共查询到20条相似文献，搜索用时 31 毫秒
1.
多参数SAR数据森林应用潜力分析 总被引：2，自引：0，他引：2
利用多参数机载全球雷达(GlobeSAR)数据和航天飞机成像雷达(SIR-C/X-SAR)数据,分别在我国南、北方两个试验区进行森林识别与分类,以及蓄积量估测的试验.为了更好地了解雷达后向散射与森林结构特征的关系,分别从雷达图像上提取了后向散射系数和强度,进行森林类型识别效果的分析,以及森林结构参数与雷达后向散射强度的相关分析.结果显示多波段、多极化SAR数据能有效地识别不同类型的森林.雷达的后向散射强度对森林的结构参数,尤其是森林的平均胸径和高度较为敏感,据此对试验区的森林蓄积量进行了估测,并分析了多参数SAR在森林应用中的潜力. 相似文献
2.
BDS IODE字段制定方法研究 总被引：1，自引：0，他引：1
差分定位中要求参考站与流动站间使用同一组卫星星历和钟差参数。GPS、GLONASS和Galileo系统采用数据期卷IOD(GLONASS tb)识别卫星星历和钟差参数, 即通过比较差分电文和导航电文中的IOD(tb), 判断参考站和流动站是否采用同一组卫星轨道和钟差参数。BDS数据龄期(AOD)定义为星历/钟差参数的外推时间间隔, 其取值不能体现出BDS卫星星历和钟差参数的变化, 不能用于DBDS中卫星星历和钟差参数的识别。本文结合BDS ICD中星历参数的定义, 参考GPS、GLONASS和Galileo空间信号接口和差分协议中关于卫星星历识别参数的定义方法, 总结了BDS星历识别参数应具备的性质;在此基础上提出了3种BDS卫星星历识别参数生成方法, 对提出的3种方法进行了分析比较并给出了建议方案。 相似文献
3.
光学与微波植被指数协同反演农作物叶面积指数的可行性分析 总被引：1，自引：0，他引：1
光学遥感是目前反演植被叶面积指数LAI（Leaf Area Index）的主要手段,但是当叶面积指数较大时存在光学遥感信息饱和、反演精度显著降低的问题。叶面积指数和平均叶倾角对光学、微波波段范围内反射和散射特性都有重要影响,主要表现在植被结构参数的变化可以引起冠层孔隙率和消光截面大小的改变。本文以典型农作物玉米为例,通过构建统一的PROSAIL和MIMICS模型输入参数,生成一套玉米全生长期光学二向反射率和全极化微波后向散射系数模拟库和冠层参数库。通过对模拟数据与LAI敏感性和相关性分析得出：（1）光学植被指数MNDVI(800 nm,2000 nm),在LAI为0—3时敏感,基于MNDVI与LAI的回归模型可以估算LAI变化 0.4的情况,RMSE是0.33,R2是0.958。（2）微波植被指数SARSRVI(1.4 GHz HH,9.6 GHz HV),在LAI为3—6时敏感,基于SARSRVI与LAI的回归模型可以估算LAI变化1的情况,RMSE为0.22,R2是0.9839。研究表明,采用分段敏感的植被指数,协同光学和微波遥感反演玉米全生长期叶面积指数是可行的。 相似文献
4.
通过软硬变化检测识别冬小麦 总被引：1，自引：0，他引：1
提出一种软硬变化检测的作物识别方法 SHLUCD(Soft and Hard Land Use/Cover Change Detection Method)。该方法利用多期遥感影像能够有效表达作物的生长物候特征,以达到在离散变化区(即纯净像元区,包括完全转换成作物的突变区域和非作物区域)和连续变化区(即渐变区,混合像元区,是部分转化为作物的区域)准确进行作物的识别。在北京市选择一个研究区,以冬小麦为研究对象,选用2011年10月6日(播种期)和2012年4月16日(拔节期)两期环境减灾1号卫星影像,分别采用硬变化检测方法 HLUCD(Hard Land Use/Cover Change Detection Method)、软变化检测方法 SLUCD(Soft Land Use/Cover Change Detection Method)和SHLUCD进行冬小麦的识别。实验结果表明:在不同尺度窗口下,SHLUCD较传统方法表现出较明显的优势,具有更低的均方根误差RMSE(SHLUCD为[0.14,0.07],HLUCD为[0.15,0.07],SLUCD为[0.16,0.08])和偏差bias(SHLUCD为-0.0008,HLUCD为-0.007,SLUCD为0.014)和更高的决定系数R2(SHLUCD为[0.68,0.86],HLUCD为[0.62,0.86],SLUCD为[0.60,0.86])。针对冬小麦突变区域、冬小麦渐变区域和非冬小麦区域分别进行评价,表明SHLUCD识别精度接近各区最佳的识别方法,进一步验证了SHLUCD的灵活性和适用性。SHLUCD方法在离散变化区能够通过土地覆盖类型状态变化来有效地识别出冬小麦,在连续变化区可识别出土地覆盖的状态变化程度定量表达冬小麦的丰度,是其他作物多时相遥感变化检测的前期实验基础。 相似文献
5.
青藏高原小嵩草高寒草甸返青期遥感识别方法筛选 总被引：3，自引：1，他引：2
小嵩草高寒草甸是青藏高原的主要植被类型,研究其返青期识别方法对于模拟及预测青藏高原植被物候变化具有重要意义。常用的植被返青期遥感识别方法主要是先对遥感植被指数原始时序数据进行拟合去噪声再求取返青期,各种方法对研究区域、研究经验、参数设置、函数初值设置等有很强的依赖性。为避免返青期识别方法在曲线拟合时对参数初值的依赖性和陷入局部最优解,本文引入了模拟退火算法对双高斯和双逻辑斯蒂函数进行参数优化,并分别对基于以上两种函数及多项式拟合的植被指数时序曲线进行对比,从而选出最佳拟合方法,最后采用最大斜率阈值法、动态阈值法和曲率法识别返青期。利用青藏高原小嵩草高寒草甸34个样本点的返青期地面观测数据及相应的8 km分辨率的NOAA归一化差值植被指数(NDVI)时序数据对以上各种组合的返青期遥感识别方案进行了测试,并选取了153个遥感实验点求取了近30年(1982年—2011年)青藏高原小嵩草高寒草甸的返青期,结果表明:采用双高斯函数拟合的NDVI曲线与原始NDVI时序数据最为接近,在此基础上采用最大斜率阈值法识别的小嵩草高寒草甸返青期及其变化趋势与地面物候观测结果最为一致;同时发现近30年青藏高原小嵩草高寒草甸的平均返青期主要集中在每年的第120—140天,并且呈逐年提前趋势,30年来提前了7天。 相似文献
6.
建立精确预测参考作物蒸散量（ET0）的计算模型对区域水资源规划和灌溉调度设计具有重要意义。聚焦评估多元自适应回归样条模型（multivariate adaptive regression splines,MARS）计算每日ET0的性能。首先,将Penman-Monteith方程计算的ET0作为标准值;然后,利用中国新疆维吾尔自治区伊犁哈萨克自治州伊宁站1996—2015年逐日气象数据,建立14种不同气象参数组合下的MARS模型并计算ET0;最后,将结果与广义回归神经网络（general regression neural network,GRNN）、支持向量机（support vector machine,SVM）及基于温度、传质、辐射和气象参数的10个经验方程进行比较。结果表明,MARS、GRNN和SVM计算ET0的精度均高于经验方程,整体上MARS性能最好、精度最高,而SVM略优于GRNN。 相似文献
7.
科学准确地监测红树林是保护海陆过渡性生态系统的基础和前提,但红树林分布于潮间带,难以进行大规模人工监测。遥感技术能够对红树林进行长时间、大面积监测,但已有研究尚存不足。一方面,红树林分布于热带、亚热带区域,受到天气条件限制难以获得长时间覆盖的有效光学遥感数据;另一方面,红树林极易与其他陆生植被混淆,仅利用多波段数据的光谱信息难以精确识别。本文以恒河三角洲孙德尔本斯地区为例,基于谷歌地球引擎GEE（Google Earth Engine）获取2016年全年的Landsat 8 OLI和Sentinel-2 MSI数据,利用物候信息进行红树林提取研究。首先,基于最小二乘回归构建两个传感器在相同指数之间的关系,重建时间序列数据,之后根据可分性判据选取增强型植被指数EVI（Enhanced Vegetation Index）和陆地表面水分指数LSWI（Land Surface Water Index）。其次,对两个指数的时间序列数据进行Savitzky-Golay滤波处理,并分别提取生长期始期等13种物候信息。最后,将两个指数的物候信息进行特征级联,采用随机森林RF（Random Forest）方法进行分类,提取研究区红树林范围。实验结果表明：Landsat 8 OLI和Sentinel-2 MSI数据融合可有效提升时间序列质量,与基于单一传感器数据的分类结果相比,总体精度提高1.58%;物候信息可以显著增强红树林与其他植被的可分性,与直接使用时间序列数据的分类结果相比,总体精度提高1.92%;同时考虑EVI和LSWI指数可极大地提升分类效果,与采用单一指数相比,总体精度分别提高14.11%和9.69%。因此,本文通过数据融合、物候信息提取和指数特征级联可以更好地提取红树林,总体精度达到91.02%,Kappa系数为0.892。研究验证了物候信息在红树林遥感监测中的应用潜力,提出的方法对科学准确地监测全球或区域红树林具有一定参考价值。 相似文献
8.
植被物候是指植被长期适应生活环境的周期性变化，形成与此相适应的生产发育节律。研究植被物候有助于更好地理解气候变化。目前利用植被遥感指数进行物候监测依然存在许多问题，而日光诱导叶绿素荧光（SIF）与总初级生产力（GPP）具有强耦合关系，在植被物候研究中具有很大潜力。本文利用双逻辑斯蒂函数模型，基于3种SIF数据（GOME-2,GOSIF和CSIF）计算了北半球地区2007年—2018年的物候特征，并与两种GPP数据和5种植被指数（VIs）数据进行对比验证。接下来利用GOME-2 SIF数据分析了北半球地区的物候分布特征，并利用Sen斜率因子检测北半球地区的物候变化趋势，最后计算了3个主要的气候因子对植被物候变化的影响。结果表明：（1）基于SIF数据计算的SOS与EOS比基于VIs数据的计算结果要更加接近于基于GPP数据的计算结果。（2）基于GOME-2 SIF数据计算的北半球地区植被2007年—2018年平均生长季始期（SOS）主要（>90%）集中在100—170 d，平均生长季末期（EOS）则主要集中在220—270 d。高海拔地区和高纬度地区相对于其他地区，SOS较晚，而EOS... 相似文献
9.
Pi-SAR极化数据与K分布指数估算森林生物量与实验验证 总被引：1，自引：0，他引：1
用2002年和2003年日本Pi-SAR全极化数据,研究日本北海道苫小牧森林地区的森林生物量.雷达后向散射系数随森林生物量的增大而增大并迅速达到饱和,L波段雷达数据饱和点约为40t/hm2,X波段仅约为20t/hm2.在SAR数据统计分布中,K分布的指数参数在饱和点以上仍随生物量的增大而增大,并且HV极化方式时相关性最高.根据交叉极化数据K分布的指数参数与森林生物量的关系,本文估算了23个观测点的森林生物量,结果表明平均准确率为85%.因此该算法可以作为一种新的估算森林生物量的手段. 相似文献
10.
基于典型物候特征的MODIS-EVI时间序列数据
农作物种植面积提取方法
—小区域冬小麦实验研究 总被引：11，自引：1，他引：10
利用MODIS植被指数时间序列这一特性,以北京市通州及周边为实验区,冬小麦种植面积为研究对象,提出
了农作物种植面积指数模型(Pan-CPI模型)的概念,并构造了冬小麦特征物候期植被指数与种植面积的定量函数关系,
通过样区TM影像求解关键参数,对研究区冬小麦种植面积测量方法进行了试验研究。研究结果表明：(1)Pan-CPI模
型能够很好地反映特定目标农作物种植面积状况,为基于植被指数时间序列影像识别农作物种植面积提供了新方法;
(2)精度分析结果表明：Pan-CPI模型具有很高的稳定性,且不受样本变化的影响,只要达到满足模型计算的样本量(如：
5%),多次测量结果间具有很好的一致性。选取MODIS 6×6像元大小的窗口时,TM样本的复相关系数(R2)稳定在0.85
左右,与TM结果比较,窗口相对精度稳定在95%左右,区域精度稳定在92%以上,经调整的区域精度高达96%以上;
(3)对于种植结构复杂、目标作物种植破碎的地区,Pan-CPI模型可以充分利用MODIS植被指数时间序列的优势,有效改
善TM单时相和多时相提取信息因时相缺失无法表征作物变化的不足。 相似文献
11.
基于TOPEX/Poseidon和Jason-1卫星高度计16 a原始轨道、6 a变轨轨道数据,利用同步观测期间测高数据计算中国南海海域的系统偏差,生成基于TOPEX/Poseidon高度计平均海面的统一潮高时间序列,按纬差0.1°间隔提取原始轨道2 184个正常点和变轨轨道1 626个正常点,分别对原始轨道、变轨轨道逐正常点进行调和分析及响应分析,各得到8个分潮（Q1、O1、P1、K1、N2、M2、S2和K2）调和常数。利用交叉点处升轨、降轨不符值评估潮汐参数的稳定性,结果表明,变轨轨道交叉点处误差相对较大,多分潮总体综合预报误差RSS值为7.28 cm。通过与全球海潮模型比较表明,该结果与海潮模型在中国南海开阔海域精度表现一致,在半封闭浅水海域差异较大;与验潮站结果进行比较发现,受中国南海复杂的潮波系统、与测高星下点距离等因素影响,中国南海北部海域RSS值较大,海潮模型结果在M2分潮单分潮预报中误差RMS值较大,为13.64 cm,其余分潮均在10 cm内。 相似文献
12.
提出了一种基于微波双极化数据的土壤水分反演经验模型,该模型引入了新的综合粗糙度参数Rs=S2/L(1/2)来描述地表粗糙状况,将两个粗糙度参数均方根高度S和相关长度L合二为一,因而模型的未知量仅为Rs与法向菲涅尔反射系数Г0。基于AIEM模型数值模拟,建立了后向散射系数与Rs、Г0的经验关系,并利用两个极化的微波数据同时反演得到粗糙度参数Rs和Г0,进而得到地表土壤水分。实测数据表明,该模型反演的土壤水分与地表实测值相关性较高(R2=0.681,RMS=0.043),在土壤水分反演方面具有较大的潜力。 相似文献
13.
针对现有参考网稳定点选取方法在不稳定点数较多时正确性和稳健性不足的问题,通过引入平方型Msplit相似变换,提出了一种稳健的稳定点选取方法,在不稳定点较多、甚至不稳定点数超过稳定点数的情况下仍然有效。具体思路是：在计算两期坐标的相似变换参数时,利用平方型Msplit估计将参考点组一分为二,取点数多的一组为稳定点组并继续分裂,直至两个点组对应的相似变换参数无明显差异时停止,利用最终的稳定点组计算相似变换参数来开展变形分析。试验结果表明,当参考网中存在变形量较大的点或不稳定点总数接近甚至超过稳定点数时,本文方法与传统S变换和抗差S变换相比,稳定点的判断正确率最高,求得的变形量与模拟变形量相差最小,稳定点组对应的两期坐标差均方根最小,能够正确反映控制点的实际变形。 相似文献
14.
高精度降水场是水文、气象以及环境分析的重要数据支撑,直接影响相关服务的准确性。传统降水分布模拟大多依赖站点空间维的驱动因素,而忽略了降水时序变化特征对其空间分布的影响。使用2015—2017年中国湖北省83个国家气象观测站点和28个省级观测站点近3 a月平均累积降水资料,通过相关性分析,引入站点降水时序理论变差函数模型的拱高值(C)和块金值(C0)作为影响因素,使用地理加权回归(geographically weighted regression, GWR)建立湖北省月平均降水分布模型。结果表明:（1）各站点降水的时序变差函数曲线与降水的季节性基本吻合。站点时序理论变差函数模型中,有25.3%能够在4个月内达到平稳,36.14%在6个月内达到平稳。（2）站点降水时序理论变差函数模型的C和C0与逐年12月平均累积降水在0.01水平（双侧）上显著相关,平均相关系数分别为0.745和0.526,大于地理位置和高程对降水的影响。（3）引入C和C0 有助于提升GWR模型的整体拟合优度和插值精度。对比仅使用经纬度的GWR模型和引入时序理论变差函数特征的GWR模型,3 a平均整体拟合优度从0.852提升至0.912。验证集站点插值精度评价显示,3 a绝对误差、均方根误差和平均绝对百分误差下降幅度均大于60%。因此,引入时序理论变差函数特征的时空GWR模型能够获得较高精度的降水模拟结果,更适合具有丰富历史降水资料地区的降水空间分布估算。 相似文献
15.
《国土资源遥感》2017,(2)
鲁西北地区是我国主要粮食生产基地之一,冬小麦是该区最主要的夏粮作物。鲁西北地区冬小麦种植信息和时空变化特征,是该地区粮食安全研究的现实基础。根据鲁西北平原冬小麦的物候历,选取合适时间窗口下的Landsat TM/ETM~+/OLI中、高空间分辨率卫星影像,获取其归一化植被指数;设置合理阈值,识别了2000年和2014年鲁西北地区冬小麦的空间格局;采取野外考察和Google Earth选取样本点相结合的方法进行了精度验证。研究结果表明:鲁西北地区德州市辖区、夏津县、东营市利津县、沾化县、无棣县和聊城市辖区等6个区县的冬小麦分布较少,其余地区分布都比较广;2000―2014年间鲁西北地区冬小麦种植面积由171.19万hm~2减少到149.39万hm~2,减少21.8万hm~2,减幅为12.73%,集中分布在该区东北部、西部地区和区县中心的城市周边地区;2014年鲁西北平原冬小麦提取总体精度为96.8%。 相似文献
16.
松花江流域(哈尔滨段)景观格局粒度效应 总被引：1，自引：0，他引：1
文章以松花江流域(哈尔滨段)为研究对象,基于近20年3期遥感影像,从类型和景观两个水平选取多个景观格局指数,在30～600 m粒度范围内,分析景观指数随空间粒度的变化响应差异,综合指数-粒度拟合曲线拐点识别和栅格化信息损失评价方法,确定本研究区域景观格局分析的最适宜空间粒度.结果表明:①斑块数(N P)随粒度的增加呈三次多项式下降,有明显的拐点,随后变化较平稳.边缘密度(ED)、景观形状指数(L S I)、平均形状指数(SHAPE)和平均分维数(FRAC)随粒度的增加呈三次多项式下降,存在不明显的拐点.蔓延度(CONTAG)、聚合指数(AI)随粒度增加呈幂函数下降,且无明显拐点.景观丰度(PR)在30～600 m粒度范围内不受粒度大小影响.香农多样性(SHDI)、香农均匀度(SHEI)均呈小幅波动的复杂变化,无粒度效应.②斑块类型水平上:NP和斑块密度(PD)对粒度响应最敏感;平均斑块面积(AREA)对粒度响应高敏感;FRAC对粒度响应不敏感;SHAPE对粒度响应低敏感;ED,AI,LSI 3个指数受粒度的影响因景观不同而异,但主要处于低敏感、中敏感和高度敏感范围.③景观水平上:ED和LSI在1995年对粒度响应的敏感性为高敏感,2005年和2015年都为中等敏感;NP和PD对粒度响应最敏感;AREA对粒度响应高度敏感;LPI对粒度响应中等敏感;SHAPE,CONTAG和AI对粒度响应低敏感;FRAC,SHDI和SHEI对粒度响应不敏感. 相似文献
17.
通过对肇庆试验区1996年和1997年获取的多时相、多模式雷达卫星（RADARSAT）数据分析,从图像上直接提取地物的后向散射系数,结合实地测量水稻的生长结构参数,建立了水稻生长模型,分析了不同生长周期（从80天到120－125天）4种类型水稻的时域散射特性。利用1997年4月至7月获取的7景标准模式雷达卫星数据,对试验区内三个县和两个行政区共5000km^2面积范围内的作物进行分类和水稻产量预估算,水稻类型分类及面积量算精度达91％。结果表明：利用雷达遥感数据进行水稻种植面积量算和估产需要水稻生长期间三个时相的数据,即插秧期、抽穗期、收割前期。若能够获得多参数雷达图像,可以用插秧期和收割前期的两个时相图像来代替上述的三个时相图像同样可以达到种植面积量算和估产的效果。这一结果充分说明多时相雷达卫星数据对我国南方水稻长势监测及估产具有明显优势和潜力。 相似文献
18.
青藏高原地表冻融循环与植被返青期的变化趋势及其气候响应特征 总被引：1，自引：0，他引：1
青藏高原特殊的地理环境使其对全球气候变化十分敏感,所以研究其地表冻融循环和植被返青期的时空动态对于回顾和预测青藏高原对全球气候变化的响应具有重要意义。本文通过利用双指标地表冻融状态识别算法和被动微波亮温数据(SMMR、SSMI和SSMIS)来获取青藏高原长时间序列(1982年—2013年)逐日地表冻融状态,通过对GIMMS全球植被指数数据产品进行NDVI的滤波重建和返青期提取来获取青藏高原植被长时间序列(年份)的返青期;并且分析了地表冻融循环和植被返青期的变化趋势、相互关系及对青藏高原气候变化的响应特征。总体来看,在空间上,青藏高原的地表冻结集中发生在10月30日至次年4月2日,平均地表融化首日集中在5月12—27日,平均植被返青期集中在5月19—29日。植被返青期平均发生在地表融化首日后的3.94±5.58日,两者具有显著的相关关系(R=0.51,P=0.003)。青藏高原的地表融化首日和植被返青期在1982年—2013年间经历了推迟、提前再推迟的3个过程,融化时间和返青期在1982年—1987年分别以1.93±1.81 d/a和0.28±1.01 d/a的速度推迟;在1987年—2006年分别以0.67±0.20 d/a和0.13±0.16 d/a的速度提前;在2006年—2013年分别以0.97±0.84 d/a和1.04±0.52 d/a的速度推迟。中国气象局布设在青藏高原的CMA气象站的温度数据表明,高原的春季地表0 cm土壤温度呈持续上升的趋势,而植被返青期和地表融化首日并未持续提前,这可能是由几十年来高原不同地区降水等其他环境因素变化的差异造成。同时在气温持续升高期间,植被返青期的返青温度阈值也不断具有上升的趋势(R=0.72,P0.001),这可能与植被适应气候变化的自身调节能力有关。 相似文献
19.
森林高度是反映森林资源数量和质量的重要参数,极化干涉合成孔径雷达PolInSAR （Polarimetric Synthetic Aperture Radar Interferometry）技术在森林高度反演中极具潜力。由于森林散射特征受波长影响明显,由此引起的散射机理差异使得基于PolInSAR技术反演的森林高度结果具有很大的不确定性。为了定量化该不确定性的影响,本文以模拟森林场景为例,对PolInSAR技术森林高度反演中常用的4种方法——极化相位中心高度估测法、复相干相位中心差分法、复相干幅度反演法以及相干幅度、相位联合反演法,以及它们在常用的4个微波波段P、L、C和X中的森林高度估测结果进行了分析;明确了匀质森林场景中,算法、波段选择引起的森林高度估测结果的不确定性。研究结果表明：在森林场景基本一致的情况下,估测算法的选择直接影响森林高度估测结果,其中复相干幅度反演法在4个波段的估测结果中精度均最高,但各估测点的估测结果离散度及不确定度较大。波长对4类估测方法估测结果的影响差异明显：复相干幅度反演法的反演结果几乎不受波长的影响,而相干幅度、相位联合反演法受波长影响明显,在P和L波段反演结果中精度较高,在C和X波段反演结果中精度降低明显。此外,以传统的交叉极化（HV）相位代表冠层散射相位中心,水平同极化与垂直同极化的相位差（HH-VV）代表地表散射相位中心,采用复相干相位中心差分法进行森林高度估测会出现严重低估现象。估测结果不确定度具有波长和算法选择依赖性,在C和X波段采用复相干相位中心差分法估测结果不确定度最低,在P和L波段采用极化相位中心高度估测法估测结果不确定度最低,而复相干幅度反演法估测结果则在多个波段中的不确定度均最高。 相似文献
20.
论文分析了时间序列遥感影像中土地利用/土地覆盖短期变化的特点及其时空异常特征, 认为和环境、物候等因素造成的影像变化相比, 由人为活动引起的土地利用/土地覆盖变化具有典型的时间和空间异常特征, 并提出了基于密度异常的土地利用短期变化检测方法。研究工作选取珠江口地区1—5月作物生长期间的3个时间序列Radarsat雷达影像进行试验, 在影像分割的基础上, 构建了基于对象的特征变化矢量, 并将密度异常检测算法(DBAD)扩展到变化矢量的N维特征空间上, 运用随机搜索策略确定检测参数, 对Radarsat时间序列变化矢量中的“小模式”事件进行了检测。检测结果认为, 密度异常检测算法检测的是变化矢量在特征空间的密度分布, 与变化矢量的强度和方向无关, 因此能在时间序列影像中分离出由典型的、正常的作物生长或农事活动引起的影像光谱或回波变化, 进而识别出由人为活动或突发事件导致的土地利用/土地覆盖变化, 这是通常的图像差值等方法难以做到的。进一步的抽样检测说明, 密度异常检测方法对新增建设用地的检测准确率最高(>88%)；林地地表覆盖相对稳定, 检测误差也很低(8%)；农用地和养殖水面的异常变化检测误差在11%—22%之间；较大的检测误差主要集中在建设用地、农用地和未利用地之间的转换(16%—25%)；此外, 养殖水面的检测误差主要集中在河流沿岸及水面变化较大的养殖区域。影像分割结果特别是一些线状分割图斑以及混合地类图斑对误差也有一定的影响。 相似文献