高光谱遥感技术的铅污染监测应用研究

从高光谱技术的发展及其在植被遥感领域的应用出发，探讨了植被高光谱特征研究及其常用分析方法，对在营养胁迫情况下植物的叶绿素等变化对高光谱遥感响应的特征进行分析；归纳了获得优势应用的植被指数和导数光谱，植被光谱信息提取方法；总结了土壤遭受重金属铅污染及其对植物的影响的机理；针对遭受污染胁迫的植物的地面高光谱特征提出了利用地面高光谱遥感技术作为土壤及植物重金属污染的遥感监测手段；在探讨其应用现状的同时展望了高光谱遥感数据支撑与校验的应用前景。     

基于Landsat 8 OLI数据的黄土高原植被含水量的估算模型研究

植被含水量(VWC)能够指示植被的水分状况,对植被生长、火灾、旱灾以及生态环境安全监测等具有重要意义,也是微波遥感估算土壤水分的重要参数之一。光谱指数法是估算植被含水量最常用的方法之一。结合地面观测及Landsat 8OLI传感器遥感影像,对平凉地区的植被含水量进行了遥感估算模型研究,结果表明:(1)平凉地区叶片含水量(FMC)与植被光谱指数没有相关关系,而等效水深(EWT)则与各植被光谱指数具有显著的相关关系(均超过95%显著性水平),其中RVI2与EWT的相关关系最显著且最稳定;(2)利用RVI2对研究区EWT进行遥感估算,其均方根误差(RMSE)为0.183,平均相对误差为8.9%,平均相对误差绝对值为26.4%;(3)研究区内大部分农田的植被含水量为0.6~0.9kg/m~2,少数农田的植被含水量达到1kg/m~2以上,这与实际考查基本一致,基本能够反映研究区内农田EWT的空间变化特征。     

公路路域生态环境遥感监测数据源选取研究

为了满足路域生态环境监测遥感数据选取的需求,针对公路建设及生态特点,从时相特征、空间特征、数据特征和价格因素4个方面考虑,以近年修建的8条高速公路为研究对象,对其遥感影像进行了筛选。通过公路修建的不同时期、当地植被生长季以及时相一致性,从时相特征对遥感影像进行选择;根据不同尺度所选择的遥感影像分辨率要求,从空间特征上对其进行选择。依据可见光数据、多光谱数据以及高光谱数据的特征\,云量以及光照因素对遥感影像的影响等,从数据特征方面对遥感影像进行选取;考虑价格因素能够更为有效地使用遥感资源。通过这4个方面的筛选,能够为公路路域生态环境监测选取较为适宜的遥感数据提供科学依据。     

遥感技术估算非光合植被覆盖度研究综述

定量地估算光合植被覆盖度(fPV)和非光合植被覆盖度(fNPV)对陆地生态系统碳储存、植被生产力、土壤侵蚀和火灾监测具有重要的意义。非光合植被在温带草原、热带稀树大草原、森林、沙地、农田等生态系统中扮演着重要的角色,是衡量地表植被覆盖状况的重要指标。综述了目前利用高光谱和多光谱遥感估算fNPV的研究进展,讨论了PV、NPV和BS光谱特征的理论基础,总结了目前估算fNPV的两种主要方法:光谱指数法和光谱混合分析法,并分析了高光谱和多光谱两种主要遥感数据源实际应用。最后对fNPV估算研究中存在的问题以及发展趋势进行了分析,以期为今后的fNPV估算提供借鉴和参考。     

锡林格勒典型植被类型光谱特征

内蒙古草原是全球变化研究的热点区域。遥感是进行大尺度草地动态监测最为有效的工具。为基于遥感数据的草地分类识别和动态变化监测提供依据,该文以锡林格勒盟的典型植被类型为研究对象,采集冠层反射率光谱数据,分析其波形和植被指数光谱特征。研究结果表明:红边面积、红边斜率以及680nm附近的叶绿素吸收谷特征参量,能够有效区分不同密度的草地和农业植被。归一化植被指数NDVI、绿度归一化植被指数GNDVI和优化调节植被指数OSAVI的变化趋势一致,能够反映植被绿度信息,适宜于监测植被长势。     

基于高时空分辨率可见光遥感数据的热带山地橡胶林识别

20世纪90年代以来橡胶林种植面积在西双版纳地区迅猛扩大,对该区域橡胶林种植面积、种植结构变化的精确监测是客观评价该地区橡胶林种植与生态环境变化关系的关键。针对西双版纳热带山地地区植被光谱特征的相似性及地形和气候条件的复杂性问题,结合该地区橡胶林冬季落叶的物候特征,采用时空数据融合算法,分别选取中分辨率的ETM+、OLI、Sentinel-2A数据与高时间分辨率的MODIS数据融合,建立高时空分辨率可见光遥感数据集,并分析不同融合数据源对热带山地环境下橡胶林识别精度的差异。结果表明:(1)基于时空融合数据提取的橡胶林物候变化特征能够实现较高精度的橡胶林识别,识别精度可以达到89%以上,Kappa高于0.83;(2)运用10m分辨率的Sentinel-2A数据进行分类时,能够获取比Landsat数据更高精度的分类结果,表明Sentinel-2A数据在高时空数据融合及热带植被遥感应用中有较好前景。     

辅以纹理特征的典型盐渍区地表覆被遥感影像分类

结合实测的盐渍地表光谱数据,采用经验线性法对遥感影像进行大气校正.分析了实测高光谱数据与遥感影像光谱值的关系,然后针对盐生植被光谱的相似性,对影像进行纹理特征提取.结合影像的纹理特征和光谱特征,运用神经网络分类法进行盐渍区地表覆被分类.结果表明辅以纹理特征的分类方法有效提高了盐生植被的分类精度.     

基于航空高光谱影像的额济纳绿洲土地覆被提取

土地覆被分类是生态环境评价、植被变化分析以及区域生态水文过程研究的基础。航空高光谱遥感具有高机动、高空间分辨率和高光谱分辨率等特点,在土地覆被提取方面极具优势。以黑河下游机载高光谱遥感数据为基础,针对额济纳旗胡杨林国家级自然保护区植被单一、景观破碎和异质性强的景观特点,以及高光谱数据量大、冗余度高等数据特点,对比分析最小噪声变换与主成分分析两种降维方法,最大似然法、支持向量机与面向对象3种监督分类方法。依据研究结果,首先利用NDVI区分高光谱遥感数据中的植被与非植被类别,然后采用最小噪声变换分别进行降维处理,最后利用最大似然法对研究区内土地覆被类型进行分类提取,提取结果聚类处理。依据随机验证点结合地面调查数据和正射影像,对土地覆被分类结果进行精度验证,总体精度和Kappa系数分别为87.95%和0.855,表明分类结果精度高,能够为生态研究等提供有效数据。     

基于光谱指数的植被含水率遥感反演模型研究——以岷江上游毛尔盖地区为例

利用研究区植被样本实测含水率和实测光谱数据,基于植被光谱指数法,建立植被含水率与植被光谱指数之间的数学模型,同时利用该模型对研究区的遥感数据进行分析,反演植被含水率。结果证明:简单比值光谱指数与植被含水率有较好的相关性,线性模型更适合该研究区的植被含水率反演。1999年和2007年两年的植被含水率反演结果显示:9年间植被含水率提高,含水率高的面积增大。     

基于遥感影像时间序列的冬小麦种植监测最佳时相选择研究

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。根据2005~2006年北京冬小麦不同物候期的Landsat TM影像和2006年Spot\|2影像,计算了各时期影像中主要植被类型的光谱可分性距离,分析了北京郊区主要植被物候差异和光谱可分性;对各生育期的遥感影像及其主要组合进行了监督分类,采用总体精度和分类效率指标两个参数,结合地面GPS调查数据,对分类结果进行了精度评价。结果表明：北京地区小麦监测最佳时相是4月上旬,影像分类的总体精度为92.9％,明显优于其它单时相影像的分类结果;发现北京郊区冬小麦光谱分类的最佳时相组合为4月上旬(起身期)和5月下旬(灌浆期),分类总体精度为94％。     

基于GDAL的遥感图像变化检测技术

由于GDAL（Geospatial Data Abstraction Library）具有快速读取多种格式的遥感图像且能有效解析空间元数据等特点,利用它开发遥感图像处理算法具有明显的优势。结合GDAL及相应算法,开发了一套复杂地形山区植被遥感变化检测的技术,其中包括利用阴影消除植被指数（Shadow Elimination Vegetation Index,SEVI）反演植被长势;利用图像差值法及最大类间方差法（OTSU）来提取植被长势明显变化点位;利用[K]均值聚类自动分割识别变化区域。将该方法用于武夷山自然保护区和闽江源自然保护区2016-2017年Landsat8 OLI遥感图像的植被长势变化检测,结果表明,这套遥感图像变化检测技术切实可行,能够有效识别遥感图像变化区域,并在复杂地形山区的植被长势监测中具有良好的应用价值。     

一种基于植被指数的遥感影像决策树分类方法

以江苏省徐州市为研究区,采用2000年ETM+多光谱影像作为遥感信息源,选择影像的光谱特征和归一化植被指数（NDVI）、绿度植被指数（GVI）、比值植被指数（RVI）等10种植被指数作为分类特征,基于See5决策树学习软件构建分类决策树,实现了研究区景观格局的遥感分类。研究结果表明,决策树分类法易于综合多种特征进行遥感影像的分类,植被指数参与到决策树分类中能够提高分类的总体精度。     

基于MNF和SVM的高光谱遥感影像分类研究

通过分析高光谱遥感影像分类的现状及遇到的困难,以OMIS1高光谱数据为实验数据,提出了基于最小噪声分离(Minimum Noise Fraction-MNF)变换和支持向量机(Support Vector Machine-SVM)的高光谱遥感影像分类方法。分类实验结果表明:与传统的最大似然分类法(Maxi mum Likelihood Classification-MLC)比较,该方法克服了Hughes现象,分类速度得以提高,总体分类精度达到94.85%,从而表明了该方法用于高光谱遥感影像分类的实用性和优越性。     

Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis

The dynamics of foliar chlorophyll concentrations have considerable significance for plant-environment interactions, ecosystem functioning and crop growth. Hyperspectral remote sensing has a valuable role in the monitoring of such dynamics. This study focussed upon improving the accuracy of chlorophyll quantification by applying wavelet analysis to reflectance spectra. Leaf-scale radiative transfer models were used to generate very large spectral data sets with which to develop and rigorously test refinements to the approach and compare it with existing spectral indices. The results demonstrated that by decomposing leaf spectra, the resultant wavelet coefficients can be used to generate accurate predictions of chlorophyll concentration, despite wide variations in the range of other biochemical and biophysical factors that influence leaf reflectance. Wavelet analysis outperformed predictive models based on untransformed spectra and a range of spectral indices. The paper discusses the possibilities for further refining the wavelet approach and for extending the technique to the sensing of a variety of vegetation properties at a range of spatial scales.     

A patch‐based image classification by integrating hyperspectral data with GIS

Hyperspectral remote sensing data provide detailed spectral information and are widely used for pixel‐based image classification. However, without considering spatial correlation among neighbouring pixels, a generated thematic map may have a ‘salt‐and‐pepper’ appearance. With the development of the Geographic Information System (GIS), the spatial relationship between a pixel and its neighbours can be recorded readily and used together with remote sensing data. The objective of this study was to integrate hyperspectral data with the GIS for effective thematic mapping. To date, GIS data have been used mainly in field surveys or training field selection for remote sensing data interpretation. Here we propose a patch‐classification based on integration of the GIS with remote sensing data. The classification results obtained by using this method can be easily saved in a vector format as used for GIS files. Computational cost is decreased compared with a pixel‐by‐pixel classification. The issue of how to identify pure or mixed patches is addressed and a three‐level simple and effective checking method is developed. A case study is presented with a hyperspectral data set recorded by the Pushbroom Hyperspectral Imager (PHI) and related GIS data.     

高光谱遥感图像波段选择研究进展综述

高光谱成像遥感技术可获取地物的光谱、辐射和空间信息,在国民经济的各个领域得到广泛的应用。但其狭窄的波段间距带来丰富光谱信息的同时,也带来了信息冗余,增加了数据处理的难度。因此,高光谱遥感数据在进行实际应用前,需要进行波段选择并提取光谱特征,降低数据维数。对高光谱遥感图像的波段选择研究进展进行了综述,在分析、归纳波段选择策略的基础上,从评价准则、空谱特征、半监督学习、稀疏表达、智能搜索和深度学习六方面阐述了波段选择方法的最新研究进展,探讨了当前高光谱图像波段选择面临的问题与挑战,对未来发展的趋势进行了预估。     

The area extraction of winter wheat in mixed planting area based on Sentinel-2 a remote sensing satellite images

ABSTRACT

The traditional area extraction method mainly depends on manual field survey methods, it is workload, slow and high cost. While remote sensing technology has the advantages of accuracy, rapidity, macroscopic and dynamic, which has become an effective means to extract crop growing area. In this paper, we took Kaifeng City in Henan Province as the study area. Firstly, we explored the advantages of Sentinel-2A RENDVI in crop identification. Then used the supervised classification SVM, object-oriented classification method and assisted with field measured data to extract the winter wheat planting area, the characteristics of the two methods were compared and analysed. Finally, we combined the above two classification methods and proposed a new classification method V2OAE to remove unnecessary influencing factors. The experiment results showed that RENDVI has better recognition ability than the NDVI (Normalized Difference Vegetation Index) in distinguishing vegetation with similar spectrum, the classification effect of object-oriented classification is better than supervised classification SVM, and our classification method removes unnecessary influence factors in the results of object-oriented classification, which is further improve the monitoring accuracy.

Firstly, we have preprocessed the Sentinel-2A image data, its steps are: (1) In the first step, we made radiation calibration for remote sensing images to eliminate the image distortion caused by external factors, data acquisition and transmission systems and so on; (2) In the second step, we made atmospheric correction to eliminate changes in the spectral feature of remote sensing images caused by atmospheric absorption or scattering; (3) In the third step, we made band resampling to unify the resolution of remote sensing images and facilitate the mathematical combination operation of vegetation index; (4) In the fourth step, we made mosaic and cutting to get preprocessed remote sensing images of Kaifeng City. Secondly, we analysed the spectral features of each object and established the interpretation mark with the field measured data. then we explored the ability to identify the ground objects based on NDVI(Normalized Difference Vegetation Index) and RENDVI. Third, we used the rule-based object-oriented classification method and SVM classification to extract the planting area of the study area, the input definition of SVM is spectral feature images of ground objects and the output definition of SVM is the recognition result of ground objects in the process of data training. Then the advantages and disadvantages of the two methods in classification results were analysed. Finally, In order to extract winter wheat information more accurately, we combined the above two classification methods and proposed a new classification method V2OAE (Vector Object Oriented Area Extraction) to remove unnecessary influencing factors, then the winter wheat planting area in Kaifeng City was statistically obtained.     

高光谱遥感在生态系统研究中的应用进展

遥感技术在生态系统调查与研究中具有广阔的应用潜力,但是传统的多光谱遥感主要侧重在面上的普查,很难对生态系统中各种复杂地物属性和生化参量进行精确反演。高光谱遥感突破了光谱分辨率的限制,大大提高了人们获取多种生态系统模型输入参数的类型和精度。在阐述高光谱遥感的原理和信息特点的基础上,系统评述了目前国内外高光谱遥感在生态系统过程与属性研究中的应用,并对未来高光谱遥感在生态学领域的研究方向做出展望。
     

基于EXCEL的高光谱影像光谱响应分析

高光谱遥感侧重于从光谱维角度对影像信息进行分析与处理。由于目前高光谱数据的处理技术跟不上数据获取技术,而已有的成熟的多光谱影像处理技术并不适合于处理高光谱数据,因此利用EXCEL软件展开了高光谱影像的地物光谱重建、光谱特征及其相关性分析、光谱微分计算、光谱向量相似性度量和信息提取等研究,并基于PHI(Pushbroom Hyperspectral Imager)航空高光谱影像像元光谱维矢量进行了光谱响应分析,实现信息监测和识别。     

基于混合像元分解的喀斯特石漠化地物丰度估测

我国西南喀斯特地区长期存在以石漠化为特征的土地退化问题,是我国三大生态问题之一。喀斯特地区地表复杂度高,具有高度时空异质性,像元混合现象严重,植被、裸岩和裸土为喀斯特地区典型地物,使得评价喀斯特石漠化的关键指标(如裸岩率、植被覆盖度)获取比较困难,高光谱遥感在混合像元分解方面有独特优势,可以获取地物端元的丰度。通过地面试验表明光谱指数能够表征地物覆盖度,进而以Hyperion高光谱影像为数据源,利用连续最大角凸锥方法从影像中提取这3类地物的端元,运用半约束和全约束线性光谱分解方法估算其丰度。研究表明:半约束线性分解得到的丰度优于全约束分解结果,其反演的植被、裸土和裸岩的丰度与相应的光谱指数间具有显著线性相关性,确定系数R²分别为0.92、0.66与0.84,表明地物丰度能够表征其覆盖度。因此,通过混合像元分解算法反演地物丰度来提取喀斯特石漠化因子具有一定的可行性,这为高光谱遥感在喀斯特石漠化中的评价和监测奠定了理论和算法基础。