基于天宫一号高光谱数据的荒漠化地区稀疏植被参量估测(英文)

为了精准地估测荒漠化地区的稀疏植被信息,选取内蒙古苏尼特右旗为研究区,以天宫一号高光谱数据为数据源,结合野外实地调查数据,通过归一化植被指数(normalized difference vegetation index,NDVI)和土壤调节植被指数(soil adjusted vegetation index,SAVI)对研究区内的植被覆盖度和生物量进行反演,并对比两种植被指数的优劣。首先,分析了每种波段组合下的植被指数与覆盖度、生物量的相关性,确定了最大相关的波段组合。覆盖度和生物量与NDVI的最大相关系数可达0.7左右,而与SAVI的最大相关系数可达0.8左右。NDVI的最佳波段组合的红光波段中心波长为630nm,近红外波段的中心波长为910nm,而SAVI的组合为620和920nm。其次,分别构建了两种植被指数与覆盖度、生物量之间的线性回归模型,所建模型的R2均能达到0.5以上。SAVI所建模型R2要比NDVI略高,其中植被覆盖度的反演模型R2高达0.59。经留一交叉验证,SAVI所建模型的均方根误差RMSE也比基于NDVI的模型小。结果表明:天宫一号高光谱数据丰富的光谱信息能有效地反映地表植被的真实情况,并且SAVI比NDVI更能较为精准地估测荒漠化地区的稀疏植被信息。     

基于时序高分一号宽幅影像火后植被光谱及指数变化分析

为了探究国产高分卫星遥感技术监测火干扰对植被生长影响的能力及其表征植被指数，选取2014年发生在四川省雅江县和冕宁县的两场森林火灾形成的火烧迹地作为研究区，利用火灾前后时序的高分一号宽幅(GF-1 WFV)数据，对不同受灾程度火烧迹地火灾前后的光谱特征变化进行分析，并以月为单位分析了不同受害程度植被火后两年内由GF-1 WFV数据生成的归一化植被指数(NDVI)、增强型植被指数(EVI)和全球环境监测植被指数(GEMI)等三种表征植被生长状态的植被指数的变化，结合研究区纬度、海拔和气候条件分析火后植被的年内恢复规律。结果表明：火烧造成植被色素和细胞结构破坏，使其不再表现出正常植被特有的光谱特征，在可见光区受害植被的反射率相比于正常植被偏高，且其值随受灾程度加重而升高；在近红外波段火干扰后的植被反射率降低，其值远低于正常植被的反射率值。NDVI，EVI和GEMI在表征植被恢复生长过程中存在高度相关性且对植被季节变化敏感，均能反映植被恢复的生长过程，具有描述火烧区植被恢复动态过程的能力；受灾植被恢复生长过程中的植被指数变化与正常植被年生长过程的植被指数变化趋势基本一致，同样存在生长季和非生长季；火烧区植被的NDVI，EVI和GEMI值相比正常植被对应植被指数值始终偏低，且植被受灾越严重，其植被指数值在同期中对应越低。     

天宫一号高光谱数据探测火情状态敏感谱段分析

为获得利用卫星数据探测明火、焖烧、烟和火烧迹地等四种火情状态信息的敏感波谱范围,利用天宫一号高光谱数据,采用统计和光谱分析相结合的方法,对探测这四种火情状态信息的适宜卫星谱段进行了分析。结果表明:天宫一号高光谱数据对这四种火情状态探测谱段存在明显区别,在高光谱短波红外各通道,明火的反射率比其他三种的反射率都高,而烟的反射率则最低;在高光谱可见近红外和全色传感器对应通道,烟的反射率比其他三种的反射率都高。在谱段选择上,探测明火的较适宜谱段区间为1 000.0～1 956.0和2 020.0～2 400.0nm;用于判识焖烧的适宜谱段范围为930.0～1 000.0和1 084.0～2 400.0nm;检测烟的适宜谱段区间为400.0～920.0nm;检测火烧迹地时适宜选用中心波长900.0～930.0和1 300.0～2 400.0nm等波段进行组合,构建检测模型。     

Classifying land cover based on calibrated full-waveform airborne light detection and ranging data

The capability of the parameters derived from waveform data in discriminating objects is assessed and the effect of the relative calibration of full-waveform data in discriminating land-cover classes is evaluated. Firstly, a non-linear least-squares method with the Levenberg-Marquardt algorithm is used to fit the return waveforms by a Gaussian function. Gaussian amplitude, standard deviation, and energy are extracted. Secondly, a relative calibration method using the range between the sensor and the target based on a radar equation is applied to calibrate amplitude and energy. The change in transmit pulse energy is also considered in this process. A support vector machine classifier is used to distinguish the study area into non-vegetated area （including roads, buildings, and vacant lots）, grassland, needle-leaf forests, and broad- leaf forests. The overall classification accuracy ranges from 79.33% to 87.6%, with the combination of the two groups of the three studied parameters. Calibrated data classification accuracy is improved from 1.20% to 6.44%, thus resulting in better forest type discrimination. The result demonstrates that the parameters extracted from the waveforms can be applied effectively in identifying objects and that relative calibrated data can improve overall classification accuracy.