于近红外和黄边波段建立的YNDVI比近红外和红波段的NDVI更能有效反映森林扰动信息。因此,GF-6 WFV传感器的新增波段在森林资源监测、病虫害监测、森林火灾预警等多个方面具有巨大应用潜力。

GF-6 WFV光谱植被指数模型的叶面积指数反演

农业是国家经济发展的基础支柱,同时也是社会发展的基础产业。我国农业遥感技术的进步和发展,大量遥感卫星发射升空,如高分1号、2号和6号等,为我国农情监测、作物长势、农业产业结构调整提供了重要技术支撑。农业遥感成为农业科技创新和精准农业的重要手段。叶面积指数(LAI)是一种可用来衡量植被冠层生理与生化的关键指标,不仅可以用来评估植被冠层表面的最初能量交换情况,提供相应的结构定量数据,还能反映植被冠层的光谱能量信息。同时,在陆地气候变化情况下,叶面积指数是陆地生态系统和土地利用过程生产力模型的关键输入。此外,研究发现植被冠层受人为活动和气候变化的直接或间接影响时,叶面积指数也是陆地生态系统应对气候变化十分重要的衡量标准。因此,针对GF-6 WFV遥感影像叶面积指数反演研究较少和传统光谱植被指数模型机理性、稳定性较弱的问题。基于GF-6 WFV遥感影像以栾城县为试验区,通过光谱植被指数与实测叶面积指数构造5种传统光谱植被指数模型和15种红边参与的光谱植被指数模型反演乳熟期叶面积指数,采用R^(2)和RMSE进行模型评价,同时利用未参与建模的实测叶面积指数和MODIS LAI产品验证模型。实验结果表明:(1)由相关性分析可知,整体上讲,20种光谱植被指数与LAI具有显著相关性,相关系数在0.4以上,且红边参与构造的光谱指数相关性要高于无红边参与构造的光谱指数,其中NDSI的相关性最优;(2)由拟合分析可知,整体上讲,20种光谱植被指数与LAI拟合效果较好,其中NDS13的拟合精度是最高的,R^(2)为0.803,RMSE为0.3012。(3)由反演的空间分布可知,反演结果符合当地的实际情况。(4)由实测叶面积指数验证模型可知,实测叶面积指数与NDSI3模型反演的LAI整体拟合较好,R^(2)为0.804,RMSE为0.3125,说明该模型能有效反演乳熟期玉米的生长状况。(5)由MODIS LAI产品验证模型可知,LAIMODIS均值要高于LAIGF-6,这与MODIS影像像元混合严重和空间分辨率低有关。综上所述,GF-6WFV反演叶面积指数能力较强,其影像中红边参与构造的光谱植被指数模型能有效反演乳熟期叶面积指数,为玉米长势监测提供依据。

基于Sentinel-2与GF-6 WFV数据的花生种植面积提取差异分析

为比较基于Sentinel-2与GF-6 WFV数据对花生种植面积提取的差异,以许昌市榆林乡为研究区域,选取Sentinel-2和GF-6 WFV遥感数据相同波段,采用K邻近法和最大似然法提取花生种植面积,基于样本点构建混淆矩阵进行精度验证,并结合地面样方实测数据,比较对花生种植面积提取的相对误差。结果表明,2种分类方法对2种数据源的花生种植面积提取效果均可满足实际需要,制图精度均大于85%,用户精度均大于80%,相对误差均小于10%。提取结果显示,花生种植面积空间分布主要集中于西北部和东南部,东北部和西南部面积较少且分布零星。通过对比发现,采用面向对象的K邻近法能更好地避免复杂地物类型区像元错分及漏分问题,其总体精度、Kappa系数以及花生种植面积的制图精度、用户精度和面积相对误差等参数均优于传统基于像元的最大似然法。在同数据源不同分类方法时,2种数据源利用K邻近法的分类精度均高于最大似然法。说明面向对象的K邻近法可充分利用地物光谱特征及纹理特征,比基于像元的最大似然法取得更高精度的提取结果。在同方法不同数据源时,利用最大似然法对Sentinel-2花生种植面积的提取精度低于GF-6 WFV,利用K邻近法对Sentinel-2花生种植面积的提取精度高于GF-6 WFV。综上,由于Sentinel-210 m融合数据的空间分辨率高于16 m的GF-6 WFV,对细节的表达效果更佳,更适合用于提取种植结构复杂的小尺度区域。

基于GF-1/WFV与MODIS时空融合的森林覆盖定量提取

森林作为陆地生态系统的重要组成部分,因其巨大的碳储量和固碳能力而备受关注,利用高分1号卫星的NDVI数据(GF-1 NDVI)可实现森林覆盖的定量提取。然而,由于受阴雨天气、运行成本等因素的影响,难以形成GF-1 NDVI时间序列数据,无法满足森林覆盖高精度提取的需求,为此,以河南省嵩山部分地区为实验区,应用STAVFM算法融合GF-1/WFV NDVI与MODIS NDVI,生成8 d步长的GF-1/WFV NDVI时间序列数据,在此基础上,提取NDVI特征并与GF-1/WFV的光谱特征进行组合,最后,采用SVM分类方法实现研究区森林覆盖的定量提取。研究结果表明,利用STAVFM算法生成的GF-1/WFV NDVI时序数据效果理想,很好地解决了GF-1 NDVI时序数据的缺失问题,由其NDVI特征与GF-1/WFV光谱特征构成的组合能够实现森林覆盖的有效提取,基于SVM分类后的总体分类精度为94.72%,与未融入NDVI特征的GF-1/WFV原始影像的分类结果相比,提高了4.90个百分点。

基于GF-WFV的厦门海域水体悬浮物浓度反演

为利用遥感技术快速、及时的掌握厦门近岸海域水体中悬浮颗粒物的总体分布情况,现场测量了厦门海域水体的下行入射辐射、天空光以及经过水气界面后反射回的辐射,计算了该海域水体表面的离水辐射获得了水体表面以上遥感反射率;同时采集了与光谱信息同步的水体样品,并分析了水体中的悬浮颗粒物质量浓度,获取了对应站位的水体反射波谱曲线和采集样品的浓度数据.通过研究不同站位水体的反射光谱数据,依据GF-WFV波段设置,对现场实测的光谱数据进行了拟合,并创建了基于GF-WFV拟合波段的悬浮颗粒物浓度经验反演算法.通过研究发现拟合(Rrs3+Rrs4)/Rrs2(其中Rrs1、Rrs2、Rrs3、Rrs4分别是GF-WFV第1、2、3、4波段的遥感反射率)同实测水体悬浮颗粒物质量浓度之间的决定系数为0.655,依据研究得出的反演算法反演该海域水体悬浮颗粒物质量浓度,其均方根误差为11.03 mg/dm3,相对误差为8.40 mg/dm3.利用同步的GF-WFV遥感数据对厦门近岸水体中总悬浮颗粒物质量浓度进行了研究,获取了研究区水体悬浮颗粒物的空间分布情况,结果表明GF-WFV遥感数据能很好的反映厦门近岸水体悬浮颗粒物浓度分布状况.

基于GF-1/WFV时间序列的葡萄遥感识别

为研究GF-1时间序列影像的识别技术对大尺度葡萄信息识别提取的可行性,探索大尺度葡萄快速精确提取的新思路。基于GF-1/WFV时间序列影像数据分析试验区主要植被类型的归一化植被指数(Normalized difference vegetation index,NDVI)、增强型植被指数(Enhanced vegetation index,EVI)的时序变化特征,结合葡萄物候期构建决策树,提取宁夏贺兰山东麓葡萄的空间分布信息。结果表明,该方法可以有效提取贺兰山东麓葡萄分布信息,分类总体精度为95%,Kappa系数为0.91。葡萄提取的生产精度为93%,用户精度为96%。在时间序列数据中,葡萄提取的窗口期为3—5月掩埋期和7—9月生长旺盛期。NDVI时间序列能够较好地区分作物和防护林,EVI时间序列能够区分葡萄地和防护林。

基于GF-1 WFV数据森林叶面积指数估算

以国产高分一号(GF-1)宽幅数据(wide field of view,WFV)为数据源,采用简单生物圈模型2(simple biosphere model2,SiB2)对黑龙江省漠河县森林植被叶面积指数(leaf area index,LAI)进行估算,并与增强植被指数(enhanced vegetation index,EVI)线性模型的估算结果进行对比,结合地面实测LAI数据分别对这2种模型估算结果进行精度评价。结果表明,采用EVI线性模型估算LAI,决定系数R 2为0.582,均方根误差(root mean square error,RMSE)为0.701;而采用SiB2模型估算LAI,R 2为0.798,RMSE为0.358,均比EVI线性模型有所改善。该研究发现,结合中高空间分辨率的GF-1 WFV数据,SiB2模型更适宜于该研究区森林植被的LAI反演。

基于GF-1WFV数据的草原毒草白喉乌头空间分布监测与分析

【目的】验证GF-1WFV数据（空间分辨率为16m）在草原毒草白喉乌头（Aconitum leucostomum Worosch）遥感监测中的适用性，掌握白喉乌头在伊宁县托乎拉苏山地草甸草地的空间分布特征。【方法】利用经过FLASSH大气校正的GF-1WFV影像，结合高光谱特征分析，采用监督分类与目视解译相结合的方法，对研究区白喉乌头空间分布进行识别，并验证其分类精度。【结果】影像解译总体分类精度达96．0368％，Kappa系数为0．9377，分类结果较理想；高光谱特征提取和分析发现，在750—1050Bin波长范围内白喉乌头和牧草两种植被类型光谱差异明显；编绘了研究区白喉乌头空间分布图，并发现其空间分布总体上沿水沟的分布呈“带状”分布格局，且由北向南，呈递减趋势，主要分布在阳坡的中海拔地区；在东西方向上，向两边逐渐减少。【结论】白喉乌头在托乎拉苏山地革甸草地主要分布在阳坡、道路两侧，整体呈带状分布；分布格局为：北-南方向上，从无-多-少；东-西方向上，从多-多-少；GF-1WFV数据在草原毒草白喉乌头监测中具有较好可行性。

协同多时相国产GF-1和GF-6卫星影像的艾草遥感识别

艾叶具有巨大的食用和医用价值,近些年艾草种植面积在中国南方地区显著增加。掌握艾草空间分布信息对于区域作物种植结构调整、艾草产业布局优化具有重要现实意义。该研究以中国艾草主要生产地——湖北省蕲春县为例,探讨国产高分1号(GF-1)和高分6号(GF-6)卫星影像识别艾草的潜力。本文首先基于高分影像构建了20个光谱特征,然后采用随机森林分类器进行分类,最后分析了红边指数对识别艾草的贡献度。为了评估协同GF-1和GF-6影像识别艾草的潜力,研究还比较了不同影像组合情景识别艾草的精度。结果表明,协同GF-1和GF-6影像提取的蕲春县艾草的用户精度是92.73%,制图精度是88.74%,均显著高于基于单一GF-1或GF-6影像识别艾草的精度。各乡镇艾草遥感制图面积和统计面积拟合的相关性系数R^(2)达到0.7,表明研究结果能够准确反映艾草的种植面积和空间分布。基于随机森林的重要性得分排名前50的特征中,红边波段以及红边植被指数的数量占比达54%,其中6月23日GF-6影像的红边波段I贡献度得分最高,是识别艾草的最优光谱特征。GF-6的另一新增的紫波段相较于其他传统波段,也对于区分艾草和其他作物做出了重要贡献。5月上旬和9月上旬分别为艾草第一茬和第二茬叶片快速繁殖生长阶段,是艾草的最佳识别时期,6月下旬和9月下旬也是区分艾草和其他作物的关键时期。研究表明,GF-6 WFV影像的新增波段以及基于红边波段构建的植被指数能够有效提高作物识别的准确性,协同GF-1和GF-6影像通过提高影像时间信息,能较好捕获作物的关键物候特征,从而提高作物识别精度。该研究为充分发挥多源国产高分卫星协同利用优势提供了典型应用示范,呈现的作物识别方法不仅适用于艾草,也适用于其他区域和其他农作物。

基于GF-6的可可西里典型湖泊水体面积提取方法研究

湖泊是气候变化的敏感指示器,快速准确地获取湖泊水体信息对区域气候变化研究、区域生态环境保护和治理具有重要意义。本文基于高分六号(GF-6)WFV数据,以可可西里地区4个湖泊为研究对象,分别采用单波段法、波段差值法、归一化差异水体指数(NDWI)法提取了水体面积,并以目视解译所得结果作为参考标准,对不同方法的提取结果进行了精度评价。结果表明,单波段法易受浅水区水体影响,但受积雪的影响较小,而波段差值法和NDWI法受积雪影响较大;NDWI法虽能有效提取浅水区水体,但仍受一定程度湖底沉积物的影响;波段差值法与单波段法和NDWI法相比,能有效区分浅水区水体和背景地物。

利用深度学习进行GF-6影像枣园检测识别

针对新疆南疆大规模枣园的检测识别,本文提出了一种基于泛化迁移深度学习的枣园目标检测识别方法。以GF-6卫星影像数据为基础制作了Jujube数据集,并将其泛化扩充增强;以Faster R-CNN体系为基础,利用多态协同模式实现数据集的有效关联和优化重构,进行检测识别模型的迁移深度学习以提高对目标对象检测识别的泛化能力。结果表明,模型算法的验证识别精确率、召回率和调和平均值分别达0.979、0.952和0.965,在应用测试中,3个指标平均值均大于0.929,优于传统检测方法,且本文模型方法总体分类精度为0.97,Kappa系数为0.93,均高于面向对象最邻近法,能够有效地满足研究区规模化枣园目标检测识别的精度和效率的要求,为精细化枣园田间管理提供基础依据。

2018-2022年青海省主要湖泊蓄水量时空变化数据集

青海省是中国西北部重要的生态功能区,水资源总量丰富,但时空分布极不均匀,且由于气候、地理环境等因素的影响,大部分湖泊长期缺乏监测。而湖泊作为地表水水资源的重要载体,是研究气候变化和人类活动对水循环过程影响的重要指示器。国产高分一号、六号卫星宽幅相机空间分辨率为16 m,组网运行可实现2天重复观测,可以高频次获取地表水体面积;ICESat-2激光测高数据具备厘米级的测高精度,可以获取高精度的地表水体测高水位。本数据集基于GF-1/6WFV水体面积和ICESat-2测高水位构建青海省湖泊蓄水量遥感监测模型,通过遥感手段对青海省湖泊蓄水量进行时空变化监测。经验证,本数据集中湖泊蓄变量监测精度总体优于93%,满足湖泊蓄水量时空变化遥感监测需求。本数据集在时间尺度上涵盖2018-2022年,共计60期月度监测结果;空间尺度上覆盖了青海省面积大于30 km^(2)的33个湖泊,主要集中分布在青海省西部、北部、东南部,可为青海省湖泊、水文与气候变化过程监测、水资源动态评价、优化水资源管理与调度提供基础数据支撑。

基于高分一号WFV数据的正射校正与真彩色合成技术——以中巴经济走廊为例

高分一号(GF-1)卫星自发射以来,凭借其幅宽大、综合覆盖能力强以及重访周期短等优势,已成为国土资源调查、农业林业遥感监测、国家重大工程建设等领域使用的重要数据源之一。以中巴经济走廊为研究区域,选取GF-1多光谱宽幅覆盖(wide field of view,WFV)数据进行对比试验,重点分析了影响遥感影像应用的2个关键因素:如何提高遥感影像的几何定位精度和影像真彩色合成方式。研究结果表明,基于有理函数模型(rational polynomial coefficients,RPC)的区域网平差技术和RGB-NIR色彩合成模型对影像快速定位和提升视觉效果分别有良好的表现。成果正射影像X和Y方向均方根误差分别为0.79和0.83个像素;成果影像的信息熵、平均梯度、均值和标准差等数值均有不同程度的提高,不仅确保了影像色彩真实自然,而且兼顾了信息细节,影像图面效果得到较好优化。该方法有助于进一步提升GF-1 WFV数据在实际生产中的业务化应用。