1 成都理工大学地学空间信息技术国土资源部重点实验室, 四川 成都 610059
2 四川省国土勘测规划研究院, 四川 成都 610045
植被含水量是植被生长状态的重要指示因子, 是农业、 生态和水文等研究中的重要参数, 其诊断对于监测自然植被群落的干旱状况、 预报森林火灾等都具有重要意义。 通过对植被光谱反射率与植被含水量的相关性分析, 发现植被波谱不同波段的光谱反射率与植被含水量的相关性差异很大, 其中可见光红光波段（620～700 nm）、 近红外波段（800～1 350, 1 600～1 950, 2 200～2 400 nm）的光谱反射率与植被含水量具有较好的相关性, 选取了660, 850, 1 630和2 200 nm的光谱反射率作为RED, NIR, SWIR1和SWIR2的波段值来建立角度斜率指数; 分析了植被含水量与角度斜率指数的关系, 将角度斜率指数（SANI, SASI, ANIR）作为反演植被含水量的参量, 建立植被含水量与角度斜率指数之间线性回归模型。 通过对近红外角度指数ANIR改进, 提出了近红外角度归一化指数NANI（near infrared angle normalized index）与近红外角度斜率指数NASI（near infrared angle slope index）, 建立植被含水量与NANI和NASI之间线性回归模型, 结果显示: NANI与Palacios-Orueta等提出的角度斜率指数（SANI, SASI, ANIR）相比有一定的优势, 模型可决系数R2从原最高0.791提高到0.853, RMSE也从原最小0.047降低到0.039。 确定了NANI为反演植被含水量的最佳角度斜率指数, 并建立了植被含水量反演模型。 该研究主要创新点: 在前人研究成果基础上, 通过对原角度斜率指数的改进, 提出了NANI和NASI角度斜率指数, 使其在植被含水量反演上具有更高的精度。
光谱分析 角度斜率指数 植被含水量 岷江上游 Spectrum analysis Angle slope index Vegetation water content The upstream of Minjiang River 光谱学与光谱分析
2016, 36(8): 2546
成都理工大学地学空间信息技术国土资源部重点实验室, 四川 成都610059
遥感方法定量监测植被与气候变化的关系已经成为全球变化研究的一个重要领域。 攀西地区是我国长江上游重要的生态屏障, 对维持四川乃至我国整体生态环境的稳定具有重要作用。 基于攀西地区多年MODIS多光谱数据和气象数据对植被动态变化以及该变化与气候因子的关系进行了探讨。 结果显示, NDVI变化和气温、 降水呈正相关, 其中降水是影响攀西地区植被生长的主要气候因子, NDVI变化与秋季降水量变化呈现出良好的一致性； 研究区植被长势与气温和降水存在一定的时滞性, 主要体现在前1个月气温和降水对植被长势的影响上。
植被变化 气候因子 相关性 攀西地区 Vegetation changes NDVI NDVI Climatic variation Correlation Panxi area
1 成都理工大学地质灾害防治与地质环境保护国家重点实验室,成都 610059
2 西南科技大学,绵阳 621010
3 中国工程物理研究院,绵阳 621900
高光谱成像技术作为一种高效无损的检测方法, 根据不同的物质成分在光谱上表现出不同的光谱信息, 可以从图像上方便的鉴定出物质成分组成。本文分别利用可见光高光谱与红外高光谱成像技术对一幅古画进行颜料光谱成像, 通过最小噪声分离(MNF)、纯净像元提取(PPI)、光谱特征拟合方法(SFF), 与标准波谱库匹配, 识别出该幅古画所用颜料成分主要由: 朱砂、石青、白云母和金云母等组成, 匹配度分别为: 0.76, 0.57, 0.62, 0.89。实验表明: 利用高光谱成像技术不但可保存图像信息, 物质成分波谱信息, 还可还原受污染区域, 为以后深层次研究提供详实资料。
高光谱 颜料鉴别 光谱特征匹配 hyperspectral pigment identification SFF
1 成都理工大学地学空间信息技术国土资源部重点实验室 /遥感与 GIS研究所, 成都 610059
2 攀枝花学院数学与计算机学院, 四川攀枝花 617000
对高分辨率遥感图像进行去噪是遥感研究中的一个重要难题。本文提出了一种新的基于稀疏表示的高分辨率遥感图像去噪算法, 该算法根据加噪高分辨率遥感图像的特点利用 K-SVD算法自适应的学习得到能高效描述遥感图像内容的字典, 利用稀疏表示实现去噪, 并且保留原图像的有用信息。通过对“高分一号”获取的遥感图像进行实验表明, 该算法能较好地滤除遥感图像的噪声, 提高了图像的峰值信噪比, 该方法比其他字典学习算法及其他去噪算法具有更好的性能。
稀疏表示 图像去噪 字典学习 高分一号 sparse representation image denoising dictionary learning K-SVD K-SVD the first satellite of high resolution
1 电子科技大学 地表空间信息技术研究所, 四川 成都 610054
2 成都理工大学 遥感与GIS研究所, 四川 成都 610059
3 中国科学院遥感应用研究所, 北京 100101
在分析植被光谱特征与光谱和植被水分相关性的基础上, 初步确定几个波段或波段组合为植被含水量的光谱指数。利用数据对植被含水量FMC(Fuel Moisture Content)与上述水份光谱指数分别建立最优函数关系。通过分析不同光谱指数的关系及其相对误差, 确定以1600 nm和820 nm处反射率的比值SR作为建立本研究区植被含水量模型的特征参数; 并利用实测光谱反射率与植被含水量建立SR与FMC之间的模型关系。根据植被含水量模型、 ETM和ASTER遥感数据, 在IDL7.0开发平台下实现研究区植被含水量的定量反演, 并利用区内实测数据和本底调查数据对反演结果进行了综合评价与分析。结果表明, 光谱指数SR可以较好地剔除环境背景以及冠层结构等外界因素的影响, 植被含水量遥感反演精度较高, 能真实反映研究区植被含水量的时空变化规律与特征。
遥感 定量反演 植被含水量 光谱指数 光谱反射率
成都理工大学,信息工程学院,四川,成都,610059
针对多光谱图像与全色图像的融合,本文在认真分析了IHS变换、小波变换,以及基于梯度绝对值最大准则的IHS变换与小波变换结合算法的基础上,提出了一种基于梯度权重规则的改进算法.在使用小波变换融合多光谱图像I分量与全色图像时,计算二者高频细节分量的梯度作为权重,实现高频细节信息的融合;低频近似分量采用经验调节权系数的方式,运用加权和准则融合获得.融合所得新I'分量与之前多光谱图像IHS变换分离出的色度H和饱和度S进行逆变换,生成最终的融合图像.实验结果表明,该方法在保留多光谱图像光谱信息的基础上,有效地增强了融合图像的空间细节表现能力.
IHS变换 小波变换 梯度权重规则 图像融合
