地形校正对叶面积指数遥感估算的影响

利用经过6S模型大气校正的地面反射率图像、数字地面高程数据以及改进的CIVCO地形校正模型,分别计算了褒河流域不同植被类型（阔叶林、针叶林和灌木林）的3类光谱植被指数（NDVI、SR和SAVI）,并建立了各个植被类型叶面积指数与同时相的各个植被指数的相关关系。结果表明,地形校正能有效地消除大部分的地形影响,显著地提高各植被指数与叶面积指数的相关关系;对于阴坡和阳坡来讲,阴坡较阳坡提高显著;对于不同的植被类型,针叶林和灌木较阔叶林提高较为显著;对于同一植被指数如SAVI,灌木提高较针叶林和阔叶林显著,说明地形校正对叶面积指数的遥感估算结果有很大的影响。因此在利用遥感数据定量估算叶面积指数时,尤其对于山区,不仅要进行地形校正,而且要针对不同的植被类型选择合适的植被指数进行估算。     

面向遥感叶面积指数产品的地形校正研究

地形校正是提高复杂地形区地表参数遥感定量化反演精度的重要手段。当前广泛应用的遥感叶面积指数产品（Leaf Area Index, LAI）多具有一定的地形误差,减少地形影响、提升其产品精度有着非常重要的意义。以我国江西省千烟洲地区为研究区域,利用地面实测LAI数据、LandsatTM数据和高程数据等,基于高程标准差和GLOBMAP LAI产品值的关系,建立面向叶面积指数产品的地形校正模型,利用这一模型对GLOBMAP LAI产品进行地形校正。结果表明：校正后的LAI与地面实测数据更为接近,LAI产品与地面测量值的RMSE由2.11下降到2.04;校正后LAI产品的标准差由2.08下降至1.69,LAI产品的地形误差得到了较好的改正。该方法较好地完成了LAI产品的地形校正,进一步提高了产品精度,具有一定的实用价值。     

森林叶面积指数遥感反演模型构建及区域估算

基于eCognition面向对象分类算法及校正后的TM遥感影像,获取研究区2010年土地利用/覆被数据。同时在ArcGIS平台下,提取遥感影像6个波段反射率及RVI、NDVI、SLAVI、EVI、VII、MSR、NDVIc、BI、GVI和WI等10个植被指数,并辅助于DEM、ASPECT、SLOPE等地形信息,在与植物冠层分析仪(TRAC)实测各森林类型叶面积指数相关性分析的基础上,研究表明:相对多元线性回归方法,偏最小二乘法能够更好地把握各森林类型LAI动态变化,而后结合研究区森林覆被信息进行区域估算。     

基于TM遥感数据的西藏林芝地区叶面积指数反演

叶面积指数(LAI)是分析冠层结构最常用的参数之一,它控制着植被的生物、物理过程,如光合、呼吸、蒸腾、碳循环和降水截获等。但是通过野外实测获取大面积的LAI比较困难,通过对西藏林芝地区的TM遥感数据进行处理获取各种植被指数,然后分别与实测LAI建立相应的回归关系,并对不同的回归模型进行分析找出相关性较好、误差较低的回归模型,最后利用该模型对林芝地区的叶面积指数进行制图。通过植被指数与实测LAI进行回归分析建立LAI估算模型,其决定系数最高为R²=0.653,具有较好的相关性。研究结果表明:TM遥感数据可以实现林芝区域LAI估算,能为生态环境研究提供数据支持。     

融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型，利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而，地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足，不能完全支持LAI等地表参数的估算，易造成“病态”反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息，并将其用于代价函数的构建，利用PROSAIL辐射传输模型和遗传算法，分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m，验证对应尺度LAI结果，评价引入先验信息对于提高LAI反演精度的作用。研究表明，引入先验信息有助于提高不同分辨率下LAI反演精度，且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比，以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R²由0.55提高至0.65，RMSE由1.29下降至0.38。在250 m尺度，以500 m LAI反演结果作为先验信息反演的叶面积指数，其精度优于以MODIS LAI产品为先验知识的估算结果，验证精度R²增加了0.08，RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身，没有地面实测数据的参与，在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

融合遥感先验信息的叶面积指数反演

借助植被辐射传输模型,利用遥感观测数据估算LAI是一种较为可靠和稳健的反演方法。然而,地表的复杂性、遥感观测的有限性以及自相关性导致遥感数据包含的信息量不足,不能完全支持LAI等地表参数的估算,易造成“病态”反演。在遥感反演过程中引入先验知识能够有效地解决该问题。研究基于遥感数据提取LAI先验信息,并将其用于代价函数的构建,利用PROSAIL辐射传输模型和遗传算法,分别在500 m和250 m尺度反演LAI。将高空间分辨率LAI分别升尺度到500 m和250 m,验证对应尺度LAI结果,评价引入先验信息对于提高LAI反演精度的作用。研究表明,引入先验信息有助于提高不同分辨率下LAI反演精度,且先验信息的质量一定程度上也影响着LAI反演结果。与未加入先验信息的LAI反演结果相比,以MODIS LAI产品作为先验信息反演的500 m尺度LAI结果精度R²由0.55提高至0.65,RMSE由1.29下降至0.38。在250 m尺度,以500 m LAI反演结果作为先验信息反演的叶面积指数,其精度优于以MODIS LAI产品为先验知识的估算结果,验证精度R²增加了0.08,RMSE减少了0.18。研究使用的先验信息主要来自遥感数据本身,没有地面实测数据的参与,在此基础上发展的多分辨率LAI反演方法具有估算大区域尺度LAI的应用潜力。     

路域植被叶面积指数变化遥感监测

基于辐射传输模型PROSAIL,以多时相TM影像为数据源,定量反演高等级公路两侧植被的叶面积指数,并以叶面积指数变化对路域植被生长状况进行了动态监测.试验区研究结果表明:随着高速公路的开通运营,路域两侧植被的叶面积指数总体呈下降趋势,植被生长状况整体变差.研究结果为指导路域植被的生态恢复与保护提供了可靠的基础资料.     

西南地区不同山地环境梯度叶面积指数遥感反演

叶面积指数(LAI)遥感估算是植被定量遥感研究的热点之一,监测植被LAI时空变化对于研究陆地生态系统碳循环及全球变化等具有非常重要的意义。在我国西南山区设置10个50km×50km的观测样区作为研究区,其中包括5个森林生态系统样区、3个农田生态系统样区和2个草地生态系统样区。分别获取不同优势植被类型LAI地面实测数据,结合同期获取的遥感数据,考虑地形因素影响,基于偏最小二乘原理分别构建各样区LAI遥感估算模型,并采用交叉验证的方式对模型精度进行评价。结果表明:考虑了海拔、坡度和坡向等地形因子的森林LAI遥感反演模型与未考虑地形变量的模型相比,其验证精度有所提高,R2由0.30~0.75提高至0.50~0.80,RMSE由0.52~0.93m2/m2降低至0.48~0.89m2/m2;所有样区优势植被类型LAI反演模型验证R2在0.40~0.80之间,RMSE在0.22~0.89m2/m2之间。发展的LAI遥感估算方法有助于认知山地植被LAI反演的地形效应问题,可为进一步的山地植被长势监测提供科学依据。     

地形对高山区TM积雪定量遥感的影响

高山区积雪的辐射特性受到高度迅速变化和地形强烈分异的显著影响,必须对图像进行辐射纠正和地形纠正以得到标准化的图像。利用大气纠正模型和对太阳辐照入射度的模拟,在高精度数字高程模型和实验区气象观测资料的支持下,通过计算光谱反射比而实现地形标准化,是一条行之有效的方法。这一方法在天山乌鲁木齐河上游冰川区得到了实际检验,被证明是实现积雪定量遥感,提高积雪区地物分类精度的重要前提。并对这一方法的局限性进行了讨论。     

基于MODIS数据的农业干旱监测方法对比分析

利用2004年4月～6月上旬的MODIS影像数据,结合实测的土壤墒情数据,对比不同深度及不同拟合方式下土壤湿度的估算精度。另外,分别选用植被供水指数(VSWI)、基于EVI的植被供水指数(E-VSWI)、归一化多波段干旱指数(NMDI)与对应的土壤湿度数据进行回归分析,并在此基础上利用最优指数实现研究区土壤湿度的估算及旱情监测。结果表明:在华北平原中部地区冬小麦生长季节,利用MODIS数据进行土壤湿度估算的最佳深度是10cm;最佳拟合方式是线性拟合方式;植被供水指数(VSWI)在研究区整个时间序列具有最好的稳定性,可为今后大区域作物生长期的干旱监测提供一个简单方法。     

Mapping Land Cover from Remotely Sensed Data with a Softened Feedforward Neural Network Classification

Remote sensing has considerable potential as a source of data for land cover mapping. This potential remains to be fully realised due, in part, to the methods used to extract land cover information from the remotely sensed data. Widely used statistical classifiers provide a poor representation of land cover, make untenable assumptions about the data and convey no information on the quality of individual class allocations. This paper shows that a softened classification, providing information on the strength of membership to all classes for each image pixel, may be derived from a neural network. This information may be used to indicate classification quality on a per-pixel basis. Moreover, a soft or fuzzy classification may be derived to more appropriately represent land cover than the conventional hard classification.     

基于光学多光谱与SAR遥感特征快速优化的大区域森林地上生物量估测

针对基于多模式遥感手段的大区域森林地上生物量（AGB）定量反演效率低的问题，充分集成主、被动遥感对森林AGB多维观测特征，提高区域定量反演结果；针对两期反演结果分析，揭示区域森林AGB空间变化格局，为科学评估区域生态环境保护（如天然林保护）、提升国家生态环境遥感连续动态监测与预警能力提供支撑。以内蒙古大兴安岭林区为研究区，以2009年为主的光学LandsatTM5（TM）与ALOS-1 PALSAR，以及2014年为主的高分一号（GF-1）与ALOS-2 PALSAR两期主、被动遥感数据提取特征因子，利用快速迭代特征选择的k-NN方法（k-Nearest Neighbor with Fast Iterative Features Selection，KNN-FIFS），实现主、被动遥感特征组合快速优化及最优估测模型构建；基于第七次、第八次森林资源连续清查样地数据，对两期研究区森林（乔木）AGB进行定量反演与留一法（LOO）验证；根据两期反演结果叠加对比，在样地和区域尺度上定量分析研究区2009~2014年间森林AGB变化。在样地尺度上，基于森林资源清查样地结果与LOO法验证结果表明,2009年的AGB反演结果R²=0.56，RMSE=25.95 t/hm²；2014年R²=0.64；RMSE=24.55 t/hm²。2009年反演均值较样地计算结果均值偏高（预测：81.59 t/hm²，实测：78.64 t/hm²）；而2014年反演均值较样地计算结果偏低（预测：79.63 t/hm²；实测：82.48 t/hm²）。从区域尺度来看，2009年平均森林AGB为88.33 t/hm²；2014年的为94.61 t/hm²；平均AGB增长量为6.28 t/hm²；与前期研究利用扩展生物量因子法计算的结果接近（2008年和2013年分别为87.14 t/hm²、92.20 t/hm²）。采用基于快速迭代的KNN-FIFS方法，可大幅度提升高维度多模式遥感特征优选效率；充分融合主、被动遥感的多维观测特征，提高森林AGB反演精度及饱和点。在像素尺度上（30 m）利用LOO法对KNN-FIFS反演结果进行了验证，具有更强鲁棒性，避免了由于训练、检验样本抽选造成的随机误差。2009~2014年期间，内蒙古大兴安岭林区植被覆盖度整体呈现了明显的增长趋势；森林AGB也相应增加。自天然林保护工程实施以来，尽管森林火灾造成了局部较为严重的森林退化（覆盖度、AGB），但整体森林资源状况得到有效改善。     

基于光学多光谱与SAR遥感特征快速优化的大区域森林地上生物量估测

针对基于多模式遥感手段的大区域森林地上生物量（AGB）定量反演效率低的问题,充分集成主、被动遥感对森林AGB多维观测特征,提高区域定量反演结果;针对两期反演结果分析,揭示区域森林AGB空间变化格局,为科学评估区域生态环境保护（如天然林保护）、提升国家生态环境遥感连续动态监测与预警能力提供支撑。以内蒙古大兴安岭林区为研究区,以2009年为主的光学LandsatTM5（TM）与ALOS-1 PALSAR,以及2014年为主的高分一号（GF-1）与ALOS-2 PALSAR两期主、被动遥感数据提取特征因子,利用快速迭代特征选择的k-NN方法（k-Nearest Neighbor with Fast Iterative Features Selection,KNN-FIFS）,实现主、被动遥感特征组合快速优化及最优估测模型构建;基于第七次、第八次森林资源连续清查样地数据,对两期研究区森林（乔木）AGB进行定量反演与留一法（LOO）验证;根据两期反演结果叠加对比,在样地和区域尺度上定量分析研究区2009~2014年间森林AGB变化。在样地尺度上,基于森林资源清查样地结果与LOO法验证结果表明,2009年的AGB反演结果R²=0.56,RMSE=25.95 t/hm²;2014年R²=0.64;RMSE=24.55 t/hm²。2009年反演均值较样地计算结果均值偏高（预测：81.59 t/hm²,实测：78.64 t/hm²）;而2014年反演均值较样地计算结果偏低（预测：79.63 t/hm²;实测：82.48 t/hm²）。从区域尺度来看,2009年平均森林AGB为88.33 t/hm²;2014年的为94.61 t/hm²;平均AGB增长量为6.28 t/hm²;与前期研究利用扩展生物量因子法计算的结果接近（2008年和2013年分别为87.14 t/hm²、92.20 t/hm²）。采用基于快速迭代的KNN-FIFS方法,可大幅度提升高维度多模式遥感特征优选效率;充分融合主、被动遥感的多维观测特征,提高森林AGB反演精度及饱和点。在像素尺度上（30 m）利用LOO法对KNN-FIFS反演结果进行了验证,具有更强鲁棒性,避免了由于训练、检验样本抽选造成的随机误差。2009~2014年期间,内蒙古大兴安岭林区植被覆盖度整体呈现了明显的增长趋势;森林AGB也相应增加。自天然林保护工程实施以来,尽管森林火灾造成了局部较为严重的森林退化（覆盖度、AGB）,但整体森林资源状况得到有效改善。     

多源遥感影像数据融合

综述了多源遥感影像数据融合技术,包括融合的信息表示、融合原理、融合系统框架模型、融合的算法、控制及应用,最后指出了融合中存在的问题、可能解决途径和未来发展趋势。     

水稻叶面积指数的多光谱遥感估算模型研究

LAI是生态系统研究中最重要的结构参数之一,它是估计多种植冠功能过程的重要参数。通过两年的水稻田间试验,使用美国ASD背挂式野外光谱辐射仪(ASDFieldSpec),获取1999～2000年两年晚稻整个生育期的光谱数据,采用计算机测算图斑面积法测定LAI;根据已有的卫星传感器通道波段(MSS、RBV、SPOT、TM、CH)和它们的组合(比值植被指数、归一化差植被指数),以及具有物理意义的光谱区域(蓝区、绿区、黄边、红光吸收谷、红边、紫区、可见光区、近红外区、全部波段)等共有27个变量构建多光谱变量组,采用5个单变量线性与非线性拟合模型,用1999年试验数据为训练样本,建立水稻LAI的多光谱遥感估算模型。结果表明:适用于水稻LAI估算的多光谱变量是植被指数变量好于波段变量;RVI与NDVI比较,RVI好于NDVI。用2000年试验数据作为测试样本数据,对其精度进行评价和验证,非线性模型的精度高于线性模型的精度,其中以SPOT3/SPOT2为变量的对数模型,拟合R2与预测R2达到了最大,其RMSE和相对误差(%)为最低,因此,认为它是估算LAI的最佳模型。
     

面向对象的知识表达在遥感图像信息提取中的应用

知识表达是遥感信息专家知识库建立过程中的重要研究内容之一,是实现遥感影像智能化信息提取的先决条件。从知识表达的理论方法入手,详细介绍了面向对象的知识表达方法。对其在遥感领域的具体应用进行了详细的介绍。     

基于遥感的地表蒸散发研究进展

地表蒸散发是整个生物圈、大气圈和水圈中水分循环和能量传输的重要控制因素。遥感技术的应用使得区域尺度的蒸散发估算成为可能,并在过去的几十年中快速发展。研究对遥感蒸散发估算进行了总结与归纳,在此基础上展望了今后的发展方向,明确指出了遥感蒸散发未来研究的突破点及发展方向。提出未来应加强蒸散发尺度效应、夜间蒸散发、不同蒸散发产品的统一真实性检验、国产卫星数据的使用、更高时空分辨率产品的研发以及机器学习在遥感蒸散发产品中的应用。     

基于遥感的土地利用与覆被分类系统评述及代码转换

根据国土资源部“构建国家级土地利用和覆被变化数据库及服务体系”项目的部分研究内容，简要地评述了国内外最具代表性的基于遥感数据源的土地利用与覆被分类系统——美国1：25万土地利用与土地覆被分类系统、中国科学院土地资源分类系统，并与该项目研制的基于中分辨率卫星影像的国家级土地利用与覆被分类系统进行了比较，给出了分类代码的相互转换关系，以便用户使用和查询。