基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力,提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法,该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性,对遥感图像像素进行聚类后划分为不同的组,然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后,对空间相似的块进行平均处理,实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪,峰值信噪比相比band-wise K-SVD算法提高了7.6%左右,同时具有更好的视觉效果。     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力,提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法,该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性,对遥感图像像素进行聚类后划分为不同的组,然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后,对空间相似的块进行平均处理,实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪,峰值信噪比相比band-wise K-SVD算法提高了7.6%左右,同时具有更好的视觉效果。     

一种高空间分辨率遥感影像信噪比测定方法

信噪比是用来评价遥感影像质量一个重要的辐射特性参数。通过合适的方法精确地测定出遥感影像对应的信噪比参数,可以帮助数据提供者或用户更好地预测和提高遥感影像的信息提取能力。现有的信噪比测定方法大多基于中低空间分辨率遥感影像进行,并不能很好地适用于高空间分辨率遥感影像。针对现有信噪比测定方法的这一局限性,从高空间分辨率遥感影像本身特点出发,通过自适应地划分DN值子区间,以一定百分比最小局部标准差的平均值估算每一DN值子区间对应的噪声大小,进而估算每一DN值子区间对应的信噪比。该方法充分考虑了高分遥感影像内空间细节信息、边缘信息以及纹理信息较强而使得均值区域很难获取的特点。研究表明:改进的方法对于估算高分遥感影像信噪比具有较好的适用性。     

基于结构性字典学习的毛儿盖遥感图像去噪研究

遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力，提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法，该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性，对遥感图像像素进行聚类后划分为不同的组，然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后，对空间相似的块进行平均处理，实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪，峰值信噪比相比band-wise K-SVD算法提高了7.6%左右，同时具有更好的视觉效果。     

基于多源遥感数据的区域景观格局尺度效应

无论在景观生态学还是在遥感领域,尺度问题都是非常重要的问题,目前已有的研究主要考虑景观的粒度效应,很少涉及遥感影像空间分辨率对景观格局的影响。在遥感和地理信息系统软件的支持下,利用多源遥感影像,结合研究区的特点进行了景观分类,并从不同遥感数据的空间分辨率角度进行空间粒度放大试验,探讨景观格局的尺度效应。研究结果表明：基于不同空间分辨率遥感影像的土地利用空间数据具有尺度效应,其所反映的区域土地利用景观格局在宏观上是一致的,但类型的边界、形状和数量均产生较大的差异;景观格局指数能反映不同遥感影像所记录的地表信息,从不同遥感数据源、不同空间分辨率的角度定量化判断尺度放大过程中区域土地利用景观特征信息的尺度效应。     

高空间分辨率遥感图像分类的SSMC方法

近年来随着高空间分辨率遥感的发展。影像的空间细节描述能力得到提高，像元之间的空间相关性得到增强，使传统的遥感影像光谱分类方法面临着巨大的挑战。基于此背景，提出了高分辨率遥感影像分类的SSMC（spatial and spectral mixed classifier）方法，旨在同时采用光谱和空间特征进行遥感影像分类。本文是基于SSMC方法的一个具体的实验，通过多尺度的空间金字塔构造每个像元的空间参数，整合影像的光谱信号和空间信息进行高分辨率遥感影像分类。实验结果证明，SSMC方法对于提高高分辨率遥感影像的分类精度具有积极的意义。     

白宫发布遥感政策

20 0 3年 4月美国政府发布新的遥感政策。这一政策对以下几方面给与指导 :(1)美国商业遥感系统的许可制及其实施 ;(2 )政府对商业遥感系统能力的使用 ;(3)外国对美国商业遥感系统能力的介入 ;(4 )政府间在情报、国防、对外关系政策等方面使用美国商业遥感能力。白宫方面称 :“这一政策的基本目标是通过保持在空间遥感领域的国际领先地位 ,提高和保护美国的国家安全和对外政策的影响。”为支持这一目标 ,美国政府将 :①最大限度地依靠美国商业遥感能力 ,服务于军事、情报、对外政策、国土安全和民用。②政府空间遥感系统的发展将集中于经济效…     

卫星遥感及图像处理平台发展

航天科技是国家综合国力和科技实力的重要体现,而卫星遥感则是航天科技转化为生产力最直接、最现实的途径之一。遥感数据获取与分发、数据处理与信息提取是卫星遥感应用的两个基本步骤。随着国家民用空间基础设施规划中的遥感卫星体系稳步推进,以及商业卫星遥感的蓬勃发展,我国的卫星遥感数据获取能力呈现质量齐升之势。但同时,作为卫星遥感应用的基础设施和关键工具,遥感图像处理系统平台逐渐成为制约自主卫星数据应用和空间信息业务发展的重要因素之一。本文围绕卫星遥感对地观测主题,从卫星遥感数据获取能力、卫星遥感数据处理系统平台两方面,对国内外现状进行综述,在此基础上分析了卫星遥感的发展趋势。     

一种基于数学形态学的空间遥感图像中弱目标检测算法

从弱目标图像(空间遥感图像)的复杂背景中提取弱小目标一直是一个重要而复杂的课题。遥感图像具有灰度变化丰富，所含信息量较大，背景噪声复杂的特点。针对以上问题，章讨论了在低对比度、强干扰的情况下，对弱目标的提取方法。采用基于数学形态学理论的方法来对遥感图像中的弱目标进行检测处理，提出了一种从遥感图像中提取具有一定外形的弱小目标，并可以在实际系统上实现的算法。给出在具典型意义的SAR图像上的实验分析和实验模拟处理结果，验证了这种算法在强噪声和复杂背景下的有效性。也证明了该算法具有理论完备、算法简单、抗噪能力强和运算速度较快的优点。     

空间光学遥感技术的现状和发展

空间光学遥感技术经过万世纪的摸索和偿试，现在己经在实用化的方向上迈出T重要的一步。在大气和陆地遥感的应用领域它作为获取数据的主要手段，满足了遥感用户的基本要求。仅从光学遥感技术的发展就可以看到未来空间遥感工业
的雏形。·‘一以，光一机扫描遥感仪的契脸成功，是空间光学遥感技未发展时转折。它解决了在可见和红外这两个童要龟斌波段从空何获取毅据时关键伺诚。也解决了整个遥感应用所需要的主要数据问题。l虽然买技术发展上看仑也经送封寸禽身的性能极限。但是，从世界范围和实用r的诱度派看，它正在或杆灌箱省长的异衰时间内，作为骨干技术服务于广大遥感用户;，男舟矛赫协它石为;娜架’空殉遥感初竹机裂提供基础。来用大型固态线列阵探潮器帐的非帝式扫描成象技术，彩查词光学遥感的能力提高到新的水平。虽然目前还雷解决各电碱波段固态线列阵焦平面探浏器件的实用化要求问题。但是现在己有的可见光空间固态遥感仪，它的空间分抖率这一重要性能，是前所未有的。成象光谱仪技术是现代空间光学遥感技术的高’级发展。也是未来十五年空间遥感技术的中心任务。从表面看，它似乎是为满足提高光语分辫率这一用户的另一重要性能需求所作的努力。现在的问题是，实用化遥感数据的空间分辫率基本上满足了包括甚至具有较高要求的大多数用户的要求，而在光谱分辫率上还相差甚远。事实上，空间遥感应用需要一种更为高级的遥感仪，它同时具有很高的空间分辩率和精细的光谱分辫率。它和合成孔径雷达，将是直到二十一世纪世界高级这感技术工作者将要努力发展的两大遥感仪。     

基于Sentinel-1及 Landsat 8数据的黑河中游农田土壤水分估算

土壤水分是陆地表层系统中的关键变量。利用主动微波遥感,特别是合成孔径雷达(Synthetic Aperture Radar,SAR)的观测,在监测和估计表层土壤水分时空分布方面已开展了诸多研究。然而,SAR土壤水分反演仍存在诸多挑战,特别是地表粗糙度和植被的影响。因此,本文提出了一种结合主动微波和光学遥感的优化估计方案,旨在同步反演植被含水量、地表粗糙度和土壤水分。反演算法首先在水云模型的框架下对模型中的植被透过率因子(与植被含水量密切相关)采用3种不同的光学遥感指数——修正的土壤调节植被指数(Modified Soil Adjusted Vegetation Index,MSAVI)、归一化植被指数(Normalized Difference Vegetation Index,NDVI)和归一化水体指数(Normalized Difference Water Index,NDWI)进行参数化估计,用于校正植被层的散射贡献。在此基础上,构造基于SAR观测和Oh模型的代价函数,利用复型洗牌全局优化算法进行土壤水分和地表粗糙度的联合反演。采用Sentinel-1 SAR和Landsat 8多光谱数据在黑河中游开展了反演试验,并利用相应的地面观测数据对结果进行了验证。结果表明反演结果与地面观测具有良好的一致性,其中基于NDWI的植被含水量反演效果最佳,与地面观测比较,土壤水分决定系数(R 2)在0.7以上,均方根误差(RMSE)为0.073 m^ 3/m^ 3;植被含水量R 2大于0.9,RMSE为0.885 kg/m 2,表明该方法能够较准确地估计土壤水分。同时发现植被含水量的估计结果,以及植被透过率的参数化方案对土壤水分的反演精度有一定的影响,在未来的研究中需要进一步探索。     

Soil Moisture Retrieval over Vegetated Areas based on Sentinel-1 and FY-3C Data

This study aims to develop soil moisture retrieval model over vegetated areas based on Sentinel-1 SAR and FY-3C data.In order to remove vegetation effect,the MWRI data from FY-3C was applied to establish the inversion model of vegetation water content.The model was combined with the original water-cloud model,and developing a soil moisture retrieval model by combining active and passive microwave remote sensing data.Finally,the experiment of the soil moisture retrieval was conducted in Jiangsu and Anhui province,and validating the inversion accuracy of soil moisture by measured data.The results showed that：①For the vegetation-covered surface,the Microwave Polarization Difference Index obtain from FY-3C/MWRI was suitable for removing vegetation effect.②Compared with the Sentinel-1 VH polarization data,the backscattering coefficient of VV polarization was more suitable for soil moisture retrieval and get a higher accuracy of soil moisture retrieval.③Sentinel\|1 data can obtain high precision soil moisture estimation results,and the correlation coefficient between the estimated and measured soil moisture is 0.561 2 and RMSE is 0.044 cm³/cm³.     

基于TROPOMI叶绿素荧光遥感的冬小麦旱情监测

针对太阳诱导叶绿素荧光（Solar-Induced chlorophyll Fluorescence, SIF）可以有效指示陆表植被水分胁迫的特点,提出了归一化叶绿素荧光干旱指数（Normalized SIF Drought Index, NSDI）用于黄淮海地区冬小麦旱情监测。该方法首先基于哨兵-5p卫星（Sentinel-5p）对流层观测仪（Tropospheric Monitoring Instrument, TROPOMI）传感器反演得到的SIF原始产品集,通过0.1°等经纬步长栅格化处理为空间连续数据,然后基于时间序列分析进行了缺失值线性插补,再经过S-G滤波重建获得了高时空分辨率荧光数据集。以此数据集为基础,结合研究区冬小麦分布数据构建NSDI指数。通过选取典型旱情事件对比分析,NSDI指数与同期归一化植被指数（Normalized Difference Vegetation Index, NDVI）以及温度植被干旱指数（Temperature Vegetation Drought Index, TVDI）都有良好的相关性,其中与NDVI的R²为0.60,与TVDI的R²为0.41;NSDI指数与野外土壤水分调查结果也高度相关,其中河北样区R²为0.53,山东样区R²为0.54,整体R²为0.51;通过物联网监测数据分析显示,NSDI指数可以在优于2 d的滞后期内响应旱情的变化,其变化趋势与田间土壤水分保持高度相关。实验结果表明：NSDI指数可以在时空尺度上有效指示黄淮海地区冬小麦旱情。     

Radarsat-2/SAR和MODIS数据联合反演黄土高原地区植被覆盖下土壤水分研究

以黄土高原半干旱区定西为试验区,利用Radarsat-2/SAR和MODIS数据,将由MODIS NDVI估算的植被含水量(VWC)应用到微波散射Water-Cloud模型中校正植被的影响。采用交叉极化(VV/VH)组合方案对植被覆盖下土壤水分的反演进行初步探讨,结果表明:在植被影响校正前,模型反演土壤水分值出现明显低估现象;校正植被影响后,相关系数R由0.13提高到0.44,且通过α=0.01的显著性检验,标准差SD由5.02降低到4.30,有效提高了模型反演土壤水分的准确度。卫星反演的研究区土壤含水量大部分介于10%~30%之间,与实地考察情况一致,较好地反映出区域土壤湿度分布信息。表明,光学和微波协同遥感反演对于提高农田土壤水分遥感反演精度具有较大的应用潜力。     

基于Sentinel-1数据的黑河中游土壤水分反演

基于Sentinel-1合成孔径雷达 (SAR) 数据及相同时段的中分辨率成像光谱仪（MODIS）和Landsat 8两种归一化植被指数（NDVI）,构建变化检测模型以估算黑河中游的高分辨率土壤水分,并探讨模型中具体参数设置对估算精度的影响。结果表明：①在对后向散射系数时间序列的差值 ( \mathrm{\Delta } \sigma ) 和植被指数 ( \mathrm{V} \mathrm{I} ) 进行线性建模过程中,MODIS NDVI和Landsat 8 NDVI这两种植被产品所构建的模型在 \mathrm{\Delta } \sigma - \mathrm{V} \mathrm{I} 空间中所选取的采样点比例分别为2%和4%时,各自取得最优精度; ②以土壤水分反演为目标,使用Landsat 8 NDVI构建的变化检测模型略优于使用MODIS NDVI构建的变化检测模型,两种模型的均方根误差RMSE分别为0.040 m³/m³和0.044 m³/m³,相关系数R分别为0.86和0.83; ③对于变化检测方法的关键参数,若使用低分辨率的SMAP/Sentinel-1 L2_SM_SP土壤水分数据分别代替站点观测的土壤水分初始值和缩放因子 (即两个连续时相土壤水分变化的最大值 \mathrm{\Delta } M s_{max} ) 这两个参数,则土壤水分RMSE将分别增加0.01 m³/m³和0.04 m³/m³。即土壤水分缩放因子这一参数的误差对反演结果的影响大于土壤水分初始值误差对反演结果的影响,故采用高精度的缩放因子进行变化检测估算。研究结论对于利用新兴的Sentinel-1 SAR数据,通过变化检测算法准确获取高分辨率土壤水分信息具有实际参考价值。     

Sentinel-1 based Soil Moisture Estimation in Middle Reaches of Heihe River Basin

In this study, a change detection model, constructed using the Sentinel-1 Synthetic Aperture Radar (SAR) data and the simultaneous Normalized Difference Vegetation Index (NDVI) products from the Moderate Resolution Imaging Spectroradiometer (MODIS) and Landsat 8 sensors, is applied to estimate soil moisture in middle reaches of the Heihe River Basin, and the effects of two key parameters on retrieval accuracy are comprehensively investigated. The results show that: (1) when constructing the empirical relationship between backscattering coefficient difference ( \mathrm{\Delta } \sigma ) and Vegetation Index (VI) required by change detection model, the optimal sampling ratios in the ( \mathrm{\Delta } \sigma - V I ) space are approximately 2% and 4% for MODIS NDVI and Landsat 8 NDVI, respectively; (2) the Landsat 8 NDVI-based change detection model slightly outperforms the MODIS NDVI-based model in soil moisture retrieval accuracy, with Root Mean Square Error(RMSE) of 0.040 m³/m³ and 0.044 m³/m³respectively; (3) for the key parameters of the change detection method, replacing the ground-based initial soil moisture and scaling factor (maximum soil moisture difference between two adjacent dates \mathrm{\Delta } M s_{max} ) by the low-resolution SMAP/Sentinel-1 L2_SM_SP data will increase the RMSE by 0.01 m³/m³ and 0.04 m³/m³ respectively. Comparing to the parameter of initial soil moisture, the error in soil moisture scaling factor will lead to more significant degradation in the performance of the change detection method, thus it is recommended to use the high precision scaling factor for soil moisture estimation. This study confirms the promising potential of Sentinel-1 data for retrieving high-resolution soil moisture via change detection method and provides practical insight into its application.     

Soil moisture estimation using MODIS and ground measurements in eastern China

Recent technological advances in remote sensing have shown that soil moisture can be measured by microwave remote sensing under some topographic and vegetation cover conditions. However, current microwave technology limits the spatial resolution of soil moisture data. It has been found that the Normalized Difference Vegetation Index (NDVI) and Land Surface Temperature (LST) are related to surface soil moisture; therefore, a relationship between ground observed soil moisture and satellite NDVI and LST products can be developed. Three years of 1 km NDVI and LST products from the Moderate Resolution Imaging Spectroradiometer (MODIS) have been combined with ground measured soil moisture to determine regression relationships at a 1 km scale. Results show that MODIS NDVI and LST are strongly correlated with the ground measured soil moisture, and regression relationships are land cover and soil type dependent. These regression relationships can be used to generate soil moisture estimates at moderate resolution for study area.     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像，利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元，并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型，依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子，分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度），开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量，然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时，采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后，对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483，RMSE为29.522 t/hm²；阔叶林：R²为0.470，RMSE为21.632 t/hm²；混交林：R²为0.351，RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319，RMSE为28.352 t/hm²；阔叶林：R²为0.353，RMSE为18.991t/hm²；混交林：R²为0.281，RMSE为26.637 t/hm²）略高，说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于光学与SAR因子的森林生物量多元回归估算

基于福建省Landsat-8 OLI影像,利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元,并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型,依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子,分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度）,开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量,然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时,采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后,对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R²为0.483,RMSE为29.522 t/hm²;阔叶林：R²为0.470,RMSE为21.632 t/hm²;混交林：R²为0.351,RSME为25.253 t/hm²）比含SAR特征多元回归模型的验证精度（针叶林：R²为0.319,RMSE为28.352 t/hm²;阔叶林：R²为0.353,RMSE为18.991t/hm²;混交林：R²为0.281,RMSE为26.637 t/hm²）略高,说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。     

基于Landsat-5 TM数据的河南省白沙灌区地表温度反演研究

地表温度是土壤水分和植被水分状态的指示计,在干旱遥感监测中有重要作用。应用Landsat-5 TM遥感数据和气象资料,利用归一化植被指数(NDVI)区分地表覆盖类型,采用Van de Griend的经验公式法结合典型地表赋值法计算出地表比辐射率。用单窗算法和单通道算法分别对河南省白沙灌区地表温度进行反演,结果表明:两种方法均能较好地将白沙灌区地表温度分布趋势反映出来,单窗算法的反演精度较高,绝对误差为1.1 ℃,更适宜白沙灌区的地表温度反演,进而可以提高灌区旱情遥感监测精度。