植被物候信息是评价气候—植被交互影响、土地覆盖率以及生态系统年际生产力变化的关键指标。传统物候监测方法以目视观察为主,监测范围受限且人力物力消耗大。遥感技术作为近年来新兴的监测手段,具有监测范围大、信息获取便捷以及节省人力物力等特点,其应用进一步推动了植被物候动态监测研究的发展。本文首先对近年来植被物候遥感监测流程进行梳理,明晰了现有的遥感物候监测体系;概述了可用于建立植被生长曲线遥感数据源,并对不同数据源的应用情境进行了讨论;总结了现有的曲线降噪算法及应用流程,对不同方法进行降噪处理时误差成因进行了分析;归纳了目前主要的植被物候提取方法;最后讨论了数据分辨率、植被物候阶段定义以及监测时效性等植被物候遥感监测中尚存的不确定性因素,并对未来植被物候遥感监测研究的主要方向进行了展望。
激光雷达(Light Detection And Ranging,LiDAR)通过扫描物体目标能够获取海量的离散点云。而强度作为点云最重要的特征之一,在一定程度上反映了物体表面的辐射特性。但受多种因素影响,原始强度信息变异性较大,通常需要被校正才能更好地应用到各个领域。首先详细综述了强度在林业遥感、测绘工程、地物分类和海洋环境勘测等领域的应用,分析了强度校正的必要性;其次,从大气衰减效应、扫描仪特性、目标表面参数和数据采集几何等角度深入阐述了影响强度的主要因素;接着,探讨了强度校正基本理论,对常用的理论和经验校正方法进行了总结,并把强度校正分为两个层次:正规化和辐射校准;最后,指出了强度校正技术亟待解决的一些问题。
蒸散发是水循环和能量平衡的重要组成,在地下水监测、农业灌溉等研究中发挥重要作用,但非均匀下垫面会导致遥感估算的水热通量产生空间尺度误差。以Sentinel数据作为基础数据,利用EFAF(Evaporative Fraction and Area Fraction)方法和温度降尺度法校正水热通量偏差,并且对比两种方法的差异。研究结果表明:EFAF方法和温度降尺度法的精度不相上下,决定系数R2约为0.86,平均偏差MBE约为18 W/m2,均方根误差 RMSE约为64 W/m2,两种方法的精度都高于未校正潜热通量的精度,对于校正非均匀下垫面造成的潜热通量偏差有一定的效果。EFAF方法估算的潜热通量在像元尺度上的分布与土地分类数据一致,在区域尺度上和未校正的潜热通量分布一致。温度降尺度法估算的潜热通量在像元尺度上与地表温度的分布高度相似,其空间细节信息更加丰富,局部特征明显。
地形效应会使遥感影像中的地表反射率发生畸变,进而影响基于反射率估算的叶面积指数(Leaf Area Index,LAI)精度。为了减弱或消除地形对LAI反演的影响,基于三维辐射传输模型DART(Discrete Anisotropic Radiative Transfer)构建坡地反射率与LAI数据集作为训练数据。以反射率为输入,LAI为输出,利用随机森林算法进行训练,构建山地LAI反演模型。结合实际遥感影像数据实现山地LAI的估算,并利用实测数据对反演结果开展精度评价。同时,基于DART模型和随机森林构建了平地LAI反演模型作为参照以评价本文发展方法的有效性。结果表明:考虑了地形影响的山地LAI反演模型具有较强的估算能力,验证结果的精度(决定系数(R2)=0.57,均方根误差(RMSE)=0.77 m2/m2)优于平地反演模型(R2=0.46,RMSE=0.86 m2/m2);基于DART模型构建的山地反演模型能够捕捉到坡度和坡向对地表反射率的影响,其反演结果较好地还原了研究区LAI的空间分布,与地面真实情况接近。研究指出将DART模型和随机森林算法相结合的山地LAI反演方法能够在一定程度上减弱地形效应,有效提高山地LAI的估算精度,可为山地植被参数遥感反演研究提供参考。
研究植被指数与光合有效辐射吸收比FPAR的定量关系对于提高FPAR反演精度与指导生产实践具有一定的参考价值。研究在三维辐射传输模型LESS基础上发展了一个兼具一维模型简洁和三维模型精度优势的LESS1D模块(已随LESS模型正式发布,www.lessrt.org);探究随机均匀场景和三维异质场景中植被冠形、盖度等7种因素对6种植被指数与FPARgreen关系的影响。结果表明:①在均质性场景中,NDVI、SAVI、EVI对FPARgreen拟合相对最优,而在异质性场景中,则为NDVI和RVI。②在异质性场景中,不同冠形下FPARgreen与植被指数的拟合精度为圆柱形>椭球形>圆锥形;植被盖度较低时,植被指数对FPARgreen拟合精度较差;随着太阳天顶角增大,RVI与FPARgreen由线性关系变为指数关系。 结论 树冠体积和树冠几何结构是不同冠形影响FPARgreen大小的关键因素,而叶片聚集度、植被盖度和植被指数类型则是影响植被指数饱和效应的相关因素。
地物具有二向反射特性,可由二向反射分布函数(Bi-directional Reflectance Distribution Function, BRDF)刻画,它是光学定量遥感反演的基础。BRDF的反演依赖于多角度观测,由于卫星、航空和地基观测的角度有限,如何设计可行的稀疏角度采样,对实现BRDF的高质量反演至关重要。研究引入角度信息量,基于模型模拟和传感器观测的多角度数据,通过计算不同角度组合用于核驱动模型BRDF反演的角度信息量与反演误差,探究了角度信息量与反演误差之间的关系,确定了BRDF反演的最优观测平面和角度数目,进而得到不同太阳天顶角对应的优选角度组合。验证结果表明:优选出的角度组合在大多数地表上可实现高质量的BRDF反演。研究成果可为多角度观测实验、多角度卫星载荷设计以及地表二向反射反演提供重要参考。
水稻是中国主要粮食作物之一,稻米产量关系到民生福祉。及时、准确地获取水稻种植面积信息及其空间分布状况对于区域农业发展规划和产量评估具有重要意义。针对水稻与其他农作物易混以及光学数据易受云雨天气影响等问题,以东北三江平原为例,利用中高分辨率Sentinel-1微波数据、Sentinel-2光学数据,分别构建时序水体指数SDWI和植被指数NDVI组成水稻完整的物候生长曲线,分析水稻移栽期、分蘖期、抽穗期、成熟期4个重要生长时期不同的光谱差异,通过阈值分割和组合不同时期的数据,来实现水稻不同物候时期种植面积的提取,并与传统的基于单一光学数据的方法进行对比。研究结果表明:经过地表样本点的验证,所构建方法可以精确提取三江平原水稻几个关键生育期的种植面积并且优于单一使用光学数据的方法。同时利用单生育期影像例如移栽期影像提取水稻面积也可使总体精度达到87.08%,随着生育期数据的完整,总体精度也不断提高,其中基于全生育期的面积提取总体精度也高达91.88%,Kappa系数为0.834,可以满足实际应用需求。因此这种的多源数据结合的水稻种植面积提取方法能够准确、高效地提取三江平原水稻不同物候时期种植面积,为短期内的农情调查管理和区域农业可持续发展提供依据。
为了更好地预测放牧活动对青藏高原高寒草地生态系统时空格局变化的影响。2008年7月在藏北3个高寒草地生态系统进行了围栏与自由放牧对比试验,包括1个高寒草原化草甸冷季放牧样地(ASMWP)、1个高寒草原化草甸暖季放牧样地(ASMSP)和1个高寒草甸暖季放牧样地(AMSP)。本研究通过观测2012~2015年生长季的归一化植被指数(NDVI)、绿波段归一化植被指数(GNDVI)、土壤调节植被指数(SAVI)、地上生物量(AGB)和总初级生产力(GPP),探讨了暖季放牧和冷季放牧对高寒草地植被生产的影响差异以及不同类型高寒草地植被生产对放牧的响应差异。结果表明:冷季放牧使ASMWP的2012~2015年平均的NDVI显著下降22.27%,SAVI显著下降23.50%,AGB显著下降17.28%,GPP显著下降22.48%,而暖季放牧对ASMSP和AMSP的2012~2015年平均的NDVI、SAVI、AGB和GPP则都没有显著影响。放牧使ASMSP样地2012~2015年平均的GNDVI下降15.33%(p=0.091),而对ASMWP和AMSP样地的2012~2015年平均GNDVI无显著影响。因此,放牧对植被指数、地上生物量和总初级生产力的影响与放牧季节和草地类型有关。
病虫害现已成为水稻产量的最大制约因素之一,传统的植保技术主要依靠植保人员的视觉和经验,存在一定的主观性,且费时费力,难以满足大范围的实时监测需要。遥感技术的发展提供了一种大面积、全天候、多方位的数据快速获取手段,能够为病虫害的识别分类提供作物种植信息和环境信息,是实现对水稻病虫害进行大面积监测预测的重要手段。在阐述水稻病虫害遥感监测和预测机理的基础上,重点从多尺度遥感监测方法、预测方法、水稻病虫害监测与预测模型构建以及监测预测系统等多方面概述了水稻病虫害监测与预测的研究进展,并指出目前水稻病虫害监测与预测研究存在的问题及未来发展趋势。随着信息化农业的发展与多源数据的融合运用,趋向于精准化与智能化的水稻病虫害遥感监测与预测,将会越来越成熟。
滑坡具有强大的爆发力和破坏性,是世界上发生频率较高的自然灾害之一,给人们的生命财产造成了严重的损害。灾后准确快速的提取滑坡,获取滑坡的分布范围,对滑坡灾害调查及危险性评估极为重要。围绕基于高分辨率卫星遥感影像监测滑坡的方法进行了调研,首先介绍了滑坡在高分辨率卫星遥感影像上的解译特征,而后论述了滑坡提取方法和精度评价分析方法的研究进展,最后总结了当前方法的优势与不足,以及未来研究的发展方向。结果表明:深度学习方法具有较大的潜力,未来应加强深度学习与其他自动化解译方法的结合在滑坡监测中的应用,解决样本规模对模型结果的影响,实现模型的可迁移性,提高其自动化程度。
识别生态网络能够提高区域景观连通性和生物多样性,是维持区域生态安全的重要手段。以湄公河流域为研究区,通过形态学空间格局分析(MSPA)、生态系统服务重要性评估与连通性评价综合识别生态源地。采用空间主成分分析(SPCA)构建湄公河流域生态风险评估指数,并借助其修正土地利用/覆被生态阻力系数得到生态阻力面。最后,利用最小累积阻力模型(MCR)和电流理论提取生态廊道、生态节点、生态障碍点等生态网络关键结构。结果表明:①湄公河流域整体生态风险偏低,生态风险等级为中等及以下的区域占76.93%。②由生态风险评估指数修正后的生态阻力充分挖掘出同一土地利用/覆被类型不同生态斑块之间的阻力差异,更符合实际情况。③湄公河流域生态源地以林地和水体为主,面积为63.8万km2,占总面积的10.92%。④研究共提取生态廊道74条,生态节点86个,生态障碍点37个,为湄公河流域开展生态保护与修护、维护生物多样性、调整土地利用政策提供参考。
在对地观测领域中云检测是遥感定量化应用的重要环节,同时也是卫星气象应用的关键步骤。近年来,基于机器学习的遥感影像云检测逐渐成为该领域的研究热点,并且取得了一系列研究成果。系统阐述了近10 a来国内外基于机器学习的遥感影像云检测的研究进展,将算法模型分为传统的机器学习模型和深度学习模型两类,并对两类中的具体模型进行详细介绍,对比分析不同模型的优缺点及其适用情况。重点介绍了传统机器学习中的支持向量机(SVM)、随机森林等方法,深度学习中的神经网络模型,包括卷积神经网络(CNN)、改进的U-Net网络等模型。在此基础上,分析了基于机器学习的遥感影像云检测研究中存在的问题,讨论了未来潜在发展方向。
云检测是利用卫星遥感影像进行相关应用的基础。针对云检测过程容易受到复杂地表环境干扰的问题,提出了一种基于极限梯度提升(XGBoost)算法的云检测模型。该方法以TOA反射率、亮温和光谱指数等组建特征空间;然后,采用贝叶斯优化对XGBoost模型的超参数进行了调整。为检验XGBoost的云检测效果,选择不同云场景的Landsat 8遥感影像为测试数据,并把XGBoost、随机森林和决策树的云检测结果作对比。结果表明:本文提出的XGBoost云检测模型的云识别效果优于随机森林和决策树,展现了XGBoost在云检测中的潜力;且XGBoost的F1分数和Kappa系数分别可达73%和71%以上,实现了较准确的云检测,可为后续开展云检测研究提供一定的支持。
为探究不同机器学习模型在我国南方典型湿润山区的植被类型分类效果,基于无人机遥感影像、实地观测数据、数字高程模型建立遥感特征,选用决策树、随机森林、支持向量机和AdaBoost模型在安徽屯溪流域构建植被类型遥感分类模型;选择总体精度、Kappa系数、均方误差、用户精度和生产者精度等评价指标,分析对比4种机器学习模型在典型小流域的适用性。结果表明:对于林地类型,AdaBoost模型分类精度最高,表明AdaBoost模型在林地分类中有明显的优势;对于非林地类型,模型之间精度差异较大,随机森林模型精度最高;整体而言,4种模型在南方典型湿润山区典型小流域均可获得较好的分类效果,其中AdaBoost模型总体精度为95.55%、Kappa系数为0.9419,均为最高,支持向量机模型表现均最低。地形因子、纹理特征等辅助特征为分类过程提供了重要信息,有助于提高分类精度。
利用新一代静止气象卫星Himawari-8数据,提出一种新的自适应阈值决策树低温火点判识方法。该方法基于2.3 μm和0.86 μm通道数据,以晴空像元和背景像元本地化判识结果为基础进行火点识别。选取山西省作为研究区域,利用2020年4月24日和2021年2月20日数据进行验证,结果表明:①对于森林火灾初期火势较小的火点可以尽早判识(采样点最早提前40 min);②对草地、耕地上范围较小、温度较低的火点判识在时效性和准确率方面均表现良好;③新增的低温火点判识算法有效地解决了火点多判和漏判的矛盾问题,为尽早识别火点信息,实现有效的灾情监测提供了新思路。
合成孔径雷达(Synthetic Aperture Radar,SAR)辐射定标是SAR定量化应用的基础,点目标积分响应能量计算是SAR图像辐射定标的重要内容。为优化高分辨率SAR系统辐射定标方法,本文根据积分法能量计算模型,引入图像上下文信息,提出了一种基于滑动窗口的高分辨率SAR图像点目标响应能量计算方法,并利用新舟60遥感飞机获取的机载SAR数据进行验证。结果表明,该方法能够减少SAR图像中背景杂波、斑点噪声以及地面点目标指向误差对点目标位置选取的干扰,提高点目标位置选取精度,基于图像计算得到的积分响应能量与点目标理论值更接近,因此该方法可以使高分辨率SAR系统取得更高的辐射定标计算精度。
遥感影像中的建筑物是城市大数据采集、分析的重要来源。大规模、高精度的遥感影像建筑物提取模型对智慧城市时空大数据建设、推动城市智能计算具有重要意义。当前建筑物提取模型通常利用大型卷积神经网络模型或多种网络模型串联,并辅以其他边界细化算法来提高建筑物提取的精度。但是,网络模型的大型化、复杂化对计算资源消耗高,需要更多的训练时间或算力,不利于大规模快速的网络模型训练预测及在便携式等终端设备上部署应用。因此,研究面向大规模快速的遥感影像建筑物提取,提出一种轻量化全卷积神经网络模型和特征融合方案,模型参数较轻量化前减少约40%,GPU内存占用下降33.61%,平均训练时间和预测时间分别下降32.40%和26.31%。融合后的模型在公开数据集测试得到的MIoU精度在74.14%左右,达到了保证高精度建筑物提取前提下模型轻量化的预期。
水热资源的循环与流动直接影响区域生态系统耦合关系。祁连山国家公园是我国第一批国家公园体制试点区之一,也是西北地区重要的生态屏障。基于气象干旱监测指标(SPEI)和遥感干旱监测指标(TVDI),运用Mann-Kendall非参数趋势和突变检验法、Morlet小波分析等方法探究祁连山国家公园1989~2019年水热特征。结果表明:SPEI与TVDI在时空尺度上表现出一致性,但TVDI对水热变化的反馈存在时滞,因此在研究区内更宜采用SPEI指标进行水热状况评估;研究区存在缓慢的湿润趋势,较为严重的干旱事件多发生在夏季;以肃南站—野牛沟站为划分祁连山国家公园的干湿趋势界限,西部大部分地区均存在显著变湿趋势,东部则存在一条带状趋湿区域;存在5~9年和15~20年两类时间尺度的周期变化,且贯穿整个分析时段;目前该区正处于偏湿期,未来有持续偏湿趋势。研究结果可为祁连山国家公园建设与管理提供参考依据。
风云四号A星是中国第二代静止气象卫星的首发星,其上搭载的新一代静止轨道成像仪具有14个光谱通道,但该仪器未设置绿光通道,给RGB图像合成应用带来了一定困难,因此用其他光谱通道来构建绿光通道对提升成像仪观测的综合应用具有重要意义。提出了一种基于深度学习的光谱转换方法,通过建立光谱通道间的关系,实现对FY-4A/AGRI绿光通道的模拟。该方法考虑了FY-4A/AGRI的可见光通道特性,以AQUA/MODIS数据为光谱转换基准,首先建立FY-4A/AGRI与AQUA/MODIS可见光通道的光谱校正关系,将FY-4A/AGRI的可见光通道校准到AQUA/MODIS的基准上;其次,通过大量AQUA/MODIS数据的训练,基于深层感知器网络建立绿光通道与其他可见光通道的光谱转换模型;最后通过迁移学习将其应用到FY-4A/AGRI上。结果显示,通过模型构建的MODIS绿光通道反射率与实际的MODIS绿光通道反射率偏差在0.01以内,构建的FY-4A/AGRI绿光通道反射率与MODIS绿光通道实际反射率偏差在0.02以内。研究结果表明,该方法能很好地实现FY-4A/AGRI绿光通道的构建,为FY-4A/AGRI的应用提供了新的数据支撑。
HY-2B卫星海面风场及有效波高产品在北极地区的交叉验证是实现相关产品在高纬地区推广应用的重要前提,是检验我国自主海洋动力系列卫星产品质量及应用范围的重要环节。利用2018年发射的HY-2B卫星获取的风场和有效波高数据,开展了自主海洋动力卫星与国际同类卫星产品在北极地区的交叉验证分析。近两年的观测数据表明:①HY-2B卫星与MetOp-A卫星风速风向均具有高度的一致性,数据质量稳定,精度高。风速及风向相关系数分别达0.97和0.99,均方根误差分别低于1.03 m/s和12.28 °。②HY-2B卫星与Jason-3卫星有效波高数据在北极地区给定时空范围内匹配对较少,但数据的一致性及精度均较高,二者相关性达0.99,均方根误差为0.28 m。③自主HY-2B卫星风场和有效波高产品与国际同类卫星产品在北极地区均具有高度的一致性,达到业务化运行的精度要求,相关产品可满足于北极等高纬地区海面风场和有效波高的推广应用。
通过植物反射光谱信息反演植物体内营养元素含量可以实现快速监测湿地植物状态。以辽河口湿地盐地碱蓬(Suaeda salsa)为研究对象,基于冠层高光谱数据选择随机森林(RF)、支持向量机回归(SVR)、反向传播神经网络(BPNN)3种机器模型建模反演碳、氮、磷元素含量以及生态化学计量特征,并通过一阶微分(FD)、相关性分析提取敏感波段、主成分分析等方法提高反演模型的精度。结果表明,一阶微分处理可以明显提升高光谱信息对元素和生态化学计量特征的敏感度,对建模精度也有一定提升;测试集交叉验证结果与建模集反演结果对比得出BPNN建模时出现过度拟合现象,SVR模型在两次反演中精度最差,RF模型反演效果最为稳定、精度最高。研究结果可为湿地植物元素及生态化学计量特征反演提供依据。