遥感研究生论文题目范文第1篇
根据目前基础地理空间数据生产技术发展和用户的需要, 基础地理空间数据产品主要包括以下四种基本模式:数字线划图 (DLG) 、数字正射影像图 (DOM) 、数字栅格地图 (DRG) 、数字高程模型 (DEM) , 简称为“4D”。这些产品可根据需要以数字和模拟二种形式提供。根据用户的需要可形成复合产品, 如数字线划图与数字正射影像图叠加可形成数字影像地形图。
(1) 数字线划图, 简称为DLG:是地形图上基础要素信息的矢量格式数据集, 其中保存着要素的空间关系和相关的属性信息。数字线划图可满足各种空间分析要求, 与其他信息叠加, 可进行空间分析和决策。
(2) 数字正射影像图, 简称为DOM:是利用数字高程模型对扫描处理后的数字化的航空像片或遥感影像, 逐像元进行辐射纠正、微分纠正和镶嵌, 按标准分幅的地形图范围进行裁切生成的影像数据, 带有公里格网和内、外图廓整饰和注记的影像平面图, 具有地图的几何精度和影像特征。DOM具有精度高、信息丰富、直观真实的特点, 可作为背景控制信息、评价其它数据的精度、现势性和完整性;从中可提取自然资源和社会经济发展信息或派生出新的信息, 可用于地形图的更新。
(3) 数字高程模型, 简称为DEM:是在高斯投影平面上规则或不规则格网点的平面坐标 (X, Y) 及其高程 (Z) 的数据集。为控制地表形态, 可配套提供离散高程点数据。
(4) 数字栅格地图, 简称为DRG:是以栅格数据格式存储和表示的地图图形数据文件。在内容、几何精度、规格和色彩等方面与地形图图形基本保持一致, 可用于DLG数据的采集、评价和更新, 也可与DOM, DEM等数据叠加使用, 从而提取、更新地图数据和派生出新的信息。
2 基本特征
2.1 数据格式
基础地理空间数据的数据格式主要分为矢量和栅格二种, 数字线划图为矢量数据集, 每一地理要素分别采用点、线、面描述其几何特征, 并赋予属性, 同时按要素分类分为若干数据层, 提供地理信息系统做空间检索、空间分析使用。数字正射影像图、数字高程模型和数字栅格地图为栅格数据集, 数据结构就是像元阵列, 每个像元由行列号确定它的位置, 且具有表达实体属性的类型或值的编码。
矢量数据能全面地描述地表目标, 可随机的进行数据选取和显示, 与其它信息叠加, 可进行空间分析、决策。具有严密的数据结构, 数据量小, 可完整地描述数据的拓扑关系, 便于深层次分析, 输出质量好, 数据精度高, 但其数据结构复杂、技术要求高。栅格数据具有数据结构简单, 空间数据的叠加简便, 易于进行空间分析, 相对来说图形数据量大, 数据和信息量受像元大小的限制。
2.2 基本内容
考虑到基础地理空间数据采集时间和产品的提供周期, 基础地理矢量数据可分为三个层次:第一层次分为核心地形要素;第二层次为在核心地形要素的基础上, 根据各地不同的需要, 选取更多的其它要素 (可选要素) ;第三层次为全部地形图要素 (全要素) 。
矢量数据的基本内容:大地控制测量数据 (包括平面控制点、高程控制点、天文点、重力点) 、水系及附属设施、建筑物及附属设施、交通运输与管线设施、境界、地表覆盖、地貌。栅格数据:DEM格网数据, 格网间距5m或12.5m;DOM影像数据, 地面分辨率为1m;DRG图形数据, 分辨率不低于250dpi。文本数据:地名数据, 含地名位置、类型、行政区划、经济信息等;元数据, 说明数据内容、质量、状况和其他有关特征的背景信息, 是数据自身的描述信息。
3 航空遥感数据生产流程及关键技术研究
基于全数字摄影测量的空间数据生产流程如图1所示。
3.1 资料准备
航摄资料如航摄底片、控制点资料、相关的地形图、航摄机鉴定表、航摄验收报告等应收集齐全;对影像质量、飞行质量和控制点质量应进行分析, 检查航摄仪参数是否完整等。
3.2 影像扫描
根据航摄底片的具体情况, 设置与调整扫描参数, 使反差适中、色调饱满、框标清晰, 灰度直方图基本呈正态分布, 扫描范围应在保证影像完整 (包括框标影像) 的前提下尽可能地小, 以减少数据量。影像扫描分辨率根据下面公式确定。
影像扫描分辨率R=地面分辨率/航摄比例尺分母。
3.3 定向建模
自动搜寻框标点, 放大切准框标点进行内定向, 对定向可由计算机自动完成, 人机交互完成绝对定向如不符合要求, 需重新定向, 直至符合限差要求。
检查定向精度, 需满足要求;完成定向后需检查坐标残差。
3.4 数据采集
(1) 立测判读采集, 需严格切准目标点要求按中心点、中心线采集的要素, 其位置必须准确, 点状要素准确采集其定位点, 线状要素上点的密度以几何形状不失真为原则, 密度应随着曲率的增大而增加。每个像对的数据必须接边, 自动生成的匹配点、等视差曲线或大格网点、内插的小格网点均需漫游检查, 保证其准确性, 为提高DEM精度, 需人工加测地形特征点、线和水域等边界线。 (2) 采集的数据应分层, 进行图形和属性编辑, 矢量数据线条要光滑, 关系合理, 拓扑关系正确, 属性项、属性值正确;利用DEM数据, 采用微分纠正法对影像重采样获得DOM数据。 (3) DEM和DOM数据需进行单模型数据拼接, 检查拼接处接边差是否符合要求;同样矢量数据接边应符合要求各属性值要一致, 任何不符合要求的数据均需重新采集, 修改正确的数据按图幅裁切, 生成最终的以幅为单位的数据, 提供检查和验收。
3.5 元数据制作
可由相应的专业软件进行计算输入各属性项中, 无法自动输入的内容由人工输入。
摘要：本文研究探讨了航空遥感数据产品生产流程及其中所涉及的关键技术, 文章首先对空间数据产品的模式和基本特征进行了详细的阐述, 而后给出了基于航空遥感的空间数据生产流称, 最后结合笔者工作经验, 重点探讨了流程中所涉及的关键技术, 全文既是笔者长期工作实践基础上的经验总结, 同时也是在实践基础上的理论升华, 相信对从事相关工作的同行有着重要的参考价值和借鉴意义。
遥感研究生论文题目范文第2篇
(1) 目前开展的旱情监测主要还是停留在气象灾害层面上, 还没有深入到农业层面, 现有的监测仅是气象灾害或灾害性天气的监测, 仅知道哪里有旱情发生, 但这种旱情能否成为农业灾害, 还不能确切地得知。
(2) 随着遥感传感器的发展, 用不同的传感器获取数据成为可能, 但是旱情监测对于遥感数据的选择有一定的限制。空间分辨率提高, 则微观尺度监测的结果精度会提高;时间分辨率提高, 对各种突发性、快速变化的自然灾害有更强的实时监测能力。一般空间分辨率越高, 时间分辨率就会降低。因此, 在遥感数据的选择上需要考虑空间和时间上的折衷, 这取决于旱情监测范围、精度要求以及旱情自身的特点等等。例如, 小范围的监测可以选择TM数据或雷达数据计算反映旱情的指标, 全国范围内的监测可以选择NOAA/AVHRR数据或MODIS数据。由于干旱是一个累积的过程, 如果有一个长时间序列的遥感数据进行干旱的监测, 就可以很好的监测旱情的发展趋势, 为决策提供更加可靠的信息。遥感数据多通道信息可以增强对地球复杂系统的观测能力和对地表类型的识别能力。在考虑遥感数据空间分辨率和时间分辨率的前提下, 也要充分利用遥感数据提供的多光谱信息。因此, 实现全国范围内的旱情监测, 遥感数据是否容易获取也是旱情监测最后能否运行的一个决定因素。
(3) 目前利用遥感数据计算各种能直接或间接反映干旱情况的物理指标, 己形成了很多种方法。但是干旱的发生由众多因素决定, 而旱灾更为复杂, 涉及农作物生长及其对水分的时空需要变化。因此, 指标的选取也是旱情监测最后能否运行的一个决定因素。各种指标都有自身的优缺点, 例如, 有些对于作物的监测比较好, 有些对于裸土监测效果比较理想;有些指标容易计算, 但考虑的影响因子比较少, 有些指标考虑的影响因子比较全面, 但太过于复杂, 使得全国范围内的计算难以实现。因此在指数的选取上不仅要体现对作物旱情监测的优势, 而且要考虑指数在全国范围内的计算是否可以进行。
1 国内遥感旱情监测指标反演进展
我国对VCI和TCI两人指数的应用都相对晚一些, 蔡斌等用VCI参照当时降水对全国1991年春季干早进行了监测和研究, 使用的是1985年至1991年的NOAA全球标准化植被指数资料, 时间分辨率为7天。选取出中国范围内的NDVI时间序列数据, 并对NDVI时间序列资料采用中值滤波法来去除噪声然后计算NDVI最大值和NDVI最小值。冯强等在基于植被状态指数的全国干早遥感监测试验研究中, 使用的是1981年至1994年的NDVI时间序列数据, 空间范围覆盖全国, 空间分辨率为8km, 时间分辨率为10天。但是在计算NDVI最大值和最小值时首先将NDVI历史数据从8km重采样为1.1km。冯强等在基于植被状态指数的土壤湿度遥感方法研究中使用的数据与上述一样。
2 某地区遥感旱情监测指标反演
遥感技术提供了丰富的信息, 从可见光到短波, 再到热红外, 最后是微波。1990年以来, 利用各波谱段数据计算各种反映干旱指标的方法己经有很多, 例如NDVI、距平植被指数、植被状态指数 (VCI) 、温度条件指数 (TCI) 等等。最近十年里, 遥感监测干旱的方法的研究有以下三个特点, 一是使用己有的指数, 如NDVI、VCI、TCI、CWSI和TS/NDVI等等。计算的原理相同, 使用的数据空间时间分辨率不同, 或是计算时参数的处理方法不同或是模型的不同;二是根据已有的原理, 提取新的指数, 如VTCI、VTDI、DSI等等;三是遥感与气象或是水文数据结合建立的新的指数如BMVCI等等。借用某种气象或水文指数, 分析其原理并将其中一些参数用遥感数据代替得到新的指数。
现将最近几年中用于旱情监测的几种主要方法的原理分别介绍如下。
(1) 距平植被指数法。
归一化植被NDVI是迄今为止应用最广的一个植被指数。很多卫星遥感数据都提供了计算这个指数所需的通道信息, 以MODIS为例, 计算式为:
其中1ρ为第一波段 (红波段) 的反射率, ρ2是第二波段 (近红外波段) 的反射率.它可以反映植被的长势, 可以间接反映旱情。
距平植被指数, 指某一年某一特定时期NDVI与多年该时期NDVI平均值的差值。计算式如下:
式中, ANDVIj为某年内j时的NDVIj距平指数, NDVIj为某年内j时的为多年内j时的NDVI平均值。可以用这个差值来反映偏旱的程度。多年平均值可以近似反映土壤供水的平均状况。因此NDVI资料的时间序列越长, 计算得到的平均值代表性才会越好。
本文所用数据是2009年4月与7月的MODIS月合成的NDVI产品。MODIS数据的几何纠正和镶嵌是用USGS EROS数据中心开发的MRT几何纠正软件进行的。得到该地区的每月合成数据后, 生成生长季4月与7月的ANDVIj数据 (图1) 。从图上可以看出, 7月份相对于4月旱情有所缓解。
(2) 植被状态指数法。
在不同地区, 因为不同区域作物生长季处于不同阶段, 需水情况不同, 旱不旱不能通过NDVI值的大小来说明, 而NDVI与历史平均值的偏差, 又弱化了天气的影响。
NDVI的变化受天气的影响, 尤其是类似严重干旱的极端天气现象时, 会远远超过正常年际间的NDVI变化, 有可能造成某一特定时期内不同像素间监测结果的可比性变差。为了反映天气极端变化情况, 消除NDVI空间变化的部分, 使不同地区之间有可比性, Kogan提出了植被状态指数VCI。定义如下。
其中, VCIj为j时的植被状态指数;NDVIj为j时的NDv工值;NDVImax为所有图像中最大的NDVI值;NDVImin为所有图像中最小的NDVI值。VCIj是NDVI在j时的相对于最大NDVI的百分比。Kogan假设植被NDVI最大值在最佳的天气中得到 (考虑到土壤营养的吸收, 天气条件可以刺激生态系统资源的利用) , 最小值在非有利的情况下得到, 如干旱和热, 通过生态系统资源的减少 (干旱年缺水减少了土壤营养的吸收) , 直接抑制了植被的生长。这样, 如果有足够长时间的NDVI序列数据, 就可以从中提取出NDVImin和NDVImin, 反映出极端气候状况, 计算的VCI结果在不同地区的比较更为合理。VCI是基于NDVI反演得到的, 因此对植被的监测效果比较好, 作物播种或收割后的时间, 监测效果比较差。
本文所用数据是2009年4月与7月的MODIS月合成的NDVI产品。MODIS数据的几何纠正和镶嵌是用USGS EROS数据中心开发的MRT几何纠正软件进行的。得到该地区的每月合成数据后, 生成生长季4月与7月的VCIj数据 (图2) 。从图上可以看出, 7月份相对于4月旱情有所缓解。与ANDVIj反映的趋势基本相同。
3 结语
本文应用MODIS数据对南方某地区的旱情进行了监测, 以作物生长季的4月和7月作为对比, 分析了, 及NDWI三个指标的变化趋势。相信对从事相关工作的同行有着重要的参考价值和借鉴意义。
摘要：本文基于笔者多年从事遥感减灾应用的相关工作经验, 以基于MODIS数据的遥感旱情监测为研究对象, 以某地区生长季的4月和7月为研究背景, 分析了ANDVIj, VCIj及NDWI三个指标的变化趋势, 给出了该地区旱情的变化趋势, 全文是笔者长期工作实践基础上的理论升华, 相信对从事相关工作的同行有着重要的参考价值和借鉴意义。
关键词：MODIS,遥感,旱情,NDVI
参考文献
[1] 杨玉永, 郭洪海, 隋学艳, 等.山东省小麦主产区旱情遥感监测系统的构建[J].科技创新导报, 2009 (1) .
遥感研究生论文题目范文第3篇
遥感 (RS) 对地观测技术的发展促进了信息获取技术的提高, 已经成为土地资源监测的主要手段。遥感监测结果在使用前, 必须进行客观可靠的精度验证和分析, 以保持遥感监测结果的可靠性。同一遥感监测结果, 精度评价的方式不同, 评价结果就有可能不同, 因此很有必要对遥感精度评价过程中影响精度评价结果的各种因素进行细致深入的分析。一般地, 目前影响遥感精度评价的因素主要包括抽样方法、参考数据和评估参数三个方面[1], 其中, 抽样样本的设计和选择尤为关键。
目前, 国内外研究者做了大量遥感监测精度检验的理论研究和实践探讨, 为遥感监测成果的应用提供了有利保证。但是, 关于不同抽样方法对土地资源遥感监测精度评价的影响的定量研究还比较欠缺。本文尝试利用同一地区不同空间分辨率的遥感数据, 采用不同的抽样方法, 分别对试验区甘肃某县的土地遥感监测成果进行精度评价, 定量分析不同抽样方法对土地资源遥感监测精度评价结果的影响。
1 研究方法
1.1 试验区及数据来源
本研究所用的试验数据为甘肃某县2004年的土地资源遥感监测成果, 该监测成果的遥感数据源为2004年甘肃某县的ETM+遥感数据。数据质量要求为处理级别1级 (1A或1B) , 云覆盖小于10%, 无雪, 无噪声和条痕。时相上主要考虑选择有利于影像的土地利用判读解译的季节。
本研究所用精度分析参考数据是基于同期的SPOT5 2.5m空间分辨率的遥感影
1.2 土地资源遥感信息提取
在几何纠正、图像匹配等相关图像预处理的基础上, 利用2004年ETM+和SPOT遥感影像, 结合土地、地形等辅助资料信息, 通过研究区的野外实地调查, 按照《土地分类》, 以人机交互方式解译判读二级土地利用类型, 即耕地、林地、草地、建设用地、水体和未利用地6个土地类型。
1.3 基于不同抽样方法的精度评价
1.3.1 全样本精度评价
首先分别将甘肃某县的基于SPOT和ETM+数据的土地利用现状矢量图栅格化, 以便在精度分析过程中进行像元对像元的评价, 像元对像元的精度评价既能对各地类的属性和面积作出分析, 同时也能开展各地类位置的精度分析。
为确定栅格图的像元大小, 我们对基于SPOT的土地利用现状矢量图的各个图斑进行了统计, 其中最小的图斑面积为200.43m2, 所以, 我们将基于SP OT的土地利用现状矢量图栅格化后的像元大小确定为15m×15m。
按照确定好的像元大小, 分别把基于SPOT和ETM+数据的土地利用现状矢量图重采样为15m分辨率的栅格图。然后以基于SPOT的土地利用现状栅格图为参考数据, 对基于ETM+的土地利用现状栅格图进行像元对像元的精度评价分析。
1.3.2 简单随机抽样精度评价
以基于SPOT的土地利用二级地类现状栅格图 (图1a) 为参考数据, 对基于ETM+的土地利用二级地类现状栅格图 (图1b) 进行精度分析, 在研究区最小抽样样本数的基础上, 我们分别取抽样样本数为500、1000、1500和2000的四种情况对甘肃某县的土地利用二级地类进行了精度评价。
2 结果分析
2.1 全样本精度评价
从表1可以看出, 甘肃某县全样本总体分类精度为74.82%, Kappa系数为0.633。在各地类的分类精度中, 水体的分类精度最高, 达88.53%, 林地的分类精度最低, 为63.04%。耕地、林地和草地的精度在74%左右, 未利用地的精度比林地的精度稍高, 为67.09%。
耕地的误分中, 划分成林地和草地的居多, 甘肃某县林地和草地占误分总量的89.38%, 耕地误分成其他地类的比率分别为, 建设用地占7.59%, 水体和未利用地占2.03%。林地的误分中, 划分成耕地和草地的居多, 甘肃某县耕地和草地占误分总量的94.28%, 林地误分成其他地类的比率分别为, 建设用地占3.99%, 水体和未利用地占1.73%。草地的误分中, 划分成耕地和林地的居多, 甘肃某县耕地和林地占误分总量的87.72%, 草地误分成其他地类的比率分别为, 建设用地占5.74%, 水体占3.51%, 未利用地占3.03%。建设用地的误分中, 甘肃某县中误分成耕地的比率最大, 为45.61%, 误分成林地、草地和未利用地的比率分别为14.92%、17.66%和19.72%, 误分成水体的比率最小, 为2.09%。水体的误分中, 甘肃某县中误分成草地的比率最大, 为49.06%, 其他误分比率依次是, 未利用地占31.31%, 建设用地占9.09%, 耕地占8.98%, 林地占1.56%。未利用地的误分中, 甘肃某县中误分成水体的比率最大, 为32.74%, 其次是耕地占29.17%, 草地占22.76%, 林地占11.55%, 建设用地占3.78%。
从甘肃某县地类的分类精度和错分情况分析来看, ETM+遥感影像比SPOT5的空间分辨率低, 空间分辨率的降低, 导致各地类的边缘不清晰, 纹理不明显, 混合像元增多, 这些都是导致各地类错分的重要原因。耕地、林地和草地之间的混分现象较为严重, 未利用地与草地和建设用地的混分现象等, 除分辨率的影响外, 与ETM影像中的地类之间的光谱特征相近也有较大的关系。除外, 在土地利用矢量数据转为栅格数据过程中产生的误差, 对精度评价的结果也有一定的影响。
2.2 简单随机抽样精度评价
在简单随机抽样方法中 (表2) , 甘肃某县的样本数为500时精度最小, 分类精度为71.60%, kappa系数为0.607;样本数为1000时精度最大, 分类精度为75.90%, kappa系数为0.635, 而且从各地类的分类精度和总体分类精度综合来看, 其精度评价结果与全样本的评价结果最接近。
通过分析甘肃某县二级地类不同样本数的分类精度, 可以得出, 简单随机抽样方法得到的精度并不是随着样本数的增加而递增或递减的, 与样本个数不成线性相关。而是在不同的区域内, 有其最佳的抽样样本个数与真实精度最接近。在简单随机抽样的精度检验中, 不同样本数的抽样检验, 与真实精度相比, 精度或是低估, 或是高估, 评价中精度最高的并不一定是与真实精度最接近的。因此在简单随机抽样的精度检验中, 应该选取不同的样本数进行比较, 然后选取最佳样本数进行精度评价。
3 结语
简单随机抽样方法得到的精度并不是随着样本数的增加而递增的, 而是在不同面积的区域内, 有其最佳的抽样样本个数与真实精度最接近。在简单随机抽样的精度检验中, 不同样本数的抽样检验, 与真实精度相比, 精度或是低估, 或是高估, 评价中精度最高的并不一定是与真实精度最接近的。因此在简单随机抽样的精度检验中应该选取不同的样本数进行比较, 然后选取最佳样本数进行精度评价。
摘要：数据质量规范体系的制定是土地资源与生态环境遥感调查与监测成果可靠性的基础保障, 因此, 需要土地资源与生态环境遥感监测数据质量评价的研究做技术支撑, 本文论述了基于遥感手段的土地资源遥感监测方法, 全文是笔者工作实践基础上的理论升华, 相信对从事相关工作的同行能有所裨益。
关键词：精度评价,简单随机抽样,分层抽样,等距抽样
参考文献
[1] Stehman SV, Czap lewski R L.Designand Analysis for Thematic Map Accu-racy Assessment:Fundamental Principles[J].Remote Sensing of Environment, 1998, 64:331～334.
[2] 冉有华, 李文君, 陈贤章.TM图像土地利用分类精度验证与评估——以定西县为例[J].遥感技术与应用, 2003, 18 (2) :81～86.
[3] 刘旭拢, 何春阳, 潘耀忠, 等.遥感图像分类精度的点、群样本检验与评估[J].遥感学报, 2006, 10 (3) :366～372.
[4] 孙晓霞, 张继贤.土地利用动态遥感监测的误差分析[J].测绘科学, 2003, 12:45～46.
遥感研究生论文题目范文第4篇
遥感技术具有的快速、大范围、低成本和周期性的特点, 可以有效地监测水体表面水质参数在空间和时间上的变化状况, 还能发现一些常规方法难以揭示的污染源和污染物迁移特征, 具有不可替代的优越性。自上世纪70年代以来, 内陆水体遥感水质监测从简单定性分析发展到定量反演, 从具有时空局限性的经验模型到广泛适用的生物光学模型不断的拓宽了遥感水质监测的应用前景。此外, 随着各种遥感数据源特别是高光谱遥感数据的涌现以及对各种水质参数光谱的了解不断深入, 遥感水质监测的参数不断增加, 反演的精度也不断提高。通过遥感技术进行内陆水质进行检测有利于国家有关部门快速了解内陆水体环境状况, 并制定相关政策和法规来管理和提高环境质量。
1 水环境监测的遥感数据源
常用的水体监测遥感数据源可以分为多光谱和高光谱数据, 根据其搭载平台又可分为星载数据、机载数据和地面数据。内陆水体由于受人类活动影响较大, 水体面积相对较小且不连续分布, 因此内陆水体环境的遥感监测所需的遥感数据源不仅需要较高的光谱分辨率而且需要较高的时空分辨率, 在应用中需要根据实际水体情况选取最优的遥感数据源。
1.1 星载遥感数据源
表1从光谱分辨率、空间分辨率、水质反演优缺点以及应用概况4个方面对7种常用星载遥感数据源进行了评述, 包括TM、MODIS、SPOT、CBERS、NOAA/AVHRR、SeaWIFS、EO-1/Hyperion。
表1中的数据源大部分都为多光谱数据, 由于存在光谱分辨率、时间分辨率和空间分辨率的差异, 它们在实际应用中各有优缺点。实际上迄今还没有一种专门针对内陆水体遥感监测的完美星载数据源。
1.2 非星载数据源
除了各种卫星数据外, 各种机载遥感数据和地面实测波谱数据也可作为内陆水体环境遥感监测的数据源。机载遥感数据如中国的PHI及OMIS、加拿大的CASI、美国的AVIRIS、芬兰的AISA等, 地面实测波谱数据主要是指应用各种地物光谱仪测得的水体光谱数据, 如GER野外光谱辐射仪、ASD地物光谱仪、SVC便携式地物光谱仪等。国内外学者也应用这些数据源进行了诸如Chl-a、SS、水体浑浊度、CDOM等水质参数的监测研究。
非星载遥感数据源多为高光谱数据, 具有很高的光谱分辨率 (通常波段宽度小于10nm) , 能提供连续的地物光谱曲线, 如SVC HR-1024便携式地物光谱仪就具有1024个波段, 波段范围为350nm～2500nm。此外由于其传感器更接近于地表, 能够最大程度的减小辐射传输中大气的影响, 具有更高的空间分辨率和光谱数据精度。因此, 非星载数据源是内陆水体环境遥感监测理想数据源, 反演精度远高于星载数据源。同时地物光谱仪所测得光谱数据还可以作为水体的标准光谱数据, 从而理解各种地物的光谱特性, 提高不同种类遥感数据的分析应用精度, 还可以模拟和定标一切成像光谱仪在升空之前的工作性能, 如确定传感器测量光谱范围、波段设置和评价遥感数据等。但是, 非星载遥感数据源的获取每次都需要进行飞行或地面实测, 因此费用相对较高, 同时由于其搭载平台的限制, 使得非星载数据覆盖范围相对较小, 成本较高, 从而限制了它的广泛应用。
2 水环境遥感监测指标及其反演方法
常规的水质监测参数较多, 由于现阶段的技术局限及对反演机理认识的模糊造成遥感水体环境监测还不能对所有水质参数进行定量反演。但是随着物质光谱特征研究的不断深入、遥感水质反演算法的改进以及各种先进传感器技术的不断应用, 遥感可监测的水质参数也不断丰富, 包括悬浮物含量、水体透明度、叶绿素a浓度、溶解性有机物、水中入射与出射光的垂直衰减系数以及一些综合污染指标, 如营养状态指数等。
2.1 叶绿素a
监测营养程度或叶绿素浓度 (藻类/浮游生物数量) 是解决湖泊富营养化问题的关键, 水中叶绿素浓度是浮游生物分布的指标, 是衡量水体初级生产力 (水生植物的生物量) 和富营养化作用的最基本的指标, 监测藻类中的叶绿素a浓度是水环境遥感监测的主要项目之一。叶绿素a的遥感监测研究已较成熟, 研究表明叶绿素a在440nm和670nm波长附近有吸收谷, 在550nm～570nm和681nm～715nm附近有明显的反射峰。Chl-a在681nm～700nm处的反射峰通常被认为是荧光效应造成的, 是含藻类水体最明显的光谱特征。由于叶绿素a所特有比较稳定的光谱特征, 在内陆水体进行遥感反演时, 主要方法就是通过其吸收谷和反射峰所在波段进行组合建立模型。其模型可用式 (1) 表示:
式中:1a, 2a为回归系数, R (n 1) , R (n 2) , R (n 3) , ..., R (n n) 为传感器不同敏感波段, f (R (n 1) , R (n 2) , R (n 3) , ..., R (n n) ) 为不同波段组合建立新变量。f (R (n 1) , R (n 2) , R (n 3) , ..., R (n n) ) 因波段选取和组合形式不同而异, 如比值法, 多元线性回归, 指数回归。此外, 王桥等在对太湖水体遥感监测实验中还应用植被指数的模型, 其形式如式 (2) 所示:
式中:1a, 2a为回归系数, v为植被指数。其实质与式子 (1) 类同, 因为植被指数就为对植被反应比较敏感的波段组合计算而成。
由于叶绿素a相对稳定波谱特征, 使得这种经验的回归方法能够获得很好的反演效果。其遥感反演的关键是根据特定的区域、时间和卫星影像特点进行最佳波段选取。
2.2 有色可溶性有机物
有色可溶性有机物 (CDOM) 是一类含有黄腐酸、腐殖酸等物质的溶解性有机物, 由于对紫外和蓝光的吸收性强, 对黄光波段吸收弱的特性, 使其呈现出黄色, 因此CDOM又称黄色物质。在内陆水体和海湾沿岸带CDOM以河流陆源排放为主, 可作为海水污染程度的指标。Bricaud等提出了适用于350nm～700nm波段范围的吸收曲线描述方程:
式中:yA (b) 为波长为b时的光吸收系数;0b为参考波长;s是吸收系数曲线的指数斜率参数, 通常取值在0.011～0.018之间, 不过s取值依赖于波长及研究区域位置和时间;k为由颗粒物质散射造成的背景散射值。
此外, 国内外学者也建立了各种对应于特定区域的遥感反演CDOM的检测模型, 如Tassan利用SeaWiFS资料建立了提取那不勒斯海湾的黄色物质在440nm波长的吸收系数模型, 如式 (4) 所示:
式中:R1, R2, R3分别为SeaWiFS波段1、2、3的反射率, yA为黄色物质吸收系数。陈楚群等利用海水有机碳 (DOC) 代替海水中的黄色物质, 通过670nm和412nm波段的反射率比值遥感反演了珠江口海域CDOM空间分布, 建立了反演模型如式 (5) 所示:
式中:R670代表670nm波段的反射率, R412代表412nm波段的反射率, 并指出DOC浓度与R670/R412相关系数R2可达到0.839。
3 结语
内陆水体环境的遥感监测是水体污染研究的一个重要方向, 国内外学者虽然进行了研究并取得一定的成果, 但现阶段来说反演精度还不高, 远不能达到实际应用的要求, 需要进一步研究。
摘要：本文基于笔者从事环境遥感监测的相关工作经验, 以遥感技术在水环境监测中的应用为研究对象, 分析了遥感数据源的选择思路, 监测指标的选择及反演方法, 全文是笔者长期工作实践基础上的理论升华, 相信对从事相关工作的同行有着重要的参考价值和借鉴意义。
关键词：遥感,水环境,监测,反演,数据源
参考文献
[1] 韩敏.水文与水管理中的遥感技术[M].北京:中国水利水电出版社, 2006:278～280.
遥感研究生论文题目范文第5篇
一、研究水质污染监测可视化系统的价值与意义
(一) 研究价值
我国作为发展中国家, 同时也是世界上人口最多的国家, 对于水资源的需求量更大。目前, 我国的水资源面临着更加严重的污染情况, 保护水资源迫在眉睫, 在这种情况之下, 研究水质污染监测可视化系统对于国家水利部、环保局、海洋局、中科院等研究水质污染情况和治理水污染的情况有着重要的辅助价值。基于遥感监测的水质污染监测可视化系统作为一种监测水环境动态的工具, 在获取监测数据、捕捉水质污染动态以及掌握江河湖泊的水质情况方面都有着显著的作用。我国从上世纪70年代就已经开始研究通过遥感监测技术来监测水质状况, 发展到现在已经积累了较为充分的经验, 而近些年来我国的水质污染情况变得更加严重, 常规的遥感水质监测技术由于成像模糊、数据分析不足等不能满足目前的监测需要, 因而研究水质可视化系统水质监测对于促进我国遥感技术与互联网的综合实践应用也有着重要的价值, 可以说是有助于实现遥感监测技术从研究理论向的更高级实践的应用。
(二) 研究意义
基于遥感监测技术的可视化水质动态监测系统, 在水质的动态监测方面具有较高的应用效果。只不过这项技术的应用还没有在我国较大的范围内开展。研究可视化监测系统对于推广水质污染监测的可视化系统的实践应用有着重要的意义, 同时由于较好的监测效果, 对于我国大范围内监测水质污染情况有着重要的意义, 更进一步说对于我国治理水污染, 保护环境有着重要的意义, 而基于遥感监测的水质污染监测可视化系统在信息时代也有着它自身良好的发展前景和发展意义。
二、基于遥感监测技术的水质污染监测可视化系统研究
(一) 水质遥感模型
水质遥感模型大体上有三类。第一类是基于地面实测高管普数据模型, 分别可以将叶绿素、总磷以及透明度作为导向设定测量的数据模型;第二类是基于MODIS影像的模型, 也就是我们通常所说的卫星遥感定量反演模型;第三类是湖泊富营养化评价模型, 根据水体富营养化的发展过程作为定量模型。
(二) 数据获取方法
可视化系统数据获取的方式包括MODIS遥感影像数据和地面实测高光谱数据。对于MODIS来讲, 由于获取数据必须依靠网络才能实现, 因此主要用于较小点或者较小区域的采样, 而高光谱数据的获取受的限制较少, 因此主要用于野外测试。MODIS测定某区域的影响数据时, 需要借助GPS来定位, 然后在监测的水质区域内取若干个点, 这些点最好分布匀称或者能够表现区域整体水质的情况, 数量适中。数量太多浪费时间, 数量太少影响监测的数据。数据采样时要选择较好的天气进行, 否则会影响水体反射的光谱值。地面实测是波普的范围应该确定在350nm—1050nm, 采样时间间隔为1.4nm, 光谱的分辨率为3nm, 测定时天气条件仍需要为晴朗无风, 水面需要保持平静。光谱监测仪的探头应该距离水面1m, 一起与发现的夹角介于30度到45度之间为宜, 同时要注意船舶阴影对于光谱仪器的影响。为了保证测量结果的准确性, 每个点测量之前需要白板定标, 每个测量点至少需要20次以上的测量, 测量结果以平均值为准。
(三) 可视化遥感监测的实现
1. 组件式GIS的二次开发
随着我国GIS技术的发展, 地理信息系统在监测领域中的应用范围变得越来越广, 组件式GIS系统的开发被推上了新得研究舞台。目前, 我国的组件式GIS系统以及完成了三种开发模式, 分别是独立性开发、单纯二次开发以及集成二次开发等。组件式GIS系统的开发使得GIS具有了更加强大的功能和操作的灵活性。以ComGIS系统为例, 就是将ComGIS嵌入可运行COM技术的平台, 通过平台的操作来完成数据的采集。此外, 还可以将VB技术、VC++技术、Delphi技术等与GIS相结合, 形成新的组件系统, 该组件系统就同时具有可视化功能和在线编辑等功能, 在实际的水质动态监测中具有较好的应用效果。组件式GIS系统就是利用了遥感技术和计算机软件系统的优势, 对遥感监测系统完成设计和开发的, 设计者完全可以根据实际水质的监测的需要开发不同功能的GIS系统, 将可视化功能放大, 提高水质监测的科学性。
2. ArcGIS Engine组件的开发
ArcGIS Engine组件是借助GIS技术与ArcObjects、VB、VC++、Delphi等技术结合设计的开发包。这个开发包有控件、对象和工具构成, 控件是用户界面的重要内容, 能够为用户提供数据分析、交互、渲染的功能, 使得水质污染监测的可视化系统的用户操作性更强。用户可以充分利用遥感监测到的水质环境的数据制作几何图和平面图。最终我们能从制作的图例上了解到更加接近真实水质监测区域的污染情况。
3. 系统数据库的设计
可视化系统数据库的设计主要由GIS基本功能模块、数据管理模块、主要水质参数遥感监测模块和湖泊富营养化评价模块构成。系统数据库具有存库采集数据的功能, 这四个模块是相互关联的, 用户可以从数据库获取高光谱遥感系统的采样点数据, 然后生成水质监测区域的矢量图层, 通过水质参数生成栅格数据, 最后对数据分析处理。
4. 可视化遥感监测的实现
可视化遥感监测依靠的是由MODIS技术、ArcGIS技术、可视化开发语言C#、交互式语言IDL以及计算机技术组成的系统, 这个可视化系统是由很多的模块构成, 每个模块按照系统实现编写好的程序执行操作指令。在监测终端, GPS系统和色相质谱仪、MODIS技术、ArcGIS技术、获取可视化数据, 可视化开发语言C#、交互式语言IDL等进行语言转换。IDL对于MODIS具有识别和读取的功能, 可视化开发语言C#具有将IDL转化为C语言的功能, 最终的目的是为了让获取的较为清晰的视图转化为带有图例标注的统计图和数据, 便于研究人员分析水质数据, 了解水质污染的状况。图1是MODIS数据反演叶绿素的标准流程图。
(四) 可视化遥感监测系统的应用
可视化遥感监测系统在实际的应用中能够通过ArcGIS技术和可视化开发语言C#、交互式语言IDL以及互联网技术等监测水质中漂浮物的叶绿素、总磷以及水质的透明度, 能够较好的监测水质富阳化的程度。ArcGIS技术具有编辑图例、标注矢量图层要素、制作专题图、制作地理要素图片并输出、用户查询等功能, 使得系统的用户页面更加详细, 可操作性更强。
系统用户页面还能实现自由插入、删除、导入和导出等中能, 页面的修改功能更强。其中的用户数据还可以导出到指定的表格中, 方便整理获取的信息。这是在数据管理上具有的优势。此外, 数据管理还具有备份和自动存储的功能, 信息保存的时间也更久了。而色相光谱仪的作用是提高GPS获取的图像的分辨率。可视化系统通遥感技术对采样点进行实时监测获取GPS数据和高光谱数据, 由可视化开发语言C#、交互式语言IDL等进行数据分析和估算, 然后通过系统显示在用户的“水质参数遥感监测”菜单, 用户就可以通过点击菜单选项来提取有效信息, 观测数据视图。水质中的叶绿素、磷以及水质的透明度也可以通过系统操作页面按照不同的图例显示数来, 那些地方的叶绿素较多、含磷较为严重、水质污浊等都会详细的显示出来。
当然, 生成相应的数据表, 以数据的形式表示水质的透明度、叶绿素的浓度以及总磷的含量等, 方便又快捷。
三、结语
综上所述, 基于遥感监测的水污染监测可视化系统符合信息时代发展的特点, 充分利用了信息时代“互联网+”的发展理念, 实现了对于水质污染的高效性、动态性监测, 提高了水质污染监测的灵活性, 使得水质污染监测变得更加的形象化和科学化, 有助于促进我国水质污染监测事业的发展。
摘要：遥感监测在地里信息系统的应用中较为广泛。随着遥感技术的发展, 遥感监测的应用范围不断扩大, 应用程度不断的加深, 尤其是在可数化系统中也颇有成就。本文就来认识遥感监测, 通过遥感监测研究水质污染可视化系统。
关键词：遥感监测,水质污染监测,可视化系统,水资源
参考文献
[1] 刘磊, 龚瑞昆.基于遥感监测的水质污染监测可视化系统研究[J].科技风, 2018 (22) :113.
[2] 朱小明.基于多光谱遥感图像信息的水质污染监测研究[J].计算机技术与发展, 2018, 28 (11) :52-55+60.
[3] 张丽.浑河流域抚顺段水污染自动监测预报和应急处理研究[D].沈阳:沈阳农业大学, 2013 (12) .
遥感研究生论文题目范文第6篇
一、遥感影像处理
(一) 卫星影像纠正方法
粗矫正、精校正是遥感数字图像几何校正的方式。粗校正是由遥感影像提供商和卫星遥感地面配合负责。借助地面控制点的是精校正, 其使用多项式的校正模式。卫星影像参数RPC/RPB有理函数模型是此次地理国情普查采用的纠正方法。调查显示:使用RPC参数拟合卫星遥感影像的成像几何条件, 或者在摄影测量处理环节使用光学影像, 能够降低卫星遥感影像几何处理的难度。
原始影像的RPC/RPB参数文件是有理函数模型纠正的必要条件。在ERDAS IMAGINE9.1遥感影像处理软件中, 可以找到大量计算模型并适用于卫星影像地理纠正中, 在此次地理国情普查采用的是Quick Bird卫星地理纠正模型进行图像处理, 其进行正射纠正前, 需要获取影像参数以及数字地面模型。正射纠正的作用是实现定量化处理分析, 其在遥感影像纠正后, 形成正射影像关系, 从而进行地理编码。
(二) 影像纠正
全色影像纠正是影像纠正的第一个环节。使用Quick Bird卫星纠正模型, 选取RPB参数文件需要满足资源3号卫星原始灰度影像的条件, 将参考基准设置为朔城区DOM数据拼接完成的IMG格式, 并且将本区域的DEM数据进行加载覆盖处理, 将三号群色影像进行配准资源操作。同时, 使用全图均匀的控制点GCP分布, 有利于实现图像精准度要求, 最后实施影像重采样环节。运用三次卷积法, 进而完成原始全色影像纠正。采用相同的纠正方法, 将全色影像做参考来完成资源三号卫星原始多光谱影像。
有理函数纠正模型的位置精度选取在影像纠正过程中是比较重要的。图像上清晰、明显的点标志是GCP的最佳选择点, 例如, 实际实施中分布均匀的河流交叉点、道路交叉点, 在准确位置基础上实现更好的精准定位。
(三) 卫星影像的融合
通过像素级图像融合算法是影像融合的方式, 其在原始图像数据基础上, 将图像真实性很好的保留下来, 在图像处理过程中能够更加细致的提供信息, 所以被广泛应用在图像处理中, 并且PCI Geo-matica是影像融合的软件。
在PCI Geo-matica使用Pansharp模块进行融合实验研究表明:出现颜色最佳效果是将四个多谱波段全部用作融合影像的参考波段, 并且原多光谱以及目视效果基本上没有差别。随后融合影像的色调随着参考波段数目的变化颜色也发生改变。参考波段减少为一个的时候, 会产生偏色的融合结果, 尽管如此, 其融合结果还是能够接受的。
在此次地理国情普查中影像融合阶段就是使用Pansharping的融合方式, 这种融合方式需要全波段影像以及多波段影像同时间、同平台获得, 才能够生成高分辨率彩色影像, 并且其能够生成与实际影像更加相近的图像, 保留全色影像空间信息以及多光谱影像颜色信息。
二、精度分析
(一) 技术指标
全色波段正射影像分辨率需要与原始影像地面分辨率保持一致, 在实际操作中采用卷积立方或者双线性插值的方式, 并且不能拉伸影像的灰度、反差以及像素位数变化。
配准纠正全色波段影像和多光谱影像, 需要基于全色波段影像选择同名点进行多光谱影像纠正。全色波段位置应该与对应的纠正模型选取点和DEM数据选择保持一致, 并且设置每景中大于15个的控制点, 在整景范围内均匀分布。同时, 同名点量测需要在多光谱以及全色影像中保持子像素的精准度。
(二) 精度分析
根据有理函数模型纠正结果在少数地势平坦地区精度较差的现象, 并且对比后误差在已有DOM数据中大于1个像素。分析其原因得出, 地形变化快、人类互动频繁, 导致难以在影像上找到类似的地方, DEM纠正技术也不能实现实时定位。在相反条件下, 才能够体现出有理函数模型的优势。
结论:卫星影像数字纠正实施过程中严格按照技术流程进行操作, 有利于实现地理国情普查的精度要求, 当前卫星影像数字纠正技术, 还不能实现较大区域配准纠正的高精度, 但已经能够满足实际使用需求。基于此, 当前需要整合多方面的数据源, 同时提升研究人员的责任心以及纠正操作经验, 顺应生产作业的发展趋势, 从而高质量的完成地理国情普查工作。
摘要：为了满足经济社会以及全面掌握地理国情的要求, 国家在2013-2015年开展地理国情普查工作。文章分别从地理国情普查中卫星遥感影像处理以及精度分析方面进行论述, 其中重点分析了卫星遥感影像的纠正方法, 探索了多源卫星遥感影像数据处理效率, 为地理国情普查中卫星遥感影像处理提供参考。
关键词：地理国情普查,卫星遥感,影像处理方法
参考文献
[1] 李德仁, 张过.卫星遥感影像RPC参数求解算法研究[J].中国图像图形学报, 2017, 45 (36) :45-17.