一种基于植被指数的遥感影像决策树分类方法

以江苏省徐州市为研究区,采用2000年ETM+多光谱影像作为遥感信息源,选择影像的光谱特征和归一化植被指数（NDVI）、绿度植被指数（GVI）、比值植被指数（RVI）等10种植被指数作为分类特征,基于See5决策树学习软件构建分类决策树,实现了研究区景观格局的遥感分类。研究结果表明,决策树分类法易于综合多种特征进行遥感影像的分类,植被指数参与到决策树分类中能够提高分类的总体精度。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例,通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异,基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据,构建归一化差值植被指数（NDVI）差值法、归一化水体指数和比值植被指数（NDWI-RVI）差值法提取水稻分布,并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示：与非监督分类和监督分类方法相比,植被指数差值法水稻识别精度贡献率可提升30%以上,NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72;NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846,实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的,可实际服务于太湖地区农业生产及相关决策支持。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例，通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异，基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据，构建归一化差值植被指数（NDVI）差值法、归一化水体指数和比值植被指数（NDWI-RVI）差值法提取水稻分布，并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示：与非监督分类和监督分类方法相比，植被指数差值法水稻识别精度贡献率可提升30%以上，NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72；NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846，实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的，可实际服务于太湖地区农业生产及相关决策支持。     

基于云计算的遥感数据处理模型的设计与实现

云计算模型能够利用整个云网络中的计算资源,形成强大的计算能力来满足遥感数据的实时处理。于是提出一种基于云计算模型的海量遥感数据处理模型,在这个处理系统中使用控制器来实现遥感数据处理任务的分发,NDVI(Normal Differential Vegetation Index,归一化植被指数,标准差异植被指数)的提取,使得能够应用与快速的监测洪涝灾害以及实现对于沙尘暴天气以及森林火灾的实时监测,能够在极地考察中使用来监测冰川的流速,确定考察方案,提出可行的解决方案等。     

基于SVM的高分时序冬小麦种植区提取研究

冬小麦作为我国重要的粮食作物,准确获取其空间分布情况,对农业生产管理及农情监测有重要意义。以河南省商丘市为例,利用覆盖冬小麦完整生育期的GF-1数据,计算归一化植被指数（Normalized Difference Vegetation Index,NDVI）、增强植被指数（Enhanced Vegetation Index,EVI）时间序列,结合关键生育期影像,构建不同特征量组合数据集,利用支持向量机方法进行冬小麦提取。同时采用主成分分析法对数据进行降维处理,尝试通过压缩特征集数据量来提高冬小麦提取效率。研究结果表明：EVI时序数据较NDVI能更好地描述作物的物候,提取精度皆高于NDVI,其中EVI时序数据与关键生育期影像组合提取精度最高,达到97.67%。结果表明,降维后数据并未对提取精度造成显著影响,达到压缩数据量保持提取精度的目的,为大区域作物提取提供参考价值。     

基于特征波段的SPOT-5卫星影像水稻面积信息自动提取的方法研究

为了快速、准确地从遥感影像上提取水稻信息,满足国家农情遥感监测系统要求,以黑龙江省852农场水稻提取为例,利用SPOT-5卫星影像数据,分析了水稻和其它背景地物的光谱特征,发现利用原有波段难以提取复杂的水稻信息,因此利用植被特征波段：归一化植被指数（NDVI）作为新波段融入原始影像中,在增加有效信息量的同时运用简单决策树模型提取水稻信息,并参照地块现状矢量图进行精度评价。结果表明,该方法的总体提取效果较好,其提取精度与通常的监督分类方法相比有了较大的提高,只是在水稻和玉米交界处有误判现象。     

利用色调—亮度彩色分量的可见光植被指数

目的 无人机遥感具有高时效、高分辨率、低成本、操作简单等优势。但由于无人机通常只携带可见光传感器,无法计算由可见光-近红外波段组合所构造的植被指数。为解决这一问题,提出一种归一化色调亮度植被指数NHLVI （normalized hue and lightness vegetation index）。方法 通过分析HSL （hue-saturation-lightness）彩色空间模型,构建一种基于色调亮度的植被指数,将该植被指数以及其他常用的可见光植被指数,如归一化绿红差值指数NGRDI （normalized green-red difference index）、过绿指数ExG （excess green）、超绿超红差分指数ExGR （excess green minus excess red）等,分别与野外实测光谱数据和无人机多光谱数据的NDVI （normalized difference vegetation index）进行相关性比较;利用受试者工作特征曲线ROC （receiver operating characteristic curve）的特点确定阈值,并进行植被信息提取与分析。结果 NHLVI与NDVI相关性高（R²=0.776 8）,而其他可见光植被指数中,NGRDI与NDVI相关性较高（R²=0.687 4）;ROC曲线下面积大小作为评价不同植被指数区分植被与非植被的指标,NHLVI指数在ROC曲线下面积为0.777,小于NDVI （0.815）,但大于NGRDI （0.681）,区分植被与非植被能力较强。为进一步验证其精度,利用阈值法提取植被,NHLVI提取植被信息的总体精度为82.25%,高于NGRDI （79.75%）,尤其在植被稀疏区,NHLVI的提取结果优于NGRDI。结论 提出的归一化色调亮度植被指数,提取植被精度较高,适用于无人机可见光影像植被信息提取,为无人机可见光影像的应用提供了新方法。     

FY-3/VIRR及MERSI与EOS/MODIS植被指数比较与差异原因分析

为了论证FY-3/VIRR、FY-3/MERSI及EOS/MODIS影像之间协同反演的可行性,这些数据生成植被指数间的比较来说明。选取2012年覆盖黑河上游附近的多对同日过境的晴空数据,利用统计方法对比分析了FY-3/VIRR、FY-3/MERSI与EOS/MODIS的归一化植被指数。结果表明:FY-3/VIRR和FY-3/MERSI的NDVI与EOS/MODIS存在显著的相关性,相关系数均超过0.99;但3种数据所生成的NDVI也存在显著的差异。对引起NDVI差异的原因进行了详细分析,发现光谱响应函数、大气水汽、辐射定标、观测角度等都会对植被指数产生一定的影响;这些分析可以为以后多源遥感数据协同反演提供参考。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例,通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异,基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据,构建归一化差值植被指数(NDVI)差值法、归一化水体指数和比值植被指数(NDWI-RVI)差值法提取水稻分布,并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示:与非监督分类和监督分类方法相比,植被指数差值法水稻识别精度贡献率可提升30%以上,NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72;NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846,实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的,可实际服务于太湖地区农业生产及相关决策支持。     

基于多源遥感数据融合的地表覆盖分类方法

针对当前地表覆盖分类结果精度低的问题，提出基于多源遥感数据融合的地表覆盖分类方法。首先，将红-绿-蓝（Red Green Blue,RBG）、数字表面模型（Digital Surface Model,DSM）和归一化植被指数（Normalized Differential Vegetation Index,NDVI）作为编码器的3个分支，生成地表覆盖遥感影像语义分割网络；其次，利用多源遥感数据融合技术构建地表覆盖分类模型；最后，通过对模型的训练和优化，输出空白域自适应与影像地表覆盖分类结果。实验结果表明，该方法可以实现对多种地表覆盖类型的高精度划分，具有一定的应用价值。     

遥感影像的高性能并行处理技术研究

随着空间遥感技术和对地观测技术的不断发展,光学、热红外和微波等不同技术手段可以获取同一地区的多种遥感影像数据（多时相、多光谱、多传感器、多平台和多分辨率等）,每天获取的遥感数据量越来越大。同时,大量的遥感应用需要快速地对这些遥感数据进行处理与分析,提供辅助决策信息。因此,如果不能及时进行数据处理,这些数据就会失去时效性,甚至失去数据本身的价值。高性能计算与并行处理技术,加速了遥感影像数据处理与信息提取的进度,如大规模多处理系统、网格与云计算技术、通用图形处理器（GPGPU）等。文中综述了高性能计算、并行处理及云计算技术应用于遥感领域的最新进展,给出了一些研究与应用范例,并提出了当前高性能遥感影像处理所面临的一些挑战。     

基于HBase的遥感数据分布式存储与查询方法研究

遥感影像的存储与查询是地理信息处理中重要的内容,在海量遥感影像的实时处理中发挥着重要作用。针对传统的遥感影像处理中存在单节点故障、扩展性低和处理效率低等问题,提出了一种基于HBase的遥感数据分布式存储与查询方案。该方法首先采用均匀网格对遥感影像进行划分,并根据划分结果设计了一种基于网格ID和Hilbert曲线相结合的索引方案。然后,通过利用HBase的过滤机制设计了过滤列族,达到了在查询时筛选数据的目的。另外,采用MapReduce的并行处理方法对影像数据进行并行写入和查询。实验结果表明,与MySQL和MapFile相比,该方法可以有效地提高数据的写入和查询速度,且具有较好的可扩展性。     

多源定量遥感产品并行处理系统设计及实现*

针对遥感数据非结构化、有格式、单景数据量大、记录总量小、大部分处理过程后数据量不显著减少的特点和大规模遥感数据处理的迫切需求,基于已有硬件资源,设计和实现了集中式集群计算的多源定量遥感产品生产系统。系统为解决遥感科学工作者设计开发的算法进行并行计算的问题以及大规模数据管理的需求,设计了基于任务并行的处理系统和面向应用的并行文件系统。系统集成了遥感科学工作者开发的30多种原始数据的预处理算法和50多种多源定量遥感产品生产算法,解决了多源定量遥感产品规模化流程化按需生产的难题,并进行了产品生产,证明了系统在管理和处理大规模遥感数据时的可靠性和有效性。     

基于GPU的遥感图像配准并行程序设计与存储优化

遥感图像配准是遥感图像应用的一个重要处理步骤.随着遥感图像数据规模与遥感图像配准算法计算复杂度的增大,遥感图像配准面临着处理速度的挑战.最近几年,GPU计算能力得到极大提升,面向通用计算领域得到了快速发展.结合GPU面向通用计算领域的优势与遥感图像配准面临的处理速度问题,研究了GPU加速处理遥感图像配准的算法.选取计算量大计算精度高的基于互信息小波分解配准算法进行GPU并行设计,提出了GPU并行设计模型;同时选取GPU程序常用面向存储级的优化策略应用于遥感图像配准GPU程序,并利用CUDA(compute unified device architecture)编程语言在nVIDIA Tesla M2050GPU上进行了实验.实验结果表明,提出的并行设计模型与面向存储级的优化策略能够很好地适用于遥感图像配准领域,最大加速比达到了19.9倍.研究表明GPU通用计算技术在遥感图像处理领域具有广阔的应用前景.     

面向剖分面片模板的遥感影像并行处理方法

空间数据特别是遥感影像数据的快速增加和应用需求的扩大,其组织效率和处理速度已经成为制约技术应用的瓶颈,地球剖分理论和高性能计算为上述问题解决提供了一种可能途径。针对上述问题,在遥感影像剖分面片数据模型的研究基础上,提出了剖分面片模板并行计算模式,设计并实现了一种面向剖分面片模板的遥感影像并行处理方法;该方法基于MPI（Message Passing Interface）与OpenMP（Open Multi-Processing）混合并行计算框架,构建算法并行处理模型,形成算法并行化类库,通过调用其内部方法实现计算任务的并行执行。通过一个遥感影像剖分化并行分割处理实例,验证了该方法的有效性。实验结果表明,该方法具有较好的分割效果和加速比,有一定的示范意义,为进一步提高遥感影像应用能力提供了借鉴。     

基于无人机倾斜摄影技术的多源遥感影像变化检测并行系统设计

为使无人机遥感图像的影像残差值得到有效控制,提升多源遥感影像变化特征的检测精度水平,设计基于无人机倾斜摄影技术的多源遥感影像变化检测并行系统。在C/S框架体系中,设置并行运作电路、像素点检测主机、HBase存储结构与遥感影像显示器,完成对多源遥感影像变化检测并行系统的硬件设计。根据联合平差指标的数值水平,计算密集度指标,联合已知影像数据,求解无人机倾斜摄影过程中的纹理映射条件,实现对多源遥感影像的建模处理。按照影像特征提取结果,完善影像检测金字塔的构型模式,将无人机数字影像与并行检测节点匹配起来,再结合各级硬件应用结构,完成基于无人机倾斜摄影技术的多源遥感影像变化检测并行系统设计。实验结果表明,设计的系统在无人机倾斜摄影技术的作用下,遥感图像在x轴、y轴、z轴方向上的影像残差指标均出现明显下降的数值变化状态,能够有效提升多源遥感影像变化特征的检测精度。     

基于GPU的遥感图像IHS小波融合并行算法设计与实现

遥感图像融合是遥感图像应用的一个重要处理步骤。随着遥感图像数据规模与融合算法计算复杂度的增大,遥感图像融合面临着处理速度的挑战。最近几年,GPU计算能力得到极大提升,面向通用计算的应用得到了快速发展。本文基于GPU编程模型和硬件特性,深入研究了遥感图像融合的并行加速算法,提出了适合融合执行流的并行映射模型。本文选取计算量大、计算精度高的IHS增强小波融合算法进行GPU并行设计,并针对主流的GPU平台在数据传输、循环优化、线程设计等方面进行了优化,最后在nVIDIA GTX 460 GPU上进行了实验。实验结果表明,本文设计的并行映射模型及优化策略能够很好地适用于遥感图像融合应用,最大加速比达到了114倍。研究表明,GPU通用计算技术在遥感图像处理领域具有广阔的应用前景。     

遥感图像目标识别的并行处理方法

为提高遥感图像目标识别的速度，减少消耗的时间，提出了一种特殊的遥感图像目标识别的并行处理方法。基于这种方法，只需对串行识别算法做较少的改动即可实现遥感图像目标识别的并行化处理，无需设计专门的并行识别算法，以较低的代价解决了遥感图像目标识别耗时较多的问题。     

基于集群的海洋遥感图像融合并行计算策略

集群体系下的大规模并行计算,是高性能计算的基础。遥感图像处理效率的提高,有赖于并行计算技术的应用。在分析已有网格计算环境下分布式任务分配方法的基础上,针对海上遥感图像目标物数量相对较少的特点,首先利用四叉树结构理念对目标区域进行划分,同时采用动态负载均衡的任务分配策略与并行计算思想,提出对目标区域图像进行融合处理的集群体系任务分配算法处理模型。通过对比验证,表明该集群体系下算法模型能有效地提高图像融合的速度。     

Hadoop下海量遥感数据的处理

随着我国空间技术科学的发展,遥感数据正以指数级增长,由于遥感数据的地理信息特征,海量遥感数据的存储和处理成了近年的研究热点,本文采用在商业上取得出色成绩的hadoop云计算平台来对海量遥感数据进行并行化处理,完成了系统并行性能测试与分析,结果表明利用hadoop对海量遥感数据的并行化处理的可行性,并且还能满足海量遥感数据并行处理效率要求和高可用性。