基于线性光谱混合模型的混合像元分解研究——以合肥市为例

利用Landsat ETM+数据,在水体掩膜的基础上,采用线性光谱混合模型(Liner Spectral Mixture Model,LSMM)进行混合像元分解,得到合肥市高反射率地物、低反射率地物、植被和土壤四种端元的丰度图像以及RMS误差分量图像.应用线性光谱混合模型研究城市地表组分组成,端元(End-member)选取是模型成败的关键.通过分别采用手动选取端元和利用纯像元指数(PPI)法选取端元两种方法,从定性角度对比两种方法得到的结果,结果表明在本研究区内手动选取的端元比PPI选取的端元模型拟合精度更高,能够得到更高精度的分量图像.

不同端元模型下湿地植被覆盖度的提取方法--以北京市野鸭湖湿地自然保护区为例

植被覆盖度作为反映湿地植物生长状况的重要生态学参数,在评估和检测湿地生态环境方面起着关键的作用。以华北内陆典型的淡水湿地——北京市野鸭湖湿地自然保护区为研究对象,中等分辨率的Landsat TM影像为数据源,基于线性光谱混合模型(LSMM)对研究区的植被覆盖度进行了估算。针对湿地植被类型丰富、土地利用类型多样化的特点,利用归一化植被指数(NDVI)在反映植物生长状况、覆盖程度以及区分地表覆盖类型方面的优势,通过对原始Landsat TM影像增加NDVI数据维对影像进行维度扩展,克服了传统研究中通常从Landsat TM影像上提取3—4种端元的局限,经最小噪声分离变换(MNF变换)、纯像元指数(PPI)计算以及人机交互端元选取等一系列运算,构建以陆生植物、水生植物、高反射率地物、低反射率地物、裸露土壤为组分的五端元模型来反映研究区的地物组成;同时,以原始Landsat TM影像为基础,构建植物、高反射率地物、低反射率地物、裸露土壤为组分的四端元模型。针对两种端元模型,采用全约束下的LSMM算法进行混合像元分解以获取研究区的植被覆盖度,其次辅以研究区的纯水体信息对其进行优化。精度检验采用相同时期的高分辨率WorldView-2多光谱影像来进行。研究表明:虽然四端元模型与五端元模型对植被覆盖度的估算结果在空间上具有基本一致的分布趋势,但是前者的估算结果在数值上要普遍低于后者,在研究区的水体及其附近,四端元模型难以体现水生植物的植被覆盖信息;另外,五端元模型的估算结果与检验数据的相关系数R达到0.9023,均方根误差(RMSE)为0.0939,明显优于四端元模型的R=0.8671和RMSE=0.1711。这反映了通过对影像进行维度扩展的方法来改进端元提取的数量是可行的,而由此构建的五端元模型可以更充分的反映研究区地物之间的光谱差异,从而获得更好的估算精度。

基于线性光谱混合模型的地表温度像元分解方法

以北京市Landsat TM为数据源,提出了一种新的地表温度光谱分解模型(Temperature Unmixing with Spectral,TUS),以期将地表温度的空间分辨率提高到30 m.首先,基于线性光谱混合模型获得地表组分的丰度值.然后,基于温度/植被指数选取典型端元的地表温度.最后,综合地表组分的比辐射率数据实现地表温度的分解.结果表明,TUS模型能够有效地提高地表温度的空间分辨率,反映不同地表组分地表温度的空间差异性,平均绝对误差(MAE)和均方根误差(RMSE)分别为1.25 K和2.27 K,非常适合于复杂地表覆盖地区的地表温度降尺度处理.

线性光谱混合模型影响因子不确定性定量研究

线性光谱混合模型(Linear Spectral Mixing Model,LSMM)是一种像元分解模型,由于其简单和易操作性的特点,在目前亚像元研究中应用颇为广泛。其分离精度受多种因素的影响,但目前对该模型的研究多集中在对模型本身的线性假设评价及端元光谱选取方法上,而忽略了模型应用的环境条件(大气反射、散射、地形起伏等)对模型分解精度的影响等。本文以线性光谱模型提取植被分量为例,探讨环境大气条件、地形因素对模型精度影响的不确定性。研究将数据处理为四个层次,即原始的ASTER数据,利用MODTRAN进行大气校正的数据,经C-地形校正的数据,同时进行了大气校正和地形校正的数据。然后在四个层次上依次提取植被丰度,并将其和NDVI进行线性回归分析,检验植被丰度的分离精度,从而量化大气、地形等因子对LSMM的影响程度。研究结果表明:大气条件、地形因素都会制约LSMM分离精度的提高,特别在有地形起伏的中小空间尺度范围内,地形因子对线性光谱混合模型的影响远大于大气影响。

天山北坡中段山区植被覆盖管理措施因子的时空格局动态变化

植被覆盖管理措施因子(Vegetation cover and management factor,以下简称C因子)是评估植被因素抵抗土壤侵蚀的能力及准确估算土壤侵蚀模数的重要参数,而区域尺度C因子高质量时间序列的准确估算和空间特征对于土壤侵蚀预测、水土保持规划尤为重要。为研究天山北坡中段山区C因子时空动态,采用线性光谱混合模型(Linear Spectral Mixture Model,LSMM)、像元二分模型、增强型自适应反射率时空融合模型(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model,ESTARFM)等方法计算C因子,定量分析2000—2018年研究区C因子的时空格局特征,并对不同土地利用类型的C因子进行分析。结果表明,时间上,2000—2018年C因子总体呈现先上升后下降的趋势,不同时段C因子值不同,表现为秋季>春季>夏季、旱季>雨季。空间上,南部高山区(海拔>3000 m)的C因子值较高,北部中低山丘陵区(2000 m<海拔<3000 m)的C因子值较低。C因子值的分布与土地利用类型关系密切,表现为裸土地>其他林地>采矿用地>内陆滩涂>其他草地>农村宅基地>灌木林地>旱地>天然牧草地>风景名胜设施用地>水浇地>人工牧草地>乔木林地。本研究探究C因子遥感定量估算方法,分析不同土地利用格局对C因子的影响,为开展大尺度C因子的准确估算及不同土地利用格局水土保持效益的综合评价提供了参考。

基于几何估计的光谱解混方法

光谱解混是高光谱数据分析的重要技术之一.全约束(即非负性约束和归一化约束)最小二乘线性光谱混合模型(FCLS-LSMM)具有模型简单和物理意义明确等优点而得以广泛使用.然而,FCLS-LSMM的传统优化求解方法的迭代过程非常复杂.近年提出的几何方法为降低LSMM的求解复杂度提供了新思路,但是所获得的结果并非真正意义上的全约束最小二乘解.为此,建立了一种完全符合FCLS要求的LSMM几何求解方法,具有复杂度低和可以获得理论最优解等优点.实验表明了所提出方法的有效性.

基于线性光谱混合模型(LSMM)的民勤绿洲荒漠化治理效果评价

民勤绿洲是干旱荒漠化的典型区域,生态系统脆弱,对该区域的荒漠化治理效果进行评价可以为其生态修复政策的制定和管理提供参考。采用线性光谱混合模型(LSMM),将Landsat影像中的土地覆盖信息进行有效分解,通过分解后光谱在直方图上的特征值,确定合适的阈值,对荒漠化土地进行分类,分析荒漠化土地类型的时空变化特征,对民勤绿洲1992-2017年荒漠化治理效果进行评价。结果表明:(1)1992-2005年民勤绿洲荒漠化加剧面积大于改善面积,两者相差175.47 km^2,荒漠化加剧,治理效果不明显。(2)2005-2017年荒漠化改善面积大于加剧面积,两者相差174.18 km^2,荒漠化改善,治理效果显著。(3)1992-2017年民勤绿洲荒漠化总体趋于改善,局部地区加剧。其中,坝区和泉山区的荒漠化改善面积大于加剧面积,两者分别相差47.63 km^2和52.79 km^2,荒漠化改善,治理效果显著;而湖区荒漠化加剧面积大于改善面积,两者相差36.83 km^2,荒漠化加剧,治理效果不明显。

基于谐波分析和线性光谱模型的耕地信息提取

耕地是重要的农业资源,如何利用遥感技术快速准确地提取耕地信息是目前研究的热点。利用2000年MODIS/EVI时间序列数据提取关中地区耕地资源信息。以不同地类的EVI时间序列数据年内变化差异为分类依据,采用时间序列谐波分析法对全年时间谱EVI数据进行重构分析,减少噪音对信息提取的影响。经最小噪声分离变换(MNF变换)、纯净像元指数(PPI)计算以及N维可视化工具进行人机交互选取植被、耕地、城镇和水体4种端元,基于线性光谱混合模型,获取该地区耕地资源分布信息。通过与同年1∶10万土地利用数据对比验证,本研究提取的耕地总体精度为83%。研究表明:基于时间序列谐波分析法对EVI数据进行重构,利用不同地类的特征差异,采用混合像元分解的方法,可以精确获取耕地资源定量信息。该方法可为长期、大范围、动态的耕地分布和变化遥感监测提供技术参考,同时为国土资源管理部门提供决策支持。

基于线性光谱混合模型的光谱解混改进模型

传统的基于线性光谱混合模型(LSMM)的解混方法采用迭代求解方式,复杂度较高,为此提出一种基于几何方式的模型求解方法。另一方面,LSMM采用固定谱形固定数量的光谱端元进行解混,影响了光谱解混精度,为此提出端元谱形的区域修正方法和端元子集的局域确定方法,从而建立基于柔性端元的新解混方式。实验表明了所提出的几何求解方法及柔性光谱端元方式的有效性。