Carbon dynamics in a forested peatland in north-eastern Ontario, Canada
1
1994
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
国际湿地科学研究进展和中国湿地科学研究优先领域与展望
0
2002
国际湿地科学研究进展和中国湿地科学研究优先领域与展望
0
2002
长江中游大型通江湖泊湿地景观格局演变特征
2
2017
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
长江中游大型通江湖泊湿地景观格局演变特征
2
2017
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
The effects of adjacent land use on wetland amphibian species richness and community composition
1
2003
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
中国湿地资源特征、现状与生态安全
1
2005
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
中国湿地资源特征、现状与生态安全
1
2005
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
Estimation of methane emission from West Siberian wetland by scaling technique between NOAA AVHRR and SPOT HRV
1
2003
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
3S技术在霍林河流域下游湿地景观演变中的应用
0
2005
3S技术在霍林河流域下游湿地景观演变中的应用
0
2005
A comparison of the classification of wetland characteristics by linear spectral mixture modelling and traditional hard classifiers on multispectral remotely sensed imagery in southern India
1
2006
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
Towards operational monitoring of a northern wetland using geomatics based techniques
1
2005
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
新中国60年来鄱阳湖的生态环境变迁与生态经济区可持续发展探析
0
2009
新中国60年来鄱阳湖的生态环境变迁与生态经济区可持续发展探析
0
2009
洞庭湖湿地景观格局变化以及三峡工程蓄水对其影响
1
2013
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
洞庭湖湿地景观格局变化以及三峡工程蓄水对其影响
1
2013
... 湿地是自然界的重要组成部分,约占陆地面积的4%~6%,作为陆地生态系统和水生生态系统之间的中间地带,是大自然物种多样性最富集的区域之一,也是人类最为重要的生存环境之一,素有“地球之肾”的美誉[1-3].湿地在粮食安全、调节气候、调蓄洪水、维护生态系统平衡等方面起重要作用[4-5].监测湿地的高时相(年际与月际)变化情况,能够客观精准地认识湿地的时空演变规律,及时掌握湿地的资源分布,了解湿地结构的变化,为保护湿地资源提供一定的科学依据.随着遥感技术的发展,卫星遥感对湿地信息的提取和分析已成为监测和保护湿地的主要手段[6-8].遥感技术具有探测范围广、数据获取快、信息量丰富等特点,克服了传统人工调查手段周期长、劳动强度大、人力成本高和覆盖区域小等缺陷,为分析湿地资源的类型及其空间动态变化提供了强有力的支撑[9-12].近年来,国内外针对湿地动态变化监测的研究主要围绕遥感数据源和分类方法展开. ...
Monitoring rapid vegetation succession in estuarine wetland using time series MODIS-based indicators: An application in the Yangtze River Delta area
1
2009
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
面向对象方法的时间序列MODIS数据湿地信息提取——以洞庭湖流域为例
1
2017
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
面向对象方法的时间序列MODIS数据湿地信息提取——以洞庭湖流域为例
1
2017
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
Mapping and monitoring of coastal wetlands of Cukurova Delta in the Eastern Mediterranean region
1
2004
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
Tracking the rapid loss of tidal wetlands in the Yellow Sea
1
2014
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
红树林遥感动态监测研究进展
1
2018
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
红树林遥感动态监测研究进展
1
2018
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
基于Sentinel-2的老挝北部刀耕火种农业遥感监测及其特征研究
1
2020
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
基于Sentinel-2的老挝北部刀耕火种农业遥感监测及其特征研究
1
2020
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
基于Sentinel-1和Sentinel-2数据融合的农作物分类
1
2018
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
基于Sentinel-1和Sentinel-2数据融合的农作物分类
1
2018
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
珠江口红树林湿地演变的遥感分析
1
2006
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
珠江口红树林湿地演变的遥感分析
1
2006
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
Construction of high spatial-ttmporal water body dataset in china based on Sentinel-1 archives and GEE
1
2020
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取
2
2020
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
... 其中:Green代表Sentinel-2的绿波段B3和Landsat 8的绿波段B3;Red代表Sentinel-2的红波段B4和Landsat 8的绿波段B4;NIR代表近红外波段反射率,Landsat 8近红外波段为B5,有研究表明[22, 51],宽带近红外波段和窄带带近红外波段影像的相同指数间没有明显差异,实验中Sentinel-2选择近红外波段B8;基于GLCM,Haralick提出了 14 种特征参量[52],选取VV极化角二阶矩、相关性、对比度、熵和方差进行分析. ...
融合Sentinel-2红边波段和Sentinel-1雷达波段影像的扎龙湿地信息提取
2
2020
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
... 其中:Green代表Sentinel-2的绿波段B3和Landsat 8的绿波段B3;Red代表Sentinel-2的红波段B4和Landsat 8的绿波段B4;NIR代表近红外波段反射率,Landsat 8近红外波段为B5,有研究表明[22, 51],宽带近红外波段和窄带带近红外波段影像的相同指数间没有明显差异,实验中Sentinel-2选择近红外波段B8;基于GLCM,Haralick提出了 14 种特征参量[52],选取VV极化角二阶矩、相关性、对比度、熵和方差进行分析. ...
Wetland mapping with Landsat 8 OLI, Sentinel-1, ALOS-1 PALSAR, and LiDAR Data in Southern New Brunswick, Canada
1
2020
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
Evaluating the utilization of the red edge and radar bands from sentinel sensors for wetland classification
0
2019
Big data for a big country: the first generation of Canadian wetland inventory map at a spatial resolution of 10 m using Sentinel-1 and Sentinel-2 data on the Google Earth Engine cloud computing platform
1
2020
... 遥感数据源是实现高精度湿地分类的重要前提,现有湿地分类研究的数据大多数为光学影像和合成孔径侧视雷达(SAR)影像.光学遥感影像成本低、易获取,当前应用比较广泛的是MODIS和Landsat系列影像数据.例如:赵斌等[13]利用MODIS数据对长江崇明东滩河口湿地植被覆盖和岸滩高程的时空动态变化进行了研究;张猛等[14]利用MODIS数据基于面向对象分类对洞庭湖湿地进行了动态变化研究.MODIS卫星一天两次过境,时间分辨率高,可快速监测湿地的动态变化,但MODIS数据空间分辨率最高的波段影像仅达到250 m,难以满足湿地分类的高精度要求.Landsat系列卫星数据空间分辨率高达30 m,能够相对精细地监测湿地分类的动态变化.Landsat系列卫星在国内外如土耳其海岸湿地生态环境监测[15]、三峡工程运行前后长江中游大型通江湖泊(洞庭湖、鄱阳湖)湿地景观变化[3]、黄河源湿地变迁[16]等研究中都得到广泛的应用.Landsat影像相对于MODIS、NOVV/AVHRR等数据具有更高的空间分辨率,但其在提取小面积水体和纤细河流时仍存在较大的局限性[17];另外,受水位变化的影响,湿地季节性变化显著.Landsat数据受时间分辨率(16 d)和光学影像质量的天气干扰等影响,在监测湿地月度尺度变化时,可获取的Landsat数据通常缺乏时序的连续性,难以描述湿地的季节性变化.欧洲航空局(ESA)发射的Sentinel-2卫星有较高的时空分辨率,为大规模湿地监测提供了非常宝贵的机遇.Sentinel-2分为2A和2B两颗卫星,两颗卫星各携带一枚多光谱传感器,双星组合拥有更高的重访周期(5 d)、空间分辨率(10 m、20 m、60 m).Sentinel-2为老挝北部刀耕火种的农业遥感监测提供了优势的数据基础[18].与光学影像不同,SAR的光谱信息含量较低,但SAR不受大气和太阳光照条件的影响,可全天时工作,穿透云层获取不同于光学影像的地物信息[19].有研究表示SAR在分类中具有很大的潜力[20].Li等[21]利用Sentinel-1分类提取出水体,构建了中国高时空水体数据集(High Spatial-temporal Water body Dataset in China,HSWDC).由于两种遥感方式的不同,光学影像和SAR影像提供了关于地球表面截然不同的信息.因此,SAR影像和光学影像在分类可时相辅相成.近年来,也有很多研究尝试通过融合SAR影像和光学影像来提高分类精度[22-25]. ...
东洞庭湿地植被格局变化及其影响因素
1
2012
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
东洞庭湿地植被格局变化及其影响因素
1
2012
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
Sentinel-2影像多特征优选的黄河三角洲湿地信息提取
3
2019
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
... 在实地进行勘测时,湿地被浅水覆盖阻断,无法进入湖中部分湿地,难以获取有效的现场调查数据.有研究表明,在Google Earth上下载的高分辨率遥感影像可以用于识别地表不同覆盖类型,选取训练样本,应用于遥感影像地表覆盖类型分类研究[27].基于GEE平台2019年12月6日Sentinel-2高分辨率遥感影像,依据Google Earth高分辨率影像,采用目视解译判读的方法得到水体、沙地、泥滩、草洲、农田和其他(城镇、农村和道路等)5种类型的样本.实地勘测和目视解译这两部分数据构成样本数据和验证数据分别用于随机森林分类样本的建立和精度验证.图1所示每个样本区内有4个点,每隔30 m平均分布一个样本点.虽然没有具体的文献要求机器学习方法选择样本的最少数目,但是有学者提出特征数(波段数量)乘以30可作为参考数目[54].由于沙地、农田和居民地面积较少,样本数量没有达到300,其他湿地类别样本点均高于300,考虑到影像的大小和GEE的运算内存要求,样本数目如表2所示,对比12月份各期影像建立2019年12月份样本数据库.同时利用样本迁移的方法得到2017年1月~2019年11月各月份样本点,通过对比各个月内多期遥感影像,对样本点进行判读和修改,得到2017年~2019年各月份的分类样本数据库. ...
... 随机森林RF是以决策树为基本分类器的一种集成学习方法[54].从原始样本中通过迭代抽取样本建立多个子样本集,基于子样本集分别建立决策树,将生成的决策树组成分类器,对输入数据采用投票的方式进行分类[27, 33].在随机森林建立的步骤中需要设置两个参数:决策树的数量和每棵树的每个节点的特征数.在GEE上构建特征变量集,单独对Sentinel-2进行分类时特征变量集包括波段B1到B12、NDWI、NDVI和BI;Sentinel-1,2结合进行分类时,特征变量集包括Sentinel-2所有的波段、Sentinel-1的VV极化以及它的5个特征参量;Landsat 8结合Sentinel-1进行分类时,特征变量集包括Landsat 8波段B2~B7、Sentinel-1的VV和VH两个极化以及VV极化的5个特征参量考虑到GEE的计算负担,实验选择40棵树,预测变量的数量在每个节点上用于增长树,对于这样的分类模型,通常将其设置在输入变量的平方根(表3). ...
Sentinel-2影像多特征优选的黄河三角洲湿地信息提取
3
2019
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
... 在实地进行勘测时,湿地被浅水覆盖阻断,无法进入湖中部分湿地,难以获取有效的现场调查数据.有研究表明,在Google Earth上下载的高分辨率遥感影像可以用于识别地表不同覆盖类型,选取训练样本,应用于遥感影像地表覆盖类型分类研究[27].基于GEE平台2019年12月6日Sentinel-2高分辨率遥感影像,依据Google Earth高分辨率影像,采用目视解译判读的方法得到水体、沙地、泥滩、草洲、农田和其他(城镇、农村和道路等)5种类型的样本.实地勘测和目视解译这两部分数据构成样本数据和验证数据分别用于随机森林分类样本的建立和精度验证.图1所示每个样本区内有4个点,每隔30 m平均分布一个样本点.虽然没有具体的文献要求机器学习方法选择样本的最少数目,但是有学者提出特征数(波段数量)乘以30可作为参考数目[54].由于沙地、农田和居民地面积较少,样本数量没有达到300,其他湿地类别样本点均高于300,考虑到影像的大小和GEE的运算内存要求,样本数目如表2所示,对比12月份各期影像建立2019年12月份样本数据库.同时利用样本迁移的方法得到2017年1月~2019年11月各月份样本点,通过对比各个月内多期遥感影像,对样本点进行判读和修改,得到2017年~2019年各月份的分类样本数据库. ...
... 随机森林RF是以决策树为基本分类器的一种集成学习方法[54].从原始样本中通过迭代抽取样本建立多个子样本集,基于子样本集分别建立决策树,将生成的决策树组成分类器,对输入数据采用投票的方式进行分类[27, 33].在随机森林建立的步骤中需要设置两个参数:决策树的数量和每棵树的每个节点的特征数.在GEE上构建特征变量集,单独对Sentinel-2进行分类时特征变量集包括波段B1到B12、NDWI、NDVI和BI;Sentinel-1,2结合进行分类时,特征变量集包括Sentinel-2所有的波段、Sentinel-1的VV极化以及它的5个特征参量;Landsat 8结合Sentinel-1进行分类时,特征变量集包括Landsat 8波段B2~B7、Sentinel-1的VV和VH两个极化以及VV极化的5个特征参量考虑到GEE的计算负担,实验选择40棵树,预测变量的数量在每个节点上用于增长树,对于这样的分类模型,通常将其设置在输入变量的平方根(表3). ...
Integrating TM and ancillary geographical data with classification trees for land cover classification of marsh area
1
2009
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
Decision-Tree, Rule-Based, and Random Forest Classification of high-resolution multispectral imagery for wetland mapping and inventory
0
2018
Assessing txture features to classify coasl wetland vegetation from high spatial resolution imagery using completed local binary patterns(CLBP)
1
2018
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
基于随机森林的国产小卫星遥感影像分类研究
1
2012
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
基于随机森林的国产小卫星遥感影像分类研究
1
2012
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
Evaluation of Random Forest and Adaboost Tree-Based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery
1
2008
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究
2
2018
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
... 随机森林RF是以决策树为基本分类器的一种集成学习方法[54].从原始样本中通过迭代抽取样本建立多个子样本集,基于子样本集分别建立决策树,将生成的决策树组成分类器,对输入数据采用投票的方式进行分类[27, 33].在随机森林建立的步骤中需要设置两个参数:决策树的数量和每棵树的每个节点的特征数.在GEE上构建特征变量集,单独对Sentinel-2进行分类时特征变量集包括波段B1到B12、NDWI、NDVI和BI;Sentinel-1,2结合进行分类时,特征变量集包括Sentinel-2所有的波段、Sentinel-1的VV极化以及它的5个特征参量;Landsat 8结合Sentinel-1进行分类时,特征变量集包括Landsat 8波段B2~B7、Sentinel-1的VV和VH两个极化以及VV极化的5个特征参量考虑到GEE的计算负担,实验选择40棵树,预测变量的数量在每个节点上用于增长树,对于这样的分类模型,通常将其设置在输入变量的平方根(表3). ...
基于特征空间优化的随机森林算法在GF-2影像湿地分类中的研究
2
2018
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
... 随机森林RF是以决策树为基本分类器的一种集成学习方法[54].从原始样本中通过迭代抽取样本建立多个子样本集,基于子样本集分别建立决策树,将生成的决策树组成分类器,对输入数据采用投票的方式进行分类[27, 33].在随机森林建立的步骤中需要设置两个参数:决策树的数量和每棵树的每个节点的特征数.在GEE上构建特征变量集,单独对Sentinel-2进行分类时特征变量集包括波段B1到B12、NDWI、NDVI和BI;Sentinel-1,2结合进行分类时,特征变量集包括Sentinel-2所有的波段、Sentinel-1的VV极化以及它的5个特征参量;Landsat 8结合Sentinel-1进行分类时,特征变量集包括Landsat 8波段B2~B7、Sentinel-1的VV和VH两个极化以及VV极化的5个特征参量考虑到GEE的计算负担,实验选择40棵树,预测变量的数量在每个节点上用于增长树,对于这样的分类模型,通常将其设置在输入变量的平方根(表3). ...
基于随机森林的高寒湿地地区土地覆盖遥感分类方法
1
2020
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
基于随机森林的高寒湿地地区土地覆盖遥感分类方法
1
2020
... 湿地信息的遥感提取方法主要包括人工目视解译和计算机自动分类.目视解译对解译人员和工作量具有极高的要求,不宜作为独立的分类方法[26].随着计算机自动分类技术逐步应用于遥感影像分类,监督分类和非监督分类提高了湿地分类的速度,其中最大似然分类法的精度最高,逐渐成为自动分类的基准方法,但是该方法分类效果一般,分类精度较低(低于60%)[27].随着机器学习算法在遥感影像分类的应用普及,分类回归树(Classification And Regression Tree,CART)、支持向量机(Support Vector Machine,SVM)、人工神经网络(Ar-tificial Neural Net,ANN)等在一定程度上提高了湿地信息的提取精度[28-30].随机森林算法作为机器学习分类算法的一种,因其速度快、准确度高、稳定性好等优势在遥感信息自动提取方面具有良好的效果[31].Jonathan等[32]利用高光谱影像进行耕地分类,在相同条件下RF优于神经网络分类,且训练速度更快;詹国旗等[33]基于GF-2影像,在相同条件下,采用RF、K-NN(K-nearest neighbor)、SVM、CART等算法对白城市通榆县东部地区的湿地进行分类,结果表明,随机森林算法提取结果分类精度高于其他算法,且运算速度更快;侯蒙京等[34]以高分一号(GF-1)遥感影像为数据源,基于相同的变量,采用最大似然法、SVN、ANN和RF等方法对若尔盖湿地进行分类,结果表明,RF算法优于其他机器学习算法,显著高于最大似然法Armand LaRocque等在湿地分类的研究总结中指出最大似然、神经网络和层次决策树通常低于随机森林的分类精度[23]. ...
基于长时序光学遥感数据的鄱阳湖湿地景观格局时空动态研究
1
2017
... 鄱阳湖(115°49′~116°46′E,28°11′~29°51′N)位于江西北部,长江中下游主干南岸,是我国最大的淡水湖泊.鄱阳湖的补水主要来源于降雨和5个子流域(赣江、饶河、抚河、信江、修水),经湖口向北注入长江[35].鄱阳湖地处中亚热带暖湿季风气候区,是一个水位季节性变化显著的湖泊,具有“夏秋一水连天,冬春荒滩无边”的独特景观.每年4~9月是鄱阳湖的丰水期,受流域降雨的影响,水位上升,水域面积变大,鄱阳湖呈现湖泊特征,在枯水期(10月至次年3月),水位下降,湖面缩小,鄱阳湖呈现河流特征,湖区出现大面积洲滩和裸地.由于水位与水域面积变化显著,鄱阳湖各湿地类型处于连续的动态转变过程中.鄱阳湖水量年内变化巨大,对鄱阳湖调蓄功能、生态功能产生巨大影响,不同类型湿地分布的动态变化是反映鄱阳湖演变规律的重要信息. ...
基于长时序光学遥感数据的鄱阳湖湿地景观格局时空动态研究
1
2017
... 鄱阳湖(115°49′~116°46′E,28°11′~29°51′N)位于江西北部,长江中下游主干南岸,是我国最大的淡水湖泊.鄱阳湖的补水主要来源于降雨和5个子流域(赣江、饶河、抚河、信江、修水),经湖口向北注入长江[35].鄱阳湖地处中亚热带暖湿季风气候区,是一个水位季节性变化显著的湖泊,具有“夏秋一水连天,冬春荒滩无边”的独特景观.每年4~9月是鄱阳湖的丰水期,受流域降雨的影响,水位上升,水域面积变大,鄱阳湖呈现湖泊特征,在枯水期(10月至次年3月),水位下降,湖面缩小,鄱阳湖呈现河流特征,湖区出现大面积洲滩和裸地.由于水位与水域面积变化显著,鄱阳湖各湿地类型处于连续的动态转变过程中.鄱阳湖水量年内变化巨大,对鄱阳湖调蓄功能、生态功能产生巨大影响,不同类型湿地分布的动态变化是反映鄱阳湖演变规律的重要信息. ...
鄱阳湖洪泛区碟形湖域与地下水转化关系分析
1
2019
... 利用GEE平台的GSW(Global Surface Water)数据集的max_extent数据层(鄱阳湖在1984~2019年时段内最大水淹范围)来确定实验的研究区范围.蚌湖是鄱阳湖众多子湖之一,位于鄱阳湖西北角,属于永修县吴城镇北部的鄱阳湖国家级自然保护区的一部分,是一个典型的季节性浅碟形子湖[36],是鄱阳湖最具有代表性的蝶形湖泊,其湿地也是鄱阳湖较为典型的湿地之一. ...
鄱阳湖洪泛区碟形湖域与地下水转化关系分析
1
2019
... 利用GEE平台的GSW(Global Surface Water)数据集的max_extent数据层(鄱阳湖在1984~2019年时段内最大水淹范围)来确定实验的研究区范围.蚌湖是鄱阳湖众多子湖之一,位于鄱阳湖西北角,属于永修县吴城镇北部的鄱阳湖国家级自然保护区的一部分,是一个典型的季节性浅碟形子湖[36],是鄱阳湖最具有代表性的蝶形湖泊,其湿地也是鄱阳湖较为典型的湿地之一. ...
Sentinel-2: ESA's Optical high-resolution mission for GMES operational services
1
2012
... Sentinel-2[37]高分辨率多光谱成像卫星,分为2A和2B两颗卫星.2A于2015年6月23日由“织女星”运载火箭发射升空,2B于2017年3月7日由“织女星”运载火箭发射升空.Sentinel-2卫星携带一枚多光谱成像仪(MSI),有13个光谱波段,波段2、3、4、8的空间分辨率为10 m,波段5、6、7、8A、11、12的空间分辨率为20 m,波段1、9、10为60 m,一颗卫星的重访周期为10 d,两颗卫星的观测互为补充,可以形成对陆地监测少于5 d的重访周期. ...
Landsat-8: science and product vision for terrestrial global change research
1
2014
... Landsat 8[38]是美国陆地卫星计划(Landsat)的第八颗卫星,于2013年2月11号由Atlas-V火箭搭载发射成功.Landsat 8卫星上携带两个传感器,分别是OLI陆地成像仪(Operational Land Imager,OLI)和TIRS热红外传感器(Thermal Infrared Sensor,TIRS),共有11个波段,波段1~7和波段9的空间分辨率为30 m,波段8为15 m分辨率的全色波段,卫星重访周期为16 d. ...
GMES Sentinel-1 mission
1
2012
... Sentinel-1[39]是一个全天时、全天候雷达成像系统,包含A、B两颗卫星,Sentinel-1A于2014年4月3日成功发射,随后于2016年4月25日成功发射了Sentinel-1B.Sentinel-1基于C波段的成像系统采用4种成像模式(分辨率最高5 m、幅宽达到400 km)来观测.Sentinel-1在近极地太阳同步轨道上运行,一颗卫星的重访周期12 d,两颗卫星的观测互为补充,重访周期为6 d. ...
中国湿地分类系统的研究
1
2003
... 参考我国湿地分类标准 GB/T 24708~2009和宫鹏等遥感湿地分类体系[40, 41],结合本研究针对湿地进行信息提取的特点,采用表1所示的鄱阳湖湿地分类系统.实验中所涉及的不同鄱阳湖湿地类型采用广义的湿地概念.将研究区内土地覆盖类型分为水体、沙地、草洲、泥滩、农田和其他(城镇、农村、道路等). ...
中国湿地分类系统的研究
1
2003
... 参考我国湿地分类标准 GB/T 24708~2009和宫鹏等遥感湿地分类体系[40, 41],结合本研究针对湿地进行信息提取的特点,采用表1所示的鄱阳湖湿地分类系统.实验中所涉及的不同鄱阳湖湿地类型采用广义的湿地概念.将研究区内土地覆盖类型分为水体、沙地、草洲、泥滩、农田和其他(城镇、农村、道路等). ...
中国湿地初步遥感制图及相关地理特征分析
1
2009
... 参考我国湿地分类标准 GB/T 24708~2009和宫鹏等遥感湿地分类体系[40, 41],结合本研究针对湿地进行信息提取的特点,采用表1所示的鄱阳湖湿地分类系统.实验中所涉及的不同鄱阳湖湿地类型采用广义的湿地概念.将研究区内土地覆盖类型分为水体、沙地、草洲、泥滩、农田和其他(城镇、农村、道路等). ...
中国湿地初步遥感制图及相关地理特征分析
1
2009
... 参考我国湿地分类标准 GB/T 24708~2009和宫鹏等遥感湿地分类体系[40, 41],结合本研究针对湿地进行信息提取的特点,采用表1所示的鄱阳湖湿地分类系统.实验中所涉及的不同鄱阳湖湿地类型采用广义的湿地概念.将研究区内土地覆盖类型分为水体、沙地、草洲、泥滩、农田和其他(城镇、农村、道路等). ...
基于Google Earth Engine与多源遥感数据的海南水稻分类研究
1
2019
... 为了开展月度尺度上的鄱阳湖湿地分类,首先在GEE上对Sentinel-2 L1C级数据进行大气校正产生L2A级数据,然后云掩膜进行去云,每个月所有云掩膜后的Sentinel-2数据形成一个月数据集,利用中值函数逐像元计算月数据集在本月的中位数,形成一张研究区内的中值影像,判断中值影像是否完整:①中值影像完整,对月数据集进行筛选,筛选出研究区内影像完整的Sentinel-2数据,影像中空间分辨率为20 m和60 m的波段采用双线性插值法重采样为10 m,准备进行分类;②对于中值影像残缺面积占比研究区面积小于15%的影像,对中值影像所有的波段采用双线性插值法重采样为10 m,对应Sentinel-2影像集合中Sentinel-2影像时间取相同时间的Sentinel-1,由于在某些月份缺少同一天的Sentinel-1,所以选择3 d以内的Sentinel-1,组成Sentinel-1月数据集,结合Sentinel-1月数据集的中值影像进行分类;③中值影像残缺大于15%,选取当月影像完整的Landsat 8结合3 d以内Sentinel-1进行分类;GEE上的的Landsat 8影像为经过在轨纠正的反射率产品,几何偏差小于12 m.Sentinel-1空间分辨率为10 m,Landsat 8需重采样到10 m与之相匹配;④当月没有Landsat 8影像,选取缺失月前后月份和缺失月其他年份的Sentinel-2进行分类(2017年6月没有Sentinel-2和Landsat-8,利用2017年5月、7月和2018年6月的Sentinel-2组成2017年6月的影像集合进行分类).上述数据重采样通过GEE内嵌的算法统一坐标系,保证每个像元代表相同的地表范围,运算过程中不会产生几何失配[42]. ...
基于Google Earth Engine与多源遥感数据的海南水稻分类研究
1
2019
... 为了开展月度尺度上的鄱阳湖湿地分类,首先在GEE上对Sentinel-2 L1C级数据进行大气校正产生L2A级数据,然后云掩膜进行去云,每个月所有云掩膜后的Sentinel-2数据形成一个月数据集,利用中值函数逐像元计算月数据集在本月的中位数,形成一张研究区内的中值影像,判断中值影像是否完整:①中值影像完整,对月数据集进行筛选,筛选出研究区内影像完整的Sentinel-2数据,影像中空间分辨率为20 m和60 m的波段采用双线性插值法重采样为10 m,准备进行分类;②对于中值影像残缺面积占比研究区面积小于15%的影像,对中值影像所有的波段采用双线性插值法重采样为10 m,对应Sentinel-2影像集合中Sentinel-2影像时间取相同时间的Sentinel-1,由于在某些月份缺少同一天的Sentinel-1,所以选择3 d以内的Sentinel-1,组成Sentinel-1月数据集,结合Sentinel-1月数据集的中值影像进行分类;③中值影像残缺大于15%,选取当月影像完整的Landsat 8结合3 d以内Sentinel-1进行分类;GEE上的的Landsat 8影像为经过在轨纠正的反射率产品,几何偏差小于12 m.Sentinel-1空间分辨率为10 m,Landsat 8需重采样到10 m与之相匹配;④当月没有Landsat 8影像,选取缺失月前后月份和缺失月其他年份的Sentinel-2进行分类(2017年6月没有Sentinel-2和Landsat-8,利用2017年5月、7月和2018年6月的Sentinel-2组成2017年6月的影像集合进行分类).上述数据重采样通过GEE内嵌的算法统一坐标系,保证每个像元代表相同的地表范围,运算过程中不会产生几何失配[42]. ...
Some issues in the classification of DAIS hyperspectral data
1
2006
... 在进行随机森林分类时,虽然某些波段在分类中比其他波段更重要,但有研究表明,在达到某个阈值之前,包含的波段越多,精度就越高[43-45].因此为了充分利用影像的光谱信息和空间信息,对Sentinel-2和Landsat 8的植被指数(NDVI)、水体指数(NDWI)、土壤亮度指数(BI)进行湿地信息提取,基于灰度共生矩阵(GLCM)对Sentinel-1的纹理特征进行了提取. ...
Detecting industrial oil palm plantations on Landsat images with Google Earth Engine
0
2016
A Correlation based band selection approach for hyperspectral image classification
1
2016
... 在进行随机森林分类时,虽然某些波段在分类中比其他波段更重要,但有研究表明,在达到某个阈值之前,包含的波段越多,精度就越高[43-45].因此为了充分利用影像的光谱信息和空间信息,对Sentinel-2和Landsat 8的植被指数(NDVI)、水体指数(NDWI)、土壤亮度指数(BI)进行湿地信息提取,基于灰度共生矩阵(GLCM)对Sentinel-1的纹理特征进行了提取. ...
Red and photographic infrared linear combinations for monitoring vegetation
1
1979
... (1)NDVI的计算.归一化差值植被指数(Normalized Difference Vegetation Index,NDVI),既可显示植被分布情况,也可反映植被生长状态,因此广泛用于植被覆盖度监测[46]. ...
The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features
1
1996
... (2)NDWI的计算.归一化差值水体指数(Normalized Difference Water Index,NDWI),用来提取影像中的水体信息,在以往大量的水体提取研究中被证实具有较好的效果[47-49]. ...
Responses of spectral indices to variations in vegetation cover and soil background
0
1998
Representative lake water extent mapping at continental scales using multi-temporal Landsat-8 imagery
1
2016
... (2)NDWI的计算.归一化差值水体指数(Normalized Difference Water Index,NDWI),用来提取影像中的水体信息,在以往大量的水体提取研究中被证实具有较好的效果[47-49]. ...
Remote sensing estimation of catchment-scale reservoir water impoundment in the upper Yellow River and implications for river discharge alteration
1
2020
... (3)BI的计算.土壤亮度指数(BI)[50]能较好地反映土壤的裸露情况. ...
Sentinel-2A red-edge spectral indices suitability for discriminating burn severity
1
2016
... 其中:Green代表Sentinel-2的绿波段B3和Landsat 8的绿波段B3;Red代表Sentinel-2的红波段B4和Landsat 8的绿波段B4;NIR代表近红外波段反射率,Landsat 8近红外波段为B5,有研究表明[22, 51],宽带近红外波段和窄带带近红外波段影像的相同指数间没有明显差异,实验中Sentinel-2选择近红外波段B8;基于GLCM,Haralick提出了 14 种特征参量[52],选取VV极化角二阶矩、相关性、对比度、熵和方差进行分析. ...
Textural features for image classification
1
1973
... 其中:Green代表Sentinel-2的绿波段B3和Landsat 8的绿波段B3;Red代表Sentinel-2的红波段B4和Landsat 8的绿波段B4;NIR代表近红外波段反射率,Landsat 8近红外波段为B5,有研究表明[22, 51],宽带近红外波段和窄带带近红外波段影像的相同指数间没有明显差异,实验中Sentinel-2选择近红外波段B8;基于GLCM,Haralick提出了 14 种特征参量[52],选取VV极化角二阶矩、相关性、对比度、熵和方差进行分析. ...
随机森林算法在湿地研究中的应用
1
2019
... 样本质量直接关系到湿地信息提取的精度,因此应选取具有典型性、代表性的纯净像元作为样本[53].2019年10月~12月,鄱阳湖旱情持续,大面积滩涂裸露,为鄱阳湖现场调研选取样本提供了便利,课题组于2019年12月27日~2020年1月3日对鄱阳湖进行实地调查.以12月6日覆盖鄱阳湖的Sentinel-2影像为参考,结合Google Earth进行路线规划.从湖口县叶家滩出发,经都昌、鄱阳、余干、南昌、永修和前头湾,顺时针方向围绕着鄱阳湖进行湿地样本采集.由于滩涂大面积裸露,所以采样区多以水陆边界地带为主.在样区内均匀分布采样点,并以采样点为中心划定样方,每个样方周围60 m×60 m区域内被同一种湿地类型覆盖或者大部分被同一种湿地类型覆盖,采用高精度GPS对采样点进行定位、记录,并进行拍照. ...
随机森林算法在湿地研究中的应用
1
2019
... 样本质量直接关系到湿地信息提取的精度,因此应选取具有典型性、代表性的纯净像元作为样本[53].2019年10月~12月,鄱阳湖旱情持续,大面积滩涂裸露,为鄱阳湖现场调研选取样本提供了便利,课题组于2019年12月27日~2020年1月3日对鄱阳湖进行实地调查.以12月6日覆盖鄱阳湖的Sentinel-2影像为参考,结合Google Earth进行路线规划.从湖口县叶家滩出发,经都昌、鄱阳、余干、南昌、永修和前头湾,顺时针方向围绕着鄱阳湖进行湿地样本采集.由于滩涂大面积裸露,所以采样区多以水陆边界地带为主.在样区内均匀分布采样点,并以采样点为中心划定样方,每个样方周围60 m×60 m区域内被同一种湿地类型覆盖或者大部分被同一种湿地类型覆盖,采用高精度GPS对采样点进行定位、记录,并进行拍照. ...
More than meets the eye: using Sentinel-2 to map small plantations in complex forest landscapes
2
2018
... 在实地进行勘测时,湿地被浅水覆盖阻断,无法进入湖中部分湿地,难以获取有效的现场调查数据.有研究表明,在Google Earth上下载的高分辨率遥感影像可以用于识别地表不同覆盖类型,选取训练样本,应用于遥感影像地表覆盖类型分类研究[27].基于GEE平台2019年12月6日Sentinel-2高分辨率遥感影像,依据Google Earth高分辨率影像,采用目视解译判读的方法得到水体、沙地、泥滩、草洲、农田和其他(城镇、农村和道路等)5种类型的样本.实地勘测和目视解译这两部分数据构成样本数据和验证数据分别用于随机森林分类样本的建立和精度验证.图1所示每个样本区内有4个点,每隔30 m平均分布一个样本点.虽然没有具体的文献要求机器学习方法选择样本的最少数目,但是有学者提出特征数(波段数量)乘以30可作为参考数目[54].由于沙地、农田和居民地面积较少,样本数量没有达到300,其他湿地类别样本点均高于300,考虑到影像的大小和GEE的运算内存要求,样本数目如表2所示,对比12月份各期影像建立2019年12月份样本数据库.同时利用样本迁移的方法得到2017年1月~2019年11月各月份样本点,通过对比各个月内多期遥感影像,对样本点进行判读和修改,得到2017年~2019年各月份的分类样本数据库. ...
... 随机森林RF是以决策树为基本分类器的一种集成学习方法[54].从原始样本中通过迭代抽取样本建立多个子样本集,基于子样本集分别建立决策树,将生成的决策树组成分类器,对输入数据采用投票的方式进行分类[27, 33].在随机森林建立的步骤中需要设置两个参数:决策树的数量和每棵树的每个节点的特征数.在GEE上构建特征变量集,单独对Sentinel-2进行分类时特征变量集包括波段B1到B12、NDWI、NDVI和BI;Sentinel-1,2结合进行分类时,特征变量集包括Sentinel-2所有的波段、Sentinel-1的VV极化以及它的5个特征参量;Landsat 8结合Sentinel-1进行分类时,特征变量集包括Landsat 8波段B2~B7、Sentinel-1的VV和VH两个极化以及VV极化的5个特征参量考虑到GEE的计算负担,实验选择40棵树,预测变量的数量在每个节点上用于增长树,对于这样的分类模型,通常将其设置在输入变量的平方根(表3). ...
基于Sentinel-2A影像特征优选的随机森林土地覆盖分类
1
2019
... 月内所有的分类结果形成月分类数据集,逐像元计算其在本月的众数,得到月尺度上的分类结果,对分类结果的验证是分类处理不可缺少的环节,精度验证可以帮助改进、完善分类方法并得到对分类结果的最终评价[55].采用混淆矩阵对影像提取结果进行评价,精度评价是依据混淆矩阵中的总体分类精度、Kappa系数、制图精度及用户精度等指标来衡量. ...
基于Sentinel-2A影像特征优选的随机森林土地覆盖分类
1
2019
... 月内所有的分类结果形成月分类数据集,逐像元计算其在本月的众数,得到月尺度上的分类结果,对分类结果的验证是分类处理不可缺少的环节,精度验证可以帮助改进、完善分类方法并得到对分类结果的最终评价[55].采用混淆矩阵对影像提取结果进行评价,精度评价是依据混淆矩阵中的总体分类精度、Kappa系数、制图精度及用户精度等指标来衡量. ...
STL: A seasonal-trend decomposition
1
1990
... 采用季节指数方法对湿地季节变化进行分析.其中,季节指数采用算术平均法对某一指标时序在一年内月度或季度变化的相对数进行计算[56]. ...