基于改进光谱角法的红树林高分遥感分类方法研究

传统影像分类方法多利用影像端元光谱进行地物分类,影像的空间结构信息被忽视,本研究结合面向对象分类方法思想以提高红树林遥感分类精度。本研究提出了一种结合端元类型选择、像元提纯等混合像元分解手段及分水岭图像分割算法的改进光谱角影像分类方法,并以山口红树林国家级自然保护区为研究区,利用GF-1号遥感影像数据,在光谱特征分析和地面调查的基础上,对红树林生态系统进行分类,并对分类精度进行分析。研究结果表明:改进的光谱角分类方法对GF-1影像分类效果较好,既兼顾地类光谱组成较复杂时的特殊性,又有效避免结果的破碎化现象,且总体精度达到95%（KAPPA系数0.944）,证明了其在红树林遥感影像分类及信息提取方面的应用潜力,为红树林生态系统业务化遥感监测奠定了基础。     

基于无人机多光谱的沼泽植被识别方法

为了探究高分辨率无人机多光谱数据对沼泽植被群丛识别能力,在洪河国家级自然保护区的核心区、缓冲区和实验区分别建立典型样区,通过低空无人机搭载的RGB及多光谱相机获取研究区正射影像,构建多维数据集并确立4种分类方案.采用面向对象的随机森林（RF）算法,对输入的多维数据集进行变量选择和参数（mtry、ntree）调优,构建适合沼泽植被群丛尺度识别模型.结果表明：优化的面向对象的RF算法对沼泽湿地植被具有较高的识别能力,在95%的置信区间内,核心区方案四（结合了光谱波段、纹理特征、几何特征、位置特征、地表高程信息和植被指数）获得最高总体精度为87.12%,kappa系数为0.850,比方案二（结合了光谱波段、几何特征和位置特征）总体精度高12.27%,kappa系数高0.140;对于单一典型沼泽湿地植被识别精度中,芦苇获得最高的用户精度高于88%,生产者精度高于90%,小叶章的生产者精度高于85%,但是在核心区用户精度较低,仅为78%.该方法可以作为沼泽植被群丛识别的有效方法,为研究沼泽湿地生态环境变化提供更准确的数据支持.     

基于MODIS时序NDVI主要农作物种植信息提取研究

农业在黄河三角洲地区占有重要地位,及时、准确地掌握该地区农作物分布信息对政府有关部门制定农业政策、指导农业生产具有十分重要的意义。时序植被指数能够反映农作物物候特征,帮助识别农作物类型,在农作物种植信息提取方面具有明显优势。论文选取2014年MOD09Q1时序遥感数据集,以黄河三角洲主要农作物为研究对象,利用Harmonic Analysis of NDVI Time-Series（Hants）滤波重构NDVI时序曲线,通过对比待分像元NDVI时序曲线与参考时序曲线的相似性,实现农作物种植信息提取。对分类结果进行面积统计和空间分布精度检验：冬小麦、棉花、玉米的面积提取精度分别达到96.8%、95.5%、85.1%,空间匹配总体精度达86.9%。结果表明该方法有效可行,能够为该地区农业监测提供技术基础。     

基于MODIS数据的若尔盖草场植被覆盖时空变化分析

一般意义上将反映植被生长状态及植被覆盖度的指示因子称为归一化植被指数(即NDVI),它也是判断基于生物气候特征开展大区域植被和土地覆盖分类的基本手段。利用NDVI的时序数据的进行土地覆盖分类,即提取NDVI时间信号所包含的植被生物学参数,构建起一个包含植被生物学信息的分类特征空间。     

基于MODIS时间序列及物候特征的农作物分类

论文以2012年6月至2014年6月期间的MOD09Q1及2013年四五月的MOD09A1为数据源,合成归一化植被指数(NDVI)和归一化水体指数(NDWI),利用TIMESAT软件对NDVI时间序列数据应用分段高斯函数拟合方法重构NDVI时序曲线,并获取7个物候特征(Phenology,以下简称PH,包括生长季始期,生长季末期,生长季长度,NDVI振幅,NDVI左导数,NDVI右导数,生长季期间的NDVI积分).结合Landsat 8 OLI遥感影像,中国第二次土地调查数据和实地采样样本数据,根据2013年多种地物平滑后的NDVI曲线特征,将年NDVI最大值低于0.5的水体和建设用地掩膜去除.为了获取研究区农作物的最优分类方法,采用分层分类:首先对平滑后的46个NDVI时序数据进行支持向量机(SVM)分类,得到农用地等分类信息;其次利用平滑后的46个NDVI波段,7个物候参数及6期归一化水体指数相互组合,对农用地进行支持向量机分类提取3种农作物的分布信息.经不同波段组合分类对比可知,分类总体精度及Kappa系数的关系为:NDVI+NDWI>NDVI+PH+NDWI>PH+NDWI>NDVI+PH>NDVI>PH.研究结果表明,遥感数据波段的增加不一定带来较高的分类精度;论文中归一化水体指数有效地提高了水稻的分类精度.此外,辅以物候特征对农作物分类也具有一定的可行性.     

基于无人机影像的城市植被精细分类

针对传统植被资源调查方法工作量大、成本高、效率低的问题,利用高分辨率无人机遥感影像,联合地物光谱-纹理-空间信息,构建了一种适用于描述城市不同植被种类的多维特征空间,在此基础上对三种应用广泛的分类算法(基于像素的、面向对象的支持向量机及深度学习Mobile-Unet语义分割模型)开展了对比分析研究.结果表明:本文提出的联合地物光谱-纹理-空间信息的特征空间构建方法能够有效地描述城市不同类型植被的特征差异,提升影像分割、植被分类的精度;在分类精度上,基于像素和面向对象的支持向量机分类结果的总体精度均超过90%,深度学习方法的总体分类精度为84%;在算法效率上,传统机器学习方法也优于深度学习方法.因此,得出结论针对城市小区域、小样本的植被精细分类,传统机器学习分类方法比深度学习方法效果更好.     

OBIA与RF结合的龙口市土地利用信息提取方法

为提高中分辨率遥感影像解译精度,本文提出面向对象影像分析（Object Based Image Analysis,OBIA）与随机森林（Random Forest,RF）结合的土地利用信息提取方法。采用Landsat 8 OLI影像,针对不同地物特点,阈值分割和多尺度分割结合创建影像对象,规则集和分类器协同分类,基于Relief F算法分别对光谱特征、纹理特征及所有特征降维筛选特征子集,并与全部特征一起应用RF建模,对龙口市进行土地利用信息提取与比较。结果表明：OBIA与RF结合提取土地利用信息,基于Relief F算法筛选纹理特征,保留完整光谱、几何、空间关系特征构建RF模型,建模错分率为0.0958,分类总体精度和Kappa系数分别为89.37%和0.872,取得较理想结果。该方法可应用于中分辨率遥感影像土地利用信息提取。     

基于植被指数的GF-1与Landsat-OLI石漠化识别能力对比评价

植被指数是运用多源遥感影像提取石漠化过程中的主要参考指标之一。为了在石漠化提取中选择最优植被指数,论文以GF-1和Landsat-OLI为源数据,运用欧氏距离对多种植被指数在石漠化提取过程中的可分性和类型识别能力进行了定量的对比评价。结果表明：Landsat-OLI在石漠化与非石漠化、不同等级石漠化信息提取的可分性上略优于GF-1,共有71个参数的欧氏距离大于等于阈值1.56;通过植被指数光谱特征,可以对非岩溶区与石漠化地区进行较好的区分,其类型间欧氏距离普遍高于阈值;然而由于相邻等级石漠化之间植被覆盖率存在渐近式过渡关系,在遥感影像上光谱反射率接近,比间隔等级石漠化更加难于区分。在石漠化类型识别能力方面,波段差和比方法优于单一光谱指数。对于GF-1和Landsat-OLI而言,石漠化信息提取中推荐使用的最优植被指数均为NDVI,其次为GRNDVI。     

基于时间序列谐波分析的东北地区耕地资源提取

耕地是人类社会赖以生存发展最重要的资源之一,及时获取其空间分布是国家农业决策的基础。论文利用2007年多时相的SPOT/VGT NDVI数据提取东北地区耕地资源信息。以NDVI时间序列数据年内变化振幅和周期差异性作为分类的依据,采用时间序列谐波分析法对全年时间谱NDVI数据进行重构,减少高频噪声对信息提取的影响,获得研究区地物信息在时间维度上的振幅、相位以及年均NDVI值影像图,然后将三者合成。应用神经网络分类方法,对合成后的影像选择训练样本,获取东北地区耕地资源的空间分布。实验中提取耕地的精度为83.26%,Kappa系数为0.732 4;该方法获取耕地资源空间分布的精度均高于GLC2000、UMD、IGBP和中科院1∶100万土地利用数据4种分类产品。研究表明,基于时间序列谐波分析法对NDVI数据重建,利用不同类型植被NDVI曲线在一年内振幅、相位特征的差异,采用神经网络分类的方法,可以精确地提取耕地资源信息,及时为农业和土地管理部门管理决策提供科学依据。     

基于神经网络的红树林景观特性遥感提取技术研究

利用神经网络法对广西山口红树林保护区2003年1月8日获取的Landsat TM 卫星图像进行分类.Landsat TM5卫星数据的3、4、5假彩色合成图像空间分辨率比较好,影像层次丰富,地物界限清晰.因此,采用3、4、5波段作为输入层.经过目视判读和现场调查,将输出层单元设置为5个,包括是红树林、陆地植被、裸地(其他建筑用地)、水体和虾池.经过流程实际运算和精度对比,设定训练阈值的贡献是0.9,训练率是0.2,训练次数是1000,最大个体允许误差为0.1.分类精度达到86.86%,高于最大似然分类(50.79%)和光谱角分类精度(75.39%),从而最终获取红树林生态系统的景观格局指标.结果显示研究区红树林均匀度(1.7789)和聚集度指数(0.6854)较高;红树林种类的优势度指数是-1.5850,为弱势群体;红树林的斑块破碎化指数是0.0325,破碎化程度较低.     

基于Landsat 8 OLI数据的树种类型分布提取

树种分布是林业调查工作中的关键环节,遥感影像中对树种信息的提取具有重要意义。论文以福建省长汀县为研究区,收集2016年3月美国陆地卫星影像(Landsat 8 OLI)数据,提出基于知识库的图像膨胀分类方法,结合不同树种类型分布点的影像像元灰度与影像不同波段的重新排列,对杉类、松类、竹类与阔叶树类4个类型提取分布信息,结合地面验证坐标点进行精度评价,同时与专家知识分类法比较。结果显示图像膨胀法结合了地物分布特征与光谱信息,在Landsat 8 OLI影像中是可行的,并提高了精度,整体精度为83.01%,Kappa系数为0.77,与专家知识分类法相比分别提高了8.25%、0.11。该研究为快速精确地使用Landsat 8 OLI影像提取树种分布信息具有一定参考。     

呼伦贝尔草原植被覆盖度估算的光谱模型

采用美国ASD公司Fieldspec3光谱仪和日本富士数码相机,于2009年7~8月在内蒙古呼伦贝尔草原区进行了植物高光谱和植被覆盖度测定,并运用回归分析方法,建立实测归一化植被指数(ASD NDVI)和植被覆盖度之间的地面光谱模型,分析MODIS/TERRA卫星的NDVI(MODIS NDVI)与ASD NDVI的关系,建立预测植被覆盖度的MODIS光谱模型,并对模型进行精度检验.结果表明所建的MODIS光谱模型是线性函数,该模型预测精度高于亚像元分解模型,标准误差为11.58%,平均预测精度达到88.75%.     

基于多项植被指数的景观生态类型遥感解译与分类——以额济纳天然绿洲景观为例

基于研究区2001年Landsat7ETM+遥感影像数据,运用遥感与GIS技术手段,在对遥感影像的边界裁定、几何校正、辐射校正等预处理的基础之上,根据绿洲景观生态类型分类体系,通过综合应用非监督分类、植被指数与波段比值指数聚类、监督分类以及类型叠加与图像整合等方法,进行绿洲景观生态类型的遥感解译与分类,生成研究区2001年的景观生态类型图。为尽可能利用到遥感影像的所有原始数据信息,论文选取5种植被指数(NDV I、DV I、RV I、IPV I、SA VI)和9种波段比值指数(Index1I-ndex9)参与到遥感影像的解译与分类当中,结果表明:NDV I、DV I、IPV I、SAV I、R VI、Index5、Index6具有较大的相似性,能够明显地将具有植被信息的类别分离出来,利于划分具有植被信息的景观类型;Index1-Index4具有较好的类别空间分离性,利于不同类别间的聚类与区分;而Index7-Index9的类别分离性则较差,不利于类别聚类与划分。因此,在实际的应用中,选取多项植被指数参与景观分类,不仅能够发现新的信息,而且也会明显提高景观生态类型、尤其是干旱区绿洲景观生态类型的遥感解译与分类能力。     

遥感技术在红树林生态监测与研究中的应用进展

遥感技术是红树林生态监测中的关键技术。本文详细介绍了航空图像、陆地卫星、SPOT卫星和几种雷达卫星数据在红树林生态监测中的应用,叙述了经验分类法、波段组合法、植被指数法和基于数理统计理论的各种地学分析法在探测红树林的生态学指标包括面积、分布范围、类内区分和类外区分以及动态变化等的应用和精度对比情况．另外,阐述了全球定位系统、地理信息系统和遥感技术在红树林生态监测中的综合应用的优势以及红树林遥感技术的发展前景。     

太子河流域水生态功能Ⅱ级区的划分

流域水生态功能Ⅱ级区是实施流域层面水生生物多样性保护的重要依据. 以太子河流域为研究对象,开展分区指标筛选技术方法研究,通过指标的空间变异性、主导性及其与水生态因子相关性分析,从年均气温、年降水量、年蒸发量、高程、坡度、坡向和NDVI(归一化植被指数)等备选分区指标中筛选出适宜分区指标,在此基础上采用ISODATA(迭代自组织数据分析方法)非监督分类方法划分了太子河水生态功能Ⅱ级区. 结果表明,高程和NDVI具有良好的空间敏感性、主导性以及与水生态因子的相关性,可以反映地貌和植被对太子河水生态系统的影响,是太子河流域水生态功能Ⅱ级区划分的适宜指标. 采用上述指标可将太子河流域划分为3个水生态功能Ⅱ级区:①上游山地森林河流水生态亚区,平均海拔511m,区内以浅水性鱼类和激流性大型底栖动物为主;②中游丘陵森林河流水生态亚区,平均海拔282m,区内以溪流性鱼类和缓流性大型底栖动物为主;③下游平原农业河流水生态亚区,平均海拔65m,区内多受人类活动干扰,以耐污性大型底栖动物为主,少见鱼类.      

微波植被指数在云南省植被动态监测中的适用性研究

基于遥感的植被指数是科学监测植被动态变化的最有效方法。然而,在我国西南地形复杂区域,基于植被光谱特征的光学植被指数常常因大气状况及环境条件等的影响而受到很大的限制。利用云南省2013年1月至2018年12月AMSR2 (Advanced Microwave Scanning Radiometer 2,即先进微波扫描辐射计2)双极化亮温数据,计算了云南省2013—2018年多年平均逐月微波植被指数,并选取草地、耕地、落叶阔叶林、常绿阔叶林及常绿针叶林五种典型植被类型区,对比分析了不同植被类型区各微波植被指数的季节变化规律及其与光学植被指数(NDVI)的相关性。结果表明:各微波植被指数的变化幅度均较小,低频和高频微波极化差异指数(MPDI)可以反映云南省各种植被类型的季节变化规律,同时低频MPDI对植被季节变化特征的响应更显著,而低频微波植被指数(MVIA和MVIB)对草地的季节变化响应更敏感。各微波植被指数与NDVI的相关性在低矮植被区更显著,更能反映低矮植被类型随季节变化规律。总体看来,各微波植被指数能够很好地识别不同类型植被的季节变化规律,可作为光学植被指数的有力补充,用于长时序、大范围植被动态监测。     

广西红树林资源与保护

广西的红树林现有面积为8374.9 hm2,分布于北海市、钦州市和防城港市.红树植物有15种,其中真红树植物11种,半红树植物5种,无瓣海桑为人工引种.红树林的建群种主要有白骨壤、桐花树、秋茄、红海榄、木榄、海漆、老鼠筋和银叶树8种,主要群落可划分为8个群系,15个群落类型.红树林是广西的优势海洋资源之一,其动植物资源潜力大,生态景观旅游价值高,同时是良好的生态养殖场所.如何合理利用红树林资源,本文提出了针对性的建议.     

基于遥感的青海省植被覆盖时空变化定量分析

使用1km分辨率MODIS NDVI时间序列数据,采用决策树分类、监督分类和非监督分类相结合的综合分类方法,将青海省土地覆盖类型划分为14个类别.这种分类方法重点突出了植被,特别是稀疏植被(包括稀疏草地和稀疏灌丛)的空间分布.在将青海省分为5个高程带的基础上,使用GIS软件的空间分析功能,对青海省2001～2006年的地表植被覆盖在各级高程带上的空间分布和时间序列变化进行了定量分析.结果表明,近5a青海省的植被覆盖有所改善,植被覆盖面积从2001年的370047km2增加到2006年的374576km2,植被覆盖率增加了0.63%.青海省5级高程带中高山地带的植被覆盖率最高,达到67.92%.在青海省各级高程带上,高山地带上中覆盖度草地的分布面积最大,为94003km2.高山地带高覆盖度草地的面积增加最多,为1280km2.5a间植被覆盖变化最大的是高山地带上稀疏草地向中覆盖度草地的转变,转变面积达到15931km2.