基于多极化SAR图像的鄱阳湖湿地表淹没状况动态变化分析

合成孔径雷达图像对于地表淹没状况的探测有一定的优势。以鄱阳湖湿地为例,基于多极化Envisat ASAR数据,将变化向量分析方法引入地表淹没状况的变化检测中,分析鄱阳湖湿地地表淹没状况的动态变化,然后利用决策树分类方法将变化区域提取出来,并探讨变化向量方法应用于SAR图像变化监测的潜力。     

基于多极化SAR图像的鄱阳湖湿地地表淹没状况动态变化分析

合成孔径雷达图像对于地表淹没状况的探测有一定的优势.以鄱阳湖湿地为例,基于多极化Envisat ASAR数据,将变化向量分析方法引入地表淹没状况的变化检测中,分析鄱阳湖湿地地表淹没状况的动态变化,然后利用决策树分类方法将变化区域提取出来,并探讨变化向量方法应用于SAR图像变化监测的潜力.     

基于ENVISat ASAR影像的湿地植被冠层下淹水范围提取以扎龙保护区为例

以扎龙自然保护区湿地为例,结合ENVISat ASAR多极化(HH/HV)雷达影像与传统的光学影像Landsat TM (band1~5,7),分析雷达影像后向散射系数与Landsat TM影像不同波段反射率在淹水植被、非淹水植被、明水面和裸土不同地表覆被类型的差异。选择训练样本,采用分类回归树(Classification and Regression Tree,CART)模型,分别对两种影像进行分类,可视化表达湿地植被淹水范围空间分布情况。基于实测的植被冠层下淹水范围与非淹水范围样本点对两种数据源的分类结果进行精度验证。结果表明:HH/HV极化影像中,植被覆盖下水体的后向散射系数与其他地表覆被类型有明显区别,分类结果总精度为79.49%,Kappa系数为0.70,湿地植被淹水范围提取精度较高。而TM影像分类结果中,由于部分地区植被覆盖水体,淹水植被分类误差较高。将雷达影像引入沼泽湿地研究,提高了植被淹水范围提取效果,为有效分析湿地生态水文过程提供基础,对湿地水资源合理利用及生物多样性保护具有重要意义。     

基于改进独立分量分析的湿地变化检测方法

以湖北省洪湖湿地为研究区,采用2000年7月27日和2002年7月9日ETM+多光谱影像作为遥感信息源,提出了一种基于改进独立分量分析（ICA）的湿地变化检测方法。首先对传统ICA从初始值选取和迭代过程两方面加以了改进。然后对原始多波段影像进行缨帽变换,提取前后时相的湿度分量作为输入的混合影像,进行改进ICA变换。最后在变换得到的独立分量基础上,对代表变化区域的独立分量进行自适应阈值分割,得到湿地变化检测结果。实验表明,改进ICA法检测精度较传统ICA法及分类后比较法有所提高。     

基于遥感时空融合的升金湖湿地生态水文结构分析

利用遥感技术开展湖泊湿地生态水文结构分析对维持其生态服务功能具有重要意义,但受大气状况的影响会造成特定水位下可用高分辨率遥感影像的缺失,而遥感时空融合技术为弥补这一缺陷提供了重要途径。以安徽省升金湖湿地为研究区,根据改进后的时空自适应反射率融合模型（ESTARFM）模拟生成高时空分辨率遥感影像,评价模拟遥感影像的数值精度,进而分析了升金湖湿地的生态水文结构。结果表明： ① ESTARFM模型能够有效模拟不同水位下湖泊湿地的高分辨率遥感影像,融合影像与真实影像在近红外波段、短波红外波段反射率的相关系数分别达到0.93和0.91,且输入数据与融合数据的日期间隔越短,模拟精度越高;② 基于不同水体指数的水体提取效果表明,新型组合水体指数（NCWI）更适用于湖泊湿地的水体信息提取;③ 对升金湖湿地生态水文结构分析可知,湿地中心区、适宜活动区和非适宜区分别约占该湿地总面积的32.8%、12.1%和55.1%。     

基于多季相Sentinel-2影像的白洋淀湿地信息提取

白洋淀湿地是华北平原上重要的浅水湖泊湿地,对雄安新区绿色发展具有重要的生态价值。对白洋淀高度异质化的景观格局进行分类,能够为白洋淀湿地资源的遥感监测提供指导意义。针对湿地季节变化的特点,对白洋淀每个季节选取一期具有代表性的Sentinel-2影像,采用分类与回归树（CART）、支持向量机（SVM）、随机森林（RF）3种常用的机器学习分类器对15种季相组合实验方案进行分类,分析不同季相遥感影像及其组合对白洋淀湿地信息提取的优劣。结果表明：相较于使用单一季相影像分类,多季相影像的组合能够显著提高分类精度,春&夏季相组合能够得到最优的分类效果,相对单季影像总体分类精度提高了10.9%~25.5%,Kappa系数提高了0.09~0.29;SVM分类器的分类表现较为稳定,能够得到最高的平均分类精度,CART分类器在处理高维特征的能力不如随机森林和SVM;不同特征类型对湿地信息提取的贡献度从高到底依次是红边光谱特征、传统光谱特征、缨帽变换特征、主成分分析特征、纹理特征。实验成果能为湿地信息的遥感识别提供依据。     

基于时序Landsat数据的三江平原植被地表类型变化遥感探测研究

Landsat 卫星遥感数据具有分辨率较高,数据积累时间长的特点,在探测地表覆盖变化和地物分类中得到广泛应用。首先,对获取的Landsat TM/ETM+时间序列数据进行了定量化处理,获取了三江平原七台河市1989~2012年时间序列Landsat地表反射率图像。其次,设计了林地指数和湿地指数,提取了三江平原七台河区域地物光谱和时序特征,同时设计构建了地表覆盖分类和植被地表类型变化探测的决策树算法,实现了1989~2012年七台河区域的植被地表覆盖变化的动态监测,提取了森林覆盖变化的空间分布与变化时间。最后,对七台河区域地表覆盖与植被地表类型变化进行了精度检验,分类总体精度达到90.04%,Kappa系数达0.88。研究结果表明:基于定量化的Landsat时间序列数据的分类算法能克服单时相影像分类的缺陷,实现区域地物自动分类和地表覆盖变化的动态监测。
     

融合光谱与地形因子的土地利用/覆被变化检测

针对仅利用遥感影像单一光谱指数提取土地利用/覆盖变化信息精度较低的问题,提出融合光谱与地形因子的土地利用/覆盖综合变化检测方法,用于提高总体变化检测精度。首先利用互补的4个光谱检测指标获得尽可能消除季相差异误差的初始变化检测结果,然后根据坡度、坡向剔除因山体阴影造成的虚检部分。以江西省西南地区Landsat TM影像为例,对比了融合光谱和地形因子的综合变化检测方法与仅利用光谱信息的分类后变化检测方法的结果,表明前者的变化检测精度比后者提高了13.67%,且虚检率降低了15.56%,这说明融合光谱和地形因子的综合变化检测方法能够显著提高遥感变化检测精度。     

基于NDVI时间序列数据的湿地演变RSM

针对传统湿地演变遥感动态监测方法中存在的监测效率差，且精度低等问题，提出基于NDVI时间序列数据的湿地演变遥感动态监测方法。掌握NDVI曲线时序形状和数值的特征改变情况，运用兰氏距离与交叉相关光谱匹配，获取湿地演变值指数与形指数，建立湿地演变监测指标；借助Top-Hat算子剔除影像噪声，提升遥感目标与背景间的对比度；探究湿地动态变化动力机制，分析湿地变化源头及趋势，通过湿地动态改变向量，获得各时期湿地类型转移矩阵；建立分类树并区分节点中各类解释标记，将技术、精度、时间和成本作为指标，通过优化理论与多属性效用函数，构建分类优选模型，完成湿地演变遥感信息提取，获得演变趋势监测结果。仿真结果表明，采用所提方法进行湿地演变遥感动态监测的效率较快，且监测精度较高。     

基于Sentinel-1,2和Landsat 8时序影像的鄱阳湖湿地连续变化监测研究

湿地具有季节性特征,高时间分辨率遥感监测能够更为客观精准地认识其时空变化规律。选择季节性变化显著、我国第一大淡水湖生态湿地——鄱阳湖湿地为典型案例,利用Sentinel-1,2和Landsat 8卫星的2017～2019年所有可以获取的不同时相影像,采用随机森林分类(Random Forest,RF)方法,对研究区的湿地进行遥感分类和信息提取,发挥海量遥感影像在湿地宏观连续监测的优势,解析鄱阳湖湿地的年际、年内时空动态变化特征。研究结果表明:Sentinel-2影像为鄱阳湖湿地动态变化监测提供良好的数据基础,随机森林分类总体分类精度高于90%,提取效果具有比较优势。对3 a分类结果进行统计分析,各湿地类型在年内均呈现出动态变化的特点,在每年2月泥滩和草洲面积到达年内最大,水体面积为年内最小;每年6、7月份水域面积达到年内最大,泥滩和草洲面积最小,季节性变化明显;月度时间序列的分类结果,能更准确地说明湿地类型的月度和季度变化。因此,结合Seninel-1,2以及Landsat 8数据,基于RF算法,能及时、有效地对鄱阳湖等季节性变化强烈的湿地进行动态监测,对开展湿地资源高效调查工作具有重要意义。     

基于面向对象—深度学习的闽东南低海拔海岸带地区湿地动态遥感分析

海岸带湿地具有重要的生态价值和经济开发价值,明确其时空变化特征与影响因素对于维持区域生态系统平衡和可持续发展具有重要意义。以Landsat TM/ETM+/OLI影像为基本数据源,综合利用面向对象与深度学习分类方法对1985~2015年闽东南低海拔海岸带地区的湿地信息进行提取,以揭示其时空演变特征与驱动力因素。结果表明：基于面向对象—深度学习分类方法对湿地进行信息提取,整体分类精度可达93%以上,分类结果整体性好;1985~2015年自然湿地面积呈减少趋势,人工湿地面积呈增加趋势,分别减少和增加250.31 km²和251.36 km²;湿地二级类型中,30 a间河口/浅海水域和淤泥质海滩面积减少最大,盐田/水产养殖场面积增加最大;1985~2015年湿地变化类型多样,且2000~2015年较1985~2000年湿地变化更为剧烈;湿地变化是人类活动和自然环境变化共同作用的结果,其中人类活动是影响湿地变化的主要原因。该方法及研究结果可为海岸带湿地监测与保护管理提供技术支持和决策参考。     

基于ALOS影像的盐城海滨湿地遥感信息分类方法研究

盐城海滨湿地类型丰富多样,湿地植物覆被类型之间的生态交错带十分明显,如何更为准确地获得海滨湿地覆盖信息,对湿地研究具有重要价值和意义。以ALOS影像为数据源,江苏盐城海滨湿地核心区为试验区,开展湿地信息遥感分类研究。在对研究区进行非监督分类,分析其限制分类精度原因基础上,针对研究区域的特点提出适合的分类精度改进方法。以非监督分类后的结果为模板,借助分区分层分类方法的思想,通过分析遥感影像光谱信息、纹理信息、主成分变换信息,得到知识规则,以基于知识规则修改的方法对芦苇、米草和盐蒿3种植被交错带进行修正。然后以基于GIS规则的方法对剩余区域进行修正。通过GPS数据进行精度检验,分类精度达到92.6829%,Kappa系数为0.9098。实验证明基于GIS规则和知识规则的分区分层分类法是提高海滨湿地遥感分类精度的有效方法。     

基于SPOT5影像的山东南四湖地被覆盖分类研究

以南四湖2006年6月中旬的两景SPOT5多光谱卫星影像为数据源,借助ERDAS Imagine和ArcView软件,运用非监督分类与人工目视解译的方法对影像进行分类处理。运用实地调查记录检验分类结果,符合率达到83.3%。依据分类结果绘制了南四湖地被覆盖图,并且计算了各种地被类型的面积。南四湖大堤内总面积为1206.9 km²,其中开阔水域占总面积的45.54%,湿地植被面积占21.06%,围网养殖区面积占15.6%,无水区的村庄、农田和林地占17.8%。南四湖地被覆盖格局主要受人为因素影响,为保护南四湖生态环境,必须禁止湖内土地围垦,控制围网养殖区,逐步恢复湿地植被。     

Wetland mapping by fusion of airborne laser scanning and multi-temporal multispectral satellite imagery

Wetlands play a major role in Europe’s biodiversity. Despite their importance, wetlands are suffering from constant degradation and loss, therefore, they require constant monitoring. This article presents an automatic method for the mapping and monitoring of wetlands based on the fused processing of laser scans and multispectral satellite imagery, with validations and evaluations performed over an area of Lake Balaton in Hungary. Markov Random Field models have already been shown to successfully integrate various image properties in several remote sensing applications. In this article, we propose the multi-layer fusion Markov Random Field model for classifying wetland areas, built into an automatic classification process that combines multi-temporal multispectral images with a wetland classification reference map derived from airborne laser scanning (ALS) data acquired in an earlier year. Using an ALS-based wetland classification map that relied on a limited amount of ground truthing proved to improve the discrimination of land-cover classes with similar spectral characteristics. Based on the produced classifications, we also present an unsupervised method to track temporal changes of wetland areas by comparing the class labellings of different time layers. During the evaluations, the classification model is validated against manually interpreted independent aerial orthoimages. The results show that the proposed fusion model performs better than solely image-based processing, producing a non-supervised/semi-supervised wetland classification accuracy of 81–93% observed over different years.     

辅以纹理特征的洪泽湖湿地信息提取

湿地是自然生态系统的重要组成部分。快速、准确地获取湿地基础信息,对湿地的动态监测、保护和可持续利用具有重要意义。鉴于传统方法的分类效果不理想,本文辅以灰度共生矩阵的纹理特征对洪泽湖进行湿地的信息提取,并与传统的ISODATA方法的提取结果进行了比较,结果表明,辅以纹理特征的方法使得精度有了较大提高。     

基于Landsat-TM影像的鄱阳湖典型湿地动态变化研究

利用分层分类法,通过对鄱阳湖典型湿地(蚌湖与赣江中支口三角洲)长序列秋季Landsat-TM影像进行解译分析,探讨了1991年~2008年间鄱阳湖典型湿地动态变化特征。结果表明分层分类方法能够有效地应用于Landsat-TM遥感影像的解译;从1991年到2008年蚌湖和赣江中支口三角洲湿地的植被面积分别增加18.56km2和6.01km2,其中赣江主支三角洲洲滩植被分布呈向湖体扩展态势。植被分布受水情影响比较大,蚌湖湿地的苔草面积与同时期水面积呈负相关性,而赣江主支三角洲湿地植被类型结构变化受水位影响也比较明显,苔草面积变化与秋季湖口水位表现为负相关,芦苇分布面积变化则与湖口水位变化趋势较为一致。     

基于面向对象分类方法的乌苏里江流域中俄跨境区域湿地景观动态研究

选取乌苏里江中下游干流50km缓冲区为研究区,以1989、2000和2013年的Landsat TM、OLI遥感影像为数据源,利用面向对象的分类方法获取湿地信息;在GIS技术支持下,选取斑块类别面积(CA)、面积所占比例(PLAND)、最大斑块面积指数(LPI)、平均斑块面积(AREA-MN)、斑块数(NP)、斑块密度(PD)等景观格局指数,分析了研究区1989~2013年湿地的景观格局动态特征。结果表明:面向对象的分类方法能够准确提取湿地信息,并且有效地避免"椒盐现象";1989~2013年,该区水田、水库/坑塘、运河/水渠、灌丛沼泽增加和河流、湖泊、草本沼泽、森林沼泽减少;大量草本沼泽转为水田为该区湿地变化主要特征;1989年湿地类型以草本沼泽为主,2013年水田的斑块面积略高于草本沼泽斑块面积;湿地景观变化区主要分布于中国一侧的挠力河流域和穆棱河流域;天然湿地景观破碎化程度逐年加深,人工湿地景观趋于聚集,人为干扰是导致湿地景观格局变化的主要动力;中俄两国境内湿地景观变化程度差异显著,中国境内大量天然湿地转为人工湿地;俄罗斯境内的湿地变化微小,天然湿地保存较好。农田垦殖是导致两国湿地景观破碎程度差异的主要原因。     

Improved wetland remote sensing in Yellowstone National Park using classification trees to combine TM imagery and ancillary environmental data

The U.S. Fish and Wildlife Service uses the term palustrine wetland to describe vegetated wetlands traditionally identified as marsh, bog, fen, swamp, or wet meadow. Landsat TM imagery was combined with image texture and ancillary environmental data to model probabilities of palustrine wetland occurrence in Yellowstone National Park using classification trees. Model training and test locations were identified from National Wetlands Inventory maps, and classification trees were built for seven years spanning a range of annual precipitation. At a coarse level, palustrine wetland was separated from upland. At a finer level, five palustrine wetland types were discriminated: aquatic bed (PAB), emergent (PEM), forested (PFO), scrub-shrub (PSS), and unconsolidated shore (PUS). TM-derived variables alone were relatively accurate at separating wetland from upland, but model error rates dropped incrementally as image texture, DEM-derived terrain variables, and other ancillary GIS layers were added. For classification trees making use of all available predictors, average overall test error rates were 7.8% for palustrine wetland/upland models and 17.0% for palustrine wetland type models, with consistent accuracies across years. However, models were prone to wetland over-prediction. While the predominant PEM class was classified with omission and commission error rates less than 14%, we had difficulty identifying the PAB and PSS classes. Ancillary vegetation information greatly improved PSS classification and moderately improved PFO discrimination. Association with geothermal areas distinguished PUS wetlands. Wetland over-prediction was exacerbated by class imbalance in likely combination with spatial and spectral limitations of the TM sensor. Wetland probability surfaces may be more informative than hard classification, and appear to respond to climate-driven wetland variability. The developed method is portable, relatively easy to implement, and should be applicable in other settings and over larger extents.     

Wetland mapping in the Congo Basin using optical and radar remotely sensed data and derived topographical indices

This study reports results of a classification tree approach to mapping the wetlands of the Congo Basin, focusing on the Cuvette Centrale of the Congo River watershed, an area of 1,176,000 km². Regional expert knowledge was used to train passive optical remotely sensed imagery of the Landsat Thematic Mapper (TM) and Enhanced Thematic Mapper Plus (ETM+) sensors, JERS-1 active radar L-band imagery, and topographical indices derived from 3 arc sec elevation data of the Shuttle Radar Topography Mission (SRTM). All data inputs were resampled to a common 57 m resolution grid. A classification tree bagging procedure was employed to produce a final map of per-grid cell wetland probability. Thirty bagged trees were ranked and the median result was selected to produce the final wetland probability map. Thresholding the probability map at < 0.5 yielded a proportion of wetland cover for the study area of 32%, equivalent to 360,000 km². Wetlands predominate in the CARPE Lake Tele-Lake Tumba landscape located in the western part of the Democratic Republic of the Congo and the south-eastern Republic of Congo, where they constitute 56% of the landscape. Local topography depicting relative elevation for sub-catchments proved to be the most valuable discriminator of wetland cover. However, all sources of information (i.e. optical, radar and topography) featured prominently in contributing to the classification tree procedure, reinforcing the idea that multi-source data are useful in the characterization of wetland land cover. The method employed freely available data and a fully automated process, except for training data collection. Comparisons to existing maps and in situ field observations indicate improvements compared to previous efforts.