蔬菜作物水分胁迫遥感光谱指数构建实验研究

蔬菜作物干旱程度是影响其长势及产量的关键因素,实时掌握其各生长阶段的干旱程度在农业估产、旱情监测等方面具有重要的意义。利用遥感监测技术可以快速、方便地获取作物的生长信息,对其各生长阶段的干旱程度进行实时监控和防治。通过同种小白菜在不同供水量条件下的室内实验,用ASD光谱仪实测其整个生长周期的冠层光谱。通过分析小白菜在不同供水量条件下的光谱特征,利用可分性度量方法构建归一化水分指数,实现了对小白菜整个生长阶段水分含量信息的识别;之后在已有卫星遥感器波段设置的基础上,通过可分性度量与因子分析相结合的数学方法构建两个光谱指数:生长指数(GI)和干旱指数(DI),实现了对小白菜的生长阶段及干旱程度的准确识别。室内实验直接观测得到的结果也为星载数据的使用提供了依据。     

GETM 多光谱遥感数据最佳波段选择方法研究

分析了最佳波段选择的各种理论模型,利用相关性比较法,最佳指数法和多光谱遥感数据各波段用途、研究区地物光谱特征结合的方法来选择最佳波段,得到了较好的结果.     

多光谱遥感数据最佳波段选择的研究

分析了最佳波段选择的最佳指数方法,并指出该方法的不足之处.在实践过程中,根据多光谱遥感数据各波段用途、研究区地物的光谱特征及最佳指数来考虑最佳波段的选择,取得了比较好的效果.     

面向多光谱生态遥感观测目标的波段配组方法

机载多光谱遥感是一种实现自然生态资源高精度定量监测的有效途径。随着观测目标数量和种类的不断上升,传统多光谱传感器固定的泛用波段不能完全满足观测需求,需要针对特定的生态目标选择特定的波段配组方案,发展可定制波段的多光谱传感器。提出一种面向多光谱生态遥感观测目标的波段配组方法,主要包括波段提取和带宽分析两部分。针对目前波段提取方法单一且未考虑生态参量的问题,提出一种混合的波段选择方法,综合考虑高信息量波段和与生态参量之间的关系。考虑波段带宽对定量反演的影响,提出一种综合考虑最大最小带宽的分析方法。以水质遥感为例,分析了针对化学需氧量和氨氮定量遥感的波段配组方案,并验证了本方法的可行性。本研究可为特定目标生态参量的遥感精确观测提供理论依据。     

基于无人机多光谱数据的农田土壤水分遥感监测

为了提高农田精准管理效率,基于无人机(Unmanned Aerial Vehicle,UAV)实时获取和传输的遥感数据设计了一种快速监测农田土壤水分的方法:首先,利用UAV飞行采集农田的多光谱数据,在农田选取一个代表性的重点观测区域进行随机样点土壤水分探测;然后,利用垂直干旱指数(Perpendicular Drought Index,PDI),结合样点土壤水分数据快速构建农田土壤水分反演模型,进而获得大范围的农田土壤水分监测结果.并通过6个时相获取的UAV数据和样点土壤水分数据,进行方法实验和模型精度分析,结果表明利用该方法进行农田土壤水分监测的精度较高:6个时相土壤水分反演结果的决定系数R2均在0.8以上,其中5个时相的均方根误差RMSE和系统误差SE值均小于0.1.这证明了基于UAV数据设计的农田土壤水分监测方法的有效性和可行性,可以为大范围农田土壤水分的快速监测提供方法参考.     

扬花期冬小麦叶面积指数高光谱遥感反演研究

利用扬花期冬小麦实测冠层高光谱数据与同步叶面积指数(LAI)数据,分析350～1 000 nm波段范围内冠层反射率与LAI之间的相关性,分别在蓝波段、红波段、绿波段及近红外波段选取光谱特征波段,并用其计算6种被广泛应用于植被LAI反演的植被指数.通过相关分析、回归分析等统计方法,构建扬花期冬小麦LAI反演模型并进行真实性检验.研究结果表明,6种植被指数与冬小麦LAI均具有显著相关性,其中NDGI和EVI反演模型效果较好,拟合方程决定系数R~2均高于0. 6,分别为0. 634和0. 623.最后通过精度验证,得出结论:EVI反演模型R~2最高,为0. 779,故选取EVI为自变量的二次模型为扬花期冬小麦LAI最佳反演模型.研究可为作物长势监测及产量估算等提供一定的理论依据.     

基于多光谱遥感的水质监测处理方法与分析

基于定量遥感理论和方法，将多光谱遥感数据和实测水质数据相结合，研究了水生态环境的空间分布，并对其进行了分析和评价．探讨了多光谱水遥感图像的处理方法和水质参数的数学回归模型，并以太湖水域的悬浮物含量为例，进行了回归分析．结果表明，采用遥感手段对水质进行监测是可行和正确的，由遥感数据得到的太湖水域悬浮物含量的空间分布也与太湖水域的实际情况相符．     

耀光水体、非耀光水体和云层的多光谱遥感识别模型

太阳耀光水体和水云的光谱相似性导致绝大部分多光谱遥感图像云检测算法的太阳耀光信号误识别.选取对耀光水体、非耀光水体、水云、冰云光谱信息差异性和敏感性最大的红光波段及中红外波段,结合上述4类分类对象的遥感统计数据,从黑体辐射理论和云粒子微观物理性质出发,分析二维特征空间中不同类型水体和云层的辐射分布差异,提出利用多光谱遥感数据AVHRR识别不同类型水体和云层的红光-中红外光谱普适性分类模型.该分类模型对于多光谱遥感数据具有广泛适用性,可作为发展多光谱识别分类自动化算法的基础.     

水体遥感指数研究进展

水体遥感指数是当前全球和大区域水体分布和面积估算采用的主要技术.文中对近20多年来提出的水体遥感指数进行总结,分析指数构建原理并比较两种主要指数类型(比值型和差值型)的区别,讨论水体遥感指数应用中的几个主要问题.总的看来,比值型指数对水和非水信息的分离度较强,并能抵消地形的影响,因此可以较好地去除云和阴影的影响.加上比值型指数的变量通常不带系数,因此普适性较强.现有的水体指数中还鲜有被证明可以不用选取阈值就能高精度提取水体的指数.但好的水体指数阈值选取简单,稳定性较强.常用的OTSU法(大律法)获得的阈值已被许多研究证明并不可靠,因此不宜基于OTSU获取的阈值进行水体信息提取及其方法对比.     

森林植被遥感分类研究

首先对森林植被类型识别方法的研究概况进行了综述,在总结国内外研究成果的基础上,提出采用植被指数进行植被分类,根据长春净月潭地区植被层反射率数据以及土壤线方程,ＮＩＲ＝１．５０６Ｒ＋０．００７８６,通过对多种植被指数的计算与分析,得出植被指数与植被类型的关系,最易于区分阔地林与针叶林的是ＰＶＩ,其次为ＴＳＡＶＩ和ＭＳＡＶＩ,但后者计算较复杂,不同针对树种间的ＲＶＩ差值较大,因此采用ＲＶＩ来区分各针树     

加拿大林火天气指标系统在通化市的应用

针对通化市林火特点,引入加拿大林火天气指标系统,利用通化市1996—2010年气象资料和森林火灾数据,研究林火天气指标与林火的相关性,并划分森林火险等级.结果表明:除了干旱码(DC)外,林火次数与其他林火天气指标极显著相关;受害森林面积、火场总面积与林火天气指数(FWI)、初始蔓延指标(ISI)极显著相关,与细小可燃物湿度码(FFMC)虽然没有达到极显著相关,但显著度与0.01水平很接近,因此可以证明加拿大林火天气指标系统适合通化市进行林火天气预报.按照极端火险天气小于3%的原则和几何方法划分了森林火险级别.4级火险天气下林火频率、火场面积比例、受害森林面积比例最大,森林火灾发生近似于正态分布,因此此种等级划分方法比较适合通化市,但需要更多的森林火灾资料加以验证.     

一种改进的遥感图像配准方法

在分析当前主要的图像配准方法的基础上, 提出一种改进的基于点特征的遥感图像配准方法: 首先对参考图像进行分块, 每块提取一定数量的特征点, 以确保各块图像特征点分布均匀; 根据已知的同名点对, 拟合变换方程, 将待配准点代入变换方程得到粗匹配点坐标, 再以粗匹配点为中心在一个较小的范围内搜索, 根据相似性测进行精配准, 确定正确的同名点位置, 在此基础上实现整体遥感图像配准。为了验证该方法的有效性, 针对变大和传感器位移较大的光学遥感图像设计了仿真实验。实验结果表明, 改进方法能很好地解决光学遥感图像之间的配准问题, 降低特征点提取和同名点匹配的时间复杂度。     

基于GIS的森林资源遥感动态监测方法研究——以山西省大宁县为例

以山西省大宁县为例,探讨了基于GIS的森林资源遥感动态监测方法,并对研究结果进行了分析。     

不同指数模型法在水体遥感提取中的比较研究

通过对五种不同水体提取指数模型(RVI,NDVI,NDWI,MNDWI,NDSI)的原理分析,结合具体实例(洞庭湖水域)进行水体遥感提取来说明五种方法提取水体的差异,从而确定在不同时期和不同用途时所采用最佳的水体提取模型。以洞庭湖水体富营养化监测为最终目的,由此确定了最佳水体遥感提取模型为MNDWI指数模型。     

一种优化的多源遥感影像高精度配准方法

探讨了一种优化的多源遥感影像的高精度配准算法.利用梯度算子结合Forstner算子快速提取特征点,同时采用基于熵的格网技术控制特征点的分布均匀度,在少量准确控制点的基础上以不变矩相似度量为匹配准则,采用整体松弛法匹配策略快速配准得到同名点,并利用二次多项式模型来剔除误配准点.结果表明,该方法配准速度快,得到的同名点精度高,分布均匀,可以满足遥感影像的融合与快速更新等后续处理的要求.     

利用Spot-5遥感影像对山西森林资源规划设计

文章着重从影像的预处理、建立解译判读标志、小班区划等方面详细介绍了利用Spot-5遥感影像进行山西省森林资源规划设计调查的程序和方法,并提出了结论性看法。     

利用卷积神经网络提取高分辨率遥感图像喀斯特森林信息

针对喀斯特地区受山区复杂地形的影响岩溶山峰在太阳辐射下存在阴坡和阳坡,高分辨率遥感图像中喀斯特森林植被的光谱特征较复杂,"同物异谱"和"异物同谱"现象严重,导致传统的机器学习算法提取森林植被精度不高的问题,根据实践经验将多源多特征融合构成提取喀斯特森林信息特征,改进标准的卷积神经网络(convolutional neural network,CNN),将支持向量机(support vector machine,SVM)与卷积神经网络相结合(CNN-SVM)应用于遥感分类,并与CNN、随机森林(random forest,RF)、支持向量机等方法进行比较。结果表明,CNN-SVM、CNN两种深度学习方法的提取喀斯特森林信息精度均明显高于RF和SVM等浅层模型方法。CNN-SVM综合了CNN提取遥感高阶特征的能力和SVM的分类性能,分类精度在90%以上,高于标准的CNN。深度学习CNN可有效地区分农作物,提高喀斯特森林植被信息的提取精度。     

森林火灾的烟尘危害及烟呛救护

论述了森林火灾发生的条件及在燃烧过程中产生的烟尘危害，针对防火队员进行救护教育要求，在扑救森林火灾过程中扑火人员应密切注视火势，在遇到各种紧急情况时，学会避险和突围，必要时采取自救措施，把扑火人员的伤亡降到最低限度。