应用光谱混合分析法从SPOT影像提取槟榔树专题信息

台湾地区槟榔树分布面积较大,但是种植密度不高,用通常的遥感影像分类和专题信息提取方法不能有效地提取槟榔树的分布范围。光谱混合分析是将一个像元看成多种地物的组合,分别求出各种地物所占的比例。运用线性光谱混合分析的方法,对台湾的SPOT卫星影像进行像元分解,提出了如何利用低光谱分辨率影像分解像元的方法。通过与最大似然分类和阈值法提取结果的比较,表明光谱混合分析法不仅有效地提取了槟榔树分布的范围,还计算出槟榔树分布的密度,是一种较好的方法。     

基于FY-3D/MERSI-Ⅱ的积雪面积比例提取算法北大核心CSCD

风云三号D星(FY-3D)是我国新一代极轨气象卫星。中分辨率光谱成像仪(MERSI-Ⅱ)是其携带的核心传感器之一,FY-3D对于全球数值天气预报、大气定量探测以及气候变化监测等具有重要意义。积雪面积比例产品是众多陆面产品之一,是水文模型和区域气候模型的主要输入参数。基于MERSI-Ⅱ数据发展了业务化提取积雪面积比例的算法,算法核心是混合像元分解。空间光谱端元提取(SSEE)的方法自动提取端元,全约束最小二乘法(FCLS)求解线性混合模型。解混结果叠合云掩膜得到FY-3D/MERSI-Ⅱ积雪面积比例数据(FY-FSC)。以Landsat 8的积雪面积比例数据(L-FSC)作为参考值对FY-FSC进行验证,同时将FY-FSC和MODIS积雪面积比例数据(M-FSC)进行比较。结果表明:FY-FSC的总体相关系数(R)为0.54,均方根误差(RMSE)为0.17,绝对平均误差(AME)为0.10;M-FSC总体R为0.41,RMSE为0.26,AME为0.29;利用积雪面积提取的精度评价因子K比较FY-FSC和M-FSC获取的总积雪面积的精度。结果表明:FYFSC和M-FSC数据的平均K值分别为88.51%和86.78%,FY-FSC精度高于M-FSC。FY-FSC将作为试验参数纳入FY-3D/MERSI-Ⅱ积雪覆盖业务产品中,可填补国产卫星业务化反演积雪面积比例参数的空白。     

基于GF-1遥感数据决策树与混合像元分解模型的冬小麦种植面积早期估算

我国西北地区耕地细碎,冬小麦种植面积提取时混合像元较多,所以将决策树和混合像元分解相结合可大大提高解译精度。以高时间分辨率及较高空间分辨率的GF-1卫星遥感数据为研究数据源。根据冬小麦和其他各类地物在不同时相数据上NDVI值的变化特性及特征值差异,建立决策树模型,快速高效地提取冬小麦像元。运用线性光谱混合模型,降低混合像元的影响,进一步精确提取冬小麦的种植面积。最后与实测样方的冬小麦种植面积数据进行比较,验证提取精度。结果表明:研究区内冬小麦种植面积提取精度达90%以上,Kappa系数接近0.8,可较为准确地反映出区域内冬小麦的分布情况。利用较高分辨率的遥感影像并结合决策树分类和混合像元分解可以较准确地提取耕地破碎地区作物种植面积,对开展早期农作物面积遥感监测有较大帮助。     

基于MODIS影像的植被覆盖度提取研究

利用线性光谱混合模型对河南省三门峡地区MODIS1B影像进行植被覆盖度（fv）信息提取,将结果与反映植被覆盖度的NDVI比较,并提出在实测资料缺乏的情况下利用同期高分辨率ETM＋图像对选取样本区域进行定量验证的方法。结果表明,对于MODIS数据,线性光谱混合（LSMM）分解方法能有效提取大区域范围的植被覆盖度信息,比NDVI-fv经验统计方法更具有理论意义,为快速、准确、高效的植被监测提供了新思路。     

一种高光谱遥感影像端元自动提取方法

针对人工样本选择和端元提取存在的不确定性和工作量大等缺点,提出一种集成非监督分类、纯净像元指数计算、线性光谱混合模型和凸面单形体理论的自动端元提取算法,能够有效地提取端元用于高光谱遥感影像分类和混合像元分解。利用北京昌平地区的OMIS高光谱遥感数据进行了验证,结果表明算法可行有效,自动化程度较高,作为训练样本进行分类能够获得较高精度,优于常规方法。     

基于改进混合像元方法的MODIS影像水体提取研究

基于MODIS的反射率数据,利用改进的线性混合像元分解方法提取水体,并结合MODIS温度产品和SRTM的DEM数据校正阴影对提取结果的影响。通过和利用ETM+影像的水体提取结果对比分析得出:该方法结果较好的体现出河流和湖泊的细节特点,同时在很大程度上消除了阴影影响,面积提取结果具有较高的精度。     

Sentinel-2A与Landsat-8影像在油菜识别中的差异性研究

油菜是中国最重要的农作物之一,准确、及时掌握高精度的油菜面积具有重要意义。与Landsat-8数据相比,新一代光学卫星Sentinel-2A数据具有众多优点,但是Sentinel-2A数据在农作物识别方面的应用效果是否一定优于Landsat-8数据仍然是个未知的问题。因此,以油菜最佳识别期内的Sentinel-2A和Landsat-8影像各一景为数据源,选取种植结构复杂的小尺度都市农业区为研究区,基于影像的光谱特征与植被指数信息利用不同分类方法提取油菜种植面积。通过比较不同分类条件、不同方法下的两种影像的油菜识别精度,结果表明:(1)Sentinel-2A影像中不同地物的光谱特征差异与植被指数可分离性高于Landsat-8影像;(2)支持向量机(SVM)分类器下,Sentinel-2A数据的光谱特征获得的油菜制图精度与用户精度最高,分别为89.7%和91.3%,比同等条件下的Landsat-8油菜识别精度分别高7.0%和6.2%;(3)加入纹理信息后,两种数据的总体精度和Kappa系数明显提高,但油菜的制图精度与用户精度并无明显提升。以上结果表明:与Landsat-8数据相比,Sentinel-2A数据能够在种植结构复杂的小尺度区域提取更高精度的作物分布信息。研究结果可以为Sentinel-2A数据的农作物识别与应用提供理论基础。     

基于粒子群优化的高光谱影像端元提取算法

回顾了粒子群算法的基本原理,分析了端元提取算法的两种技术途径。利用粒子群优化的原理,结合凸面几何学理论和线性光谱混合模型,设计了一种粒子群优化端元提取算法,并设计了算法的快速实现方法。该算法不需要假设影像中存在纯像元,同时保持了端元光谱的形状。利用模拟数据和AVIRIS影像对该算法、SGA算法和NMF算法进行实验对比分析,实验结果证明该算法的端元提取精度优于其他二者。     

基于光谱归一化的变组分光谱混合分析(NMESMA)方法及其应用

混合像元问题在低、中分辨率遥感图像中尤为突出,混合像元的存在不仅会影响地物识别和图像分类精度,也是遥感科学向定量化发展的主要障碍之一。因此,遥感图像混合像元分解及其地表覆盖信息的定量提取是近年来研究的热点。针对城市土地覆盖信息的定量提取问题,利用中等分辨率遥感图像(Landsat TM),集成光谱归一化与变组分光谱混合分析(NMESMA)的方法,基于植被-非渗透表面-土壤(V\|I\|S)模型,定量提取研究区植被、土壤和非渗透表面3类土地覆盖的定量信息,并与固定组分的光谱混合分析(LSMA)分解结果进行对比分析。结果表明:基于光谱归一化的变组分光谱混合分析(NMESMA)方法获得的精度高于传统固定组分的光谱混合分析(LSMA)结果,可有效解决光谱异质性较高的城市区域的混合像元问题,为有效提取城市地表覆盖信息,研究城市生态环境变化和模拟分析,提供了有效的信息提取方法。     

一种端元可变的混合像元分解方法

混合像元线性分解是高光谱影像处理的常用方法，它使用相同的端元矩阵对像元进行分解，其结果是分解精度不高。为此提出了一种端元可变的混合像元分解方法，在确定端元矩阵时，首先考察混合像元与端元的光谱相似性，结合地物空间分布特点，实现了可变端元的混合像元分解。试验结果表明，该分解方法分解精度优于传统线性模型，符合实际情况。     

用高分一号数据提取玉米面积及精度分析

由于受到时间分辨率的影响，长期以来国内遥感技术在面积监测、作物长势监测等方面受到限制。针对此问题，该文利用“高分一号”卫星高空间和高时间分辨率的特点，应用其宽幅16m分辨率数据，结合Landsat 8和RapidEye数据，采用支持向量机（SVM）和光谱角法（SAM）在许昌进行农作物（玉米）的识别和面积提取及其精度分析。结果表明，“高分一号”4个宽幅传感器的影像应用精度差别较大，其中WFV3数据的作物识别与种植面积提取精度最高，高于Landsat 8，与RapidEye接近；而WFV1和WFV4数据的应用效果较差，不太适用于试验区内复杂的秋季作物类型的识别。总体上讲，SVM分类器的分类精度和Kappa系数都要好于SAM分类器，相比之下SVM更适合于农作物的识别和种植面积提取。     

基于线性光谱模型的混合像元分解方法与比较

线性光谱模型是目前解决城市中等空间分辨率遥感(如Landsat)中存在的混合像元问题的简单、有效的策略。本实验以广州区域为研究区,利用ENVI/IDL影像处理和开发平台对4种混合像元线性光谱分解方法进行了对比,即无约束条件法、带部分约束条件法、普通带全约束条件法和带全约束条件的可变端元法。结果表明,普通带全约束条件法和带全约束条件的可变端元法的分解结果比无约束条件法和带部分约束条件法的分解结果合理,均方根误差明显要小;同时,带全约束条件的可变端元法要优于普通带全约束条件法。光谱归一化处理则对不同分解方法带来不同的影响,应依据实际需要采取合适的光谱处理方式。     

Study of Land Surface Composition of Wuhan Citybased on Linear Spectral Mixture Analysis

Rapid urban growth makes monitoring and analysis of urban surface compositions become the most significant research hotpot.Moreover,satellite remote sensing data is the major source of collecting and surveying geographic information quickly and conveniently.The Linear Spectral Mixture analysis Model (LSMM) has been reported in other literature and has been proven to be the intuitional and effective approach for describing urban surface compositions.In this paper,we try to get the real surface compositions of Wuhan City through the combination of the traditional 3-endmember method for masking water off and 4-endmember method with water based on the LSMM method using Landsat 5 thematic mapper image acquired on September 6,2009.The results show that the 4-endmember (water,vegetation,low albedo,high albedo) method is better than the 3-endmember method,because masking water off can cause major errors in water boundary regions.     

基于谐波分析和线性光谱模型的耕地信息提取

耕地是重要的农业资源,如何利用遥感技术快速准确地提取耕地信息是目前研究的热点。利用2000年MODIS/EVI时间序列数据提取关中地区耕地资源信息。以不同地类的EVI时间序列数据年内变化差异为分类依据,采用时间序列谐波分析法对全年时间谱EVI数据进行重构分析,减少噪音对信息提取的影响。经最小噪声分离变换(MNF变换)、纯净像元指数(PPI)计算以及N维可视化工具进行人机交互选取植被、耕地、城镇和水体4种端元,基于线性光谱混合模型,获取该地区耕地资源分布信息。通过与同年1∶10万土地利用数据对比验证,本研究提取的耕地总体精度为83%。研究表明：基于时间序列谐波分析法对EVI数据进行重构,利用不同地类的特征差异,采用混合像元分解的方法,可以精确获取耕地资源定量信息。该方法可为长期、大范围、动态的耕地分布和变化遥感监测提供技术参考,同时为国土资源管理部门提供决策支持。     

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。     

深度学习在多时相大棚提取应用研究

蔬菜大棚对于农业生产具有重要意义。受季节和环境影响,其在遥感影像上不同时期呈现不同形态,仅通过单时相特征提取精度不能满足要求。近几年,深度学习被证明适合遥感数据的分类,为实现深度学习在农业遥感上的有效应用,提出了一种改进的多时相语义分割模型（Multi-temporal Spatial Segmentation Network,MSSN）用于蔬菜大棚提取。提出基于补丁长短时记忆网络（Patch-LSTM）,该网络充分利用图像的空间和时序信息。采用带空洞卷积的空间金字塔池化（ASSP）解决网络对尺度敏感问题。进一步添加跳连层（Skip-layer）和反卷积层提升特征图的还原能力。选择山东高密GF-2遥感影像进行实验。结果表明,该分割模型在测试集上有0.95的Precision、0.92的F1 score以及0.93的前景IoU（Intersection Over Union）,可以实现高精度的蔬菜大棚提取,为深度学习在农业遥感的应用提供新的方法。     

混合像元分解方法的研究

混合像元是遥感领域研究的热点,也是难点。混合像元问题不仅影响地物识别和分类精度,而且是遥感技术定量化发展的重要障碍。为了提高遥感应用的精度,就必须解决混合像元的分解问题。该文首先介绍了混合像元的产生机理,然后阐述了时下几种流行的混合像元分解模型：线性模型、概率模型、几何光学模型、随机几何模型和模糊分析模型,并对其中几种常用模型的优缺点及其适用性进行总结和讨论．对不同模型之间的相似和差异性进行比较分析。     

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。     

基于光谱和时相特征的夏玉米遥感识别

精确提取作物种植面积一直是农业遥感关注的主要问题之一。综合运用低分辨率的时相变化特征和中分辨率的光谱特征,提出一种夏玉米识别方法。首先基于MODIS NDVI时间序列曲线,分析夏玉米在时相变化上的识别特征,构建识别模型。夏玉米纯像元利用识别模型识别,而耕地和非耕地类型的植被产生的混合像元,则基于像元分解办法获取耕地组分的NDVI时序特征,再利用识别模型判定,然后结合土地利用数据根据空间关系得到中分辨率结果;玉米与其他作物的混合像元则利用中分辨率尺度光谱差异加以区分。研究结果表明,在伊洛河流域主要农业区,识别精度达到90.33%,为作物类型识别提供了新的思路。