基于高分一号卫星WFV影像的水稻信息提取模式

通过卫星影像利用水稻不同物候期的特征对其进行识别是目前在水稻信息提取方面比较有效的方式。首先根据水稻区别于其他植被的显著特征,即水稻生长前期稻田的下垫面含有大量水的特性,将用于提取水域信息的归一化水体指数(normalized difference water index,NDWI)合理地应用在水稻前期的信息提取中,并且利用两个物候期的NDWI做比值,扩大了水稻与其他地物之间的差异。再借助归一化植被指数(normalized differential vegetation index,NDVI）在不同物候期的增长变化特征可以进一步提高水稻信息提取的精度。研究发现充分利用水稻在不同物候期的特殊性,并结合与水稻特性相关的指数,将NDWI和NDVI两种指数同时用于水稻提取,确定合理、准确、有效的提取方法是提高水稻提取精度的主要途径。本文以安徽省来安县的水稻为研究对象,基于2013年7月12日和8月30日获取的两幅高分一号卫星WFV影像数据,利用水稻分蘖期和抽穗期的NDVI和NDWI构建了水稻信息提取模式,有效地提取出了来安县的水稻信息分布并进行制图,最后结合在研究区野外实地考察的信息数据对提取结果进行验证和评价。研究结果表明利用该模式能够快速、准确地从遥感影像上获取水稻分布信息,具有很好的普适性。     

基于高分一号卫星WFV影像的水稻信息提取模式（英文）

通过卫星影像利用水稻不同物候期的特征对其进行识别是目前在水稻信息提取方面比较有效的方式。首先根据水稻区别于其他植被的显著特征,即水稻生长前期稻田的下垫面含有大量水的特性,将用于提取水域信息的归一化水体指数(normalized difference water index,NDWI)合理地应用在水稻前期的信息提取中,并且利用两个物候期的NDWI做比值,扩大了水稻与其他地物之间的差异。再借助归一化植被指数(normalized differential vegetation index,NDVI)在不同物候期的增长变化特征可以进一步提高水稻信息提取的精度。研究发现充分利用水稻在不同物候期的特殊性,并结合与水稻特性相关的指数,将NDWI和NDVI两种指数同时用于水稻提取,确定合理、准确、有效的提取方法是提高水稻提取精度的主要途径。本文以安徽省来安县的水稻为研究对象,基于2013年7月12日和8月30日获取的两幅高分一号卫星WFV影像数据,利用水稻分蘖期和抽穗期的NDVI和NDWI构建了水稻信息提取模式,有效地提取出了来安县的水稻信息分布并进行制图,最后结合在研究区野外实地考察的信息数据对提取结果进行验证和评价。研究结果表明利用该模式能够快速、准确地从遥感影像上获取水稻分布信息,具有很好的普适性。     

资源三号卫星多光谱数据的大气校正研究

资源三号卫星多光谱数据空间分辨率达到5.8 m,能够很好的应用于地物分类和识别,由于其缺乏短波红外波段,无法采用暗目标法进行大气校正,因此,提出通过6S辐射传输模型构建大气校正系数查找表,结合MODIS数据反演的气溶胶光学厚度参数的大气校正方法,对ZY-3卫星多光谱(MUX)数据进行大气校正。采用敦煌地区星地同步测量的石膏矿、戈壁两种地物光谱对大气校正结果进行了验证,并比较了大气校正前后归一化植被指数(NDVI)。结果表明：大气校正后的地面反射率与石膏矿、戈壁两种地物实测光谱数据相对误差不超过6%;大气校正增大了植被的NDVI与其他地物的NDVI的差值,突出在植被监测方面的应用能力。     

高分六号宽幅数据识别火烧迹地的光谱及指数分析

为探究利用高分六号卫星宽幅（GF-6 WFV）数据识别火烧迹地的适宜光谱波段和指数,选取2019年发生在我国内蒙古大兴安岭林区的三处雷击火形成的火烧迹地作为研究区,结合GF-6 WFV波段组成,选取归一化植被指数（normalized difference vegetation index, NDVI）、全球环境监测指数（global environment monitoring index, GEMI）、增强植被指数（enhanced vegetation index, EVI）、燃烧面积指数（burned area index, BAI）、土壤调节植被指数（soil-adjusted vegetation index, SAVI）、改进型土壤调节植被指数（modified soil-adjusted vegetation index, MSAVI）和归一化差异水体指数（normalized difference water index, NDWI）等7个光谱指数及地面叶绿素指数（MERIS terrestrial chlorophyll index, MTCI）、归一化差值红边指数（normalized difference red edge index 1, NDRE1）、改进的叶绿素吸收指数（modified chlorophyll absorption ratio index 2, MCARI2）和改进的归一化土壤指数（modified normalized difference soil index, MNDSI）等4个改进指数,基于同期影像和前后两期影像进行火烧迹地和其他典型类别的区分度计算,并利用上述11个指数及指数差值进行火烧迹地的识别,定量评价了GF-6 WFV各波段、所选光谱指数及改进指数识别火烧迹地的能力。结果表明：（1）GF-6 WFV的近红外波段和新增的两个红边波段区分度较高,反映火烧迹地特征的能力较强。（2）在区分火烧迹地和火烧前正常植被上,NDVI, GEMI, EVI, BAI, SAVI, MSAVI和NDWI 7个光谱指数等的区分能力较强,4个改进指数中,NDRE1和MCARI2的区分能力较好,MNDSI和MTCI的区分效果较差。（3）在区分同期影像火烧迹地和其余典型类别上,BAI, NDVI, MCARI2和NDWI区分效果较优,其次为NDRE1, GEMI, EVI, SAVI和MSAVI,而MNDSI, MTCI的区分能力较差。（4）在利用所选指数和指数差值识别火烧迹地中,GEMI, EVI, BAI, SAVI和MSAVI的识别精度均较优,其次是MCARI2, NDVI和NDWI,做差后提取精度显著上升,Kappa系数均提升到0.80以上,MTCI, MNDSI和NDRE1提取效果较差。综合比较,BAI和GEMI识别效果最好,NDVI, EVI, SAVI, MSAVI, NDWI和MCARI2的识别能力中等,而MNDSI, NDRE1和MTCI等3个改进指数识别火烧迹地的能力较差。     

基于时序NDVI与光谱微分变换的森林优势树种识别

基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义,也是当前亟待解决的重要科学问题。伴随遥感技术的发展,利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息,有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。以中国东北地区赤峰市旺业甸国有林场为试验区,采用覆盖完整自然年的共36景高分一号（GF-1）WFV时间序列数据（16 m）,提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数（NDVI）,结合支持向量机（SVM）模型对研究区内5种典型优势树种：油松、落叶松、山杨、白桦和蒙古栎,进行不同时间尺度下（单季相、全季相、逐月和逐旬）的光谱识别研究。同时,分别基于原始时序光谱及其一阶、二阶和三阶微分变换结果,探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。结果显示,基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果（p＜0.05）,其中采用全季相数据的树种总分类精度相比于春、夏和秋不同季节的单季相数据结果,分别提高了7.67%,6.64%和3.6%,表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要,同时秋季是采用单时相数据的最佳识别季节（p＜0.05）;在不同时间序列数据中,基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果（p＜0.05）,而基于全季相数据的光谱识别结果最低（p＜0.05）,表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。此外,结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高（p＜0.05）,其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%,分别提升了3.38%和2.95%。研究表明采用基于全年逐旬或逐月尺度的时序光谱数据,并结合相应的微分变换方法,可以有效提高区域尺度优势树种的识别精度,为相关多光谱森林植被精细识别研究提供参考。     

基于多光谱遥感数据的生物多样性监测与评估

生物多样性是人类赖以生存的基础。受环境和气候变化的影响，全球生物多样性丧失日趋严重，研究区域生物多样性对保护濒危物种栖息地、合理规划与利用区域资源具有重要意义。基于2002年—2018年多光谱遥感植被产品中的NDVI、 EVI、 FPAR、 LAI、 GPP数据集，构建了累积、最小和差值三种动态生境指数(DHI),结合气象数据和物种分布数据，采用多元回归分析分别研究了(1)基于NDVI、 EVI、 FPAR、 LAI、 GPP多光谱遥感指数构建的DHIs评价生物多样性的适用性；(2)累积、最小和差值DHIs表达物种多样性的互补性；(3)气候变化对我国生物多样性的影响；(4)累积、最小和差值DHIs表达物种丰富度的能力。研究表明：(1)基于同种MODIS多光谱植被指数的同一DHIs之间具有很强的相关性(相关系数0.77到0.98之间),可相互替代；同一植被指数的累积、最小和差值DHIs之间有一定关联性，但三者不可相互替代。(2)与基于NDVI、 EVI、 FPAR、 LAI产品数据构建的DHIs相比，GPP-DHIs监测我国生物多样性的能力最强，且与物种丰富度之间存在良好的相关性(相关系...     

基于Hyperion高光谱数据的温带森林不同冠层结构的光谱特征分析

冠层是植被进行生态过程的主要层次,森林冠层结构影响冠层生化组分的遥感反演,因此对其光谱特征的分析有助于提高冠层生化组分反演的精度。以长白山温带阔叶红松林为研究对象,利用Hyperion高光谱数据提取不同林冠反射率,运用连续统去除和光谱一阶微分法进行光谱变换,定量分析森林冠层的光谱特征。通过计算样方阔叶树种优势度(BFDI),以及一系列光谱指数(NIR,NDVI,EVI,NDNI,SPRI*NDVI和SPRI*EVI),探讨冠层结构组成对其光谱特征及光谱指数的影响。结果表明：(1)相比阔叶林冠层,针阔混交林、美人松林和樟子松林冠层光谱的红边有左移趋势,斜率明显下降,蓝边、黄边斜率特征也相应减弱,近红外波段反射率明显下降,可见光波段的归一化反射率有上升趋势,表明不同林冠,尤其针叶林与阔叶林林冠之间的光谱特征差异明显。(2)BFDI对冠层NIR反射率和三边斜率有明显的影响,与光谱指数显著相关(P<0.01),表明BFDI影响森林光谱指数。BFDI与NDVI,EVI,SPRI*EVI,NIR,SPRI*NDVI,NDNI的R2分别达到0.90,0.83,0.83,0.81,0.68,0.59,揭示了BFDI对于冠层绿度、叶面积指数、植被生产力以及冠层叶氮浓度等植被参数存在一定影响。研究表明,利用星载高光谱数据结合地面样方调查可以很好地阐明林冠结构组成对于光谱特征的影响,也对优化植被冠层生化组分和森林生态系统生产力的遥感反演具有借鉴意义。     

无人机多光谱影像的小麦倒伏信息多特征融合检测研究

为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(NDVI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、 Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度。分类结果表明：各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63%, Kappa系数：0.85,提取误差：1.11%)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35%, Kappa系数：0.79,提取误差：9.34%)提取效果最好...     

近十年中国东北森林植被物候遥感监测

基于归一化差值植被指数(normalized difference vegetation index, NDVI),提出了一种新的物候遥感监测方法,基于森林植被的年NDVI时间累积曲线,利用Logistic模型对NDVI累积曲线进行拟合,依据曲率极值方法提取森林植被物候期的关键参数(生长季开始日期, SOS; 生长季结束日期, EOS),并对森林植被的生长季长度(length of season, LOS)进行分析,探讨近10年东北森林物候的时空变化。主要结论为：(1)2001年～2010年间,东北森林生长季开始日期集中在110～140天但在10年间没有明显变化;(2)第260～290天,森林逐渐停止生长,生长季结束日期从北向南逐渐推迟,但在十年间几乎没变化;(3)与生长季开始和结束日期相对应,东北森林生长季长度集中在120～160天之间,但存在空间差异,大兴安岭地区森林生长季长度较短,集中在120～140天之间,小兴安岭、长白山、辽东半岛地区的森林生长季长度可达到160天,对整个研究区来讲,近10年间变化的区域仅占研究区的14.9%,变化趋势集中在1d/10年。研究结果与物候观测数据及已有的研究具有较好的一致性,说明利用遥感数据动态监测东北森林植被物候期具有一定的可靠性。     

基于时序多光谱影像的干旱草原区开采扰动信息提取方法

露天开采会彻底改变原有土地利用景观格局，直接破坏当地生态环境，甚至会影响附近居民的生产和生活，因此越来越多的学者开始关注开采扰动。先前有关利用时序多光谱影像提取开采扰动的研究区集中于扰动形式单一的森林区。而我国露天煤矿大多集中于草原区，且我国东北部的草原矿区因其脆弱的生态环境以及其他多种扰动形式的存在，使得开采扰动识别更加困难。为明确我国东北部生态脆弱区草原露采场的开采扰动，以胜利矿区为例，利用1986年-2017年27期Landsat多光谱遥感影像，基于归一化植被指数NDVI（normalized difference vegetation index）的长时间序列轨迹变化特征（为了去除物候、云和阴影等对时序多光谱影像的影响，利用BISE-WT滤波器对原始NDVI时间序列进行滤波处理, 有效地去除时序NDVI数据中的噪声并同时保留有效信息），经过样本点训练，获得CV阈值（变异系数coefficient of variation）和Max阈值（植被阈值），构建CV-Max扰动识别模型，提取研究区的扰动分布。并利用植被阈值，分析NDVI时序轨迹，获得扰动年际信息，重构扰动历史地图；进而通过分析研究区典型地物的光谱特征，构建裸煤提取规则，以此来提取研究区的裸煤分布；最后通过构建裸煤及扰动区两者间的拓扑关系，进行空间拓扑叠置分析，从而获得开采扰动信息。经过精度验证，开采扰动的提取精度达到93.17%（Kappa系数=0.85），扰动年际信息提取精度达到83.35%（Kappa系数=0.81）。结果表明：在研究期间，空间上，开采扰动面积占研究区总面积的8.90%；时间上，开采扰动的发生集中于2000年-2009年，期间开采扰动像元占开采扰动总像元的76.70%；1988年-1998年矿区属于土地损毁初始期，2000年-2005年矿区属于土地损毁加速期，2006年-2009年矿区属于土地损毁高峰期，2010年-2017年开采扰动像元占比趋势比较平缓且持续处于较低水平，矿区土地损毁范围基本稳定。所提出的针对我国东北部生态脆弱性草原矿区，基于时序多光谱影像，利用植被指数NDVI和裸煤光谱特征提取开采扰动信息的方法是可行的，该研究结果可为干旱、半干旱草原露天矿区的可持续发展提供数据和理论方法支撑。     

基于物候特征的植物光谱识别方法研究

光谱分析对于植物识别特征与机理研究具有重要意义,长期以来在植被光谱的叶绿素吸收特征、水分吸收特征、红边效应、光谱波形参数提取、波形转换、以及植被叶面结构和化学组份对光谱的影响方面进行了大量研究,而在植物因季节变化引起的叶面结构、叶绿素、叶面积指数变化而产生的光谱变化研究较少。通过开展对不同生活型、叶面结构与大小、物候特征的11类植物季节生长过程的地物光谱观测,提取植物的归一化植被指数NDVI、包络线去除后的绿波段最大光谱吸收深度、红波段最大光谱吸收深度参数,对该参数时间过程曲线的均值、变幅、斜率进行分析,研究植物生长期和成熟期特征参数的植物光谱可分性研究。提出了植被光谱区分度的参数运算方法,利用该参数进行植被识别能力分析。结果表明：植物生长过程的光谱特征比成熟期的光谱特征更容易区分。在相同参数对比中,生长期植物区分度比成熟期区分度高出三个点。在植物生长过程中,总体上植被的季节变幅区分度>斜率区分度>均值区分度,而对于NDVI参数季节变化,植物季节斜率区分度最大。所以利用植物的季节NDVI斜率、绿波段最大光谱吸收深度的季节变幅、红波段最大光谱吸收深度的季节变幅进行植物的识别效果最佳。     

高光谱遥感林业信息提取技术研究进展

高光谱遥感技术已成为林业遥感领域的前沿技术之一。回顾国内外高光谱遥感技术在林业信息提取中的研究进展,总结归纳了森林树种高光谱分类与识别、森林生态物理参数高光谱反演与提取、林木养分元素高光谱监测与诊断、森林郁闭度信息高光谱提取、森林灾害高光谱监测五个主要研究方面。在此基础上,文章指出了在林业遥感应用中高光谱技术尚待解决的关键问题,并阐述了可能解决问题的途径。最后对林业高光谱遥感技术的应用前景作了展望。     

融合声纹信息的能量谱图在鸟类识别中的研究

常用的梅尔倒谱系数结合高斯混合模型(MFCC+GMM)方法的鸟鸣声识别技术难适应噪声环境,模型难以收敛,且计算复杂度高。该文提出一种融合声纹信息的能量谱图的鸟类识别方法 (VPS-BR),该方法利用鸟类鸣声在能量谱图上所表现的多维差异性,定量识别鸣声声纹特征。通过对分贝能量进行颜色映射得到能量谱图,提取其视觉特征所表达的声学特征,分析归纳得到鸟类特有鸣声模式。在特征提取步骤中,选用识别速度快的局部二值模式、识别鲁棒性高的方向梯度直方图两个参数表征鸟鸣声谱图的边缘声纹;在识别步骤中,用局部二值模式和方向梯度直方图两种特征分别与支持向量机、K最近邻和随机森林3种分类器算法进行两两组合构建识别模型测试。对15种原始带噪鸟类鸣声数据集进行交叉验证,VPS-BR模型的平均识别率比MFCC+GMM组合模型高出11.3%,方向梯度直方图特征与K最近邻分类器的组合模型识别率达90.5%,表现出较好的抗噪性能和识别性能。最后针对样本数据集缺乏问题,使用生成对抗网络进行图像增强,进一步将识别率提升1.48%。     

宁夏盐池荒漠植物光谱特征分析及光谱识别

宁夏盐池县荒漠草地属于中温带干旱气候,由于过度利用出现不同程度的退化,退化指示种比重增大,造成不同荒漠草地群落组成差异也很大,如何区别不同荒漠草地植物,并据此对退化指示种进行动态监测是了解荒漠草地退化程度的关键。目前随机森林（RF）、支持向量机（SVM）与K-邻近（KNN）分类模型被广泛应用于森林植物和农作物的遥感分类,并取得了较好的分类识别效果,但针对草地尤其是荒漠草地植物的分类识别研究较少。因此使用ASD地物光谱仪于7月在宁夏盐池二步坑、冯记沟、高沙窝、麻黄山不同荒漠草地采集了32种植物作样本获得442条光谱进行光谱特征分析。筛选出7个植被指数：归一化植被指数705（NDVI₇₀₅）、绿通道植被指数（GNDVI）、光化学植被指数（PRI）、土壤调节植被指数（OSAVI）、可视化气压阻抗指数（VARI）、植被衰减指数（PSRI）和归一化水指数（NDWI）作为随机森林模型（RF）、支持向量机（SVM）模型、K-邻近（KNN）模型的原始变量,对32种荒漠草地植物进行分类识别,并通过分类模型精度的比较筛选较优模型。结果表明：(1）不同植物光谱反射率均符合绿色植物特征,但各植物原始光谱不同波段之间存在明显差异,植物原始光谱水分吸收波段差异明显,且有红边蓝移现象;(2）RF,SVM和KNN三个分类模型对32种植物的分类精度分别达到了0.98,0.94和0.98,识别效果较好,但3种分类模型均对白莲蒿与北芸香、虫实与甘草发生了误判;(3）随机森林模型重要性指标中NDWI与PRI为区分荒漠草地植物的关键指标,说明荒漠植物冠层水分与类胡萝卜素含量是影响荒漠草地植物光谱分类的重要因素。试验利用随机森林模型（RF）、支持向量机（SVM）与K-邻近（KNN）分类方法,建立了主要植物的分类模型。     

结合纹理因子和地形因子的森林蓄积量多光谱估测模型

森林蓄积量是林分调查中重要因子,是评价森林数量和质量的重要指标。传统森林蓄积量实测方法耗时费力、效率低下,多元线性回归遥感反演方法精度较低,难以达到精准林业要求。机器学习是一种利用训练数据,进行自我改进、自动提升性能的方法,可以任意逼近非线性系统,提高模型预测精度。以鹫峰林场森林为研究对象, 综合考虑影像光谱因子、纹理因子、地形因子,采用机器学习中的BP神经网络、最小二乘支持向量机、随机森林方法构建了森林蓄积量多光谱估测模型BP-FSV,LSSVM-FSV和RF-FSV,并在Matlab2014a中编程实现。旨在从建模因子选择和模型方法建立两个方面,优化建模因子特征提取,提高森林蓄积量模型预测精度。以角规观测样地实测数据、森林小班二类调查数据、林相图数据为基础,使用以上三种模型结合Landsat8 OLI多光谱数据分林型进行了森林蓄积量反演建模预测。以决定系数R2和均方根误差RMSE为指标,分析了三种反演模型的训练能力和预测能力。研究结果表明：利用3种机器学习方法构建的结合光谱因子、地形因子、纹理因子反演模型能够提高森林蓄积量的预测精度。以上模型中,RF-FSV模型在针、阔、混三种林型中都表现出较强的预测能力,高于BP-FSV模型,高于或接近于LSSVM-FSV模型。RF-FSV模型在训练阶段,R2和RMSE针叶林中为0.839和13.953 3,阔叶林中为0.924和7.634 1,混交林中为0.902和12.153 9,预测阶段R2和RMSE在针叶林中为0.816和15.630 1,阔叶林中为0.913和4.890 2,混交林中为0.865和9.344 1。RF-FSV模型建模精度和预测精度较高,为森林蓄积量遥感反演估测提供了一种新的方法。