基于Landsat 8 OLI的特征变量优化提取及森林生物量反演

基于江苏省常熟市虞山地区Landsat 8OLI影像和55块调查样地数据,利用多元逐步回归法建立森林生物量模型,并讨论了预测结果及其精确性。选择包括各波段灰度值、不同波段灰度值之间的线性和非线性组合(包括18种植被指数)、纹理信息以及主成分分析、最小噪声分离变换等在内的53个特征变量。通过分析53个特征变量与森林地上、地下生物量的Pearson相关性,进行特征变量的优化提取。结果表明:所有样地无区分分析时,地上和地下生物量的模型精度均达到0.4以上,基于3种森林类型(针叶林、阔叶林和混交林)进行地上和地下生物量建模时精度有明显提高,达到0.67以上,地上生物量和地下生物量的估测结果均为混交林优于阔叶林,阔叶林优于针叶林。     

融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法

遥感影像解译是获得土地利用和土地覆盖（LULC）信息最为重要的途径之一,而自动化分类是提高LULC信息获取效率的关键。实际场景中包含大量不精准的先验知识,提取并融合其中的可用知识能进一步提高影像分类方法的精度、自动化率和规模应用能力。基于上述情况,提出了一种融合不精准先验知识的Landsat 8 OLI影像深度学习分类方法。该方法可自动规避先验知识中的不精准单元,在图斑约束空间内实现了分类样本的自动化区域选择和特征提取,并获得了高置信度知识,然后利用这些分类样本训练深度残差网络,从而实现大区域影像的精确分类。以常州市新北区为例进行实验,选用该区域2009年土地利用现状数据作为先验数据,2014年Landsat 8 OLI影像作为待分类影像。实验结果表明,所提方法可融合不精准先验知识,对大面积连片LULC信息分类精确,主要地类图斑界限准确,全图分类图斑精度达到了88.7%,Kappa系数为0.842。该方法能配合深度学习方法实现高精度Landsat 8 OLI遥感影像分类。     

基于多时相NDVI及特征波段的作物分类研究

时相和光谱特征信息在农作物种植分类提取方面具有十分重要的应用价值。以黑龙江大型农场--友谊农场为研究区域,利用4景不同时相的TM和SPOT卫星遥感影像,提取相应时相的NDVI时间谱图像数据作为新波段信息,在分析地物目标在相应影像各波段上光谱和时间特征的基础上,设计了决策树分类算法,通过对待分类影像进行系列阈值分割和掩膜处理,成功提取黑龙江友谊农场的大豆、玉米和水稻的种植信息,分类总体精度达到98.67%。     

基于Landsat 8卫星影像的北京地区土地覆盖分类

目的 土地覆盖分类能为生态系统模型、水资源模型和气候模型等提供重要信息,遥感技术运用于土地覆盖分类具有诸多优势。作为区域性土地覆盖分类应用的重要数据源,Landsat 5/7的TM和ETM+等数据已逐渐失效,Landsat 8陆地成像仪(OLI)较TM和ETM+增加了新的特性,利用Landsat 8数据进行北京地区土地覆盖分类研究,探讨处理方法的适用性。方法 首先,确定研究区域内土地覆盖分类系统,并对Landsat 8多光谱数据进行预处理,包括大气校正、地形校正、影像拼接及裁剪;然后,利用灰度共生矩阵提取全色波段纹理信息,与多光谱数据进行融合;最后,使用支持向量机(SVM)进行分类,获得土地覆盖分类结果。结果 经过精度评价和分析发现,6S模型大气校正和C模型地形校正预处理提高了不同类别之间的可分性,多光谱数据结合全色波段纹理特征能有效提高部分地物的土地覆盖分类精度,总体精度提高2.8%。结论 相对于Landsat TM/ETM+数据,Landsat 8 OLI数据新增特性有利于土地覆盖分类精度的提高。本文方法适用于Landsat 8 OLI数据土地覆盖分类研究与应用,能够满足大区域土地覆盖分类应用需求。     

基于多时相Landsat 8 OLI影像的农作物遥感分类研究

时序遥感数据及地物细微光谱特征对于提取作物分布有重要作用,基于此,利用多时相Landsat 8 OLI影像,结合光谱角填图和决策树分类提取大同市新荣区东部地区主要农作物分布情况,并与最大似然法提取的分布结果进行对比。研究发现:①研究区内春玉米、谷物、大豆和马铃薯种植面积依次减小并呈镶嵌式分布;②结合光谱角填图与决策树分类总体精度为85.34%,Kappa系数为0.76,与最大似然法结果相比,总体精度提高22.51%,Kappa系数增加0.31,分类结果与实际作物分布具有更好的一致性;③利用时序遥感影像进行作物分类的精度明显高于单时相遥感影像的分类精度,且从光谱角差异的角度分析时序数据可有效削弱中高分辨率影像物谱不一致现象的影响。研究结果验证了多时相遥感影像对农作物分类研究的积极作用,并发展了光谱角填图法结合决策树分类在中高分辨率遥感影像中进行农作物分类的用法,具有一定的应用前景。     

基于Landsat-8 OLI影像和指数法的红树林提取对比研究

红树林是全球净初级生产力最高的生态系统之一,其在全球气候变化和海岸带地理环境演变研究中发挥着重要作用。快速且准确地获取大范围红树林空间分布,对于红树林资源的有效管理和开发利用具有重要意义。Landsat系列卫星影像已成为大范围、长周期红树林分布信息提取的重要数据源。选取华南沿海的英罗湾和珍珠港作为实验区,利用Landsat-8 OLI影像结合归一化差异红树林指数（Normalized Difference Mangrove Index,NDMI）、综合红树林识别指数（Combined Mangrove Recognition Index,CMRI）、模块化红树林识别指数（Modular Mangrove Recognition Index,MMRI）、红树林指数（Mangrove Index,MI）和红树林植被指数（Mangrove Vegetation Index,MVI)5种指数来提取红树林分布信息,并对比5种指数用于红树林提取的效果,筛选适用于Landsat-8 OLI影像的最佳红树林提取指数。提出了结合归一化差异水体指数（Normalized Difference Water ...     

基于机载LiDAR数据和Landsat 8影像的芬兰北部泰加林—苔原过渡带提取

泰加林—苔原过渡带对气候变化敏感,确定其位置可以帮助理解北极地区气候变化.针对当前过渡带提取中存在的自动化程度低、提取困难的问题,以芬兰北部泰加林—苔原过渡带为研究区,以高分辨率航空遥感影像和冠层高度模型生成的过渡带参考数据为基准数据,构建基Landsat影像和LiDAR数据的4个随机森林过渡带分类模型.对模型分类结果...     

基于多时相光谱和物候特征的陕西省神木县地物遥感分类研究

开展了时间序列Landsat TM/ETM遥感影像定量化处理与相对辐射校正,提取了陕西神木县不同地物光谱和NDVI物候特征,结合时间序列NDVI物候特征和多时相光谱信息,采用了地表覆盖的决策树分类算法,实现了陕西神木县地物的高精度遥感分类,包括水体、沙地、城镇、耕地、林地、草地及灌丛等7类地物,分类总体精度达95.77%,Kappa系数达0.93。研究结果表明,基于多时相光谱和物候特征的决策树分类算法能够有效集成多时相、多光谱信息,从而克服了单时相影像分类的缺陷,实现了地物的分类。论文研究方法和结果能够为三北防护林区域的生态环境监测与评估提供技术支持。     

基于MODIS多时相的江苏启东市油菜种植面积提取

利用遥感手段,基于油菜种植生长期的MODIS-NDVI 16d合成数据,提取江苏省启东市2008~2009、2009~2010和2010~2011年3个生长季的冬季油菜种植面积。根据油菜生育期NDVI值的时相变化建立了NDVI时序曲线;利用阈值剔除非耕地数据后,对数据利用最小噪声分离(MNF)方法进行压缩处理,最后利用波谱角分类法确定油菜种植区的空间分布,计算油菜种植面积。计算结果与实际统计面积相比,精度达到90%以上,表明该方法作为一种快速油菜种植面积监测方法,具有较高的监测精度。     

基于多时相Sentinel-2影像的黑河中游玉米种植面积提取研究

玉米是黑河中游种植面积最大的农作物,生长期需水量大、蒸散量高.准确获取玉米种植面积对该区域农作物种植结构调整、水资源合理规划有重要参考意义.基于2019年4月至9月Sentinel-2多时相影像,采用随机森林算法开展了黑河中游玉米种植面积提取研究.研究方法分为两类—直接提取法和两步提取法.进一步探讨了多时间信息量对玉米...     

Study on Crops Remote Sensing Classification based onMulti-temporal Landsat 8 OLI Images

It is crucial for agricultural production to know crop planting situation.Temporal remote sensing images and subtle spectral characteristics of ground features play an important role in extracting crops distribution.At this point,multi-temporal Landsat 8 OLI images were used to extracting the distribution of main crops in the east of Xinrong district of Datong city by using Spectral Angle Mapper(SAM) combined with the decision tree classification,and the extracting result was compared with the result that maximum likelihood extracted.The results show that：① The planting area of spring corn,grain,soybean and potato is decreased and mosaic distribution in order.② The overall accuracy obtained by SAM combined with the decision tree classification is 85.34% and the Kappa coefficient is 0.76,which is outperformed the results of maximum likelihood with the increase of 22.51% and 0.31,respectively,the classification results was more consistent with the actual distribution of main crops.③ The classification accuracy of main crops used the multi-temporal remote sensing images was obviously higher than that of single-temporal image,and the difference between ground features and spectra in middle or high resolution images can effectively weaken by analyzing multi-temporal data from the perspective of difference of spectral angle.The results not only confirmed the positive effect of multi-temporal remote sensing images on crops classification,but also developed the SAM combined with decision tree classification in crops classification of medium-high resolution remote sensing images,which has a certain application prospect.     

基于多时序特征和卷积神经网络的农作物分类

近年来,以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力。以加州帝国郡为研究区,以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI,组合后输入到构建的一维卷积神经网络 模型,以实现作物的高精度精细分类。为了验证卷积模型的优越性,另搭建了基于递归神经网络及其变体的深度学习模型。结果表明：①引入其他时序特征后,能够有效地提高卷积神经网络的分类精度。NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高,分别是89.667 4%和0.856 0,对比NDVI时序特征总体精度和Kappa系数提高了近4%和0.6。②在与其他深度学习模型的对比中,一维卷积神经网络分类精度最高,能够从时序数据中较为准确捕捉作物时序特征信息,尽管递归神经网络被广泛应用于序列数据的研究,但分类结果要略差于卷积神经网络。实验表明在NDVI的基础上引入其他植被指数辅助,能够有效地提高分类精度。基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法。     

基于Landsat-8 OLI和GF-1 PMS数据融合的铁染蚀变信息提取

通过对Landsat-8OLI的多光谱波段与GF-1PMS的全色波段进行数据融合,并基于融合后的数据,利用主成分分析法对研究区的铁染蚀变信息进行了提取。为了验证融合后的数据在矿化信息提取中的优势,将数据融合前后分别提取的铁染蚀变信息结果进行了对比分析。结果表明:基于融合后的数据比不进行融合的数据能够提取更丰富的蚀变信息,尤其是对微小特征的提取效果更好。     

基于多时相MODIS监测冬小麦的种植面积

论文基于时相和波谱信息，利用MODIS数据监测了北京冬小麦的种植面积。首先，基于地形高度对地物光谱反射值的影响，借助DEM数据对研究区域进行划分。其次，在分析并提取北京地区主要农作物时间谱曲线特征的基础上，设计决策函数，成功提取了北京地区冬小麦的种植面积。最后，比较并分析了非遥感数据对监测精度的影响。研究结果表明，（1）时相信息可以极大的提高农作物种植面积的监测精度。（2）辅助数据的利用，使决策函数的设计更具有针对性，监测结果更可靠。（3）多源多时相遥感数据在农作物种植面积的提取中具有明显的技术优势和重要的应用潜力。     

基于MODIS NDVI的LandsatTM影像地形阴影区光谱信息恢复方法研究

遥感为获取山区生态环境与资源信息提供了重要的观测手段。然而受地形遮蔽影响,山区光学影像大量的地形阴影给山区土地覆被解译以及生态参量的遥感反演带来了巨大困难。针对地形阴影光谱信息的恢复,提出了一种基于MODIS NDVI的Landsat TM影像地形阴影区光谱信息恢复方法。该方法首先利用MODIS上午、下午星(Terra和Aqua)不同时间过境能够对地形阴影区信息实现互补的特点,采用最大值合成法合成MODIS上、下午星16dNDVI产品(MOD13Q1和MYD13Q1),获得低空间分辨率影像上的阴影区光谱信息;在此基础上,考虑MODIS与Landsat的观测角度、光谱差异,设置滑动窗口及筛选规则提取MODIS与TM影像相匹配的同质纯像元;基于中、低空间分辨率影像中均匀同质像元存在一定统计关系的假设,进一步建立同质区域中TM影像光照区域与对应MODIS NDVI的回归树模型,利用该统计关系和阴影区MODIS的NDVI信息推导得出地形阴影区的光谱信息。将阴影光谱信息恢复后的影像与SCS+C校正后的影像进行比较和分析,结果表明该方法恢复得到的地形阴影的光谱信息能够更好地反映阴影区信息,同时光谱保真程度较好。随着越来越多的中高空间分辨率卫星影像的发展,采用多源卫星数据进行山地地形阴影区信息恢复将成为一个新的发展趋势,该方法以期为同类影像处理提供参考。     

基于多时相HJ卫星的冬小麦面积提取

我国环境与灾害监测预报小卫星HJ-1A/B具有较高的时间和空间分辨率,在作物种植面积提取和长势监测等方面具有较大优势。本文以江苏省姜堰市为研究区,根据冬小麦的物候规律和季相节律的差异性,选取返青期和拔节期两个生育期的HJ卫星影像,借鉴分层信息提取法原理,综合利用监督分类和非监督分类法,结合人机交互目视解译和实地定位调查等资料提取了姜堰市的冬小麦种植面积,总体面积提取精度达到90.22%,样点空间匹配精度为81.25%,实验基地空间匹配精度为80.34%。结果表明：HJ卫星能够用于提取南方地区冬小麦种植面积和长势监测,满足农情监测的需要,且利用多时相遥感影像能有效地增加信息量,实现信息互补,有助于提高监测精度。