基于Landsat8-OLI影像的山蒿植被信息提取研究

山蒿是一种广布于我国北部干旱半干旱区低山丘陵中高海拔地带的次生植物,根据部分地区现场调查和笔者的前期研究,认为其具有生态保护和资源利用价值。为了实现山蒿优势群落集中分布区调查方法开发,以内蒙古自治区兴安盟突泉县为例,选取了2017年多时相Landsat8-OLI遥感影像,根据地形特征、NDVI指数和GNDVI指数建立规则集,构建山蒿植被信息提取决策树模型,并进行了典型区山蒿提取和精度验证。结果表明,遥感提取总体精度为78.65%,Kappa系数为0.63,山蒿信息提取的制图精度为72.13%,用户精度为75.7%,目标于初步分布区域调查,使用此模型方法进行山蒿信息提取是可行的,研究成果能够为进一步改进和构建植被信息提取方法提供思路,也能够为山蒿植被空间分布监测及其生态保护规划管理提供决策支持。

利用样点调查与Landsat8影像数据建立山体地表温度与坡度的关系

山区地表温度是林火预测预报的重要影响因子。山区地表温度机理的研究受稀疏气象观测站点及MODIS产品(1 km)空间尺度的限制,常以综合作用规律及宏观地形因子分析为主,缺乏微尺度地形要素的相对独立作用阐释。以我国西南纵向岭谷区为研究区,利用多期landsat8影像数据及样点实测数据,使用地理信息系统空间分析方法,通过消除或减弱海拔、坡向等地形因子的影响,定量分析坡度与地表温度相对独立关系。结果表明:(1)不同尺度下地表温度、地表温度标准差与坡度的关系受坡向影响不同。(2)30 m尺度上,西、西北、北、东北坡向的坡面上地表温度与坡度呈负向相关关系,坡度越大,地表温度空间变异越小,地表温度递减率分别为0.202、0.239、0.207、0.166℃/(°);东坡向的坡面上的地表温度与坡度呈先减小后微弱增大的二次曲线变化关系;东南、南、西南坡地表温度随着坡度增大分别以13.6、13.92、11.51℃上下波动。(3)样点尺度上,北、东北、东南、南、西南和西坡向的坡面上地表温度与坡度也呈负相关关系,地表温度递减率分别为0.106、0.396、0.168、0.111、0.235、0.077℃/(°);东、西北坡向内地表温度随着坡度的增大总体上减小,样点尺度的地表温度更易受到局地环境的影响。

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Landsat8遥感影像的阳泉市郊区地表温度反演研究

以阳泉市郊区Landsat8遥感影像为原始研究数据,介绍地表温度反演原理,运用ENVI软件对遥感图像进行预处理,采用大气校正法和单窗算法反演阳泉市郊区地表温度,并将反演结果与成熟的反演插件的结果进行精度对比,分析两种反演算法的精度可靠性,为类似区域选择地表温度反演算法提供参考。

基于Landsat 8影像的湿地信息提取最佳波段组合

湿地在维持生态平衡等方面发挥着重要的作用,因此,湿地的监测与保护是研究者们关注的话题。遥感技术的出现为湿地研究提供了强有力的技术支撑。在湿地遥感中,目视解译仍然是湿地信息提取的重要方法。影像的最佳波段的选取与合成作为色彩合成的重要部分,直接对目视解译的精度产生影响。因而,遥感影像最佳波段选择与合成是遥感图像处理的一个重要课题。本文以三江平原为例,探讨了Landsat 8影像用于湿地目视解译时的最佳波段选择与组合,以期为Landsat 8影像更有效地应用于湿地信息提取提供参考。

基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类

利用遥感技术进行农作物分类,可近实时地获取各种农作物种植的空间分布状况,对于农业生产管理和农业政策制定等都具有十分重要的意义。为避免单时相遥感影像存在同物异谱、同谱异物的现象,提高以往基于MODIS数据提取农作物分布方法的精度,改善传统分类方法存在椒盐噪声及分类效率低的缺点,本文基于MODIS NDVI时间序列曲线,确定作物识别的最佳时段,结合辐射分辨率较高的多时相Landsat8 OLI影像,采用面向对象的分类方法,充分利用物候特征及光谱信息区分作物类别,并在黑龙江省重点产粮区-北安市进行应用,获得北安市各类农作物的空间分布信息。地面调查验证结果表明,该农作物类别识别方法分类效果较好,总体精度达90.7%,kappa系数为0.88。研究结果说明,基于多时相Landsat 8 OLI影像及面向对象分类的方法,并结合MODIS时间序列数据,可以高效、精确地提取农作物信息,应用潜力巨大。

新型Landsat8卫星影像的反射率和地表温度反演

Landsat 8卫星自2013年2月发射以来,其影像的定标参数经过了不断调整和完善,针对Landsat 8开发的各种算法也相继问世.本文采用最新的参数、算法和引入COST算法建立的大气校正模型,对Landsat 8多光谱和热红外波段进行了处理,反演出它们的反射率和地表温度,并与同日的Landsat 7数据和实测地表温度数据进行了对比.结果表明,现有Landsat 8多光谱数据的定标参数和大气顶部反射率反演算法已有很高的精度,本文引入COST算法建立的Landsat 8大气校正模型也与Landsat 7的COST模型所获得的结果几乎相同,相关系数可高达0.99.但是现有针对Landsat 8提出的地表温度反演算法仍不理想,已提出的劈窗算法误差都较大.鉴于TIRS 11热红外波段的定标参数仍不理想,因此在现阶段建议采用单通道算法单独反演TIRS 10波段来求算地表温度,但要注意根据大气水汽含量的情况选用正确的大气参数计算公式.

基于单时相Landsat8_OLI影像的棉花提取技术研究

针对利用单时相遥感影像快速、高精度地提取棉花信息研究较少的现状,根据作物的物候历,选取棉花生育期的单时相Landsat8_OLI影像。通过对棉花和其他地物的光谱特征与植被指数的差异性分析表明:近红外波段(NIR)和差值植被指数(DVI)是棉花识别的特征指数;并由此构建了OLI数据的棉花信息提取的特征指数模型。经实地验证,运用此模型提取的库尔勒市棉花信息的生产精度为97.96%,用户精度为98.63%。基于单时相遥感影像的棉花提取思路可以为我国主要棉产区的棉花信息遥感提取、长势监测和产量估测提供新思路和技术参考。

基于Landsat 8影像的黄土干旱区地表水提取——以宝鸡市北部地区为例

基于遥感影像的水体信息提取对于陆表水资源调查和监测具有重要意义。以Landsat 8 OLI影像为数据源,秦岭北麓某黄土覆盖区为研究区,探讨了反映水体像元值的数理、空间统计分布特征。结果表明:OLI B4/B7影像可有效突出各类地表水体信息;研究区水体异常服从多重分形分布,根据无标度区走势可划分出3种不同性质的自然水体,即以大型水库为代表的深水水体、浅水水体(包括浅滩和湿地)和小规模汇水区;假异常较之于水体异常具有不稳定性和空间离散性,可分别通过GIS叠置分析、热点分析予以剔除。野外踏勘证实本研究水体解译精度接近100%。

基于Landsat 8 OLI遥感影像的融合算法比较

以Landsat 8 OLI卫星遥感影像为数据源,厦门岛为研究区,从融合影像的光谱保真度和高频信息融入度两方面,评价了包括SFIM、MLT、HPF、MB(modified brovey)、HCS和GS(gram-schmidt)等6种遥感影像融合算法。结果显示:除了MB和MLT方法外,其他方法较好地保留了影像的光谱信息;除MLT方法外,其他方法均具有好的高频信息融入度,能够显著提高影像的空间分辨率;其中,GS法光谱保真度最佳,HPF法高频信息融入度最好,HCS法则兼具良好的光谱保真度和高频信息融入度;综合排名显示GS、HPF和HCS法融合效果不分伯仲。

基于landsat8影像的植被信息提取最佳波段组合研究——以浙江省龙泉市为例

以龙泉市为例,运用最佳指数OIF法,同时结合Landsat8各个波段的统计信息和相关系数、地物光谱特征曲线及各波段主要用途进行综合分析,探讨了Landsat8影像用于植被信息提取时的最佳波段组合的选择。结果显示:256波段组合信息量最为丰富,为植被信息提取的最佳波段组合。

基于Landsat 8影像的后官湖叶绿素a浓度反演研究

采用2015—2020年的Landsat系列影像,结合实测数据构建叶绿素a浓度反演模型,分析了武汉蔡甸后官湖近6年叶绿素a浓度的时空分布特征。研究结果表明:在空间分布特征上,湖心水域浓度主要集中在5~7μg/L范围内,湖岸水域浓度主要集中于35~50μg/L范围内,呈现自西向东逐渐增加,湖心低于湖岸的趋势;在时间分布特征上,从2015年开始水质逐渐恶化,2018年浓度达到异常高值64.872μg/L,部分水域处于重度富营养化状况,但从2019年水体富营养化程度开始回落,水质在逐渐好转,且在不同季节中,水质表现春季、冬季优于夏季、秋季。

北票市基于Landsat8遥感影像的归一化植被指数分析

归一化植被指数(NDVI)是反映植被长势和营养信息的重要参数之一,由近红外波段与红光波段的反射率值计算得到。Landsat8作为美国Landsat计划的第8颗卫星,遥感数据的准确性更高,时效性更新,采用美国地质勘探局(USGS)网站提供的Landsat8卫星遥感影像,利用ENVI软件计算2013年7月~2016年6月北票市NDVI,分析北票市3a的植被覆盖情况。结果表明:用遥感影像的时效性,通过计算NDVI可以有效监测区域内植被的覆盖情况,获取多年的遥感影像可以分析区域内植被覆盖规律,便于分析区域水土流失情况,制定水土保持计划与决策。

基于Landsat 8 OLI影像的塔里木河下游河岸林叶面积指数反演

叶面积指数（Leaf Area Index,LAI）是描述植物冠层结构特征的重要参数,也是研究植物冠层表面物质和能量交换必不可少的参数。根据在塔里木河下游河岸林地利用LAI-2250实测的LAI数据,比较Landsat 8 OLI遥感数据提取的几种常规植被指数估算LAI的能力,建立LAI估算模型,并利用实测数据对模拟结果进行精度验证,生成塔里木河下游LAI分布图。结果表明：（1）各植被指数（Vegetation Indexes,VIs）与LAI均具有一定的相关性,对于不同的植被指数,二次多项式回归模型相关性均最高;（2）在不区分植被类型的样本分析中,大气阻抗植被指数（Atmospherically Resistant Vegetation Index,ARVI）与实测LAI具有最高的相关性;（3）分别针对柽柳林和胡杨林样本分析,判定系数R^2和反演精度均具有不同程度的提高,对应的最适植被指数分别为归一化植被指数（Normalized Differential Vegetation Index,NDVI）和ARVI;（4）塔里木河下游河岸植被LAI有3个高值区：大西海子水库附近、下游中部和尾闾湖台特玛湖附近。全区LAI值主要分布在0~1.5之间,均值为0.361。该研究结果为遥感提取塔里木河下游河岸林带高空间分辨率的叶面积指数数据提供了数据支持和方法支撑。

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。

Landsat8时间序列影像支持下的农田防护林提取方法研究

【目的】农田防护林空间分布是三北防护林生态工程监测的重要内容之一。传统的人工调查方式获取农田防护林费时耗力,效率较低,遥感技术可以弥补传统人工调查的不足。现有农田防护林空间分布研究中,基于单期高分辨率遥感影像可以较好提取植被信息,但是不能很好的解决影像中一些地类存在的同谱异物和同物异谱现象。利用中等分辨率遥感影像进行农田防护林信息提取也仅限于利用光谱信息、形状指数等进行决策树分类,且精度受限。鉴于此,依托中低分辨率遥感影像的农田防护林提取方法有待研究。【方法】选择甘肃省张掖市甘州区为研究区,选取2017年4个季度9期Landsat8 OLI时间序列数据为农田防护林信息提取的数据源,在进行辐射定标和大气校正的基础上,基于分层分类的思想,融入植被物候特征、水体和植被指数,利用时间序列遥感影像以及多特征分类指标,逐步提取并掩膜研究区内其他地物,最终实现农田防护林的提取。利用野外样点调查结果和甘州区土地利用数据库对信息提取结果进行精度评价。【结果】该方法分类总体精度为85.93%,kappa系数为0.79,其中野外调查记录的33个农田防护林样点中29个被正确提取,精度达到87.8%。【结论】时间序列遥感数据能有效提取植被的物候参数。基于多时序、多特征分层分类方法能有效提取农田防护林的空间分布信息,降低了同谱异物和同物异谱现象对农田防护林信息提取的干扰。说明利用时间序列遥感影像结合多种特征分类指标的分层分类方法开展甘州区的农田防护林提取是可行的。

用遥感影像提取大别山区水稻种植面积——以Landsat 8为例

本研究选取安徽省安庆市大别山为研究区,包括太湖县、岳西县、宿松县和潜山县,选取2016年和2017年的6景Landsat 8卫星遥感影像,通过遥感影像提取水稻种植面积,分析大别山区的水稻种植面积分布,并对研究区域的水稻种植面积进行动态实时监测。用遥感解译方法分别提取了研究区内的晚稻种植面积,并利用随机点验证和Kappa系数验证结果精度。结果表明:2017年和2016年水稻种植面积的提取精度分别为93.44%、93.78%,Kappa系数分别为0.86、0.83,证明水稻提取效果精确;对比研究区域各个县内的2017年和2016年晚稻种植面积,发现安庆市大别山区太湖县、潜山县、岳西县的水稻种植面积变化率均在5%以内,属于正常变化,由于2016年宿松县遭遇了水灾,部分农田被淹没,故宿松县2017年水稻种植面积相比2016年增加了13.01%;对比传统的农作物种植面积统计方法,利用遥感的方法更省人力、物力、财力,并且能精确、快速地实现对农作物的实时动态监测。

基于Landsat 8影像的太湖生化需氧量遥感反演

生化需氧量(BOD)是监测水体有机污染的重要水质参数,运用遥感技术进行水体BOD监测具有快速、便捷的优势。利用2016年7月27日和2016年8月28日Landsat 8/OLI影像数据与2016年8月1—4日和2016年9月1—8日40个样点实测BOD浓度数据,对BOD浓度与Landsat 8像元光谱反射率进行相关分析并选取敏感波段,运用建模集数据构建偏最小二乘回归模型(模型决定系数为0.61,预测均方根误差为0.69 mg·L^(−1),预测偏差比为1.61)进行数据验证,实测值和预测值的相关系数达到0.85,预测均方根误差为0.74 mg·L^(−1),预测模型效果较好,说明应用Landsat 8/OLI数据进行太湖BOD浓度监测具有可行性。将得到的偏最小二乘回归模型运用至2016年7月27日和2016年8月28日Landsat 8影像得到BOD遥感反演图,遥感反演图中BOD空间分布特征与2016年8月1—4日和2016年9月1—8日样点BOD空间插值结果吻合较好。遥感反演图能更清楚地表征太湖BOD的分布情况,BOD浓度从太湖南部向北部逐渐增加,中南部区域BOD浓度低,西北部、边缘地区以及东南部区域BOD浓度较高。运用太湖其他时段Landsat 8影像与实测BOD浓度构建偏最小二乘回归模型,2016年4月和2017年3月建模效果均比较好,说明偏最小二乘回归方法具有较强的适用性。分析多时段反演结果,2016年中期太湖有机污染状况较初期严重,说明水体有机物质受季节和温度等因素的影响。综上,偏最小二乘回归模型能够较准确估算水体BOD浓度及其空间分布,可为太湖有机污染的评价和治理提供依据。

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。