共查询到16条相似文献，搜索用时 78 毫秒
1.
GF-6 WFV影像具有宽覆盖、高时空分辨率、高光谱分辨率等特点,目前在农业和林业遥感领域都有一定应用,但是在水质遥感中的应用潜力还缺乏系统的评估。本文以潘家口和大黑汀水库为研究区,采用2019年9月24—25日获取的潘家口和大黑汀水库叶绿素a浓度、实测遥感反射率和准同步GF-6 WFV影像,构建了潘家口和大黑汀水库叶绿素a浓度经验反演模型,探索GF-6 WFV在内陆水体叶绿素a浓度遥感监测中的应用潜力。研究结果表明,基于GF-6 WFV模拟光谱构建的潘家口和大黑汀水库叶绿素a浓度经验模型决定系数均在0.90以上,GF-6 WFV影像在水体叶绿素a遥感监测中具有应用潜力,尤其是新增的黄波段和红边波段1,有助于提高GF-6 WFV影像叶绿素a浓度遥感监测能力;GF-6 WFV影像大气校正误差降低了叶绿素a浓度遥感监测精度,GF-6 WFV影像水体大气校正精度有待改进,以提升GF-6 WFV影像水质遥感监测能力。 相似文献
2.
准确认识三江源植被生产力月度尺度的时空格局变化,对三江源畜牧业生产以及生态保护政策制定具有重要意义,可稳定获取的重访周期为4 d的16 m分辨率GF-1/WFV数据使中等空间分辨率的月度NPP产品生产成为可能。本文建立了一套以GF-1/WFV为基本数据源的中等空间分辨率草地月度NPP估算技术方法,并评估了其在三江源地区应用的可行性。在黄河源区玛多县的实验表明以GF-1/WFV为基础,以MODIS13Q1数据为补充,可以获得覆盖全区的中等空间分辨率月度NDVI数据,据其反演得到的草地NPP,地面验证精度在70%以上,优于MODIS NPP产品精度,且能更为详细地反映草地生产力变化的空间差异,在青海三江源地区利用GF-1/WFV数据生产中等空间分辨率的草地月度NPP产品是可行的。 相似文献
3.
生物质燃烧排放大量烟雾和温室气体对于全球气候变化有显著影响，而准确及时地提取火烧迹地面积对于火灾补救、植被恢复、估算大气排放至关重要。中分辨率成像光谱仪MODIS较高的时间分辨率可以快速获取全球每日的火烧迹地产品，但对于小型和破碎度高的火烧迹地的遗漏率比较高。据此，本研究融合MODIS与Landsat-8 OLI(Operational Land Imager陆地成像仪)的时空优势，提出了基于地表反射率数据集支持的火烧面积提取算法。首先，使用MODIS地表反射率产品MOD09GA构建燃烧日期前后在红、绿、蓝、近红外和短波红外的先验地表反射率数据集。然后，采用自适应遥感图像时空融合算法(Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM)以及线性拟合的方法对MODIS与Landsat-8地表反射率数据进行空间和光谱一致化处理。最后，运用自动阈值的方法厘定火烧区域的最佳阈值。此外，通过选取4个不同的燃烧规模样地/样区验证了该算法的火烧迹地面积提取准确率在75%以上。本研究将MODIS的高时间分辨率和Landsat-8... 相似文献
4.
借助多源遥感数据融合技术能够得到高时空分辨率的遥感数据,可以为高精度农业遥感动态监测提供强有力的支持。在诸多融合算法不断发展的情况下,评估每种方法的特点及其适用性,有助于找到最适宜的融合方法,进而应用于农田生产力监测的实践之中。本研究根据高标准农田建设成效评估对高时空分辨率生产力信息的需求,以宁夏灵武市农业综合开发项目区为实验区,采用线性拟合法、时序拟合法、时空融合法3种多源遥感数据融合方法,融合空间分辨率30 m的Landsat遥感数据的空间精度信息与空间分辨率500 m、时间步长8 d的MODIS遥感数据的高时相信息并对比不同方法对于农田生产力的空间格局精细化描述能力、对于农田生产力变化监测的能力以及运算速度的差异。研究结果表明：① 3种融合方法融合的30 mNPP数据均能显示出道路、田埂等线状裸地与田间NPP的差异,但是时序拟合法、时空融合法比线性拟合法更加清晰;在NPP相对均匀的田块内部,时空融合法比时序拟合法更能体现出农田内部均匀度的差异。② 线性拟合法仅适用于农田生产力年季变化的评估,不能用于作物生产力的实时动态监测;时序拟合法和时空融合法适用于农田生产力变化动态监测且时序拟合法适宜于大范围监测。③ 3种方法的计算速度差异显著,线性拟合法计算速率最快,时空融合法计算速率最慢;线性拟合法计算速率分别是时序拟合法和时空融合法的1.5倍和20倍。 相似文献
5.
针对高分辨率遥感数据进行土地利用类型分类时出现的“同谱异物”现象,以及中分辨率遥感数据划分土地利用类型时受空间分辨率限制产生的“混合象元”问题,本文以高分一号数据(GF-1)和Landsat-8数据(OLI)为例,提出了一种协同利用高分辨率遥感数据和中分辨率遥感数据进行土地利用类型模糊分类的方法。首先,利用主成分变换的方法分别对GF-1纹理信息和OLI光谱信息进行压缩和增强,并将增强后的纹理信息和光谱信息进行特征协同;然后,根据各地物类型的光谱、纹理特征,对特征协同数据进行60、80、100共3个尺度的分割;最后,根据地物类型间的光谱特征和纹理特征的差异,构建各地物类型的模糊逻辑隶属度函数,实现对影像土地利用类型的模糊分类。实验结果表明,主成分变换的方法有效地将研究区GF-1和OLI数据的光谱、纹理信息压缩、增强,为面向对象分类中分类特征的选取提供了一种思路;同时,本文方法成功划分了研究区土地利用类型,并获得了较高分类精度,总体分类精度达到93.52%,对其它高空间分辨率与高光谱分辨率遥感数据协同分类研究具有一定借鉴意义。 相似文献
6.
及时准确掌握农作物种植制度时空分布信息,对于确保国家粮食安全与农业结构合理具有重要意义。随着时序遥感影像质量的不断提高,基于时序遥感数据的农作物种植制度研究备受关注。本文从研究框架、遥感特征参数以及数据产品等角度,分析了基于时序遥感数据的农作物种植制度最新研究进展。研究发现:① 前农作物种植制度研究框架,主要包括耕地复种指数和农作物制图等相关内容,其问题在于需要高质量耕地分布数据支撑以及易将热带亚热带湿润区撂荒地误判为农作物等;② 于红边和短波红外的新型多维度光谱指数,有助于更好地揭示农作物生长发育过程,大尺度农作物时序遥感制图取得了系列研究成果,但需要应对不同作物光谱差异细微、同种作物在不同区域和年份存在明显类内异质性的挑战;③ 尺度中高分辨率耕地复种指数产品不断丰富,但其时效性和时空连续性有待加强;④ 欧美少数国家外,目前农作物分布数据产品覆盖的作物类型有限,我国大尺度农作物种植制度数据产品欠缺,特别是复杂多熟制农业区。随着多源遥感数据时空谱分辨率的不断提高以及云计算平台性能的不断发展,我们对以下方面进行了研究展望:① 新研究框架,建立直接提取耕作区、农作物种植模式的农作物种植制度一体化遥感监测技术框架;② 一步加强新型多维度遥感指数及其物候特征指标设计,拓展农作物种植制度监测的遥感特征参数;③ 立作物种植制度变化遥感监测技术,实现多年信息连续自动提取。 相似文献
7.
江河湖泊等陆表水体在工农业生产、气候调节、生态系统维持等方面扮演着至关重要的角色。在气候变化与人类活动的作用下,陆表水体的空间分布始终在发生着变化,因而对其进行快速精准的时空变化监测对水资源管理与保护、未来气候变化预测等有着重要的意义。遥感技术为大范围水体动态监测提供了全新的技术手段,特别是在当前地球大数据背景下,水体提取算法不断改进,遥感数据源急剧增加,但缺乏对算法和数据演化过程的系统整理。鉴于此,本文对现有水体提取算法与遥感数据进行了综合梳理,归纳了单波段阈值法、多波段谱间关系法、水体指数与阈值法、支持向量机、随机森林、深度学习等常用算法的演变,以及遥感数据源由低（MODIS等）到中（Landsat等）和高（高分1/2号等）空间分辨率的发展过程,并在此基础上讨论了各算法与数据源在水体变化研究中的差异。此外,本文论述了数据处理平台由本地计算到高性能云计算平台（如谷歌地球引擎）的发展,云计算促进地表水变化研究由基于时间片段到基于时间序列连续过程分析的转变,以及云计算在大尺度范围的应用。最后,本文还对多源遥感数据融合与云计算平台的结合在地表水体连续变化监测中的应用进行了展望,并对不同类型水体提取的不确定性进行了讨论。 相似文献
8.
针对我国南方地区在地形复杂、植被覆盖度高的特殊条件下,地质灾害监测成本高、精度低的难题,提出 了基于北斗联合光学、雷达等多源卫星遥感手段的地质灾害监测技术体系.充分利用北斗的高时间分辨率、雷达 卫星的高空间分辨率,结合高分率光学遥感手段,探讨了面向复杂地形和植被覆盖的 CR 和 PSInSAR 联合监测、 基于多源遥感数据的地表覆盖信息提取与变化监测以及集成北斗与多源遥感的地表形变监测等关键技术问题, 建立地质灾害区域的高时间分辨率＋高空间分辨率的地表形变场,耦合地表覆盖物的变化场,建立了一套基于地 表形变的地质灾害监测技术方法.相比于传统方法,此技术方法成本相对低廉,监测精度相对较高,可为今后复 杂地区的地质灾害监测提供一种新的方法. 相似文献
9.
基于Google Earth Engine与多源遥感数据的海南水稻分类研究 总被引：2，自引：0，他引：2
水稻是中国乃至亚洲的重要粮食作物之一,稻米产量关系到民生福祉。及时、准确的水稻分布信息是监测水稻产量、调控农业资源配给的基础。遥感(Remote Sensing)技术能够提供大范围地表的时间序列光谱变化特征,常用于大尺度范围的作物监测。然而,传统基于水稻生长关键时期光谱特征的分类、提取方法对遥感数据的时间分辨率要求较高。由于我国南方水稻产区湿热,雨季云污染降低了遥感数据的有效时间分辨率,因此上述方法在该地难以推广。融合多源遥感数据的分类方案变相缩短了卫星的重访周期,使多云气候区基于遥感影像的水稻分类成为可能。然而,集成多源数据所需更高的数据处理效率和存储需求也成为限制省级乃至更大范围水稻分类的主要因素。本研究基于谷歌地球引擎(Google Earth Engine)云平台,在线调用中分辨率的光学、微波遥感数据,创新性地采用了按月提取、按直方图大小提取特征的方式,采用随机森林分类器,绘制海南省2016年10 m分辨率水稻种植分布图。实验结果证明,该方法可以用于南方多云地区水稻分类,提取结果能够体现不同地类之间的差异,且与实际地表的地块边界、纹理符合良好。经过地表样本点的验证,总体精度为93.2%,满足实际应用需求。因此,本研究采用的自动分类流程能够准确、高效地提取海南省的水稻种植范围,可以向其他地区大范围推广。 相似文献
10.
〗植被泛指地球表面的植物群落,包括草地、森林、沼泽等。遥感影像具有宏观性、客观性、精确性、实时性等特点,能够真实地反映地表覆盖物的状态,清晰地展现各种地表覆盖类型的特征及分布情况。传统的基于遥感影像的植被识别采用人工作业的方式,极大地依赖于人的先验知识,且效率极低。随着遥感应用技术的快速发展,很多自动化的植被检测技术被提出。这些方法在特定范围内得到了应用,但同时也存在着一些缺陷。在采用分块原则预处理较大影像数据的基础上提出了一种基于特征融合的SVM分类算法来探讨遥感影像中的植被识别。实验表明,提出的算法具有较好的识别效果和较高的执行速度。 相似文献
11.
多源遥感数据时空融合模型应用分析 总被引：4，自引：0，他引：4
多源遥感数据时空融合模型是解决目前遥感数据获取能力不足问题的重要方法之一,当前主要融合方法的研究,集中于平原区域,缺乏复杂条件下的多源遥感数据融合技术的应用研究。针对我国南方复杂条件,本文对比研究了多源遥感数据时空融合模型在我国南方复杂条件下的应用能力。针对LORENZO模型、LIU模型、统计回归模型、STARFM和ESTARFM 5种主流多源遥感数据时空融合模型,采用Landsat-ETM+和MODIS数据,以江苏省南京市的小块区域为实验区,利用5种模型生产融合影像,以真实Landsat-ETM+数据为模板,定性和定量评价融合效果的好坏。结果表明：除LORENZO模型外,其余4种模型获得的融合影像与真实影像之间都具有较高的相关性,相关系数均高于0.6,其中,ESTARFM模型的融合影像与真实影像间的相关性最高,融合效果最好,其次为STARFM模型,再次为LIU模型和统计模型法。在融合过程中采用距离、时间和光谱等信息越多,融合效果越好,在复杂地区的适用能力越强,融合影像更能反映地物的细节特征。 相似文献
12.
遥感土地覆被分类的空间尺度响应研究 总被引：2，自引：0，他引：2
不同空间分辨率遥感影像对区域土地覆被类型识别精度的影响是目前土地资源遥感研究中的热点议题。本文基于准同步的卫星传感器影像,以福建省长汀县河田盆地为研究区,结合野外调查的实验样本,依次采用最大似然法（MLC）、支持向量机（SVM）和人工神经网络（ANN）3种分类器,分析土地覆被分类结果在中高空间尺度序列（1~50 m）下的变化响应特征。结果表明：不同空间尺度下的地物分类结果存在显著差异（P<0.05）,其中总分类精度和Kappa系数均随影像分辨率的降低而先升高后降低,并于4 m分辨率处达到峰值,该结果与各类地物光谱反射率的空间尺度变化特征密切相关;而不同分类器对各空间尺度影像分类结果的影响程度差异较大（P<0.05）,其中SVM的分类精度最优,MLC次之,ANN的结果较差。此外,伴随影像空间分辨率的降低,不同土地覆被类型面积提取结果的变化规律不同,导致同类地物在不同空间尺度下的提取结果出现较大差异,表明在使用多源分辨率遥感数据进行土地监测等相关研究时,其伴随的结果误差不容忽视。 相似文献
13.
高时空分辨率NDVI时序数据作为遥感应用中的重要数据源,对土地覆被动态变化监测具有重要意义,特别是在地表高程变化显著、气候条件复杂、景观异质性强烈的热带山区。虽然当前学者们提出了诸多时空数据融合模型,但针对这些模型在热带山区的NDVI数据融合精度及其影响因素分析尚不多见。对此,本文选取3类时空数据融合方法（权重函数法、概率统计法和多种混合法）中具有代表性的4个模型：STARFM（Spatial and Temporal Adaptive Reflectance Fusion Model）、RASTFM（Spatial and Temporal Adaptive Reflectance Fusion Model）、ESTARFM（Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model）、BSFM（Bayesian Spatiotemporal Fusion Model） （STARFM、ESTARFM为权重函数法;BSFM为概率统计法;RASTFM为多种混合法）,选择位于我国热带山区的纳板河流域作为研究区。对融合模型的数据源选择、研究区的地形及景观空间异质性、融合模型、以及薄云和雾霾等大气条件等影响因素进行分析,研究结果表明：① 数据融合精度随输入影像之间的时间间隔及其相对变化量增加而降低;融合中输入的高、低空间分辨率数据光谱匹配度越高,融合精度越高（OLI优于Sentinel-2; MODIS优于VIIRS）;经过BRDF校正的数据能够有效提高各模型的融合精度;② 地形及空间异质性对融合结果精度影响显著,融合精度与空间异质性呈负相关,本研究中融合精度随着坡度的增大而减小,但坡向对融合精度的影响较小;地形对RASTFM的影响较其他模型低;③ 融合模型中输入的高质量影像越多,模型的融合精度往往越高;④ 薄云和雾霾会对融合精度产生显著负面影响。本研究的结果对于改进热带山地地区的高时空数据融合模型,生产热带山区复杂地理环境的高精度高时空分辨率NDVI数据集具有重要的参考价值。 相似文献
14.
多光谱遥感分类与影像空间分辨率有着密切的关系,在适宜空间分辨率影像上进行地物分类能够获得更高的精度。随着遥感影像空间分辨率的提高,纹理特征被广泛用于遥感分类,但由于不同地类空间尺度不同,纹理对不同地物分类的影响程度也有所差异。本文基于高分一号2 m全色和8 m多光谱影像融合后的高空间分辨率多光谱数据构建反射率空间序列,选用3种分类方法对序列分类,并分别计算2 m融合数据及8 m多光谱影像的纹理特征,选择特征波段与相应多光谱波段组合用以分类研究,最后计算混淆矩阵评价分类精度。研究结果表明,通过回归分析得到多光谱分类的最佳空间分辨率为5 m,与其他研究中利用全色波段分类的结论一致,这说明最佳空间分辨率的选择不受光谱信息影响;对多光谱分类精度随空间分辨率变化的变化趋势分析发现,分类精度在20~30 m分辨率范围区间内快速降低,这为多光谱遥感分类数据空间分辨率的选择提供了重要参考;此外,对光谱与纹理特征结合后不同地类分类精度的变化分析显示,加入纹理特征后,冬小麦、人工建筑、有林地和水体的分类精度在2 m分辨率下分别提高了1.49%、1.51%、4.94%、1.54%,8 m分辨率下分别提高了2.95%、10.95%、5.91%、5.14%,说明引入纹理特征有利于提高分类精度,但其对不同地物类型、不同分辨率影像的影响程度不同。 相似文献
15.
LIU Can-de HE Bao-yin LI Mao-tian REN Xian-you 《中国地理科学(英文版)》2006,16(1):79-82
1INTRODUCTIONThe quality of water is traditionally determined by col-lectingwatersamplesandanalyzingthesamplesin a lab-oratory. However, sampling is very much hard sledding,time-consuming, slow and expensive, and easily in thecontrol of weather conditions, and does not include allwater areas. Satellite estimates of water quality havefound widespread application. Remote sensing instru-ments have been applied in water quality monitoringwith varying success (DANA and RICHARD, 1999;RUDD… 相似文献
16.
油菜作为我国主要的农业经济作物及食用油的主要来源,及时、准确地获取其种植分布信息,是全面掌握油菜种植状况、加强生产管理、优化作物种植空间格局的重要依据。高分六号（GF-6）的宽视场（Wide Field View,WFV）传感器在可见光-近红外波段基础上增设了2个红边波段、1个黄波段和1个紫波段,为油菜遥感识别提供了更加丰富的光谱信息,进而相较于蓝、绿、红、近红外4个“传统波段”的识别精度有所提升。本文以油菜开花期内两景不同时相GF-6 WFV影像拼接图像作为数据源,选择油菜生产优势区的河南省固始县为研究区,针对油菜同其他地物的“异物同谱”现象以及不同生长阶段油菜的“同物异谱”现象,利用油菜开花期独特的反射光谱特征,结合均值间标准化近距离提出了NDSI28、S34、NDSI23和NDSI46共4个光谱指数,并由此构建油菜种植区域提取的决策树模型。研究结果表明,基于4个指数组合构建的决策树模型对油菜种植分布信息的提取达到了较好的效果,总体精度为96.17%,与随机森林、支持向量机、最大似然法相比分别高出0.31%、0.88%和1.24%;制图精度方面,决策树法为98.15%,比随机森林、支持向量机、最大似然法分别高4.72%、4.21%和5.59%;对于用户精度,决策树法为86.89%,较随机森林、最大似然法分别低2.2%和1.63%,比支持向量机高0.11%。由此说明,GF-6 WFV数据中的新增波段极大地丰富了其光谱信息,使其在包括油菜在内的农作物种植分布信息提取中具有独特的优势和巨大潜力。 相似文献