基于GF-1 PMS影像和k-NN方法的延庆区森林蓄积量估测

应用高分1号(GF-1)全色和多光谱(PMS)影像和k-最邻近(k-NN)方法进行县域尺度的森林蓄积量估测,探讨GF-1 PMS影像以及k-NN方法估测森林蓄积量的适用性。以北京市延庆区森林资源二类调查数据为基础数据,森林蓄积量为研究对象,基于国产GF-1 PMS影像数据提取植被指数,采用k-NN法构建森林蓄积量估测模型,并引入偏最小二乘回归法予以比较,选出最优估测方法对全区森林蓄积量进行反演。结果显示:偏最小二乘回归法估测的森林蓄积量均方根误差为21.90 m^3·hm^(-2),相对均方根误差为27.5%,偏差为17.23 m^3·hm^(-2)。基于k-NN方法的森林蓄积量估测的均方根误差为12.80 m^3·hm^(-2),相对均方根误差为16.0%,偏差为15.02 m^3·hm^(-2)。与官方公布的全区森林蓄积量进行对比,结果显示:基于k-NN法反演的全区森林蓄积量统计结果(245.98万m^3,估测精度为86.0%)要好于偏最小二乘回归法(266.22万m^3,估测精度为76.6%)。最后生成了全区森林蓄积量空间分布图。

基于GF-1PMS影像的柠檬种植面积估算

为应用国产高空间分辨率影像快速、准确估算丘陵区柠檬种植面积,文章基于GF-1 PMS影像使用不同数据预处理及分类法估算柠檬种植面积。通过对影像进行大气校正、数据融合、滤波等处理,分别得到光谱反射率数据、融合影像和纹理特征数据(分辨率分别为8m、2m、2m)。通过可分离性分析,发现荒草地和未成林柠檬的可分性最差,二者在光谱反射率数据、融合影像和纹理图像中的可分性数值均小于1.8,是影响柠檬分类精度的主要因素。基于最大似然法的分类精度评价结果显示,纹理图像数据估算精度好于8m分辨率的多光谱反射率数据和2m分辨率的融合图像,适当的影像预处理有助于提高监督分类精度。对比基于最大似然法的精度,基于面向对象法的柠檬面积估算精度达95.09%,高于监督分类法的,使用GF-1 PMS影像估算柠檬面积最优方法为面向对象法。该研究为应用国产高分辨率遥感数据快速、准确估算丘陵地区果树种植面积提供了相关参考。

基于GF-2 PMS影像和随机森林的甘肃临夏花椒树种植监测

在目前植被遥感监测中,大类作物往往得到更多的关注,而对于某些具有重要生态功能和经济效益的小类树种却明显关注不足。花椒树是我国重要但小众的生态树种,其果实花椒是常见的油料和药用原料。对花椒树种植信息进行及时、准确的监测,对当地生态、经济和社会的协调发展至关重要。该文基于GF-2 PMS影像和随机森林算法探讨了花椒树遥感监测的可行性。结合光谱波段、归一化植被指数、纹理特征以及数字高程模型共4种分类特征,分别设计了3种分类方案。通过分析各分类方案的分类精度,进一步探讨了不同分类特征在花椒种植识别中的作用。研究结果表明,仅使用光谱波段时,总体精度最低,为65.90%;增加归一化植被指数和数字高程模型特征时,总体精度小幅提升,为67.67%;进一步增加纹理特征,总体精度大幅提高为74.43%,说明纹理特征的重要性。基于最优分类方案的结果显示,2018年研究区内花椒树主要种植在黄河沿岸和刘家峡库区周边,其总种植面积为231.59 km^(2),占研究区总面积的22.56%。其中,仅种植花椒树地块的面积为189.06 km^(2),混合种植花椒树的地块面积为42.53 km^(2)。90%以上的花椒树分布在[1683,2300)m海拔范围内,且随着海拔升高呈现出“先减少-再增加-再减少”的变化趋势;58%的花椒树分布在[8,25)°坡度范围内。总的来说,GF-2 PMS影像在花椒树种植监测中具有较大的潜力。开发对花椒树的遥感识别方法,不仅有助于当地生态产业调控和后续生态工程布局,并且对其他地区的生态树种或小类植被物种开展相关遥感监测工作也具有较强的借鉴意义。

县域尺度上基于GF-1PMS影像的冬小麦种植面积遥感监测

为探究县域尺度上基于高分一号卫星(GF-1)PMS影像进行冬小麦遥感监测的可行性及精准性,以河南省滑县为研究区,遴选2015年2月上旬GF-1 PMS影像6景,对影像进行辐射定标、FLAASH大气校正、NNDiffuse融合、几何精校正、地图投影转换等预处理后,在外业调查和样本分析的基础上构建一种新的冬小麦决策树分类模型,模型第1层决策方案中NDVI>0.311的像元为冬小麦,得到冬小麦的粗分类结果;在此基础上进行第2层决策分类,以进一步提高冬小麦的分类精度,分类方案为第1波段地表反射率<0.146、第2波段地表反射率<0.148、第3波段地表反射率<0.135、第4波段地表反射率>0.250的像元为冬小麦。对分类结果进行形态学滤波处理,以消除或减少分类结果中孤立的像元。分别基于决策树分类模型与ENVI软件自带的IsoData非监督分类模型,对比分析GF-1PMS影像和同时期Landsat-8OLI影像在冬小麦面积提取上的精度。结果表明:基于新构建的决策树分类模型,2015年滑县冬小麦种植面积为115 715.81hm2,混淆矩阵检验总体精度为99.62%,Kappa系数为0.99;PMS影像提取冬小麦的混淆矩阵总体精度比OLI影像高出9个百分点。说明县域尺度上基于单时相GF-1PMS影像在冬小麦收获前提取冬小麦种植面积是可行的,提取精度较高。

基于HJ-1星和GF-1号影像融合特征提取冬小麦种植面积

为提高基于国产环境与灾害监测预报卫星(HJ-1/CCD)影像大范围提取冬小麦种植面积的精度,以江苏省宿迁市沭阳县为研究区域,对冬小麦拔节期30 m×30 m的HJ-1/CCD多光谱影像和2 m×2 m的高分1号卫星全色影像(GF-1/PMS)进行融合与面向对象分类研究。将GF-1/PMS全色影像进行8、16和24 m重采样,得到4种空间分辨率(含2 m)的全色影像,分别与HJ-1/CCD多光谱影像利用光谱锐化法(Gram-Schmidt,GS)进行融合。通过对融合影像进行质量评价,选择适合研究区冬小麦种植田块格局的适宜尺度影像。将HJ-1/CCD多光谱影像重采样,得到与适宜尺度融合影像相同尺度的影像,在两景影像中分别选取包含光谱、纹理信息的训练融合影像样本(samples of fused image,SFI)和重采样影像样本(samples of resampling image,SRI),采用面向对象分类方法对适宜尺度融合影像(fused image,FI)和重采样影像(resampling image,RI)进行冬小麦种植面积提取。结果表明,16 m×16 m融合影像的效果优于2 m×2 m、8 m×8 m和24 m×24 m融合影像,其均值、标准差、平均梯度和相关系数分别为161.15、83.01、4.55和0.97。面向对象分类后,SFI对重采样影像RI16m分类的总体精度为92.22%,Kappa系数为0.90。SFI对融合影像FI16m分类的总体精度为94.44%,Kappa系数为0.93。SRI对重采样影像RI16m分类的总体精度为84.44%,Kappa系数为0.80。SFI对融合影像FI16m分类效果最好,说明基于融合影像和融合影像提取样本(SFI)结合的面向对象分类方法能准确提取冬小麦种植面积。另外,重采样影像和融合影像提取样本(SFI)相结合的面向对象分类方法也可较好提取冬小麦种植面积。为利用国产中空间分辨率HJ-1/CCD卫星和高分1号卫星融合影像有效提取大区域冬小麦种植面积信息提供了参考。

基于遥感影像和环保基站数据的PM2.5监测方法比较

环保对于人们来说并不陌生,随着工业化建筑水平的提升,对于环境的污染程度也在逐渐加深,但是好在人们已经有了主观的环保意识,能够对环境保护作出一定的改变。PM2.5这个词常常会在我国发展比较迅猛的城市预报中出现,PM2.5的监测工作就是对雾霾的测定同时能够及时作出相应的预警。本文主要探究的就是比较两种PM2.5的监测方式,一种是遥感影像,一种就是环保基站数据。通过论述得出最终的完善结果。