遥感理论与技术研究进展Word文件下载.docx
- 文档编号:5138649
- 上传时间:2023-05-04
- 格式:DOCX
- 页数:9
- 大小:22.36KB
遥感理论与技术研究进展Word文件下载.docx
《遥感理论与技术研究进展Word文件下载.docx》由会员分享,可在线阅读,更多相关《遥感理论与技术研究进展Word文件下载.docx(9页珍藏版)》请在冰点文库上搜索。
因此,为了保证遥感影像后续处理结果的可靠性、准确性,以及
具有标准的地理空间坐标以便于进行空间分析,首先对遥感影像进行
几何校正,消除畸变;
其次为了使影像上感兴趣的特征得以加强,使图像更加清晰提高解译精度,还要对遥感影像进行增强处理,对同一地区不同时相或不同传感器获得的影像数据进行融合处理,通过互补
信息的有机集成,减少或抑制单一信息源对被感知对象或环境解译中可能存在的多义性、不完全性、不确定性和误差,最大限度地利用各种信息源提供的信息,从而大大提高在特征提取、分类、目标识别等方面的有效性;
然后根据影像光谱特征和纹理结构建立解译标志将处理过的影像与土地利用现状本底空间数据叠置,进行光谱分析交互式确定土地利用现状变更源,生成GPS测量所需的变更调查记录表和变更地块位置示意图。
2近地表气温遥感反演研究进展高时间分辨率的近地表气温
空间分布数据是许多陆面过程模中非常重要的输入参数之一。
在常规气象观测站点稀少或没有的情况下,利用遥感技术进行较高时空分辨率的近地表气温估算与反演,在理论方法与业务实践上都具有重要研究意义。
根据地表能量平衡与辐射平衡原理,在气温遥感反演物理机制分析的基础上,总结了国内外近年来气温遥感反演的研究进展,主要方法可归纳为5类:
单因子统计方法、多因子统计方法、神经网络方法、地表温度植被指数方法和地表能量平衡方法,并从遥感反演气温的时空分辨率、反演模型中影响因子的考虑、模型的可移植性与实用性角度,讨论了已有研究方法中存在的困难与问题,最后对未来可能的研究方向做出了展望。
2.1单因子统计方法这类方法的特点是直接建立单个时相热红外传感器的通道亮温或由其反演得到的地表温度与近地表气温之间的线性或非线性相关关系。
Chen等,使用静止卫星数据得出的表面温度和气温数据,建立了冬季晴朗夜间地表温度与气温之间的相关关系,回归模型的标准方差为1.57°
C;
Davis等。
利用NOAA-6N0AA-7建立线性模型估算农田区域日最低、最
高气温,晴空或部分区域有云情况下的残留标准差为1.6~2.6C,
而利用微波数据得出的有云情况下气温误差为2.9~4.0C;
Shigeto等分别建立了4个不同时刻的冬季晴空下气温与LandsatTM热红外通道得出的地表温度之间的关系模型,模型的误差分别为1.
4、1.42、1.85和1.55C;
张敏等建立了日均地表温度与日均气温之间的关系式,两者之间的相关关系高达0.998,关系模型经变形后,可用于计算日均气温。
这种方法的优点是模型简单、易建,但建立的相关模型依赖于建模所用数据的获取时间与地点,甚至同一区域建立的白天和夜间气温反演模型也会有较大不同,将模型应用于其他时刻、区域进行气温反,
误差有时可高达数十摄氏度。
由此可见,在地表温度与气温的关系模型中还需要考虑其他相关因素的影响。
2.2多因子统计方法国内外有关气温遥感反演的文献中,多因
子统计方法或建模时考虑多因素影响的研究所占比重最大,以下列举
其中部分研究成果。
Shigeto等在单因子回归分析的基础上,对气温与地表温度、归一
化植被指数NDVI之间的关系进行二元回归,将模型误差由单一因子模型的1.4、1.42、1.85和1.55C降低到了0.47、1.05、0.86和0.91C;
Ben等利用机载热传感器和实测气温数据,建立了2条不同测量带上的线性回归模型,得出遥感亮温与气温之间的相关性依赖于成像时刻大气条件的结论;
Cress-well等在气温地表
温度经验模型中引入太阳天顶角来估算气温,分别建立了4个时刻
的反演模型,结果表明超过70%的检验样本误差在3C以内;
周红妹等考虑下垫面类型的影响,将城市下垫面类型分为建筑区、工业区、
城郊结合部、农业区等4种类型,分别建立由NOAA/AVHRf数据第
4通道亮温反演气温的相关模型;
刘云等分析了冠层温度气温差异与土壤含水率、叶面积指数、饱和差、相对湿度之间的关系,结果表
明不同土壤深度的不同含水量、叶面积指数等因素对冠气温差都会
产生影响;
Florio等利用AVHRR分裂窗图像和气象站点气温数据,建立了气温与地表温度、经纬度、高程之间的多元回归方程,平均
误差为1.4C;
Zhao等建立了月均气温与高度、经纬度和地形因
子之间的多元线性回归模型,并将其与3种地统计插值方法进行比较,结果表明回归模型具有更高的精度;
Cristobal等以TM、ETM+、MODIS和NOAA/AVHRR^据的温度、反射率、反照率、NDVI等参数作为自变量,通过多元回归方法反演瞬时和日、月平均、最大、最
小气温,其中日、月平均气温反演的平均误差分别为1.22和0.84C;
王纯枝等分析了冠层温度气温差异与土壤含水率、叶面积指数
及株高之间的关系,得出了与刘云等较为一致的结果;
柏建等建立了不同月份的气温与经度、纬度和高度之间的多元回归方程,方程的复
相关系数都在0.9以上;
Yang等利用不同坡度/坡向的辐射来修正常规的经纬度、高度气温反演模型,结果表明修正后模型反演出的气温分布与实际情况更为吻合;
Cheng等采用NOAA/AVHRRSpot数据相结合,对不同地表类型分别建立了气温与地表温度之间的关系模型研究土地覆盖变化对气温的影响;
本文作者在博士论文和后续工作中对近地表气温的遥感反演也进行了初步研究,分析了地表温度与气
温相关关系随时间的变化特点,并提出在气温反演模型中加入一个点的气温数据进行精度控制的方法,建立了分季度、分时段的气温反演模型,可使反演误差降低到1.5C。
综合以上多因子统计研究成果,在利用地表温度反演气温的模型中,考虑的影响因素多种多样,要包括地理位置、地形、下垫面类型、湿度、时间等因素。
多因子统计方法的精度优于单因子统计方法,但大多数研究采用的是多元线性回归分析方法,在本质上与单因子分析方法的缺陷相同统计模型的可移植性仍然较差。
2.3人工神经网络方法许多学者以多因子参数作为输入,采用
人工神经网络方法进行气温的遥感反演研究。
Jang等采用神经网络方法输入AVHRR图像的5个波段、表面高度、太阳天顶角、儒略日来估算气温,误差在2.0C之内;
Zhao等采用BP人工神经网络方法,输入遥感反照率、NDVI、DEM地表温度等参数来估算日均气温和最高、最低气温,误差在0.9C左
右;
Mao等针对ASTER数据,利用辐射传输软件Modtran模拟网络训练与精度检验数据,采用动态学习人工神经网络方法反演近地表气温,
平均误差和标准方差分别为2.0和2.3C。
神经网络方法的优点是易于使用,可以方便处理一些不好明确建模的问题,能够表达地表温度与气温之间的非线性关系,但是网络的
训练与调节依赖于大量的已知输入数据,而且神经网络属于黑箱系统,无法明确地用数学模型表达训练出的网络模型。
2.4温度植被指数方法温度植被指数(Temperature-VegetationIndex,TVX)方法已经被用于显热通量、
潜热通量及土壤含水量等地表参数的估算。
利用TVX方法进行气温反演的理论基础是基于遥感图像构建的植被指数与地表温度之间高度线性相关以及公里级空间尺度上遥感反演的浓密植被温度与气温近似相等的理论来获取近地表气温。
Prihodko等通过TVX方法,根据气温的空间自相关分析结果,利用NOAA1313像元窗口中的植被指数和地表温度之间的负线性关系,外推求得植被完全覆盖下的地表温度,作为气温的估计值,平均误差为2.92C,但有些区域经常不满足设定条件,因此无法获得其气温空间分布状况,而且无法获得大区域的气温空间分布;
在此基础上
齐述华等提出利用归一化植被指数地表温度空间来获取气温,平
均绝对值误差为3.72C;
Lakshmi等利用N0AA-9卫星搭载的
VHR图像数据,采用TVX方法进行气温反演,并与站点实测数据进行了对比;
Stisen等采用了静止气象卫星MSGSEVIRI(theSpinning
EnhaneedVisibleandInfraredImager)图像数据,利用TVX方法
结合正弦函数插值来估算西非地区的气温日分布,均方根误差为2.55~2.99C。
TVX方法的不足之处在于该方法不适于植被覆盖度较低或非植被覆盖区域的气温反演,不同植被覆盖类型的植被指数饱和值的确
定、邻域窗口尺寸大小的确定都是影响反演精度的关键问题,不同学
者采用了不同的取值。
而且当图像中有云存在、多种植被覆盖类型形成混合像元时,以及邻域窗口内NDVI的变化范围等因素都会影响TVX方法的精度。
2.5地表能量平衡方法部分研究基于地表能量平衡原理进行
了近地表气温遥感反演研究,但相对于统计方法,此类研究较少。
Pape等利用地表能量平衡模型SEB,在多个地面环境参数实地测量的基础上,结合遥感数据反演逐小时的气温分布,其中SEB模型能够揭示超过80%的变化规律;
Sun等基于热力学理论,使用作物水分胁迫指数和空气动力学阻抗2个参数,建立了地表温度与气温之间的关系模型,并采用MODIS数据在中国北方平原区进行了精度验证,结果表明超过80%的数据误差在3.0C以内;
Klemen等利用地表温度、短波辐射、反射率产品,检验了TVX方法和Meteotest提出的Meteonorm方法,并在此基础上提出了一种经验化的地表能量平衡参数化方法,88%的数据误差在3.0C以内。
地表能量平衡方法用于气温反演的优点在于该方法的物理意义
明显,模型具有较好的移植性与普适性,但是难以(准)实时用于气温反演,最主要的原因是模型中需要输入许多参数,而且部分参数如动力学阻抗、表面粗糙度、风速等,无法直接通过遥感手段来获取。
3UFCLS线性光谱混合分析法在遥感图像分类识别中的效果
分析用非监督全约束最小二乘法对线性光谱混合模型进行了反演,
通过获得各像元组分的面积比图像来达到对各像元分类的目的。
将非监督全约束最小二乘法的分类结果与有限光谱混合分析法的分类结果进行。
对比,结果表明,无论从分类效果还是计算时间上看,前者都优于
线性模型是迄今为止使用最多的一种模型,其突出优点是简单。
文献[1]赵英时.美国中西部沙山地区环境变化的遥感研究.地理研究,2019,20
(2):
213~21研究验证,在提取沙地分量时,线性光谱混合模型比传统的穗帽变换更好。
用线性光谱混合模型来分解混合像元即模型反演,目前大部分都采用最小二乘法。
如果从最小化代价函数的角度来看,因为模型的参数基本都有明
确的物理涵义和边界,所以该问题也可归结到求解约束最优化问题。
最优化算法包括确定性搜索算法和近年来新发展的一些随机性搜索算法(如遗传算法等)。
然而对于线性光谱混合模型来说,与确定性搜索算法相比,随机性搜索算法并没有表现出任何优势,而且要花费相对较长的计算时间。
文献[3]DanielCH,ChangCI.FullyConstrainedLeast
SquaresLinearSpectralMixtureAnalysisMethodforMaterial
QuantificationinHyperspectralImagery.IEEETrans.OnGeosci.
RemoteSensing,2019,39:
529~54提出的非监督全约束最小二乘法(unsupervisedfullyconstrainedleastsquares,UFCLS)是在最小
二乘法的基础上,采用类似于确定性搜索算法中的有效集法对计算效率进行的改进。
在没有先验知识的情况下,对遥感图像进行混合像元分解,该方法不失为一种有效的方法。
本文分析了用UFCLS方法对TM图像进行分类识别的效果。
参考文献[1]周廷刚,罗红霞,郭达志.基于遥感影像的城市
空间三维绿量(绿化三维量)定量研究[J].生态学报,2005,25(3):
415-520.[2]罗红霞,龚健雅.UFCLS线性光谱混合分析法在遥
感图像分类识别中的效果分析[J].武汉大学学报信息科学版,
2004,29(7):
615-618.[3]周廷刚,罗红霞,杜培军,郭达志.基于GIS与RS的城市绿化环境效益及其空间特征研究[J].河北师范大学学报/自然科学版.2007,7(31):
535-538[4]罗红霞,龚健雅.线性和非线性光谱混合模型模
拟土壤、植被混合光谱的效果分析[J].测绘通报.2005,5.6-10.[5]周廷刚,郭达志,陶康华.NCIVI及其在城市绿化航空遥感调查中的应用以宁波市为例[J].城市环境与城市生态.2003,2.25-27.
⑹王利花,周云轩,田波.基于TM和ETM+影像数据的东沙环礁珊瑚礁监测[J].吉林大学学报(地球科学版).2019,41
(5):
1631-1637.[7]蔡武宜.基于GIS和RS集成技术的二调思路
方法研究[J].科技资讯.2010,31.28.[8]杨立娟,武胜利,张钟军.利用主被动微波遥感结合反演土壤水分的理论模型分析J].国土资源遥感.2019,2.53-58.[9]祝善友,张桂欣.近地表气温遥感反
演研究进展[J].地球科学进展.2019,26(7):
724-729.[10]王
倩,汪权方,梅新.分形理论在遥感图像分类处理中的应用评析[J].安徽农业科技.2007,37(7):
3325-3326.[11]黄登山,杨敏华,胥海威,姚
学恒.利用最优估计理论进行多光谱与全色影像融合[J].武汉大学学报信息科学版.2019,36(9):
1039-1072.[12]刘海,陈晓玲,宋
珍,殷守敬.MODIS影像雪深遥感反演特征参数选择与模型研究J].
武汉大学学报信息科学版.2019.3(6):
113-116
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 遥感 理论 技术研究 进展