共查询到16条相似文献，搜索用时 188 毫秒
1.
遥感影像空间分辨率变化对湖泊水体提取精度的影响 总被引：1，自引：1，他引：0
湖泊面积是表征湖泊水情变化的重要指示因子,如何从不同空间分辨率遥感数据中获取客观准确的水面信息,是当前遥感应用研究中的难点问题.本文以鄱阳湖为例,通过选用丰水期和枯水期代表性Landsat ETM+遥感影像,采用最邻近法(NN)和像元聚合法(PA)两种重采样方法,分别获取分辨率逐渐降低的不同分辨率的影像数据,结合归一化差异水指数法研究水域面积随遥感影像分辨率降低的变化趋势及其误差变化特征,同时深入分析不同影响因素对水体提取精度的差异.研究结果表明:(1)空间分辨率是影响鄱阳湖水体提取精度的重要因素之一,随着遥感影像空间分辨率的降低,提取水域面积的精度相对30 m分辨率时呈逐渐降低的趋势,但整体精度较高,最低精度在67.64%以上;(2)NN重采样方法对遥感影像波段亮度值的均值影响不大,但PA重采样后影像的均值和标准差随分辨率逐渐降低且变化更有规律;(3)水体阈值在PA重采样后变化较大,NN重采样后变化较小,因而采用30 m分辨率时获取的阈值提取PA重采样后鄱阳湖水体误差较大,提取NN重采样后的湖泊水体误差较小.本研究结果对于全球变化影响下湖泊水体信息遥感精确提取具有重要的参考价值. 相似文献
2.
近30 a云贵高原湖泊表面水体面积变化遥感监测与时空分析 总被引：3，自引：0，他引：3
以云贵高原湖泊近30 a来的TM、ETM~+和OLI遥感影像为数据源,采用归一化水体指数(NDWI)、改进归一化水体指数(MNDWI)、新型水体指数(NWI)、增强型水体指数(EWI)和自动水体提取指数5种水体指数提取了1985—2015年云贵高原10个湖泊表面水体面积,并对各种算法进行精度对比分析.针对湖泊各自特点采用不同的水体指数提取其表面水体面积,并进行水体面积变化时空分析.结果表明:云贵高原湖泊表面水体面积总体呈现先增加后缩减趋势,1985—1995年湖泊表面水体面积增加了30.86 km~2,1995—2015年湖泊水体表面面积减少了48.12 km~2,其中,面积变化最大的是杞麓湖与异龙湖.对云贵高原湖泊表面水体面积变化与该区域的年降水量、蒸发量、平均气温、流域植被覆盖面积和人类活动时空进行相关分析,结果表明:1)高原湖泊对区域气候变化的响应具有明显的空间差异性,云贵高原湖泊的表面水体面积与气候相关性较显著,气温升高引起蒸发加速,降水量下降,湖面不断缩小,与逐年上升的气温呈负相关,与逐年波动上升的蒸发量呈负相关,与逐年减少的降水量呈正相关;2)云贵高原湖泊各流域的植被覆盖面积与湖泊面积变化相关性较弱;3)人类活动是影响湖泊面积变化的重要因素,大肆围湖造田、围湖养殖以及旅游开发等人类活动直接导致云贵高原湖泊面积的锐减,并对湖泊生态环境产生重要影响. 相似文献
3.
基于遥感光学影像数据,针对海洋水体的特性,本文提出一种指数模型:在海洋水体平均反射率基础上,构建新的水体指数模型Ocean Water Index(OWI).主要以华南沿海地区、英国泽西岛为实验区,以Landsat 8 Surface Reflectance Tier 1影像、高分四号影像作为主要的数据源,与常用的8种水体指数相比,OWI的错漏率较低.实验发现,本文的亮点在于:(1)仅使用三个可见光波段、一个近红外波段,充分地利用海洋水体的光谱信息,构建了一个新的、可以抑制非水体噪声的水体指数模型;(2)因为新的水体指数模型选择的波段与国产光学卫星的波段吻合,并且使用了一景高分四号数据进行验证新指数的稳定性.实验结果证明了本文方法能够稳定地提取海洋水体,可应用于沿海地区的海岸线变化研究、沿海城市的围填海监测. 相似文献
4.
以9期Landsat TM/ETM+影像为数据源,基于K-T变换和归一化植被指数(NDVI),建立了湖泊蓝藻水华信息提取的决策树模型.基于大气顶面反射率图像,选用2005年10月17日太湖图像进行了对比验证,表明决策树模型比单波段阈值法、多波段阈值法(RVI、DVI、NDVI)能够更有效地提取蓝藻水华信息,区分陆生植被、水生植物和水华,省去了水体掩膜的过程.使用太湖2002年10月25日和2011年7月22日图像、巢湖2005年8月12日的图像,验证决策树模型方法和工作流程的有效性.使用多期TM图像确定了阈值的取值范围,其中,亮度、绿度、NDVI的下限值依次为0.191、-0.007、-0.054,湿度下限范围为0.07~0.15;亮度阈值上限范围为0.3~0.7、绿度为0.2~0.5、湿度为0.1~0.3,这些结果可作为湖泊蓝藻水华遥感监测的参考. 相似文献
5.
基于遥感影像纹理信息的湖泊围网养殖区提取 总被引：10，自引：3，他引：7
中国东部许多湖泊被人为围网养殖开发,高密度的围网养殖区较容易导致湖泊富营养化和水质恶化,因此人们利用遥感数据开展了湖泊围网养殖区的调查研究．对于湖泊围网养殖区的提取大多采用多光谱分类或目视解译手工数字化,多光谱分类围网养殖区和自然水体易于混淆,而手工数字化对于大区域提取工作量比较大.论文提出了基于遥感影像纹理信息的湖泊围网养殖区提取方法,事实证明此方法易于实现且提取精度高．该文选用中巴资源卫星02星多光谱数据,以白马湖为试验区,首先采用归一化差值植被指数提取水体及少部分光谱特征与之相似的人工建筑物和裸土,再采用主成份分析对研究区影像进行数据压缩和几何信息增强,利用灰度共生矩阵对影像纹理信息进行分析,以均值为量化指标,确定其最佳阈值,最后以决策树分类方法提取湖泊围网养殖区． 相似文献
6.
基于HJ-CCD和MODIS的吉林省中西部湖泊透明度反演对比 总被引：2，自引：0，他引：2
水体透明度能够反映光在水体中的穿透程度,影响水生植被及以光为依赖条件的水生生物的分布,获取透明度的传统方法是采用透明度盘进行测量,但也可以通过遥感方法获得.环境减灾卫星是专门用于环境与灾害监测预报的小卫星星座,影像覆盖范围广,空间、时相分辨率较高,可以为水环境遥感提供较好的数据源.MODIS数据在近岸水体和内陆大型湖泊水环境监测中也有广泛应用,它的时相分辨率也很高,但空间分辨率低.利用HJ-1A卫星CCD数据和MODIS日反射率产品(MOD09GA),以2012年9月吉林省石头口门水库、二龙湖、查干湖、月亮泡等地的实测透明度为基础(实测点数74个,最小值为0.134 m,最大值为1.410 m,平均值为0.488 m),根据灰色关联度选取构建模型的波段组合,建立水体透明度反演模型.HJ1A-CCD数据与MOD09GA数据建立的模型R2分别为0.639和0.894,均方根误差(RMSE)分别为0.248和0.135,模型验证的平均相对误差(MRE)分别为17.1%和9.5%,RMSE分别为0.207和0.089.MODIS数据以其较高的辐射分辨率使模型精度较高,但是HJ数据在应用于透明度小于1 m的水体时精度也较高(MRE=13.5%,RMSE=0.066).HJ-CCD数据在空间分辨率上的优势使其能够获得透明度空间分布的细节信息.比较两者反演得到的湖泊平均透明度,结果较为一致. 相似文献
7.
基于叶绿素荧光峰特征的浑浊水体悬浮物浓度遥感反演 总被引：4，自引：0，他引：4
内陆水体光学特性复杂,其水质参数遥感反演是当前环境遥感研究的热点与难点.2004年10月在太湖实测了67个站点的遥感反射率与相应站点水质参数浓度,通过对水体反射率光谱的分析发现,秋季太湖悬浮物主导了水体光学特性,叶绿素荧光峰的特征主要体现为悬浮物浓度的变化.据此建立了基于水面实测岛光谱遥感反射率数据的叶绿素荧光峰特征与悬浮物浓度之间的拟合关系,发现二者具有很好的响应关系.具体分析了叶绿素荧光峰绝对高度、基线高度、归一化高度(分别归一化到560nm附近最大反射率波段与近红外810nm附近最大反射率波段)及荧光峰积分面积(包括积分总面积、基线以下面积与基线以上面积)等儿种光谱特征与悬浮物浓度之间的关系,其相关系数(R2)分别为0.8822、0.7483、0.8901、0.8547、0.8927、0.8877、0.8632,平均相对误差分别为27.25%、41.03%、27.11%、25.75%、24.91%、25.47%、27.54%.总体反演精度较高,其中总积分面积法效果最好,基线高度法效果最差,而叶绿索荧光峰波段的位移与悬浮物浓度之间不存在明显的相关性.研究结果表明叶绿素荧光峰特征在浑浊内陆水体悬浮物浓度信息提取中具有很好的应用前景,该方法可为浑浊的二类水体悬浮物遥感反演提供了一个新思路. 相似文献
8.
基于多时相主被动遥感的漓江水面监测与水质参数反演(2016—2020年) 总被引：1，自引：0，他引：1
以漓江流域为研究区域,以2016-2020年Landsat 8 OLI、GF-1、Sentinel-2A及Sentinel-1A逐月影像为数据源,选用归一化水指数(NDWI)、改进型归一化水指数(MNDWI)、增强型水体指数(EWI)、归一化差值池指数(NDPI)、后向散射系数(S)与主被动遥感加权指数(JQ)提取漓江水体信息,采用二类水体区域性近岸海域水色算法(C2RCC)、最大叶绿素指数(MCI)、双波段比值法(Double R)及叶绿素反射峰强度(ρchl)4种方式,反演漓江水体叶绿素a(Chl.a)与总悬浮物质(TSM)浓度.将漓江划分为278个基本评价单元,利用水面变化区域差异值(WDr)、河岸线发育系数(SDI)与水体信息变化动态度(K)等指标定量分析漓江上、中、下游枯水期和汛期的水文和水质信息的年内时空动态变化,得出以下结论:(1)主被动遥感加权指数JQ与NDPI指数的提取效果优于NDWI、MNDWI、EWI指数与后向散射系数,但与JQ指数相比,NDPI指数提取精度更高、可信度更强.(2)基于C2RCC算法反演的Chl.a浓度的均方根误差(RMSE)处于0.18~7.88 mg/m3之间,TSM浓度的RMSE为0.17~12.55 g/m3,可较好地反映漓江水质参数变化情况.(3)基本评价单元的划分可清楚地分析出上、中、下游地区水域水面宽度、水域面积、Chl.a与TSM浓度的连续变化情况,实测数据则依靠站点监测,所得结果较分散,无法进行连续性分析.(4)漓江5-10月降水较多、水体流动性强,大部分地区平均水面宽度在100~250 m范围内,水体富营养化程度低,水质较好,但2月水质最差,水体富营养化程度较高地区主要集中于上、中游的兴安县、灵川县等城镇居民区以及下游旅游开发区较多的兴坪镇. 相似文献
9.
10.
基于梯度变换的浅水湖泊围网区遥感提取算法 总被引：1，自引：0，他引：1
获取并掌握浅水湖泊围网养殖区域的时空分布信息对合理规划围网养殖进而提升湖泊水质具有重要意义.本文以长江下游典型的围网养殖浅水湖泊——阳澄湖作为研究区,利用资源三号(ZY-3)高分遥感影像,针对围网区与非围网区的光谱空间变化特征,采用梯度变换方法,尝试提出一种浅水湖泊围网区的遥感提取算法;并以人工解译结果作为参考,对提取结果进行验证.研究结果发现该算法对浅水湖泊围网养殖区的提取精度为90.66%,可进一步用于开展长时序的浅水湖泊围网区动态变化研究,进而为湖泊环境的政府部门制定湖泊水质提升和围网区合理规划政策提供决策依据. 相似文献
11.
下行漫衰减系数(K_d)是描述水下光场的重要参数,决定水体真光层深度,影响着浮游藻类初级生产力及其分布特征.基于2008—2013年太湖4次大规模野外试验数据,分析太湖水体漫衰减系数特征及其影响因素,建立适用于多种卫星数据且较高精度的太湖水体490 nm处下行漫衰减系数估算模型.结果表明:无机悬浮物是太湖水体漫衰减系数的主要影响因素;红绿波段比值(674 nm/555 nm)最适合于太湖K_d(490)估算,模型反演精度较高(N=72,R~2=0.72,RMSE=0.89 m~(-1),MAPE=21.58%);利用实测光谱数据,模拟得到MODIS/EOS、OLCI/Sentinel-3、GOCI/COMS和MSI/Sentinel-2等主要传感器波段的信号,构建适用于多种卫星传感器K_d(490)估算的红绿波段模型,建模精度较高(N=72,R~20.7,RMSE0.9 m~(-1),MAPE22.0%),且进行了验证(N=37,R~20.7,RMSE0.9 m~(-1),MAPE22.0%). 相似文献
12.
湖泊富营养化已经成为水资源领域的研究焦点,是水环境领域面临的长期严峻挑战.为探明干旱半干旱区域湖泊营养状态,以典型岱海水体为例,利用2019—2020年6次野外实测数据为基础,针对Sentinel_2A和Landsat_8 OLI遥感数据,基于营养状态指数TSISDD与色度角之间的相关关系,建立了岱海水体营养状态评估模型,并利用1986—2020年遥感影像数据,得到了长时间序列的水体营养状态.结果表明:(1)本文建立的营养状态评估模型,根据精度检验结果显示模型精度较好,决定系数(R2)为0.74,均方根误差(RMSE)为3.66,平均绝对百分比误差(MAPE)为4.84%.(2)将算法应用到时间序列MSI、TM、ETM+和OLI数据,得到了岱海水体1986—2020年的营养状态动态特征.结果表明,岱海水体面积逐年减少,且多数时间处在轻度富营养化状态.水体富营养化现象大体上从边缘逐渐向湖中心趋于缓和,离岸边越近富营养化现象越严重,通常趋向湖中心以中营养为主,整体上贫营养化现象极少.(3)岱海营养状态时空变化与气温、风速和降水量等气候因子的相关性并不显著,对其解释率为13%.气候因子对营养状态的月变化影响显著,对其解释率为93%. 相似文献
13.
水体的透明度是评价水质的重要指标,在水生态系统中起着重要的作用.借助遥感技术可以获得大范围、实时数据,并且有节省人力物力的优点.本文利用岱海的野外实测透明度数据和光谱数据,针对Sentinel-2 MSI和Landsat-8 OLI卫星数据波段设置,建立了岱海水体透明度反演模型.结果表明：1）本文建立的透明度反演模型中,蓝红波段比二次模型反演精度最好,决定系数R2=0.66,均方根误差（RMSE）为24.02 cm,平均绝对百分比误差（MAPE）为21.24%.2）将蓝红波段比二次模型应用于Landsat-8 OLI和Sentinel-2 MSI卫星数据,透明度反演精度较好,MAPE<28.82%,RMSE<23.26 cm,R2>0.60.3）此算法应用于时间序列MSI和OLI影像,得到了岱海水体透明度时空分布特征.结果表明,岱海水体透明度年平均变化范围在90.71~120.77 cm,2015年的平均透明度最高,2013年的平均透明度最低;月平均变化范围在90.68~122.53 cm,7月的平均透明度最高,5月的平均透明度最低.岱海透明度在空间上的分布趋势大致表现为西北高,东南低,中部高,四周低.4）影响岱海水体透明度变化的主要因素为风速和降水,透明度与风速和降水分别具有显著的负相关和正相关关系. 相似文献
14.
湿地植被地上生物量是衡量湿地生态系统健康状况的重要指标,对于珍稀水禽越冬繁殖、全球碳循环、生态净化具有重要意义,是生态学与遥感解译的研究热点之一.针对于地上生物量的测算,卫星遥感数据覆盖范围广但其空间分辨率较低,无人机遥感数据空间分辨率高但采集范围小,同时受湿地面积、观测系统及外界环境等条件的影响,使得遥感影像地上生物量反演更加复杂和困难.本研究基于无人机和高分一号数据对升金湖草滩植被地上生物量反演进行研究,结合升金湖保护区4个样区无人机可见光影像与相应样区实测样本数据,建立地上生物量与可见光波段、多种可见光植被指数的线性、幂函数、多项式、对数回归模型,并通过可决系数（R2）、平均绝对误差（MAE）和均方根误差（RMSE）对模型进行精度评价,选择最优模型对无人机影像进行地上生物量反演;通过可见光波段反演得到的生物量,与高分一号WFV归一化差分植被指数（Normalized Difference Vegetation Index,NDVI）影像相结合进行回归建模,获取整个升金湖草滩植被地上生物量分布.结果表明,利用无人机红光波段建立的多项式方程对地上生物量反演有着最高模拟精度,R2=0.86、预测精度MAE=111.33 g/m2、RMSE=145.42 g/m2,且红光波段生物量反演方法得到的结果与实际生物量分布一致性较高,高分一号WFV NDVI与无人机反演生物量构建的多项式模型为最优模型,R2为0.91.本研究利用无人机和高分一号数据进行生物量反演研究,整合多源遥感数据优点,以获取更加丰富和准确的信息,进而提高地上生物量反演精度,为湿地监测和湿地恢复管理提供数据和技术支撑,具有重要研究意义和应用价值. 相似文献
15.
不同生活型水生植物对水环境的影响和碳固持能力不同,开展大尺度范围内不同生活型水生植物的时空分布和动态变化研究,是全面掌握湖泊水生态环境变化趋势、准确核算水生生态系统碳源/碳汇的前提。以长江中下游10 km2以上(共131个)的湖泊为研究对象,基于野外调查和先验知识,通过光谱分析,研发了不同生活型水生植物遥感高精度机器学习识别算法,解析了长江中下游湖泊群不同生活型水生植物的时空变化规律。研究表明,长江中下游湖泊群不同生活型水生植物遥感监测精度为0.81,Kappa系数为0.74;1986—2020年长江中下游湖泊群水生植物面积为2541.58~4571.42 km2,占湖泊总面积的15.99%~28.77%,沉水植物是优势类型(Max1995年=2649.21 km2,Min2005年=921.38 km2),其次是挺水植物(Max2005年=1779.44 km2,Min2020年=569.05 km2)和浮叶植物(Max2015年=685.68 km2,Min2000年=293.04 km2);水生植物主要分布在长江干流流域湖泊群,其次是鄱阳湖流域、洞庭湖流域、太湖流域和汉江流域;变化趋势上,1986—2020年长江中下游湖泊群水生植物面积呈现先增长(1986—1995年)、后下降(1995—2010年)、再增加(2010年后)的趋势。本研究可为长江中下游湖泊群生态环境调查及水环境管理提供重要参考。 相似文献
16.
Inference and uncertainty of snow depth spatial distribution at the kilometre scale in the Colorado Rocky Mountains: the effects of sample size,random sampling,predictor quality,and validation procedures 
下载免费PDF全文
下载免费PDF全文 Historically, observing snow depth over large areas has been difficult. When snow depth observations are sparse, regression models can be used to infer the snow depth over a given area. Data sparsity has also left many important questions about such inference unexamined. Improved inference, or estimation, of snow depth and its spatial distribution from a given set of observations can benefit a wide range of applications from water resource management, to ecological studies, to validation of satellite estimates of snow pack. The development of Light Detection and Ranging (LiDAR) technology has provided non‐sparse snow depth measurements, which we use in this study, to address fundamental questions about snow depth inference using both sparse and non‐sparse observations. For example, when are more data needed and when are data redundant? Results apply to both traditional and manual snow depth measurements and to LiDAR observations. Through sampling experiments on high‐resolution LiDAR snow depth observations at six separate 1.17‐km2 sites in the Colorado Rocky Mountains, we provide novel perspectives on a variety of issues affecting the regression estimation of snow depth from sparse observations. We measure the effects of observation count, random selection of observations, quality of predictor variables, and cross‐validation procedures using three skill metrics: percent error in total snow volume, root mean squared error (RMSE), and R2. Extremes of predictor quality are used to understand the range of its effect; how do predictors downloaded from internet perform against more accurate predictors measured by LiDAR? Whereas cross validation remains the only option for validating inference from sparse observations, in our experiments, the full set of LiDAR‐measured snow depths can be considered the ‘true’ spatial distribution and used to understand cross‐validation bias at the spatial scale of inference. We model at the 30‐m resolution of readily available predictors, which is a popular spatial resolution in the literature. Three regression models are also compared, and we briefly examine how sampling design affects model skill. Results quantify the primary dependence of each skill metric on observation count that ranges over three orders of magnitude, doubling at each step from 25 up to 3200. Whereas uncertainty (resulting from random selection of observations) in percent error of true total snow volume is typically well constrained by 100–200 observations, there is considerable uncertainty in the inferred spatial distribution (R2) even at medium observation counts (200–800). We show that percent error in total snow volume is not sensitive to predictor quality, although RMSE and R2 (measures of spatial distribution) often depend critically on it. Inaccuracies of downloaded predictors (most often the vegetation predictors) can easily require a quadrupling of observation count to match RMSE and R2 scores obtained by LiDAR‐measured predictors. Under cross validation, the RMSE and R2 skill measures are consistently biased towards poorer results than their true validations. This is primarily a result of greater variance at the spatial scales of point observations used for cross validation than at the 30‐m resolution of the model. The magnitude of this bias depends on individual site characteristics, observation count (for our experimental design), and sampling design. Sampling designs that maximize independent information maximize cross‐validation bias but also maximize true R2. The bagging tree model is found to generally outperform the other regression models in the study on several criteria. Finally, we discuss and recommend use of LiDAR in conjunction with regression modelling to advance understanding of snow depth spatial distribution at spatial scales of thousands of square kilometres. Copyright © 2012 John Wiley & Sons, Ltd. 相似文献