Use of Linear Spectral Mixture Model to Estimate Rice Planted Area Based on MODIS Data

MODIS （Moderate Resolution Imaging Spectroradiometer） is a key instrument aboard the Terra （EOS AM） and Aqua （EOS PM） satellites. Linear spectral mixture models are applied to MOIDS data for the sub-pixel classification of land covers. Shaoxing county of Zhejiang Province in China was chosen to be the study site and early rice was selected as the study crop. The derived proportions of land covers from MODIS pixel using linear spectral mixture models were compared with unsupervised classification derived from TM data acquired on the same day, which implies that MODIS data could be used as satellite data source for rice cultivation area estimation, possibly rice growth monitoring and yield forecasting on the regional scale.

基于线性光谱混合模型(LSMM)的两种不同端元值选取方法应用与评价——以广州市为例

通过分别采用纯像元指数(PPI)和手动选取端元这两种不同的方法获得了2003年广州市区的植被、水体和不透水层3种端元,然后利用线性波谱分离法得到各个端元的丰度图像和均方根误差图像,从而获得广州市老八区不透水层的分量图。另外,还对比分析了基于线性光谱混合模型(LSMM)两种终端单元的选取方法的优缺点,并从定性的角度对所得结果进行精度评价。结果显示:基于线性光谱混合模型(LSMM)的方法获得广州市老八区不透水层的分量图是可行而有效的;手动选取端元的方法比纯像元指数(PPI)能够得到更高精度的分量图。

同质区共享端元变异性的高光谱混合像元分解

由于不同的照明条件、复杂的大气环境等因素,相同端元的光谱特征在图像的不同位置呈现出可见的差异,这种现象被称为端元的光谱变异性。在相当大的场景中,端元的变异性可能很大,但在适度的局部同质区内,变异性往往很小。扰动线性混合模型(Perturbed Linear Mixing Model,PLMM)在解混的过程中可以减轻端元变异性造成的不利影响,但是对缩放效应造成的变异性的处理能力较弱。为此,本文改进了扰动线性混合模型,引入了尺度因子以处理缩放效应造成的变异性,并结合超像素分割算法划分局部同质区,然后设计出基于局部同质区共享端元变异性的解混算法(Shared Endmember Variability in Unmixing,SEVU)。与扰动线性混合模型,扩展线性混合模型(Extended Linear Mixing Model,ELMM)等算法相比,所提SEVU算法在合成数据集上平均端元光谱角距离(mean Spectral Angle Distance,mSAD)和丰度均方根误差(abundance Root Mean Square Error,aRMSE)最优,分别为0.0855和0.0562;在Jasper Ridge和Cuprite真实数据集上mSAD是最优的,分别为0.0603和0.1003。在合成数据集和两个实测数据集上的实验结果验证了SEVU算法的有效性。

基于高光谱解混的伪装目标识别技术研究

高光谱遥感图像识别技术在伪装目标识别方面具有很大的应用前景。针对高光谱遥感图像中的混合像元和光谱变异问题,提出基于高光谱解混技术的伪装目标识别方法。该方法采用扩展线性混合模型表征高光谱图像中的光谱变异问题,利用超像元分割技术将原始高光谱图像转换为粗细多尺度特征图,对超像元丰度矩阵附加8-邻域空间加权与行约束,以降低噪声和奇异点像元的影响。针对伪装目标空间分布稀疏的特点,在模型中增加丰度矩阵的截断加权核范数作为正则化项,以提高算法精度。实验结果表明提出的方法具有良好的抗噪性和较高的解混精度,可以有效提高伪装目标识别精度。

高光谱遥感数据植被信息提取方法

利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。

基于混合像元分解提取大豆种植面积的应用探讨

利用中低分辨率卫星影像进行大宗作物面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。以吉林省梨树县大豆种植面积为例,选取线性光谱混合模型对TM影像进行分类并计算出大豆种植面积,将其结果与Quickbird影像解译结果对比分析,采用以数量精度为基础的精度评价方法,分类精度达到92%。同时,使用典型的最大似然法监督分类和自组织迭代法非监督分类提取大豆种植面积,分类精度分别为87%和84%。结果表明,混合像元分解方法与其他遥感定量提取方法相比,能够提高大豆种植面积提取的精度。

基于MODIS遥感数据的混合像元分解技术研究和应用

使用郑州市MODIS(Moderate-Resolution Imaging Spectroradiometer)遥感数据,运用线性混合模型,对MODIS遥感数据进行混合像元分解技术研究。探讨了MODIS遥感数据的预处理、线性光谱分解模型、图像端元组分反射率的求取方法。把结果与分辨率较高的Landsat ETM+图像分类结果进行对比,并根据得到的均方根误差(RMS;Root Mean Square)进行分析表明,利用这种像元分解方法得到的结果较为理想,MODIS数据可以有效地应用于遥感动态监测和土地覆盖分类研究。

基于线性光谱模型和支撑向量机的软硬分类方法

针对硬分类方法中无法解决的混合像元问题及软分类方法中全图共用一套端元进行混合像元分解所带来的弊端,提出了一种新的软硬分类方法。该方法通过分析目标地物在图像中的分布情况,自动计算判别阈值,将图像分为目标地物纯净区域、目标地物混合区域和非目标地物区域。对于目标地物纯净区域和非目标地物区域采用硬分类方法(支撑向量机)快速提取分类信息;对于目标地物混合区域采用软分类方法(端元可变的线性混合像元分解)提取目标地物丰度信息,最后得到目标地物软硬分类结果。通过对北京地区ALOS图像的应用试验,并将新方法与支撑向量机、线性光谱混合模型进行比较,新方法的RMSE值为0.203,总量精度达到95.48%,高于支撑向量机和线性光谱混合模型。实验结果表明,新方法能够有效解决混合像元问题,提高图像分类精度。

不同分辨率遥感图像混合像元线性分解方法研究

混合像元的存在是传统像元级遥感分类和面积量测精度难以达到实用要求的主要原因,为了提高遥感应用精度,须解决混合像元分解问题。传统的方法主要通过改进分解模型提高分解精度,该文在不改变线性分解模型的条件下,分析不同分辨率尺度对于线性分解精度的影响。实验中运用像元合并的方法,得到不同分辨率的TM系列遥感图像,分别选取植被、裸地、水体3种典型地物进行线性分解;以分辨率更高的Quickbird图像分类结果作为真值进行精度评价。实验结果表明:随着图像分辨率的降低,植被的RMSE值不断缩小,在30 m分辨率尺度上均值为0.36,在150 m尺度上均值为0.17,分解精度提高了1倍左右;但随着分辨率进一步降低,由于混合像元现象加剧,RMSE值上升,分解精度随之降低。

改进的线性混合模型用于高光谱分离实验模拟

从考虑成份光谱的噪声出发 ,提出了改进的线性混合模型来补偿成份光谱噪声的影响 ,并在假定成份光谱和混合光谱噪声源于同一噪声源的前提下 ,给出了改进线性模型的数学求解过程及数值计算思路 ,且通过合成的含噪声的混合光谱对两种方法做了对比验证 ,实验证明 :改进的线性混合模型有效地克服传统线性模型的不足 。

基于环境星的混合像元分解水稻面积提取

以河南省息县水稻种植面积提取为例,选取线性光谱混合模型对环境小卫星数据进行分类,并计算出水稻种植面积,将其结果与高分辨率ALOS数据进行位置精度计算,得到平均精度达87.89%。同时,与决策树分类方法和神经元网络分类等方法进行对比,混合像元分解方法总量精度显著提高。表明针对环境小卫星的混合像元分解方法可以提高水稻种植面积的提取精度。

高原河谷城市植被时空变化及其影响因素——以青海省西宁市为例

高原型河谷城市具有特殊的自然地理与气候特征,生态环境脆弱,城市化引起的生态环境问题日益突出。植被作为其生态系统的载体,响应更加敏感。深入研究高原型河谷城市的植被变化及其影响因素,对促进西部大开发及城市化健康发展,建立良好的城市人居、生态环境具有重要的现实意义。西宁市作为典型的高原型河谷城市,植被覆盖在城市化与退耕还林(草)政策共同作用下变化明显。基于植被-不透水表面-土壤(V—I—S)模型,以西宁市城市规划区1995年与2009年两期landsat TM影像为数据源,利用线性光谱混合模型进行混合像元分解,获取研究区植被覆盖度的空间分布。通过整体分析、转移矩阵分析,格网分析等技术手段,研究植被时空变化特征并分别探讨川道与丘陵植被变化的影响因素。结果表明:研究期内,西宁城市规划区平均植被覆盖度维持在30%左右。2009年与1995年相比植被覆盖度出现下降,植被覆盖空间差异略有减小。在数量上,基本无覆盖、中覆盖、高覆盖等级呈增加趋势,低覆盖、全覆盖呈下降趋势。研究区西北部及西南部丘陵区植被覆盖整体趋于好转,主要由中低丰度植被等级变化而来,原因在于2000-2005年湟中县累计退耕还林(草)54.91km^2,累计造林247.98km^2,使研究区西北部植被覆盖等级提高,表明西宁市退耕还林(草)工程对于改善植被覆盖效果明显。同时丘陵区植被变化与气候影响趋势相同,表明其植被变化可能也受气候变化影响。城市扩展方向及强度对其周边植被覆盖的影响突出。市区快速扩张及农业退化使川道内中高丰度植被覆盖整体退化趋势明显。主要原因在于2000年后西宁进入快速发展期,城市用地规模迅速增大,川道内城市周边大量中高覆盖等级植被转变为基本无覆盖等级,造成植被退化。川道内城市区域植被变化与气候影响趋势相反,表明本文研究结果可能低估了城市化对川道内植被变化的影响幅度,相比气候影响,人为活动的影响更加强烈。研究区内植被覆盖等级的变化趋势为植被覆盖较差的等级(基本无覆盖和低覆盖)向高一级别发展,得益于退耕还林(草)工程;中等级别以上的覆盖等级出现一定程度的退化,尤其是位于川道中受到城市化干扰的区域植被退化问题尤为突出,需对这些区域采取植被保育措施,避免植被覆盖高等级区域受到城市化影响造成不可逆转的退化。

线性混合光谱模型在多光谱遥感影像分类中的应用

介绍了混合像元的概念、研究现状和广泛用于混合像元分解的线性模型。以TM遥感图像分类为例,对图像做MNF处理后进行有约束和无约束两种线性混合光谱模型分解混合像元;再对图像进行分类,将得到的图像同直接分类的图像进行比较分析。实验结果表明,考虑约束条件的线性混合光谱解混分类精度比直接分类精度提高了32.8%。

混合像元分解法提取积雪盖度

通过对积雪、地物和云进行光谱分析 ,指出积雪在传统的NOAA AVHRR可见光和近红外通道的高反射性特点和新增的 1 .6μm红外通道上的低反射性特点为提取积雪盖度提供了大量的光谱信息。首先对AVHRR数据进行主成分分析 ,提取含 99%信息量的前两个主分量 ,对其进行散点图分析 ,获取终元。最后使用两种策略进行多光谱混合像元分解 ,提取积雪盖度参数 ,结果很相似 。

高光谱遥感图像非线性解混研究综述

介绍了近年来非线性光谱解混方法的发展状况,主要包括矿物沙地地区的紧密混合模型和植被覆盖区域的多层次混合模型,以及基于这些模型的非线性解混算法和利用核函数、流形学习等方法的数据驱动非线性光谱解混算法及非线性探测算法.最后分析总结了现有非线性解混模型与算法的优势与缺陷及未来的研究趋势.

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.

基于光谱和空间特性的高光谱解混方法

为表征高光谱数据的光谱和空间特性,引入光谱的平滑性和地物空间分布的稀疏性约束,提出非负矩阵分解的改进算法,将其应用于高光谱解混.尺度可变的梯度下降算法保证了改进算法的收敛性.实验结果表明,改进后的非负矩阵分解算法能给出地物光谱,并精确估计其分布.

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.

基于线性光谱混合模型的油菜种植面积遥感监测方法研究

利用中低分辨率卫星影像进行油菜面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。本文以2009年湖北省潜江市油菜种植面积为例,利用中巴地球资源卫星(CBERS-02B)遥感影像,选取线性光谱混合模型进行油菜种植面积的分解计算研究,将结果与基于GVG(GPS、VIDEO、GIS)农情采样系统得到的结果进行对比分析,面积提取精度为97.43%。表明线性光谱混合模型能够高精度地提取油菜的种植面积,不失为一种很好的监测油菜种植面积方法。

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.