山东农业大学资源与环境学院， 山东 泰安271018
选择黄河三角洲垦利县代表性盐碱化区域为研究区， 以2011年3月15日HJ-1A卫星HSI高光谱影像和2011年3月22日TM影像为信息源， 经几何纠正、 图像裁剪、 大气校正等预处理， 分析不同盐渍化程度土地、 水体、 滩涂等主要地类的光谱特征， 确定地类信息提取特征波段。 结合土壤盐分含量， 采用定量与定性相结合规则， 构建地类信息提取模型， 以决策树分类方法进行图像分类， 提取土地盐渍化信息。 利用地表点位土壤含盐量数据对地表土地盐渍化程度的化学分析结果， 对遥感解译数据进行精度验证， 并对高光谱和多光谱影像的分类精度进行比较分析。 结果表明： HSI图像的总体分类精度达96.43%， Kappa系数为95.59%， 而TM图像的总体分类精度为89.17%， Kappa系数为86.74%， 说明相比多光谱TM数据， 基于高光谱图像可以更为准确有效地提取土地盐渍化信息； 由分类结果图可以看出， 高光谱影像土地盐渍化的区分度高于多光谱影像。 该研究探索了高光谱图像土地盐渍化信息的提取技术方法， 提供了不同盐渍化土地的分布比例数据， 可为黄河三角洲滨海盐碱土地资源的科学利用与管理提供决策依据。
HSI高光谱数据 TM图像 光谱特征 盐渍化程度 HSI hyperspectral data TM image Spectral characteristics Salinization degree
1 中国科学院新疆生态与地理研究所, 新疆 乌鲁木齐830011
2 荒漠与绿洲生态国家重点实验室, 新疆 乌鲁木齐830011
3 中国科学院研究生院, 北京100049
以TM影像对塔里木河中游土壤含水量的响应特征为研究对象, 选取影像光谱(R)、 光谱倒数(1/R)、 光谱倒数之对数lg(1/R)和去除归一化植被指数(Rc)四种光谱指标, 分别建立土壤含水量的预测模型, 并利用方差检验验证模型的显著性, 采用后验差法划分模型精度级别。 结果表明: 光谱倒数之对数lg(1/R)预测土壤含水量的模型精度较高, 且对0~30 cm土壤含水量的预测精度最高, 达到良好级别, 适用于研究区土壤含水量的监测; 影像光谱(R)和光谱倒数(1/R)的模型精度次之, 仅有个别层(0~30, 0~50 cm等)达合格或免强合格水平; 而去除归一化植被指数的模型精度较差。 另外, 各预测模型的最佳预测深度为0~30 cm, 土层深度过大或过小, 其预测精度均降低。
TM影像反射率 干旱区 土壤含水量 塔里木河 TM image reflectance Arid Soil moisture Tarim river 光谱学与光谱分析
2011, 31(10): 2824
1 新疆兵团绿洲生态农业重点开放实验室，石河子大学,新疆 石河子 832003
2 新疆农垦科学院棉花研究所， 新疆 石河子 832000
3 中国农业科学院作物科学研究所/国家农作物基因资源与基因改良重大科学工程， 北京 100081
通过获取多时相试验区TM影像和大田同步调查棉花黄萎病，将TM影像光谱指数与病害严重度进行相关分析，建立棉花病害严重度估测模型.结果表明： 随着病害严重度的增加，TM影像光谱指数B2，B4，SATVI，OSAVI，MSAVI，TSAVI，SVNSWI，SNSWIa，SNSWIb，SVNI，DNSIa，DNSIb，NDSWIa，NDSWIb，RNSWIa，RNSWIb，DVNI，EVI，TVI，SAVI，DVI，NDVI，RVI 和PVI逐渐减小，B1，B3， B7和RI逐渐增加，NDGI呈现先增后降的趋势，而B5呈现先降后增的趋势.病害严重度与TM影像光谱指数B1，B3和RI均呈极显著正相关，与B4，OSAVI，MSAVI， TSAVI，SVNSWI，SNSWIa，SNSWIb，SVNI，DNSIa，DNSIb，NDSWIa，NDSWIb，RNSWIa，RNSWIb，DVNI，EVI，TVI，NDGI，SAVI，DVI，NDVI，RVI 和PVI均呈极显著负相关，与SATVI呈显著负相关，与B2，B5和B7均未达显著相关.建立的8个TM影像光谱指数估算棉花黄萎病模型均通过显著性检验，且以DVI和DNSIb为自变量的线性模型精度最高，表明利用多时相TM卫星影像光谱指数进行棉田病害定量诊断是可行的.
棉花 病害严重度 TM影像 光谱指数 估测模型 Cotton Disease severity level TM image Spectral indices Estimation models
1 新疆大学资源与环境科学学院, 新疆 乌鲁木齐830046
2 教育部新疆绿洲生态重点实验室, 新疆 乌鲁木齐830046
3 北京联合大学应用文理学院, 北京100083
以新疆奇台绿洲碱化土壤及其可见光/近红外光谱反射率为研究对象, 通过实地定点土壤取样和光谱测量, 将碱化土壤的实测反射率与同期获取的TM影像反射率相对照, 分析二者与土壤pH值的关系, 分别建立对土壤pH值的多元线性回归预测模型并对模型精度进行后验差检验。 结果表明: 研究区土壤pH值与反射率呈极显著的正相关关系, pH值增加, 反射率随之增加, 以板结为特征的碱化土壤对光谱具有良好的响应特性。 实测反射率与影像反射率对研究区碱化土壤均具有良好的监测潜力。 实测反射率预测pH值的模型精度较高, 其预测精度主要受地表板结程度的影响。 植被对TM反射率预测精度的影响较大, 直接用TM反射率预测pH值精度较低, 去除植被影响后, 其预测模型等级与实测反射率预测模型等级接近, 均达到良。
土壤碱化 实测反射率 TM影像反射率 光谱响应特征 Soil alkalinization Measured reflectance TM image reflectance Spectral response characteristic
光谱保持和高分辨率保留是影像融合的两个重要问题,不同的应用可能对融合的结果有不同的要求.提出了一种基于小波变换的可调节遥感影像融合方法.该方法首先分别将高分辨率影像和多光谱影像进行小波分解,然后根据影像的特点,在小波域内进行影像融合,最后通过小波逆变换得到融合结果.通过引入可调节参数,该方法可以在细节保留和光谱保持两方面达到不同程度的平衡,在某些参数组合下,融合图像的目视效果和统计指标可以达到甚至超过传统的小波融合法、IHS变换和主成分变换融合法的效果.
图像融合 小波变换 可调节性 合成孔径雷达图像 TM图像 image fusion wavelet transform controllability SAR image TM image
成都信息工程学院信息科学研究所,四川 成都 610041
为了从TM影像中提取不同地物波谱信息特征,构造了地物波谱组合识别函数关系式,提出了从地物TM影像中分辨出地物的一般原则,并采用遗传算法优化确定地物波谱组合识别函数关系式中的系数.根据不同地物与函数值分布范围的对应关系,可以较容易地由TM影像作出多种不同地物的识别.实例分析表明这种地物波谱组合识别模型具有简单性、实用性和可分辨性等特点.
地物波谱 TM影像 图像识别 遗传算法 GA优化. landmark spectrum TM image image recognition genetic algorithm GA optimization.
