基于HJ-1卫星CCD遥感数据的作物秸秆光谱识别模型与提取方法研究

遥感信息智能化提取方法

遥感信息智能化提取方法 目前，大部分遥感信息的分类和提取，主要是利用数理统计与人工解译相结合的方法。这种方法不仅精度相对较低，效率不高，劳动强度大，而且依赖参与解译分析的人，在很大程度上不具备重复性。尤其对多时相、多传感器、多平台、多光谱波段遥感数据的复合处理，问题更为突出。在遥感影像相互校正方面，一些商业化的遥感图像处理软件，虽然提供了简单的影像相互校正和融合功能，但均是基于纯交互式的人工识别选取同名点，不仅效率非常低，而且精度也难于达到实用要求。因此,研究遥感信息的智能化提取方法对于提高遥感信息的提取精度和效率具有重要意义。 1．遥感图像分类 遥感图像分类是遥感图像处理系统的核心功能之一，它实现了基于遥感数据的地理信息提取，主要包括监督分类，非监督分类，以及分类后的处理功能。非监督分类包括等混合距离法分类（Isodata）等。监督分类包括最小距离（Minimum Distance）分类、最大似然（Maximum Likehood）分类、贝叶斯（Bayesian）分类、以及波谱角分类、二进制编码分类、AIRSAR散射机理分类等。 自动分类是计算机图像处理的初期便涉及的问题。但作为专题信息提取的一种方法，则有其完全不同的意义，是从应用的角度赋予其新的内容和方法。传统的遥感自动分类，主要依赖地物的光谱特性，采用数理统计的方法，基于单个像元进行，如监督分类和非监督分类方法，对于早期的MSS这样较低分辨率的遥感图像在分类中较为有效。后来人们在信息提取中引入了空间信息，直接从图像上提取各种空间特征，如纹理、形状特征等。其次是各种数学方法的引进，典型的有模糊聚类方法、神经网络方法及小波和分形。 近年来对于神经网络分类方法的研究相当活跃。它区别于传统的分类方法在于：在处理模式分类问题时，并不基于某个假定的概率分布，在无监督分类中，从特征空间到模式空间的映射是通过网络自组织完成的，在监督分类中，网络通过对训练样本的学习，获得权值，形成分类器，且具备容错性。人工神经网络 (ANN) 分类方法一般可获得更高精度的分类结果，因此 ANN方法在遥感分类中被广泛应用，特别是对于复杂类型的地物类型分类，ANN 方法显示了其优越性。如 Howald(1989)、McClellad(1989)、 Hepner(1990)、T.Yosh ida(1994)、K.S.Chen(1995)、J.D.Paola(1997) 等利用 ANN 分类方法对 TM 图像进行土地覆盖分类，在不同程度上提高了分类精度；Kanellopoulos(1992) 利用 ANN方法对 SPOT 影像进行了多达20类的分类，取得比统计方法更精确的结果；G.M.Foody(1996)用ANN对混合像元现象进行了分解；L.Bruzzone 等 (1997) 在 TM－5 遥感数据、空间结构信息数据、辅助数据（包括高程、坡度等）等空间数据基础下，用 ANN 方法对复杂土地利用进行了分类，比最大似然分类法提高了 9% 的精度。与统计分类方法相比较，ANN 方法具有更强的非线性映射能力，因此，能处理和分析复杂空间分布的遥感信息。2．基于知识发现的遥感信息提取

遥感在农作物遥感估产的应用

遥感在农作物遥感估产的应用 改革开放以来，国民经济快速发展，现在各行各业对高科技的需求和运用不断加深。其中计算机技术，遥感技术，全球定位系统技术等都已经在个个领域中都起着至关重要的作用。这其中遥感技术是一种并没有完全作用于物体但能对其进行研究分析的技术。是指在遥感平台上，一种运用各种传感器来获取作物及其环境背景的反射、辐射信息的瞬时记录，经计算机识、处理、分类、信息提取等方法，并结合地学分析和数理统计分析，最后估测出农作物的最终产量。采用遥感技术有相当多的优点，其主要优势在可以迅速获取资料，时效性强，周期短。遥感平台放置的高低直接决定了它视角的宽广，位置越高视角也就越宽广，观察的范围也就越大。相对于传统估产的方法，遥感估产更加具有经济效益和社会效益。遥感数据可以更加的反应出许多的人文与地理信息。且数据连贯性较强，具有高强度性和可比性。我国相对来说很早就在农业方面采用遥感技术。 20世纪70年代末以来，基于土壤普查和农业区划工作的需求，在国家计委、国家科委和农业部的支持下，联合国粮农组织(FAO)、计划开发署(UNDP)提供了资助，农业部门成立了专门的技术研究机构，开展了遥感应用的技术和设备引进以及人才培训工作。经过20多年的技术攻关、实验研究和生产服务，目前农业遥感技术应用已经形成了一支分属于13个工作单位、拥有技术人员200多名的专业队伍，能够承担和完成农业资源调查和监测、主要农作物估产、农业自然灾害监测和评估等任务。 经过这20多年的努力，农业部对遥感技术的运用，取得了重要成果。一是在农业资源调查和监测方面，开展了全国耕地变化监测。对我国北方4省区10年土地开发利用综合评价、全国土地利用现状概查、松嫩平原土地利用遥感调查、内蒙古草原资源调查和监测等;二是在作物估产方面进行了北方7省冬小麦遥感估产、黑龙江省大豆及春小麦估产、南方稻区水稻估产、棉花面积监测等项研究;三是在生态环境变迁方面，进行了全国水土流失调查制图、北方地区土地沙漠化监测等;四是在自然灾害监测方面，开展了北方草原火灾监测、北方冬小麦旱情监测等。 作物参量估算 遥感估产是建立作物光谱于产量之间联系的一种技术，通过光谱来获取作物的生长信息。在实际工作中，常常用绿度或植被指数作为评价生长状况的标准，植被指数中包括了作物长势和面积两方面的信息。光谱产量的模式的基本思想是将各种形式的植被指数与作物单产建立回归方程，筛选出方程拟合率高、相对剩余标准差小的估产模式。遥感估产的两个关键问题：一是作物识别和面积估算，二是作物长势分析，单产模型构建，这两个问题的解决都是通过遥感信息处理实现的。 1、农作物遥感估产原理 任何物体都具有吸收和反射不同波长电磁波的特性，这是物体的基本特性。人眼正是利用这一特性，在可见光范围内识别各种物体的，遥感技术也是基于同样的原理，利用搭载在各种遥感平台(地面、气球、飞机、卫星等)上的传感器(照相机、扫描仪等)接收电磁波，根据地面上物体的波谱反射和辐射特性，识别地物的类型和状态。 农作物估产则是指根据生物学原理，在收集分析各种农作物不同生育期不同光谱特征的基础上，通过平台上的传感器记录的地表信息，辨别作物类型，监测作物长势，并在作物收获前，预测作物的产量的一系列方法。它包括作物识别和播种面积提取、长势监测和产量预报两项重要内容。

遥感影像道路网自动提取的研究_李燕

收稿日期:2003-03-28作者简介:李燕(1977-),女,四川成都人,硕士研究生,主要从事遥感图像处理与应用、模式识别研究。 遥感影像道路网自动提取的研究 李 燕,余旭初 (解放军信息工程大学测绘学院,河南郑州 450052) Road Automatic Extraction from Remote Sensor Image LI Yan,YU Xu -chu 摘要:详细分析了道路的影像特征,建立了道路网描述模型。对道路模型的表达采用了模糊数学的方法,对知识的表达使用了带有置信度因子的模糊产生式规则,知识的推理使用了不确定性推理中的各种理论。本项研究力图模拟人的感知过程,以段的几何与灰度属性为主,并顾及局部上下文线索进行感知编组;基于道路模型对道路段进行识别;再利用道路的全局性约束知识对道路段进行重组,弥补了局部编组下的缺点。进行道路的分支和交叉的检测形成道路网。 关键词:影像理解;道路模型;感知编组;知识表达;知识推理;特征提取;几何结构信息中图分类号:P237 文献标识码:B 文章编号:1671-3044(2003)03-0011-05 1 引 言 近年来,遥感技术迅猛发展,而人们对遥感信息的认识和利用程度要远远落后于通过空间和航空系 统获取信息源的速度。从影像获取信息是人类获得知识的主要来源之一,如何自动处理、解译海量的图像数据是在整个社会信息化过程中面临的重要问题。从遥感图像中识别各种目标,是图像处理和目标识别的一个重要研究课题。道路自动识别是其中一个基本的、常见的问题。道路网是非常重要的基础地理信息,它的识别和精确定位对GIS 数据获取、影像理解、制图以及作为其他目标的参照体都有深远的意义。在过去的二十多年里,道路的提取在摄影测量界和计算机视觉界受到了广泛的重视,针对不同的影像类型,不同的影像分辨率,不同区域的影像和不同的道路类型,人们提出了许多从航空和遥感图像中自动提取道路的方法。但由于道路在遥感图像中的表现形式十分复杂,对不同比例尺的影像难以用固定的参数或特征描述,而只能用一些抽象的语句来描述。对于同一算法,不同的环境、不同的传感器、不同的图像、不同的成像条件等等会造成提取结果的极大差异,因而造成了自动识别的困难,使得自动提取道路信息成为一个难度很大的课题。目前仍然没有足够可靠和实用的自动识别软件。 本文以低分辨率影像乡村道路网的自动提取为对象,研究了以道路模型为基础,基于感知编组从遥感图像中自动提取道路网的方法。详细分析了道路的影像特征,建立了道路网描述模型。在道路识别过程中,对道路模型的表达采用了模糊数学的方法,对知识的表达使用了带有置信度因子的模糊产生式规则,知识的推理使用了不确定性推理中的各种理论。力图模拟人的感知过程,以段的几何与灰度属性为主,并顾及局部上下文线索进行感知编组,然后基于道路模型对道路段进行识别,再利用道路的全局性约束知识,如功能特征、拓扑特征、上下文特征等对道路段进行重组,弥补了局部编组下的缺点,最后进行道路的分支和交叉的检测形成道路网。2 道路描述模型 如何在实际图像中检测道路,关键问题是对现实世界中的道路进行正确的描述和理解,建立合适的道路模型。描述现实世界中的道路已经有很多学者做了研究,Garnesson 与Vosselman 等指出,道路的特征可以分为功能特征(functional)、几何特征(geometric)、辐射特征(photometric )、拓扑特征(topologic)、光谱特征和关联或上下文特征(contextual)等六个方面。本文重点研究低分辨率乡村主要道路的自动提取,我们抽象出道路的描述模 第23卷第3期2003年5月 海 洋 测 绘 H YDROGRAPHIC SURVEYING AND CHARTING V ol 123,No 13M ay ,2003

遥感估产技术

遥感在农业估产中的应用与发展 1 引言 遥感( Remote Sensing) 即遥远的感知, 指在一定距离上, 应用探测仪器不直接接触目标物体,从远处把目标的电磁波特性记录下来, 通过分析揭示出物体的特征性质及其变化的综合性探测技术[1]。摄影照相便是一种最常见的遥感,照相机并不接触被摄目标,而是相隔一定的距离,通过镜头把被摄目标的影像记录在底片上,经过化学处理,相片便重现被摄目标的图像。从拍摄目标到再现目标所用的手段,便是一种遥感技术。遥感与其他技术结合, 在农业应用中具有科学、快速、及时的特点。这对于充分利用农业资源、指导农业生产、农产品供需平衡等方面有着重要的意义。 2 遥感估产的原理及农作物估产方法 2.1 遥感估产的基本原理[2] 任何物体都具有吸收和反射不同波长电磁波的特性, 这是物体的基本特性。人眼正是利用这一特性, 在可见光范围内识别各种物体的。遥感技术也是基于同样的原理, 利用搭载在各种遥感平台(地面、气球、飞机、卫星等)上的传感器(照相机、扫描仪等)接收电磁波, 根据地面上物体的波谱反射和辐射特性, 识别地物的类型和状态。农作物估产则是指根据生物学原理, 在收集分析各种农作物不同生育期不同光谱特征的基础上, 通过平台上的传感器记录的地表信息, 辨别作物类型, 监测作物长势, 并在作物收获前, 预测作物的产量的一系列方法。它包括作物识别和播种面积提取、长势监测和产量预报两项重要内容。 2.2 农作物估产的方法 农作物估产在方法上可分为传统的作物估产和遥感估产两类。传统的作物估产基本上是农学模式和气象模式, 采用人工区域调查方法。它们把作物生长与主要制约和影响产量的农学因子或气候因子之间用统计分析的方式建立起关系。这类模式计算繁杂、速度慢、工作量大、成本高, 某些因子种类往往难以定量化, 不易推广应用。遥感估产则是建立作物光谱与产量之间联系的一种技术,它是通过光谱来获取作物的生长信息。在实际工作中,常常用绿度或植被指数( 由多光谱数据, 经线性或非线性组合构成的对植被有一定指示意义的各种数值) 作为评价作物生长状况的标准。植被指数中包括了作物长势和面积两方面的信息, 各种估产模式, 尤其是光谱模式中植被指数是一个极为重要的参数。根据传感器从地物中获得的光谱特征进行估产具有宏观、快速、准确、动态的优点[3, 4]。农作物估产中所应用的遥感资料大致可分为3类: 一是气象卫星资料, 主要为美国第三代业务射仪( AVHRR) 资料, 其资料特点是周期短、覆盖面积大、资料易获取、实时性强、价格低廉,空间分辨率低但时间分辨率较高; 二是陆地卫星(Landsat) 资料, 应用较多功能是专题制图仪(TM)资料, 它重复周期长、价格高, 但其空间分辨率高[5]; 三是航空遥感和地面遥感资料, 主要用于光谱特征及估产农学机理的研究中, 其中高光谱数据可提供连续光谱, 可消除一些外部条件的影响而成为遥感数据处理、地面测量、光谱模型和应用的强有力的工具[6]。摘要本文从遥感估产为出发点, 绍了遥感的概念、原理、方法特点及国内外遥感估产方面的研究进展。 关键词遥感; 农作物估产; 遥感资料; 遥感方法 17 2007年第3 期 在遥感估产中农作物面积提取是最重要的内 容。用遥感方法测算一种农作物的种植面积主要 有以下几种方法[5]。 1) 航天遥感方法。包括卫星影像磁带数字图象

高光谱遥感的发展与应用_张达

第１１卷　第３期２ ０１３年６月光学与光电技术 ＯＰＴＩＣＳ　＆ＯＰＴＯＥＬＥＣＴＲＯＮＩＣ　 ＴＥＣＨＮＯＬＯＧＹＶｏｌ．１１，Ｎｏ．３　 Ｊｕｎｅ，２０１３收稿日期　２０１２－０９－２９；　收到修改稿日期　２０１２－１２－ １３作者简介　张达（１９８１－） ，男，博士，副研究员，硕士生导师，主要从事空间光学遥感仪器的研制、空间光学成像，以及光谱探测技术方面的研究。Ｅ－ｍａｉｌ：ｚｈａｎｇｄａ＠ｃｉｏｍｐ ．ａｃ．ｃｎ基金项目　国防预研基金（ＳＡ０５０），国家８６３高技术研究发展计划（２０１０ＡＡ１２２１０９１００１） ，吉林省科技发展计划（２０１１０１０７９ ）资助项目文章编号：１６７２－３３９２（２０１３）０３－００６７－ ０７高光谱遥感的发展与应用 张　达　郑玉权 （中国科学院长春光学精密机械与物理研究所，吉林长春１３００３３） 摘要　阐述了高光谱遥感的特点、优势，以及在航空及航天领域的发展情况，列举了几种典型高光谱成像仪的光学系统原理和主要技术指标。在此基础上， 概述了高光谱遥感在植被生态、大气环境、地质矿产、海洋、军事等领域的应用情况。最后对高光谱遥感发展趋势提出了几点建议，包括低反射率目标遥感、高信噪比、高空间分辨率及宽覆盖范围等方面。关键词　高光谱遥感；发展；应用；成像光谱仪中图分类号　ＴＰ７０ 文献标识码　Ａ １　引　言 遥感技术是２０世纪６０年代发展起来的对地 观测综合性技术［１］ ，随着２０世纪８０年代成像光谱 技术的出现， 光学遥感进入了高光谱遥感阶段。从２０世纪９０年代开始， 高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。 高光谱遥感技术作为对地观测技术的重大突破［ ２］ ，其发展潜力巨大。 高光谱遥感实现了遥感数据图像维与光谱维信息的有机融合，在光谱分辨率上有巨大优势，是遥感发展的里程碑。随着高光谱遥感技术的日趋成熟，其应用领域也日益广泛，已渗透到国民经济的各个领域，如环境监测、资源调查、工程建设等，对于推动经济建设、社会进步、环境的改善和国防建设起到了重大的作用。本文主要阐述高光谱遥感的特点、优势以及在航空及航天领域的发展情况，概括了高光谱遥感在植被生态、大气环境、地质矿产， 海洋军事等领域的应用情况。２　高光谱遥感特点与优势 高光谱遥感是高光谱分辨率遥感（Ｈｙｐｅｒｓｐ ｅｃ－ｔｒａｌ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ） 的简称［３］ ，它是在电磁波谱的紫外、可见光、近红外、中红外和热红外波段范围 内，获取许多非常窄且光谱连续的影像数据的技 术，是在传统的二维遥感的基础上增加了光谱维，形成的一种独特的三维遥感。对大量的地球表面物质的光谱测量表明， 不同的物体会表现出不同的光谱反射和辐射特征，这种特征引起吸收峰和反射峰的波长宽度在５～５０ｎｍ左右，其物理内涵是不同的分子、 原子和离子的晶格振动，引起不同波长的光谱发射和吸收，从而产生了不同的光谱特征。运用具有高光谱分辨率的仪器，通过获取图像上任何一个像元或像元组合所反映的地球表面物质的光谱特性， 经过后续数据处理，就能达到快速区分和识别地球表面物质的目的［ ４］ 。高光谱遥感的成像光谱仪具有光谱分辨率高（５～１０ｎｍ），光谱范围宽（０．４μｍ～２．５μｍ） 的显著特点，可以分离成几十甚至数百个很窄的波段来接收信息， 所有波段排列在一起能形成一条连续的完整的光谱曲线，光谱的覆盖范围从可见光、近红外到短波红外的全部电磁辐射波谱范围。高光谱数据是一个光谱图像的立方体，其空间图像维描述地表二维空间特征，其光谱维揭示图像每一像元的光谱曲线特征，由此实现了遥感数据图像维与光谱 维信息的有机融合［ ５］ 。高光谱遥感在光谱分辨率方面的巨大优势，使得空间对地观测时可获取众多连续波段的地物光谱图像， 从而达到直接识别地球表面物质的目的。地物光谱维信息量的增加为遥感对地观测、地物识别及地理环境变化监测提供了

遥感在农业中的作用与发展

遥感在农业中的作用与发展 1农作物估产 遥感(RemoteSensing)即遥远的感知,指在一定距离上,应用探测仪器不直接接触目标物体,从远处把目标的电磁波特性记录下来,通过分析,揭示出物体的特征性质及其变化的综合性探测技术[1]。摄影照相便是一种最常见的遥感,照相机并不接触被摄目标,而是相隔一定的距离,通过镜头把被摄目标的影像记录在底片上,经过化学处理,相片便重现被摄目标的图像。从拍摄目标到再现目标所用的手段,便是一种遥感技术。遥感与其他技术结合,在农业应用中具有科学、快速、及时的特点。这对于充分利用农业资源、指导农业生产、农产品供需平衡等方面有着重要的意义。 2遥感估产的原理及农作物估产方法 遥感估产的基本原理[2] 任何物体都具有吸收和反射不同波长电磁波的特性,这是物体的基本特性。人眼正是利用这一特性,在可见光范围内识别各种物体的。遥感技术也是基于同样的原理,利用搭载在各种遥感平台(地面、气球、飞机、卫星等)上的传感器(照相机、扫描仪等)接收电磁波,根据地面上物体的波谱反射和辐射特性,识别地物的类型和状态。农作物估产则是指根据生物学原理,在收集分析各种农作物不同生育期不同光谱特征的基础上,通过平台上的传感器记录的地

表信息,辨别作物类型,监测作物长势,并在作物收获前,预测作物的产量的一系列方法。它包括作物识别和播种面积提取、长势监测和产量预报两项重要内容。 农作物估产的方法 农作物估产在方法上可分为传统的作物估产和遥感估产两类。传统的作物估产基本上是农学模式和气象模式,采用人工区域调查方法。它们把作物生长与主要制约和影响产量的农学因子或气候因子之间用统计分析的方式建立起关系。这类模式计算繁杂、速度慢、工作量大、成本高,某些因子种类往往难以定量化,不易推广应用。遥感估产则是建立作物光谱与产量之间联系的一种技术,它是通过光谱来获取作物的生长信息。在实际工作中,常常用绿度或植被指数(由多光谱数据,经线性或非线性组合构成的对植被有一定指示意义的各种数值)作为评价作物生长状况的标准。植被指数中包括了作物长势和面积两方面的信息,各种估产模式,尤其是光谱模式中植被指数是一个极为重要的参数。根据传感器从地物中获得的光谱特征进行估产具有宏观、快速、准确、动态的优点[3,4]。 农作物估产中所应用的遥感资料大致可分为3类:一是气象卫星资料,主要为美国第三代业务极轨气象卫星(NOAA系列)装载的甚高分辨率辐射仪(AVHRR)资料,其资料特点是周期短、覆盖面积大、资料易获取、实时性强、价格低廉,空间分辨率低但时间分辨率较高;二是陆地卫星(Landsat)资料,应用较多功能是专题制图仪(TM)资料,它重复周期长、价格高,但其空间分辨率高[5];三是航空遥感和地面遥感资料,主要用于光谱特征及估产农学机理的研究中,其中高光谱数据可提供连续光谱,可消除一些外部条件的影响而成为遥感数据处理、地面测量、光谱模型和应用的强有力的工具[6]。在遥感估产中农作物面积提取是最重要的内容。用遥

高光谱遥感基本概念

高光谱遥感基本概念 高光谱遥感用很窄而连续的光谱通道对地物持续遥感成像的技术。在可见光到短波红外线波段其光谱分辨率高达纳米数量级，通常具有波段多特点，光谱通道数多达数十甚至上百以上，而且各光谱通道间往往是连续的，因此又称成像光谱遥感。 地物光谱特征：自然界中任何地物都具有其自身的电磁辐射规律，如具有反射、吸收，外来的紫外线、可见光、红外线和微波的某些波段的特性，他们有都具有发射某些红外线、微波的特性；少数地物还具有透射电磁波的特性。 混合像元的分解：从一个像元的实际光谱数据（一般为地物光谱混合的数据）中提取各种地物成分所占的比例的法。 成像光谱：就是在特定光谱域以高光谱分辨率同事获得连续的地物光谱图像，这使得遥感应用可以在光谱维上进行空间展开，定量分析地球表层生物理化过程与参数。 高光谱：它是一种图谱合一的成像方式，常用于遥感或同时获取图像和光谱信息的应用。 地物光谱：地物的反射率随入射波长而变化的规律。数据融合⑴概念：遥感数据融合包括不同传感器、不同空间分辨率、不同时相图像的融合，以及遥感数据与其他辅助数据如地形数据、物化探数据的融合。 ⑵三个层次：像素级，特征级，决策级。 植被指数：当光照射在植物上时,近红外波段的光大部分被植物反射回来,可见光波段的红光则大部分被植物吸收,通过对近红外和红波段反

射率的线性或非线性组合,可以消除土地光谱的影响,得到的特征指数称为。 表观光学量AOP：指随入射光场变化而变化的水体光学参数。 固有光学量IOP：指不随入射光场变化而变化，仅与水体成分有关的光学量。水色遥感：就是利用光学量来反演出水体成分的浓度。 几何校正：消除几何畸变，即定量的确定图像上的像元坐标（图像坐标）与目标物的地理坐标（地图坐标）的对应关系。 为什么要进行几何校正？遥感影像的总体变形（相对于地面真实形态而言）是平移、缩放、旋转、偏扭、弯曲及其他变形综合作用的结果。产生畸变的图像给定量分析及位置配准造成困难，因此遥感数据接收后，首先由接收部门进行校正，这种校正往往根据遥感平台、地球、传感器的各种参数进行处理。而用户拿到这种产品后，由于使用目的不同或投影及比例尺的不同，仍旧需要作进一步的几何校正。 几何校正的两个步骤：1、像元坐标转换的两种方法 ①直接纠正法：从原始图象阵列出发，依次对其中每一个像元分别计算其在输出（纠正）图像的坐标。②间接纠正法：从原始图象阵列出发，依次计算每个像元P（X, Y）在原始图象中的位置P（x, y），然后将该点的灰度值计算后返送给P（X, Y）。2、像元灰度值重新计算计算每一点的亮度值。由于计算后的（x，y）多数不在原图的像元中心处，因此必须重新计算新位置的亮度值。一般来说，新点的亮度值介于邻点亮度值之间，所以常用内插法计算。通常有三种方法：最近邻法双向线性内插法三次卷积内插法。

遥感图像信息提取方法综述

遥感图像信息提取方法综述 遥感图像分析 遥感实际上是通过接收（包括主动接收和被动接收方式）探测目标物电磁辐射信息的强弱来表征的，它可以转化为图像的形式以相片或数字图像表现。多波段影像是用多波段遥感器对同一目标（或地区）一次同步摄影或扫描获得的若干幅波段不同的影像。 在遥感影像处理分析过程中，可供利用的影像特征包括：光谱特征、空间特征、极化特征和时间特性。在影像要素中，除色调/彩色与物体的波谱特征有直接的关系外，其余大多与物体的空间特征有关。像元的色调/彩色或波谱特征是最基本的影像要素，如果物体之间或物体与背景之间没有色调/彩色上的差异的话，他们的鉴别就无从说起。其次的影像要素有大小、形状和纹理，它们是构成某种物体或现象的元色调/彩色在空间（即影像）上分布的产物。物体的大小与影像比例尺密切相关；物体影像的形状是物体固有的属性；而纹理则是一组影像中的色调/彩色变化重复出现的产物，一般会给人以影像粗糙或平滑的视觉印象，在区分不同物体和现象时起重要作用。第三级影像要素包括图形、高度和阴影三者，图形往往是一些人工和自然现象所特有的影像特征。 1、遥感信息提取方法分类 常用的遥感信息提取的方法有两大类：一是目视解译，二是计算机信息提取。 1.1目视解译 目视解译是指利用图像的影像特征（色调或色彩，即波谱特征）和空间特征（形状、大小、阴影、纹理、图形、位置和布局），与多种非遥感信息资料（如地形图、各种专题图）组合，运用其相关规律，进行由此及彼、由表及里、去伪存真的综合分析和逻辑推理的思维过程。早期的目视解译多是纯人工在相片上解译，后来发展为人机交互方式，并应用一系列图像处理方法进行影像的增强，提高影像的视觉效果后在计算机屏幕上解译。 1）遥感影像目视解译原则 遥感影像目视解译的原则是先“宏观”后“微观”；先“整体”后“局部”；先“已知”后“未知”；先“易”后“难”等。一般判读顺序为，在中小比例尺像片上通常首先判读水系，确定水系的位置和流向，再根据水系确定分水岭的位置，区分流域范围，然后再判读大片农田的位置、居民点的分布和交通道路。在此基础上，再进行地质、地貌等专门要素的判读。 2）遥感影像目视解译方法 （1）总体观察 观察图像特征，分析图像对判读目的任务的可判读性和各判读目标间的内在联系。观察各种直接判读标志在图像上的反映，从而可以把图像分成大类别以及其他易于识别的地面特征。（2）对比分析 对比分析包括多波段、多时域图像、多类型图像的对比分析和各判读标志的对比分析。多波段图像对比有利于识别在某一波段图像上灰度相近但在其它波段图像上灰度差别较大的物体；多时域图像对比分析主要用于物体的变化繁衍情况监测；而多各个类型图像对比分析则包括不同成像方式、不同光源成像、不同比例尺图像等之间的对比。 各种直接判读标志之间的对比分析，可以识别标志相同（如色调、形状），而另一些标识不同（纹理、结构）的物体。对比分析可以增加不同物体在图像上的差别，以达到识别目的。（3）综合分析 综合分析主要应用间接判读标志、已有的判读资料、统计资料，对图像上表现得很不明显，或毫无表现的物体、现象进行判读。间接判读标志之间相互制约、相互依存。根据这一特点，可作更加深入细致的判读。如对已知判读为农作物的影像范围，按农作物与气候、地貌、土质的依赖关系，可以进一步区别出作物的种属；河口泥沙沉积的速度、数量与河流汇水区域

大面积农作物的遥感估产

大面积农作物的遥感估产 植被遥感在大面积的农作物估产中的运用主要包括农作物识别, 种植面积估算和建立农作物估产模式三方面。 (1)农作物识别，获得植被分布图:根据作物的色调、图形结构等差异大的物候期的遥感时相和特定的地理位置等的特征，将其与其他植被分开。 (2)种植面积估算：利用高时相分辨率的卫星影象对作物生长的全过程进行动态监测，监测作物长势水平的有效方法是利用卫星多光谱通道影像的反射值得到植被指数（VI , Vegetation Index）。 植被指数是估计植物光合作用、叶子凋落、固氮等过程的重要参量，是植物生长模型中的一个非常关键的变量，可用来模拟植物的生长过程,估算植物的生产能力。对于经济型植物的估产有利于前期准备工作的进行，减少或避免不必要的后期投入。植被研究中非常重要的参数有比值植被指数（RVI），又称为绿度，为二通道反射率之比，是较早发展的用于估算和监测植被覆盖的植被指数，能较好地反映植被覆盖度和生长状况的差异，特别适用于植被生长旺盛、具有高覆盖度的植被监测，但RVI对大气影响敏感，而且当植被覆盖不够浓密时（小于50%），它的分辨能力也很弱，只有在植被覆盖浓密的情况下效果最好。归一化植被指数（NDVI : Normalized Differece Vegetation Index）为两个通道反射率之差除以它们的和，在植被处于中、低覆盖度时，该指数随覆盖度的增加而迅速增大，当达到一定覆盖度后增长缓慢，所以适用于植被早、中期生长阶段的动态监测。植被指数已被广泛用来定性和定量表征植被覆盖度及其生长状况，但由于大气变化的影响, 使植被指数未能真实反映地表植被的真实分布状况,造成其应用的局限性, 一种解决此问题的简易方法是仅通过中巴资源卫星(CBERS: China Brazil Environment Resource Satellite) 图像的第3、第4 波段中的水体, 推算卫星接收到的大气程辐射, 消除了大气对归一化植被指数(NDVI) 的影响, 减小植被指数所受的大气影响,应用结果表明,该方法能使植被指数较好地反映植被的生长及分布状况。 建立农作物估产模式是大面积农作物的遥感估产的第三个方面，是指用选定的植物灌浆期植被指数与某一作物的单产进行回归分析，得到回归方程。――广西善图科技有限公司。

高光谱遥感

(一)高光谱遥感基本概念 1、高光谱遥感特点 波段特点：波段多、波段宽度窄、不断连续数据量特点：数据量大、数据冗余增加2、波谱空间与光谱空间 光谱特征空间：以波段为维度的空间，波段增加会导致光谱空间维度增加。 波普特征空间：不同波段影像所构成的测度空间。 3、高光谱数据图谱合一的特点 高光谱数据同时反映地物的空间特征（图）和光谱特征（谱）。 (二)成像光谱仪 1、成像光谱仪的空间成像方式和光谱成像方式的含义 空间成像方式：从影像二维空间形成角度考察成像光谱仪的工作方式。 光谱成像方式：从光谱维数据形成的角度考察成像光谱仪的工作方式。 2、成像光谱仪的瞬时视场角（IFOV）仪器视场角（FOV） 瞬时视场角：以毫弧度为计量单位，所对应的地面大小被称为地面分辨单元。 仪器视场角：仪器扫描镜在空中扫过的角度，与系统平台高度决定了地面扫描幅宽。 摆扫型：单个像元凝视时间短,进一步提升光谱分辨率和信噪比较困难。 推扫型：凝视时间长,分辨率高,仪器体积小(无光机),视场角小(30°)定标量大不稳定。3、成像光谱仪的三种定标方式 共性：出于同一目的，特定情况下都是不可缺少的。 差异：处于不同阶段，考虑因素不同，入瞳辐射值获取方式不同 （实验室定标：有实验室测得，原始定标，准确度高，后续定标基础） （机上星上定标：综合性定标，对前一项进行的修正，机上星上测得考虑搬运安装操作影响）（场地定标：入轨后实际运行情况，大面积均匀地表做参照,考虑大气传输，多通道大范围） 场地定标的常用方法：反射基法（气溶胶参数）、辐照度基法（过程）、辐亮度基法（人力）机上定标一般使用内定标法，星上定标受制于体积一般进行辐射定标（人造辐射源/太阳） 光谱定标：确定成像光谱仪增益系数和偏置量之前，必须通过光谱定标，获得成像光谱仪每个波段的中心波长和带宽。 辐射定标：确定成像光谱仪在该波长小输入辐射能与输出响应关系（增益系数和偏置量）4、空间分辨率和光谱分辨率 光谱分辨率：指探测器波长方向上的记录宽度，又称波段宽度（50%） 空间分辨率：由仪器瞬时视场角决定，地面分辨单元。 分光系统分出的色散光源再汇集到探测器上，成像光谱仪获得图像有光谱与空间分辨率。

遥感图象处理与信息提取方法的研究

第２３卷２００４年 第４期 １２月 吉林地质 ＪＩＬＩＮＧＥｏＬｏＧＹ Ｖ０１．２３。Ｎｏ．４ Ｄｅｃ．，２００４遥感图象处理与信息提取方法的研究 吕诚然１，刘斌２，谢红３，杨国东４，于小平４ （１．吉林省地矿测绘院，吉林长春１３００６２；２．辽宁省第二测绘院，辽宁沈阳１１００３４； ３．陕西省基础地理信息中心．陕西西安７ｌ００５４；４．吉林大学地球探测科学与技术学院，吉林长春１３００２６） ［摘要］在图象预处理中，为了研究不同处理方法的效果，分别采用了灰度变换、图象平滑和图象锐化等方法，经过比较发现，不同的增强方法对不同的特征地物的效果有明显的差异；在图象信息提取时，分别使用最小距离法、比值法和组合比等方法，采用不同波段的图象组合进行运算，可以依次突出不同的地物信息，从而达到了信息自动识别的目的。 ［关键词］遥感图象；信息提取；数字图象处理 ［中图分类号］Ｐ６２７［文献标识码］Ａ［文章编号］１００１—２４２７（２００４）０４—００６０—０４ 利用计算机自动识别技术（即模式识别）从遥感图象上提取信息不仅省时省力，而且效率高，目前已成为遥感图象信息提取的主要发展趋势：从遥感图象上提取信息一般要经过图象恢复、图象预处理和信息提取几个过程。图象的恢复一般包括辐射校正和几何校正。 １遥感信息提取发展现状 遥感信息的提取主要有两种方法，一种是目视解译，它依靠人工从遥感图象中获取特定目标的地物信息；另一种方法是借助于计算机的自动判别，并提取特定的地物信息。两者相比，很明显前者耗费了大量的人力、物力和时间，而后者只需在计算机处理后的遥感图象上做少量的目视解译工作就可以达到目的。但在２０世纪７０年代至８０年代，软件技术尚不成熟，遥感信息提取就主要是依靠遥感工作者作目视解译来完成。随着计算机的普及和软件水平的提高，从事遥感研究的学者们开始利用新的技术手段来提取遥感信息。在国内这种探索分３方面：①新方法的完善和发展，如分形理论、小波变换、人工神经网络等方面进行研究，使遥感图象的分类不仅注重光谱特征，而且也从多分辨率的空间上进行分类和信息提取；②结合不同的应用发展了各种专题信息提取并加入人的知识，许多已在实际应用中取得好的效果；③随着新传感器的出现，也研制了专用图象处理软件，如合成孔径雷达（Ｓ多ｎｔｈｅｔｉｃＡｐｅｒｔｕｒｅＲａｄａｒ缩写为ＳＡＲ）图象处理的专门软件。 ２存在的问题 当人类进入信息时代并跨人空间时代的门槛之时，各种运行于空间、翱翔于空中的遥感平台连续不断地提供着各种信息。而我们对遥感信息的认识和利用程度则远远落后于通过空间和航空系统收集信息的速度。 同时，由于经济的飞速发展、资源的逐渐耗竭和全球环境的变化，要求人类走可持续发展的道路。为了适应这种需求，遥感技术被广泛地应用于国民经济的各个领域。这种趋势要求遥感信息提取手段向自动化、智能化方向发展。’ ［收稿日期］２００４一０８—１９；［修订日期］２００４—１２－０８ ［作者简介］吕诚然（１９５０一），男，吉林长春人，吉林省地矿测绘院院长，高级工程师．

农作物遥感估产的应用研究进展

农作物遥感估产的应用研究进展 摘要：遥感估产作为一种新型的农作物估产方法，越来越引起人们的重视。本文介绍了农作物遥感估产的基本原理、内容、基本程序以及国内外的研究进展，并对未来农作物遥感估产做了一个简单的展望。 关键字：遥感估产原理程序研究进展 遥感起源于20 世纪60 年代, 它是指在一定距离上，应用探测仪器不直接接触目标物体，从远处把目标的电磁波特性记录下来，通过分析，揭示出物体的特征性质及其变化的综合性探测技术。从它诞生50 多年来，因具有获取资料速度快、周期短和信息量大等特点已被广泛应用于资源调查、地质调查、大气监测、灾害环境监测、土壤调查、城市环境调查、水文观测等领域,并取得了明显的效益。其中农业领域是遥感的最大用户和主要受益者,作物遥感估产是它应用的一个重要方面。 1、遥感估产的概念、基本原理及基本程序 1.1 遥感估产的基本原理及主要内容 1.1.1 遥感估产的特点与基本原理 传统的作物估产基本上是农学模式和气象模式，采用人工区域调查方法。它们把作物生长与主要制约和影响产量的农学因子或气候因子之间用统计分析的方式建立起关系。这类模式计算繁杂、方法速度慢、工作量大、成本高、某些因子种类往往难以定量化，不易推广应用。农作物遥感估产是近几十年发展起来的一门新兴技术,它具有宏观、客观、快速、经济和信息量大等特点, 在实际应用中显示出了独有的优越性。概括地说，农作物遥感估产是根据生物学原理，在收集分析各种农作物不同生育期不同光谱特征的基础上，通过平台上的传感器记录的地表信息，辨别作物类型，监测作物长势，建立不同条件下的产量预报模型从而在作物收获前就能预测作物总产量的一系列技术方法。根据遥感资料来源的不同，农作物遥感估产可分为空间遥感作物估产和地面遥感作物估产。前者又包括以应用卫星资料为主的航天遥感作物估产和以应用飞机航测资料为主的航空遥感作物估产，估产的范围广、宏观性强。后者是根据地面遥感平台获取的农作物光谱信息进行估产，估产范围较小。 1.1.2 遥感估产的主要内容 作物遥感估产主要包括以下几个方面的内容： （1）作物的识别及长势监测任何物体都具有吸收和反射不同波长电磁波的特性。不同物体的波谱特性不同，利用卫星照片可以区分出农田和非农田、同种作物和非同种作物。用可见光和近红外波段的差值可区分农作物与土壤和水体。识别作物类型，一方面可以根据近红外波段反射率的差别，主要是因为不同作物叶片的内部结构不同；另一方面是利用多时相遥感。不同作物的播种、生长、收割的时间不同，利用遥感信息的季节、年度变化规律，结合区域背景资料，可以有效地识别作物。而农作物长势监测指对作物的苗情、生长状况及其变化的宏观监测，即对作物生长状况及趋势的监测。杨邦杰等将作物长势定义为包括个体和群体两方面的特征，叶面积指数LAI 是与作物个体特征和群体特征有关的综合指标，可以作为表征作物长势的参数。利用红波段和近红外波段的遥感信息，得到的归一化植被指数(NEVI)与作物的叶面积指数(LAI)和生物量呈正相关，可以用遥感图像获取作物的NDVI 曲线反演计算作物的LAI，进行作物长势监测。 （2）作物种植面积的提取和监测不同作物在遥感影像上呈现不同的颜色、纹理、形状等特征信息，利用信息提取的方法，可以将作物种植区域提取出来，从而得到作物种植面积

07农作物长势遥感监测方法

07农作物长势遥感监测方法 农作物长势遥感监测:大尺度的农作物长势监测可以为农业政策的制定和粮食贸易提供决策依据，也是农作物产量估测的必要前提。国际上不仅发展了不同的单产模型，而且采用了不同的遥感资料估算作物的种植面积。目前研究主要集中在发展具体指标及其定量化，没有形成规范化的长势遥感监测指标体系。 直接监测方法:直接监测的方法是直接使用遥感获取的参数值（如NDVI等）与作物的长势进行相关分析，并找出相互之间的关系。 作物生长过程监测方法:对农作物NDVI时间曲线的分析，可以了解作物的生长状况和态势，提取作物生长过程特征值（如生长率、成熟率等），并使用这些特征值来实现作物长势的定量或半定量监测。通过分析过程监测中不同指数与作物单产的关系，发现LAI、NPP、NDVI三种指数的监测效果较好，同时针对其空间上和作物间的差异建立了作物长势过程监测指标集。弥补了同期对比方法只能反映一个较短时间内作物长势的缺点。 作物生长模型方法:作物生长模型的基本思想是以数学公式的方式来反映作物的生长过程，其根本驱动力都是作物冠层截获辐射能量的量，并进行光合作用生产出干物质的过程。作物生长模型可以较为真实地反映作物生长过程，精确地监测作物长势，现时遥感数据的引入使这些模型的大尺度应用成为可能。大量农学参数仍然较难获取，参数的缺乏使这些模型的应用受到了较大的限制。 存在的问题:只是定性或半定量地进行长势监测，作物长势遥感监测属于半定量的方法，主要采用年际间同期遥感影像对比分析，通过差值影像的分级显示，反映区域作物生长状况的相对差异。多依赖于NDVI很少使用其他指数，NDVI是一个反映植被绿度的参数，可以有效地反映植物的生长状况。但作物的生长是一个复杂的过程，除本身的绿度状态外，还受到（如作物生长状态、气温、土壤湿度、太阳辐射等）多种参数的影响。长势和最后的单产预测相脱节，作物长势是作物在一个时期或一个时间段内的作物生长状况信息，然而整个作物生长季内的作物长势综合作用的结果就是作物单产。生育期内的作物长势可以直接地影响和决定作物的单产，并在作物生长的不同生育期反映作物单产的丰欠趋势。目前的作物长势监测方法和作物单产预测没有统一考虑来进行研究，忽视了它们之间固有的内在联系，导致长势和最后单产预测相脱节。物候问题，受气候的影响，年际作物的物候通常会有一定程度的变化，如区域性的温度下降和降水减少，都会导致作物生育期的延长和物候期的推移。作物在不同的物候期有着不同的生长特征，具体表现在绿度不同、对环境要素的要求不同等方面。物候变化会造成实时监测过程中把不同作物物候期的遥感参数进行对比的情况，这时对比的结果所反映的往往是不同物候期作物间的差异，而不是作物长势间的差异，会减低作物长势监测特别是实时监测的有效性。遥感监测结果与传统苗情相脱节，作物长势监测指标缺乏，影像差值方法只能提供每旬区域作物长势的“好、持平、差”等像元占的比例，所得到的信息不足以支持预测产量的变化。 面向问题的长势监测新指标研究:研究目标：是建立作物长势遥感监测指标集，发展多指数的农作物长势遥感监测方法，以苗情等级为指标反映作物长势状况，并及时反映作物单产丰欠趋势。 NPP（净初级生产力）:净初级生产力是指植物在单位时间单位面积上由光合作用产生的有机物质总量中扣除自养呼吸后的剩余部分，是生产者能用于生长、发育和繁殖的能量值，反映了植物固定和转化光合产物的效率，也是生态系统中其他生物成员生存和繁衍的物质基础。 实时监测指标集:数据分析方法，研究使用分作物分区划的方法，分别分析了不同作物、不同区划、不同物候的相对遥感参数与单产变幅和苗情变化的相关性。相关系数越高就说明该指数在该区划内对该种作物在特定物候期的长势具有越好的指示作用。指标集选取原则，