基于多时相ENVISat ASAR数据的冬小麦识别方法——以北京通州试验区为例

ENVISat ASAR数据在水稻识别和制图中应用研究比较深入,但对该数据用于小麦识别和制图的技术方法的研究还比较缺乏。以北京市通州区为试验区,研究了利用多时相ENVISat ASAR数据进行冬小麦识别的技术方法。应用GPS实测定位和基于高分辨率World View-1影像解译等手段获取分类精度检验数据,结果表明多时相ASAR数据可用于我国北方冬小麦的识别,对小麦—非小麦两类型的识别总精度为82.64%。     

基于SPOT5遥感影像丰宁县植被地上生物量估测研究

利用SPOT5遥感影像数据和同期获得的野外调查样地数据,基于按植被类型分类估测的方法,研究了河北省丰宁满族自治县植被地上生物量的遥感估测技术。研究结果显示,SPOT5影像的4个波段反射率和中红外植被指数(VI3)结合建立的多元回归模型,可用于森林生物量的遥感估测,估测的R2值达0.540,说明中红外波段信息提高森林生物量的估测精度有一定作用;通过分析样地生物量与多种植被指数的相关性发现,基于比值植被指数(RVI)的指数回归模型是灌丛生物量估测的最佳模型,估测的R2值达0.711,基于归一化植被指数(NDVI)的简单线性回归模型为估测草地生物量的最佳模型,R2值达0.790。利用2008年的全覆盖SPOT5影像,获得了丰宁县2008年植被地上生物量分布图,除农田植被外,全县地上生物总量为3.706×107 t,单位面积生物量平均为51.223t/hm2,其中,森林植被总生物量为3.578×107 t,灌丛植被总生物量为1.048×106 t,草地植被总生物量为2.277×105 t。     

PHI-3高光谱数据预处理

主要介绍PHI-3高光谱遥感数据从原始数据到产品这一阶段的预处理情况.针对该数据的特点,对原始数据进行了完整性处理、格式转换、辐射校正、暗电流处理、几何校正等预处理,获得了较好的图像,为数据的进一步处理和应用奠定了基础.     

沙化土地光谱特征初步分析

分析地物光谱特征与土地沙化间的数量关系,找出地物光谱特征变异的规律,从地物光谱的角度为遥感影像中沙化土地提取和定量分析提供依据.沙化土地光谱数据源分为单一地物类型级和复合地物类型级两种,野外测量时分别采取不同的采样方法.沙化土地光谱数据表现出随植被覆盖、植被类型、土壤、地类等的变化规律.     

基于多极化星载SAR数据的水稻/旱田识别-以江苏省海安县为例 

合成孔径雷达(SAR)数据对于南方多云多雨天气的地表农作物类型的探测具有独特的优势。以江苏省海安县为例,基于多极化SAR数据,包括双极化ALOS PALSAR以及全极化Radarsat\|2数据,采用面向对象的方法,针对当地水稻/旱田进行识别。针对双极化SAR数据,利用了其强度信息进行分类识别;而基于全极化数据,除强度信息外,还利用了其SAR信号统计分布概率进行分类规则建立。结果表明:L波段的ALOS PALSAR在识别旱地的桑树方面具有很大的优势,而基于两种分类方法的C波段Radarsat\|2数据识别水稻的精度分别为85%和75%,略低于ALOS PALSAR的识别结果(87.5%)。     

多光谱遥感影像的SAM-SID混合分类技术研究

以SPOT 5多光谱影像为数据源,通过与SAM、SID以及常规的最大似然法(ML)和最小距离法(MD)的对比,研究了基于SAM-SID混合法的土地覆盖多光谱遥感分类技术。研究结果显示,相比于SAM和SID,SID(TAN)和SID(SIN)两个SAM-SID混合参量对多光谱影像上地物识别的能力更强,尤以SID(SIN)的识别能力最强;基于SID(SIN)的多光谱遥感分类验证精度达78.94%,不但明显高于SAM和SID法,而且也高于常规的MD和ML监督分类方法。这说明SAM-SID混合分类方法不但适用于高光谱遥感分类,同时在多光谱遥感分类中也有很强的适用性。     

基于面向对象方法的沙化土地遥感信息提取技术研究

针对基于像元光谱特征提取沙化土地信息分类精度偏低的问题,以Landsat\|5 TM为数据源,基于面向对象的方法对沙化土地遥感信息提取技术进行研究。首先采用多尺度分割法对影像进行分割以获得同质区域,然后结合野外调查数据制成不同地物类型的多种特征图,从而确定提取目标地物的特征并建立沙化和非沙化地物提取决策树,最后对影像进行模糊分类,并对分类结果进行精度评价。结果表明,基于面向对象提取沙化土地信息的总精度达84.89%,Kappa系数为0.8077。研究结果为后续深入研究奠定了基础。