基于Landsat8遥感图像的乌鲁木齐热岛效应分析

针对城市热岛效应对城市生态环境产生的诸多问题,以乌鲁木齐市为研究区,利用Landsat 8遥感图像,采用大气校正法反演地表温度,分析驱动因子对地表温度的影响。结果表明:(1)2016-2017年,水体、林/草地、农用地和裸地减少,建设用地面积增加,新增建设用地主要源于原有的裸地、林/草地。(2)植被(NDVI)对地表温度表现为负贡献,归一化植被指数随地表温度的升高而降低;研究结果可为乌鲁木齐市的城市规划提供有益借鉴。

基于Landsat8遥感图像的黑土区土壤有机质含量反演研究

针对黑土区耕地土壤有机质含量测定快速性和准确性的需求,探究黑土区耕地土壤有机质含量与卫星影像光谱间的关系,以促进信息技术在农业领域的应用。本文通过确定土壤有机质的光谱特征,来构建土壤有机质含量的反演模型。首先采集2018年吉林省农安县耕地土壤Landsat 8遥感图像,用快速大气校正(QUAC)模型对遥感图像进行大气校正;然后结合研究区域土壤采样的有机质含量化验数据,通过基于敏感波段多元线性回归分析的方法,构建了研究区土壤有机质含量的定量反演模型。试验结果表明:土壤有机质含量在短红外1(B6)波段1.560~1.660μm处具有良好的响应能力;反射率所建立的模型拟合效果最优;其R^2为0.974,RMSE为24.058,验证模型有机质含量实测值与预测值的R^2为0.933,证明该反演模型具有较高的精度与稳定性。研究结果为促进遥感技术在土壤养分含量的快速测定提供了新的途径。

改进YOLOv8的遥感图像检测算法

针对目前遥感图像目标检测算法中存在的误检、漏检和检测精度低等问题,提出了一种改进YOLOv8的遥感图像检测算法。在主干网络中引入注意力机制EMA到C2f模块,以提高模型对多尺度目标的特征提取能力;在颈部网络中提出Slim-PAN结构,以减少模型计算量;使用WIOU损失函数代替CIOU损失函数,以提升模型的检测精度。通过在DIOR和RSOD遥感数据集上的实验结果表明,改进后的算法与原YOLOv8算法相比,mAP分别提升了1.5%和2.3%,计算量降低了0.3 GFLOPs,改进算法在不增加计算量的同时能提高检测精度,证明了改进算法的有效性和先进性。

基于改进YOLOv8的遥感图像飞机目标检测研究

为解决遥感图像飞机目标检测时易出现检测精度低与漏检误检等问题,提出了一种基于YOLOv8算法的遥感图像飞机目标检测改进算法。首先,将坐标注意力机制模块嵌入卷积模块中,使其能提取复杂背景下的飞机小目标;然后,优化了检测头,去除了大的目标检测头,在提升小目标检测能力的同时减少算法的计算量;最后,使用WIoU作为改进的损失函数,以提高检测精度。实验表明,改进的YOLOv8算法能够有效提高飞机检测精度,可适用于遥感图像的飞机目标检测。

基于Landsat 8遥感数据的森林火灾过火面积估算——以贵州毕节市赫章县“3·18”火灾为例

以贵州省毕节市赫章县2021年3月18日较大森林火灾为例,利用火灾前后Landsat 8遥感数据及ENVI遥感数据处理分析软件,通过图像预处理、计算归一化植被指数和燃烧面积指数等方法,提取森林火灾过火区域,计算过火面积。结果表明,利用Landsat 8数据能够较好地提取森林火灾过火区域,过火面积估算准确率达96.2%。

基于Landsat 8的节水改造背景下盐渍化土壤含盐量反演

为探明沈乌灌域节水改造后因渠道衬砌、引排水量减少引起的土壤含盐量时空分布特征及变化规律,采用区域土壤信息定点监测,结合经典统计学、空间插值以及机器学习建模反演等技术手段,利用Landsat 8卫星获取光谱数据,通过对实测土壤含盐量、光谱指数及波段反射率进行处理,运用Adaboost回归、BP神经网络回归、梯度提升树回归、KNN回归、决策树回归、随机森林回归方法构建了沈乌灌域土壤含盐量空间反演模型。采用最优反演模型对沈乌灌域土壤含盐量空间分布特征进行了遥感反演。结果表明:通过全变量单一回归法筛选出相关系数大于0.55的9个光谱因子,使用SPSS PRO软件构建6种机器学习反演模型,对比6种反演模型精度,验证集决定系数R2由大到小依次为随机森林回归、梯度提升树回归、Adaboost回归、KNN回归、决策树回归、BP神经网络回归。其中随机森林回归模型的拟合精度最佳,训练集与验证集的决定系数R2分别为0.834和0.86,说明随机森林回归模型的反演效果较好。反演结果表明:节水改造后非盐渍土面积增加391.7 km^(2),占灌域总面积的21%,中度盐渍土面积、重度盐渍土面积、盐土面积分别减少95.61、63.37、45.7 km^(2),分别占灌域总面积的5%、3%、2%。综上所述,节水改造工程完成后,沈乌灌域土壤盐渍化程度减轻,作物生长安全区面积增加,但由于渠道衬砌以及引排水量减少,土壤盐分淋洗效果减弱,土壤盐分在灌域内部运移,整体土壤环境得到改善,局部地区出现盐分聚集。

基于多季相分形特征的Landsat 8 OLI影像耕地信息提取方法

利用遥感技术快速准确地提取耕地信息是耕地保护的关键环节。以山东省商河县为例,提出了一种基于多季相分形特征的Landsat 8 OLI影像耕地信息提取方法。首先采用毯子覆盖法计算多季相遥感影像每个像元的上分形信号和下分形信号,对比分析耕地和其他土地利用类型的分形特征,选取上分形信号的第3尺度作为特征尺度,提取商河县耕地空间分布特征;其次采用同时期的土地利用矢量数据、Esri land cover数据和统计数据进行耕地信息提取精度评价;最后分别设置多季相分形提取与单季相分形提取、现有土地利用数据产品的对比实验,并基于点位匹配度和面积匹配度进行评价。结果表明:多季相数据更能反映农作物生长的复杂性,有助于提高耕地信息的提取精度;不同土地利用类型在不同分形尺度的信号值各不相同,分形特征可以在不同尺度上清晰地刻画出不同土地利用类型的分异性;基于矢量数据和Esri land cover数据评价的多季相分形特征耕地提取点位匹配度为87.13%和89.83%,面积匹配度为99.73%和97.91%,均比单季相分形提取结果精度高;综合考虑点位匹配度、面积匹配度和空间分布特征,研发方法能有效区分耕地和其他土地利用类型,提取结果更优,且与统计数据有更高的一致性。该方法可准确提取耕地信息,为耕地的动态监测和损害评估提供技术支撑。

基于Landsat 8和机器学习的塔城地区草地地上生物量估测模型

以新疆塔城地区为研究区,利用植被指数、气象数据、地形数据作为自变量,结合研究区样地实测生物量数据,分析并比较K近邻回归(KNN)、多元线性回归(MLR)、梯度提升决策树(GBDT)和随机森林回归(RF)和极端梯度提升(XGBoost)5种机器学习模型,进而分析并比较采用投票回归器(Voting regressor)和堆叠(Stacking)方法构建的2种集成学习模型的估测精度。结果表明,基于Stacking集成学习模型性能最优,R^(2)达0.764,RMSE和MAE分别为23.29 g/m^(2)和16.8 g/m^(2),进而利用最优模型进行草地地上生物量(Above ground biomass,AGB)反演制图。

基于Landsat 8 OLI和资源3号立体像对数据的桉树森林蓄积量估测

【目的】探索Landsat8 OLI数据和立体数据在估算桉树森林蓄积量(forest stock volume,FSV)中的潜力,并且准确地估计桉树的FSV。【方法】以3幅Landsat8 OLI图像和资源3号立体数据为遥感数据源,并且结合少量地面调查数据实现了桉树FSV的遥感估计。研究中提取了三类遥感特征用于估计桉树FSV:第一类是包括植被指数和单波段反射率在内的光谱特征;第二类是基于Landsat 8 OLI图像的单波段提取的8种纹理特征;第三类是基于资源3号立体像对数据和开源的数字高程模型(digital elevation model,DEM)提取的冠层高度模型(canopy height model,CHM)。利用Boruta算法对三类遥感特征进行提取,之后建立了随机森林(random forest,RF)、K-最近邻(K-nearest neighbor,KNN)和支持向量机(support vector machine,SVM)3种机器学习模型以及传统的多源线性回归模型(multiple linear regression,MLR),并以决定系数(R2)、均方根误差(root mean square error,RMSE)和相对均方根误差(relative root mean square error,rRMSE)作为评价指标对模型结果进行评估。【结果】基于ZY-3立体像对数据和开源的DEM数据提取的CHM与桉树的FSV具有很强的相关性,Pearson相关系数达到了0.71。仅仅利用基于Landsat 8 OLI图像提取的光谱和纹理特征难以准确2地估计桉树的FSV,估测模型的R为0.29~0.38,rRMSE为35.65%~43.30%,存在严重的数据饱和问题。2当变量集中加入CHM后,模型的估测精度明显提高,R达到了0.64~0.66,rRMSE为25.74%~26.41%。【结论】使用Landsat 8 OLI数据估算桉树FSV时存在严重的数据饱和问题,并且使用空间分辨率为30 m的纹理特征难以有效地改善森林蓄积量的估计精度。利用资源3号立体像对数据和开源的DEM数据可以提取较为准确的CHM,并且所提取的CHM可以解决改善光学数据的饱和问题,从而提高桉树FSV的估计精度。

基于Landsat8时间序列的宁夏青铜峡市农田防护林提取

农田防护林在西北多风沙地区发挥了重要防护作用,为农作物提供了良好的生长环境。为了解农田防护林的空间分布特征,需要对防护林进行有效提取,采用中低分辨率遥感数据进行农田防护林提取成为重要途径。以宁夏青铜峡市农田防护林为研究对象,在2019年影像中选取7期可以代表4个季度地物特征的Landsat8 OLI影像数据,在影像预处理基础上,融入水体指数、植被特征和植被指数,提取植被的物候特征,掩膜去除研究区内其他地物,从而实现农田防护林的提取。同时利用野外调查结果和土地利用数据对提取结果进行精度评价。结果表明,该方法防护林提取的总体精度为85.16%,野外调查的50个采样点中有44个点被准确提取,精度达到88.00%。青铜峡市农田防护林多以林带的形式呈现,林带主要沿排水沟分布。

基于Landsat 8遥感图像的长春中北部地区土壤有机质含量反演

以Landsat 8遥感图像为数据源,利用FLAASH大气校正模型对遥感图像进行大气校正,结合野外土壤采样的有机质含量化验数据,采用逐步回归分析的方法,对研究区土壤有机质含量进行定量反演。结果表明,土壤有机质含量与Landsat 8遥感图像反射率在近红外波段具有较强的负相关性,对反射率进行适当的数学变换可以有效提高与有机质的相关性,由此而建立起来的逐步回归反演模型,其决定系数r2=0.925,总均根方差RMSE=0.171,说明该反演模型有较高的精度与稳定性。根据上述反演模型,结合遥感影像分类结果,对研究区土壤有机质含量进行反演,结果显示,研究区内土壤有机质含量呈东高西低之势,东部、南部地区土壤有机质含量普遍高于3%,而西部、北部地区土壤有机质含量普遍低于2%。

基于Landsat 8 OLI卫星遥感数据的黄前水库水源地保护区水土流失监测

近年来,为了提升饮用水水源地的综合监管水平,遥感监测技术得到了广泛应用。本文中基于landsat8 OLI卫星遥感数据,采用ENVI、Arc GIS等遥感图像处理技术,研究了黄前水库水源地保护区的植被覆盖度及水土流失分布特征。结果表明:黄前水库饮用水水源地保护区的林草覆盖度较高,占保护区总面积的57.32%;而水土流失较为严重,土壤侵蚀面积占55.30%,其中,以轻度、中度为主。该成果为黄前水库饮用水水源地保护区的水土流失监测和生态环境综合治理提供了技术支撑。

基于Landsat 8数据的广东石马河流域水质参数反演研究

针对河流水域水质进行高效快速监测的需要,本文以2021年2月广东石马河流域水体为研究对象,利用Landsat 8的OLI遥感影像对试验区域的环城河化学需氧量进行遥感反演研究。本文首先对实测水质数据和相应卫星影像数据波段值进行相关性分析,然后选取相关性最高的遥感波段值对水质进行回归分析,最后建立了适用于石马河流域的三次多项式反演模型。经反演预测结果与现场实测水质数据对比,试验结果表明所建立的水质反演模型能对石马河流域水质化学需氧量浓度进行高效快速监测。

基于Landsat 8影像提取豫中地区冬小麦和夏玉米分布信息的最佳时相选择

遥感技术对大尺度农业实时监测提供了一个理想的手段,遥感影像植被分类的最佳时相对作物种植面积遥感监测非常重要。本文选取2020年至2021年的6景Landsat 8影像,覆盖了夏玉米从乳熟到收获、冬小麦从越冬到成熟的生育期,以此分析不同时相的冬小麦-夏玉米与其他地类在光谱特征和NDVI上的差异,通过决策树的方法提取豫中地区冬小麦-夏玉米的空间分布情况。结果表明,冬小麦-夏玉米在不同生长发育时期,提取到的面积比有所不同,对于夏玉米而言,乳熟时期的提取效果要优于之后的时期,其在2020年8月26日的总体精度最高,为83.60%,Kappa系数为0.72,分类质量很好;对于冬小麦而言,最佳识别时期则处于冬小麦的越冬期,其在2021年1月1日的总体精度最高,为92.36%,Kappa系数为0.81,信息提取效果很好。除了作物自身生长过程的覆盖度变化,分类精度随成像时间而改变。多时相信息提取也发现,受到天气等环境条件限制,夏玉米和冬小麦的种植区域不完全重叠,山区冬季不适合冬小麦种植从而没有与夏玉米出现重叠分布。本研究有助于我们从宏观上对作物分布及生长状况作出及时有效的判断,对农业监测,特别是对轮作农田的信息管理和作物物候、种植面积等研究具有广阔的应用前景。

基于改进SLIC算法的Landsat 8 OLI遥感影像水体提取

洪涝灾害时常发生,基于遥感影像绘制水体分布图观察水体变化很有必要。针对简单线性迭代聚类(SLIC)算法在遥感影像水体分割时的易误分割问题,提出一种改进的新超像素分割算法(F-SLIC)。首先基于预处理后的Landsat 8 OLI遥感影像计算新水体指数WBAWI,突出水体特征;再结合线性特征增强和局部三值模式(LTP)纹理特征获得新纹理特征(E_LTP),纳入SLIC算法对WBAWI图像进行超像素分割处理;最后对水体超像素进行区域合并,得到完整水体轮廓,通过提取同一区域不同时间的水体轮廓有效观察水体变化。结果表明,与SLIC算法相比,F-SLIC算法的边界召回率更高、欠分割错误率更低,解决了小水体难分割的问题。

基于Landsat8数据的地表温度反演分析研究--以南宁市城区为例

地表温度是评估城市热环境的重要指标之一,能够反映城市热岛效应的程度和空间分布。以南宁市城区为研究对象,利用Landsat8卫星遥感数据,通过热红外辐射到同温黑体辐射定标,从而获得城市地表温度分布图,快速分析南宁市的地表温度差异。结合南宁市城区的不同土地利用覆被结果,通过横向对比分析,揭示出南宁市各城区地表温度的分布特点,评估城市热岛效应的程度,为城市热环境研究和城市规划提供重要参考。

基于多时相Landsat8数据的吉林梨树县玉米遥感估产研究

粮食产量关系到国计民生,世界各国都非常重视粮食估产在农业和粮食安全中的作用和意义,因此及时对吉林省重点玉米产区梨树县进行估产及动态预测粮食产量是非常必要的,也具有重要的现实意义。该文基于多时相Landsat8数据、全球高精度土地覆盖数据集GlobeLand30数据,结合吉林省统计年鉴数据对梨树县玉米种植区进行识别提取及精度检验,同时利用波段计算处理修正该区域植被指数,并以此建立较为准确的吉林梨树县玉米遥感估产模型。研究表明,累积NDVI值和累积RVI值均在玉米生长的抽雄期达到最值,且具有一定的负相关性;对于任何生长时期,使用累积NDVI值作为特征参数、对抽雄期及乳熟期进行估产的模型具有更高的精度数据。因此,多时相Landsat8数据在农作物遥感应用方面有较好的发展空间。

基于Landsat8遥感影像的六安市土地利用分类研究

利用遥感数据波段融合技术与图像分类技术,采用Landsat8遥感影像,通过ArcGIS平台,经过数据裁剪、融合、样本管理与在线分类学习,展开六安市部分区域的土地利用分类研究。通过研究,以期为六安市的土地利用分类提供一种科学的监测方法。

应用Landsat-8卫星遥感图像的青海地区土壤分类研究

遥感技术的迅速发展和应用,为土壤分类提供了新的技术与数据支持,文章提出一种利用陆地卫星-8(Landsat-8)遥感图像的土壤分类方法,用于青海地区土壤分类,所提取的特征包括4种,即基于遥感图像的变换特征、指数特征、纹理特征和基于高程图像的地形特征,通过随机森林方法实现土壤分类。文章首先提出2个基于遥感图像的纹理特征--熵与平滑度,从中国土壤数据集中自动提取了16 444个数据点,并在试验中采用,充分验证了此分类方法的有效性。

基于Landsat 8遥感影像的土地利用分类研究——以四川省红原县安曲示范区为例

以四川省红原县安曲示范社区2013年7月23日的Landsat 8OLI影像为数据源,参照国家土地利用分类标准,结合示范区的野外实际调查资料、数字高程模型、草地资源类型等辅助信息,建立了较为准确的解译标志。将目视解译结果视为地表真实状况,对非监督分类、监督分类和基于专家知识的决策树分类的结果进行精度验证。结果表明,监督分类方法对红原安曲示范区的土地利用分类结果与实际类别吻合最好,其分类总体精度可达85.02%,其中面积占示范区总面积约99%以上的草地、湿地、道路及水体的分类精度分别达88.66%、83.42%、83.73%和85.26%。