中国林业科学研究院资源信息研究所, 国家林业和草原局林业遥感与信息技术重点实验室, 北京 100091
为探究利用高分六号卫星宽幅(GF-6 WFV)数据识别火烧迹地的适宜光谱波段和指数, 选取2019年发生在我国内蒙古大兴安岭林区的三处雷击火形成的火烧迹地作为研究区, 结合GF-6 WFV波段组成, 选取归一化植被指数(normalized difference vegetation index, NDVI)、 全球环境监测指数(global environment monitoring index, GEMI)、 增强植被指数(enhanced vegetation index, EVI)、 燃烧面积指数(burned area index, BAI)、 土壤调节植被指数(soil-adjusted vegetation index, SAVI)、 改进型土壤调节植被指数(modified soil-adjusted vegetation index, MSAVI)和归一化差异水体指数(normalized difference water index, NDWI)等7个光谱指数及地面叶绿素指数(MERIS terrestrial chlorophyll index, MTCI)、 归一化差值红边指数(normalized difference red edge index 1, NDRE1)、 改进的叶绿素吸收指数(modified chlorophyll absorption ratio index 2, MCARI2)和改进的归一化土壤指数(modified normalized difference soil index, MNDSI)等4个改进指数, 基于同期影像和前后两期影像进行火烧迹地和其他典型类别的区分度计算, 并利用上述11个指数及指数差值进行火烧迹地的识别, 定量评价了GF-6 WFV各波段、 所选光谱指数及改进指数识别火烧迹地的能力。 结果表明: (1)GF-6 WFV的近红外波段和新增的两个红边波段区分度较高, 反映火烧迹地特征的能力较强。 (2)在区分火烧迹地和火烧前正常植被上, NDVI, GEMI, EVI, BAI, SAVI, MSAVI和NDWI 7个光谱指数等的区分能力较强, 4个改进指数中, NDRE1和MCARI2的区分能力较好, MNDSI和MTCI的区分效果较差。 (3)在区分同期影像火烧迹地和其余典型类别上, BAI, NDVI, MCARI2和NDWI区分效果较优, 其次为NDRE1, GEMI, EVI, SAVI和MSAVI, 而MNDSI, MTCI的区分能力较差。 (4)在利用所选指数和指数差值识别火烧迹地中, GEMI, EVI, BAI, SAVI和MSAVI的识别精度均较优, 其次是MCARI2, NDVI和NDWI, 做差后提取精度显著上升, Kappa系数均提升到0.80以上, MTCI, MNDSI和NDRE1提取效果较差。 综合比较, BAI和GEMI识别效果最好, NDVI, EVI, SAVI, MSAVI, NDWI和MCARI2的识别能力中等, 而MNDSI, NDRE1和MTCI等3个改进指数识别火烧迹地的能力较差。
高分六号宽幅数据 光谱指数 改进指数 区分度M 火烧迹地 GF-6 WFV data Spectral index Modified index Separability index M Burned area 光谱学与光谱分析
2021, 41(8): 2536
1 北京师范大学 信息科学与技术学院, 北京 100875
2 中国林业科学研究院 资源信息研究所, 北京 100091
光学卫星遥感数据在获取过程中易受云层干扰, 云区识别是光学遥感数据应用及分析的一个基础但重要的步骤, 高效的云区识别技术对节省数据收集成本和提高数据利用效率具有较强的现实意义.同态滤波算法是经典的基于单幅影像的云区识别方法之一, 该算法具有计算快速方便、云区检测精度较高的优点, 然而识别的云区范围极大程度取决于同态滤波器截止频率的位置.同态滤波截止频率通常采用经验值, 显然经验截止频率无法适应批量遥感数据的自动处理需求.针对以上问题, 本文通过建立输入影像频谱能量与截止频率的关系, 结合白度指数(Whiteness Index)和形态学算子, 实现对国产高分辨率光学卫星高分一号(GF-1)遥感数据的批量云区识别处理.与传统同态滤波方法相比, 该算法能根据影像频谱能量自适应判定同态滤波时采用的截止频率, 具有更强的适用性.通过对98景GF-1多光谱数据进行随机点人工目视标记精度检验, 精度检验结果表明该算法对云区有较好的检测效果, 总体识别精度达93.81%.该算法对GF-1遥感数据能进行批量化云区检测, 获得高精度的云区掩膜结果, 并有效降低高反射率地物造成的误识率.
云区识别 自适应 同态滤波 GF-1遥感数据 截止频率 cloud detection self-adaptive Homomorphic filtering GaoFen-1 remote sensing data cut-off frequency
1 中国林业科学研究院资源信息研究所, 国家林业局林业遥感与信息技术实验室, 北京 100091
2 四川省林业信息中心, 四川 成都 610081
为了探究国产高分卫星遥感技术监测火干扰对植被生长影响的能力及其表征植被指数, 选取2014年发生在四川省雅江县和冕宁县的两场森林火灾形成的火烧迹地作为研究区, 利用火灾前后时序的高分一号宽幅(GF-1 WFV)数据, 对不同受灾程度火烧迹地火灾前后的光谱特征变化进行分析, 并以月为单位分析了不同受害程度植被火后两年内由GF-1 WFV数据生成的归一化植被指数(NDVI)、 增强型植被指数(EVI)和全球环境监测植被指数(GEMI)等三种表征植被生长状态的植被指数的变化, 结合研究区纬度、 海拔和气候条件分析火后植被的年内恢复规律。 结果表明: 火烧造成植被色素和细胞结构破坏, 使其不再表现出正常植被特有的光谱特征, 在可见光区受害植被的反射率相比于正常植被偏高, 且其值随受灾程度加重而升高; 在近红外波段火干扰后的植被反射率降低, 其值远低于正常植被的反射率值。 NDVI, EVI和GEMI在表征植被恢复生长过程中存在高度相关性且对植被季节变化敏感, 均能反映植被恢复的生长过程, 具有描述火烧区植被恢复动态过程的能力; 受灾植被恢复生长过程中的植被指数变化与正常植被年生长过程的植被指数变化趋势基本一致, 同样存在生长季和非生长季; 火烧区植被的NDVI, EVI和GEMI值相比正常植被对应植被指数值始终偏低, 且植被受灾越严重, 其植被指数值在同期中对应越低。
高分一号宽幅数据 光谱特征 植被指数 时间序列 植被恢复 GF-1 WFV data Spectral features Vegetation index Time series Vegetation restoration
1 中国科学院大学 资源与环境学院, 北京 100049
2 中国科学院遥感与数字地球研究所 遥感科学国家重点实验室, 北京 100101
3 中国林业科学院 资源信息研究所, 北京 100091
主动微波遥感与被动光学遥感在反演地表土壤水分方面分别具有各自的优缺点, 为了将这两者的优势结合弥补缺点, 提出了一种基于Radarsat 2与Landsat 8数据协同反演植被覆盖地表土壤水分的半经验耦合模型.该模型基于水云模型, 将光学遥感反演得到的植被冠层含水量作为水云模型的关键输入参数, 并同时考虑植被冠层与土壤以及其之间的部分对雷达后向散射系数的影响,以此来去除雷达回波中的植被部分.最后选用内蒙古呼伦贝尔市额尔古纳市大兴安岭西侧研究区的Radarsat 2与Landsat 8遥感数据, 利用新的耦合模型反演得到植被覆盖区土壤水分含量, 并利用地面测量数据对模型进行验证.结果表明：利用Landsat 8数据反演植被含水量算法精度较高(R2=0.89), 论文提出的耦合模型反演植被覆盖地表土壤水分精度比之前算法也有了较大的提高, 其中HH极化效果最好, R2由0.27提高至0.65.这表明该耦合模型具有较好的反演精度, 可以应用于植被覆盖区土壤水分含量的反演.
土壤水分 水云模型 微波遥感 Radarsat 2 Radarsat 2 Landsat 8 Landsat 8 soil moisture water-cloud model microwave remote sensing
1 中国林业科学研究院资源信息研究所 国家林业局林业遥感与信息技术实验室, 北京 100091
2 中国传媒大学, 北京 100024
3 国家林业局森林防火预警监测信息中心, 北京 100714
对Landsat TM/ETM+数据进行抽样统计分析基础上, 把Landsat TM/ETM+的红外、短波红外和近红外等波段数据相结合, 采用窗口动态阈值算法构建燃烧区识别模型；在此基础上, 为定量生成火线轮廓参数, 通过连通性判断、孔洞填充、小斑块去除和边缘细化等图像处理方法对识别的燃烧区进行处理；并在ENVI 4.8+IDL语言环境下, 实现了基于Landsat TM/ETM+数据自动生成火线轮廓参数算法处理过程的程序化.结果表明, 总体判对率为86.44%, 总体误判率为13.56%(其中漏判率为1.77%, 错判率为11.79%)；该方法可满足林火扑救中对火线轮廓参数定量宏观监测的应用需求.
卫星遥感技术 森林火灾 火线轮廓 林火扑救 satellite remote sensing technique forest fire fire line contour fire suppression
1 中国林业科学研究院资源信息研究所, 北京100091
2 中国科学院遥感与数字地球研究所, 北京100101
3 中国科学院空间应用工程与技术中心, 北京100094
为了精准地估测荒漠化地区的稀疏植被信息, 选取内蒙古苏尼特右旗为研究区, 以天宫一号高光谱数据为数据源, 结合野外实地调查数据, 通过归一化植被指数(normalized difference vegetation index, NDVI)和土壤调节植被指数(soil adjusted vegetation index, SAVI)对研究区内的植被覆盖度和生物量进行反演, 并对比两种植被指数的优劣。 首先, 分析了每种波段组合下的植被指数与覆盖度、 生物量的相关性, 确定了最大相关的波段组合。 覆盖度和生物量与NDVI的最大相关系数可达07左右, 而与SAVI的最大相关系数可达08左右。 NDVI的最佳波段组合的红光波段中心波长为630 nm, 近红外波段的中心波长为910 nm, 而SAVI的组合为620和920 nm。 其次, 分别构建了两种植被指数与覆盖度、 生物量之间的线性回归模型, 所建模型的R2均能达到05以上。 SAVI所建模型R2要比NDVI略高, 其中植被覆盖度的反演模型R2高达059。 经留一交叉验证, SAVI所建模型的均方根误差RMSE也比基于NDVI的模型小。 结果表明: 天宫一号高光谱数据丰富的光谱信息能有效地反映地表植被的真实情况, 并且SAVI比NDVI更能较为精准地估测荒漠化地区的稀疏植被信息。
天宫一号 高光谱 植被覆盖度 生物量 植被指数 荒漠化 Tiangong-1 Hyperspectral Vegetation coverage Biomass Vegetation index Desertification
中国林业科学研究院资源信息研究所, 北京 100091
森林每年随季节变化而出现形态和生理机能的规律性变化, 该变化在一定程度通过其光谱特征有规律地展现。 准确地掌握森林冠层光谱特征随季节变化的规律不仅是遥感解译的关键, 也为树种识别、 动态监测和生化参数反演提供理论基础。 利用地物光谱仪对研究区9个主要树种的冠层光谱数据进行长期观测, 获取了春夏秋冬四个季节的反射光谱曲线并生成一阶导数曲线, 同时还计算了常用的植被特征参数,进而分析不同树种在相同季相和不同季相的光谱特征,对比不同树种在可见光和近红外波段的季相变化特征和差异, 探索遥感手段用于树种分类识别的最佳波段、 最佳时相。 结果表明: 不同树种在各生长季光谱具有独特的特征, 落叶树种光谱特征因季节的改变而呈现有规律的变化, 而常绿树种光谱特征年变化不明显。 光谱特征的变化有效地反应了物候的变化, 应用多季相的数据进行分类可以取得最好的效果, 常绿树种和落叶树种光谱特征在冬季差异明显, 而夏季是采用单季相遥感数据进行树种识别的最佳时节。
森林冠层 光谱分析 多季相 Forest canopy Spectral analysis Multi-seasons 光谱学与光谱分析
2013, 33(12): 3303
1 中国林业科学研究院资源信息研究所, 国家林业局林业遥感与信息技术实验室, 北京100091
2 中国传媒大学, 北京100024
3 西南林业大学, 云南 昆明650224
4 中国科学院空间应用工程与技术中心, 北京100094
为获得利用卫星数据探测明火、 焖烧、 烟和火烧迹地等四种火情状态信息的敏感波谱范围, 利用天宫一号高光谱数据, 采用统计和光谱分析相结合的方法, 对探测这四种火情状态信息的适宜卫星谱段进行了分析。 结果表明: 天宫一号高光谱数据对这四种火情状态探测谱段存在明显区别, 在高光谱短波红外各通道, 明火的反射率比其他三种的反射率都高, 而烟的反射率则最低; 在高光谱可见近红外和全色传感器对应通道, 烟的反射率比其他三种的反射率都高。 在谱段选择上, 探测明火的较适宜谱段区间为1 000.0～1 956.0 和2 020.0～2 400.0 nm; 用于判识焖烧的适宜谱段范围为930.0～1 000.0 和1 084.0～2 400.0 nm; 检测烟的适宜谱段区间为400.0～920.0 nm; 检测火烧迹地时适宜选用中心波长900.0～930.0和1 300.0～2 400.0 nm等波段进行组合, 构建检测模型。
天宫一号 高光谱数据 火情状态 探测 TG-01 Hyper-spectrum images Burning status Detection 光谱学与光谱分析
2013, 33(7): 1908
