基于复杂网络的黄河流域植被变化差异与聚类分析

为从拓扑力学的角度挖掘归一化植被指数(normalized difference vegetation index,NDVI)时间序列的动态演化特征,探究不同省(区)之间的联系与差异:利用2001—2022年黄河流域九个省(区)的NDVI数据,基于复杂网络的可视图算法构建NDVI网络,依据网络特征分析NDVI的动态特性;通过K-means和基于可视图的谱聚类算法(Spectral Clustering)对九个省(区)进行聚类。研究结果发现:相较于其他省级行政区,河南省为“无标度”网络,不易受到突发事件的影响,但其NDVI易受近期植被覆盖变化影响;NDVI在时间上具有一定的趋势性和相关性,不同季节的NDVI可能形成不同的植被覆盖模式;9个省(区)NDVI均具有“小世界”特征。9个省(区)被聚为3类。基于可视图的Spectral Clustering在研究九个省(区)NDVI的波动形式上的聚类效果更好。

基于可见光波段无人机遥感的植被信息提取

无人机遥感具有使用成本低、操作简单、获取影像速度快、地面分辨率高等传统遥感无法比拟的优势。该文通过分析仅含红光、绿光和蓝光3个可见光波段的无人机影像中植被与非植被的光谱特性,同时结合健康绿色植被的光谱特征,借鉴归一化植被指数NDVI的构造原理及形式,提出了一种综合利用红、绿、蓝3个可见光波段的归一化植被指数——可见光波段差异植被指数VDVI(visible-band difference vegetation index)。与其他基于可见光波段的植被指数,如过绿指数EXG(excess green)、归一化绿红差值指数NGRDI(normalized green-red difference index)、归一化绿蓝差值指数NGBDI(normalized green-blue difference index)和红绿比值指数RGRI(red-green ratio index)以及仅用绿光波段的提取结果进行对比分析,结果表明:VDVI植被提取精度高于其他可见光波段植被指数,且阈值在0附近,较易确定。为了验证VDVI的适用性与可靠性,选取与试验影像同一时期拍摄但不同区域的另一影像使用同样的方法提取植被信息。结果表明:VDVI对于仅含可见光波段无人机遥感影像的健康绿色植被信息具有较好的提取效果,提取精度可达90%以上,适用于仅含可见光波段无人机遥感影像的健康绿色植被信息提取。

基于无人机影像的可见光波段植被信息识别

该文通过对6种典型地物在无人机影像可见光波段的光谱特性分析,提出一种基于红、绿、蓝波段的可见光植被指数—超绿红蓝差分指数EGRBDI(excess green-red-blue difference index),并运用该植被指数与18种基于可见光波段的植被指数进行精度比较研究。研究表明,在利用均值和1倍标准差获得的区间范围内,EGRBDI各地类之间的信息无重叠交叉现象;该指数能对植被覆盖相对稀疏区域进行植被信息识别,其总体精度为97.67%,Kappa系数为0.9415,较其他18种指数具有更好的植被信息识别能力。利用不同地物覆盖情况的3幅无人机影像作为数据源,对EGRBDI适用性和稳定性进行研究,结果表明,在3个研究区中,基于EGRBDI的植被信息识别总精度均高于93%,Kappa系数均大于0.85,提取精度受地物类型差异影响的波动性较小,能较好地削弱影像中阴影等因素的影响,具有较好的适用性、可靠性和提取精度。

基于可见光植被指数的乌海市矿山排土场坡面植被覆盖信息提取研究

【目的】利用可见光植被指数快速准确获取矿山排土场坡面植被盖度,为乌海矿区排土场坡面植被调查提供有效方法。【方法】选取乌海市典型矿山排土场,通过样方调查法、无人机遥感及可见光植被指数计算筛选适于研究区排土场坡面植被提取的可见光植被指数,并估算其植被盖度,试为排土场坡面植被盖度提取提供新方法。【结果】结果表明:(1)不同可见光植被指数提取植被效果存在一定差异,其中绿红比值指数(RGRI)和绿蓝比值指数(BGRI)的灰度图中越暗的部分代表植被指数越大,而其他常见可见光植被指数是越亮的部分代表植被指数越大。(2)研究区中不同可见光植被指数灰度图像特征值基本分布在[-1,1]范围内,由蓝、绿波段构建的归一化绿蓝差异指数(NGBDI)和绿蓝比值指数(BGRI)的灰度图中植被与裸地像元值范围有较大重叠,即存在部分混淆。(3)常见可见光植被指数中,可见光波段差异植被指数(VDVI)可以快速准确提取研究区排土场坡面植被,通过人工目视解译及误差矩阵得到VDVI植被指数提取结果平均识别精度在93.4%,表明VDVI植被指数更加适用于乌海市矿山排土场坡面植被提取,优于其他常见可见光植被指数,利用该方法估算可得研究区坡面植被盖度约20.4%。【结论】可见光植被指数作为一种非监督分类方法,无需人工选择参考地物即可提取植被,可以作为矿山排土场坡面植被盖度调查的一种新方法,具有广阔的应用前景,同时研究表明VDVI植被指数在提取乌海市矿山排土场坡面植被盖度时具有较高提取精度,对指导当地矿山排土场植被恢复具有实际意义。

基于FY-3A/MERSI与Terra/MODIS的单波段反射率和NDVI差异性分析

为了实现FY-3A/MERSI数据产品与Terra/MODIS数据产品的衔接,利用统计方法,对FY-3A/MERSI与Terra/MODIS的红光、近红外波段反射率和NDVI的相关性进行了分析。结果表明:FY-3A/MERSI和Terra/MODIS数据中红光、近红外波段反射率和NDVI值具有极显著的相关性,相关系数均超过0.93;在不同的土地覆盖类型中,FY-3A/MERSI与Terra/MODIS的单波段反射率和NDVI值不同,但FY-3A/MERSI计算的NDVI值均小于Terra/MODIS计算的NDVI值,并且NDVI平均值的日变化大于红光和近红外波段反射率平均值的日变化。

基于PCA/NDVI的森林覆盖遥感信息提取方法研究

以大兴安岭为试验区，提出将主成分分析（PCA）得到的第1分量、归一化植被指数（NDVI）和Landsat TM1～TM7某一波段进行合成，增强森林覆盖区和背景区信息的反差，并利用最大似然法对影像进行监督分类，分类精度超过92％。通过对不同云雾量和森林覆盖的2个时相影像试验表明，本方法提高了遥感影像森林覆盖信息提取的自动化程度和精度。

TM图像大气校正及其对地物光谱响应特征的影响分析

基于辐射传输理论的大气校正模型,具有明确的物理意义,易于操作,应用广泛.虽然这类模型通常会提供几种标准大气模式供用户选择,但是有限的几种模式难以合理描述具体研究区的大气状况,因此,在缺乏实测资料时,有必要对大气参数进行合理选择或估计,参数的选择直接影响大气校正的结果.因此,首先对Landsat-5 TM图像大气校正参数的确定进行了详尽分析,然后从光谱响应曲线、归一化植被指数(NDVI)、能见度等方面,探讨了大气校正对TM图像地物光谱响应特征的影响.研究表明:(1)TM图像经大气校正后,地物在可见光波段反射率明显减小,而在近红外和短波红外反射率增大;(2)大气校正后的NDVI增幅明显;(3)能见度对水体和植被在可见光波段的地表反射率影响均较大;在近红外波段对水体的影响比对植被的更为强烈;随着能见度的增大,地物地表反射率增大.采用的参数确定方法可为类似研究提供参考与借鉴.

顾及无人机影像点云特征的绿地信息分类方法

采用无人机影像进行绿地信息分类时,常利用影像光谱、纹理、形状等分类特征,忽视了通过无人机影像生成点云构建的数字表面模型(Digital surface model,DSM)和数字高程模型(Digital elevation model,DEM)差异特征。基于此,提出一种顾及无人机影像点云特征的绿地信息分类方法。方法首先基于摄影测量理论对研究区无人机影像进行空三计算,并生成点云,在此基础上构建DSM、DEM和数字正射影像(Digital Orthophoto Map,DOM);然后,利用DSM和DEM模型构建地物高度差异模型(normalized Digital Surface Model,nDSM);最后,利用可见光波段差异植被指数(Visible-band difference vegetation index,VDVI)对DOM进行植被与非植被分类,并结合nDSM对植被进行分类。以昆明市呈贡区白龙潭公园为研究区进行绿地信息分类,Kappa系数精度达到0.862,实验表明本文的方法对城市绿地调查具有实际意义。

基于最优波段组合的TM影像土地覆盖信息分类

针对TM遥感影像光谱特征利用率不高,影响土地覆盖信息分类精度的问题,提出一种基于最优波段组合的分类方法。以赣州市章贡区2006年的TM遥感影像为研究对象,首先根据遥感影像的光谱特征和波段间的相关性计算最佳指数;其次根据研究区域特征,引入修正植被指数,并对原影像进行主成分分析,综合分析最佳指数、修正植被指数和前3个主成分量,认为PC3、RNDVI、Band1为最优波段组合。最后结合监督分类与非监督分类法对最优波段组合成的遥感影像进行分类,得到的整体分类精度为86.237 5%,kappa系数为0.825 3。

融入可见光-近红外高光谱吸收特征的新型植被指数估算天然草地FAPAR

考虑到植被可见光-近红外的光谱吸收特征与光合有效辐射吸收率(fraction of absorbed photosynthetically active radiation,FAPAR)有很好的关联,综合"高光谱曲线特征吸收峰自动识别法"与"光谱吸收特征参量化法",提取对FAPAR敏感的高光谱吸收特征参数,借鉴可见光-近红外植被指数的数学形式,尝试用优化组合后的可见光-近红外光谱吸收特征参数替代光谱反射率,构建新型植被指数估算植被FAPAR,并利用2014年和2015年内蒙古自治区中部与东部地区天然草地典型群落冠层实测光谱数据进行FAPAR估算建模与验证。结果表明:新型植被指数"SAI-VI"不仅有效提高了单个光谱吸收特征参数在高、低覆盖区域估算FAPAR的精度,而且相比五种与FAPAR有较好相关性的具有不同作用类型的可见光-近红外植被指数,其与FAPAR值的相关性更高(存在最大相关系数=0.801),以其为变量的指数模型预测FAPAR精度更高且稳定性较好(建模与检验的判定系数均最高且超过0.75,标准误差与平均误差系数也相应最小)。研究表明:融入可见光-近红外高光谱吸收特征的新型植被指数"SAI-VI",强化了可见光波段与近红外波段光谱吸收特征的差别,相较单一光谱吸收特征参数,在降低土壤背景影响的同时增强了对FAPAR变化的敏感度。同时,"SAI-VI"有效综合了对植被FAPAR敏感的光谱吸收特征信息,相较原始光谱反射率,能表达植被光合有效辐射吸收特征的更多细节信息,可作为植被冠层FAPAR反演的新参数,一定程度上弥补当前植被指数法估算FAPAR的不足。

光谱指数测量中窄带图像的光强自适应分割方法

[目的]本文对作物冠层区域的光强自适应性分割算法进行了研究,旨在消除光谱指数测量过程中土壤背景的干扰,克服现有光谱检测方法对结构光的依赖性。[方法]采用加装窄带滤光片的2个相机组建测量系统,并对相机的几何安装参数进行标定;将窄带图像灰度直方图的波谷灰度值与最大灰度值的比值作为归一化阈值,实现窄带图像分割的光环境自适应性。在实现近红外窄带图像中土壤和冠层分割的基础上,通过几何变换推算出可见光波段窄带图像的冠层区域,从而实现可见光窄带图像的分割。[结果]在80~140 cm高度内,每隔10 cm设置1个测量高度,每个高度采集5组平均株高为25 cm的绿萝冠层窄带图像(770和660 nm),安装660 nm滤光片的相机在完成图像采集后,将滤光片换成770 nm重新拍摄5张照片,作为660 nm图像分割效果的参考图像。结果表明:660 nm图像的分割区域与参考图像的分割区域平均重合度大于99%。同时计算了光照度为10000~26000 lx时拍摄的50幅绿萝770 nm窄带图像的非归一化阈值和归一化阈值,其与光照度的相关系数分别为0.5866和0.0916。[结论]本文提出的基于归一化阈值的分割方法对光环境的变化具有很强的适应性,综合归一化阈值和几何变换可以实现窄带图像的分割,为构建消除土壤干扰的归一化植被指数(normalized difference vegetation index,NDVI)等光谱指数提供有效的基础数据。

基于无人机图像的草地植被盖度估算方法比较

植被盖度是反映植被基本情况的客观指标和重要参数。本研究在对比8种常用的可见光植被指数计算草地盖度精度的基础上,发现这些植被指数对荒漠草地的植被盖度估测效果较差,因此提出一种适用于荒漠草地植被盖度估测的荒漠植被指数(DVI),并评价了不同植被指数对不同草地类型的植被盖度估测效果,分析了不同草地类型阈值取值的变化情况。结果表明:1)所选植被指数对草甸草地和典型草地的盖度估测效果均较好,精度较高(准确率>90%,F_(1)得分> 0.9)。草甸草地中超绿指数(Ex G)的盖度估测效果最好(准确率> 93%,F_(1)得分> 0.95),典型草地中各植被指数无明显差异,但对荒漠草地植被盖度估测效果较差,精度较低(F_(1)得分≤0.6)。2) DVI对荒漠草地植被盖度估测精度较高(准确度> 93%,F_(1)得分达到0.71),能够有效弥补上述植被指数的缺陷。3)绿叶指数(GLI)和植被颜色指数(CIVE)的阈值对草地类型敏感性最弱;Ex G、超绿超红差分指数(Ex GR)、植被因子指数(VEG)、Woebbecke指数(WI)等植被指数的阈值对草甸草地和典型草地的敏感性较弱,但对荒漠草地的敏感性较强;组合指数(COM)和Lab指数(Lab)对草地类型的敏感性最强。

基于无人机的高潜水位煤矿区沉陷耕地提取方法比较

准确、快速、低成本的获取高潜水位煤矿区沉陷耕地的面积、分布、受损等信息对耕地保护有重要的意义。色彩空间转换、纹理分析和植被指数等方法能够有效的增强和挖掘影像潜在的信息,对信息提取有很大帮助。利用2018年4月获取的无人机可见光影像对典型高潜水位煤矿区--山东兖州兴隆庄煤矿的沉陷耕地进行了提取研究。首先统计了耕地、积水区等地物在可见光三波段的均值和标准差,比较发现耕地与积水区在红、绿、蓝3个波段均有重合。其次对研究区影像进行了色彩空间转换与二阶矩阵纹理滤波,统计了耕地与积水区共27项色彩与纹理特征指标,利用均值和标准差计算了变异系数和相对差异值,最终选取色度(变异系数26%,相对差异73.33%)和绿色信息熵(变异系数20.59%,相对差异72.79%)作为耕地提取的最优特征,采用最大似然法进行耕地提取。之后计算了备选的6种可见光植被指数,根据结果分布图,选取了过绿指数EXG(excess green index)、可见光差异植被指数VDVI(visible-band difference vegetation index)、红绿蓝植被指数RGBVI(red green blue vegetation index)及归一化绿红差异指数NGRDI(normalized green-red difference index)作为沉陷耕地提取指数,利用双峰阈值法确定了耕地提取阈值。比较提取结果得出,EXG和NGRDI指数无法全面、客观反映研究区实际情况,VDVI指数的耕地总体分类精度为81.05%,高于RGBVI指数的71.38%,是本研究中最适用于高潜水位煤矿区沉陷耕地提取的指数。最后利用验证区影像,以基于样本面向对象提取的沉陷耕地面积作为参考值,通过比较面积及误差得出,基于色彩与纹理特征法提取的面积与参考面积更接近,误差(6.8%)小于可见光植被指数法(16.0%),更适用于高潜水位煤矿区沉陷耕地的提取。本研究结果客观反映了由于采煤沉陷导致耕地颜色、纹理、疏密等变化特征,为高潜水位煤矿区沉陷耕地的面积测算提供了技术支持。

不同植被指数和无人机航高对草地盖度估测精度的影响

搭载高清数码相机的无人机在草地资源调查等方面具有成本低廉、机动性高、观察范围大等突出优势,拥有广阔的发展前景。本研究使用小型无人机(unmanned aerial vehicle,UAV)、手机相机等设备获取草地盖度数据,选用植被因子指数(vegetative index,VEG)、超绿指数(excess green index,ExG)、超绿超红差分指数(excess green minus excess red index,ExGR)和绿叶指数(green leaf index,GLI)4种基于可见光的植被指数提取草地盖度信息,从无人机航高、草地盖度水平等方面分析各植被指数的适用性。结果表明:1)VEG和ExG方法估测草地盖度的效果较好,平均精确度均在93%以上。ExGR与GLI方法的估测效果较差,平均精度仅75%~80%。2)4种方法的估测精度均随盖度增加而降低。VEG方法估测草地盖度的精度受盖度水平影响最小,ExG方法次之,ExGR和GLI方法对高盖度草地的估测效果较差。3)VEG方法在高、中盖度水平下的最适航高为100 m,在低盖度水平下为40 m;ExG和ExGR方法在高、中盖度水平下的最适航高为100 m,在低盖度水平下为80 m;GLI方法在高盖度水平下的最适航高为100 m,在中、低盖度水平下为20 m。

一种利用可见光波段无人机遥感的林下植被覆盖识别方法

利用可见光无人机遥感数据,通过分析不同地物在像元和对象尺度上的光谱信息,建立一种利用归一化红绿差异指数NGRDI特征并结合面向对象思想的林下植被覆盖识别方法,并对试验区和验证区开展方法应用与适应性分析.分析结果表明:NGRDI在像元尺度可以很好地区分乔木、草地和裸土,在对象尺度也能较好地区分林下有植被覆盖区域和林下无植被覆盖区域,同时该指数能较好地消除地形因素等影响.试验区林下植被识别的总体精度为85.9%,Kappa系数为0.78;验证区林下无植被覆盖区域和林下有植被覆盖区域提取的正确率分别为82.9%和95.1%.故利用可见光无人机影像的NGRDI指数进行林下植被覆盖识别方法是可行的.

基于无人机可见光影像的绿色植被提取

在分析健康绿色植被光谱特性及无人机可见光影像典型地物各波段像元值差异的基础上,提出一种综合利用红、绿、蓝3个可见光波段信息的新型绿色植被指数——差异增强植被指数(DEVI).利用该指数及其他8种常见可见光植被指数结合不同阈值方法提取研究区域绿色植被信息,并采用地表真实感兴趣区和基于SVM的监督分类方法进行精度量化评价.结果表明:由DEVI计算的植被指数灰度影像直方图具有良好双峰形态,可利用双峰直方图阈值法快速确定阈值,且阈值一般位于0.9~1之间;同时,DEVI提取精度明显优于其余8种植被指数,且采用双峰直方图阈值法时,总体精度为98.98%,Kappa系数为0.9791,相对误差为1/83.为验证DEVI是否具有良好的可适用性及可靠性,选取3种典型植被覆盖区域进行可行性验证,结果表明:利用DEVI可高精度提取建筑密集区域和植被零散分布区域的绿色植被信息,总体精度分别为98.42%和98.56%,Kappa系数分别为0.9610和0.9635,相对误差分别为1/125和1/91;而植被集中分布区域提取精度略低于上述2种典型区域,总体精度为97.40%,Kappa系数为0.9371,相对误差为1/53.因此,提出的差异增强植被指数——DEVI可以有效、高精度、低成本提取不同植被覆盖典型区域无人机可见光影像中的绿色植被信息,为陆地生态系统中的绿色植被监测研究提供一种可行性方法.

基于ETM+影像的绿地信息提取方法研究

文中以ETM+影像为数据源实现对贵阳市某城区的绿地信息提取。对获取的影像进行预处理,分别通过不同的方法:原始波段组合法、主成分分析法(PCA)、独立分量分析法(ICA)、归一化植被指数法(NDVI)及基于第一独立分量的实验室波段组合法,获取研究区的假彩色合成影像。将以上方法得到的影像数据进行对比分析,表明植被景观目视效果最好的是原始波段组合法。将得到的影像数据进行监督分类,通过目视解译的方法进行精度评价,结果表明,基于第一独立分量的实验室波段组合法绿地信息提取精度最高,是一种有效的绿地信息提取方法。

基于无人机可见光影像的城市植被信息提取

利用无人机影像提取城市植被信息具有高时效、低成本的优势,对于城市绿地调查、热岛效应分析等具有重要意义。针对城市环境下彩色屋顶、水体对植被提取造成的影响,以不同地物覆盖情况的无人机影像为数据源,对16种可见光植被指数的适用性进行了研究,并分析了城市典型地物对植被提取精度的影响。结果表明,各种植被指数用于城市植被提取的精度普遍低于农业应用,特别是存在水体的场景,除GBRI、NGBDI和EXB指数外,其余指数均难以区分植被与水体;对于不含水体的城市场景,综合而言EXG和GLI指数的提取效果较好;彩色屋顶建筑物中蓝顶建筑对植被提取的影响较大,红顶建筑对绿色植被提取的干扰较小。

基于数学形态学改进的无人机影像配准算法

在无人机影像配准过程中,特征点对提取数量较为庞大,配准效率较低;当特征点位于树冠区域内时,受地形、视角、光照等因素的影响,非常容易产生大量点对的错误匹配。为解决上述问题,文章提出一种基于数学形态学改进的无人机影像配准算法。首先,根据可见光波段差异植被指数(visible-band difference vegetation index,VDVI)与数学形态学原理,对树冠区域内的特征点进行剔除;然后将双向匹配算法与最近邻(k-nearest neighbors,KNN)算法相结合,对特征点进行粗匹配;最后利用渐进一致采样(progressive sample consensus,PROSAC)算法进行精匹配,进一步提高配准精度。实验结果表明,在对有树冠区域覆盖的无人机影像进行配准时,该文提出的算法能有效提高匹配率与配准精度。

基于哨兵2可见光波段的喀斯特地区植被提取方法

为了从可见光波段准确的提取植被信息,研究喀斯特地貌植被在可见光范围内的相关特征,利用哨兵2影像可见光波段,建立红、绿、蓝3个波段的波谱空间特征。结果表明:植被光谱在蓝-绿的空间比值特征与其他地物存在可分离性,而且植被的亮度值在3个可见光内都相对较低。提取的植被结果与归一化差异植被指数(NDVI)、过绿指数(EXG)、超绿超红差异指数(EXGR)、植被指数(VEG)、可见光波段差异指数(VDVI)、归一化绿红差异指数(NGRDI)和归一化绿蓝差异指数(NGBDI)对比,其精度达到92.67%,优于其他可见光提取方法,表明该方法在可见光波段对喀斯特地区植被提取的有效性。