高空间分辨率遥感森林参数提取探讨
高空间分辨率遥感森林参数提取探讨
刘晓双,黄建文,鞠洪波
(中国林业科学研究院资源信息研究所,北京100091)
摘要:介绍了高空间分辨率遥感在森林参数提取方面的研究和应用情况,并结合国内外学者在此方面所做出的研究成果,对不同森林参数的提取分别做了阐述,包括单木树冠轮廓信息、胸径、森林生物量、树种识别和分类、叶面积指数、森林郁闭度、木材结构和性质。最后分析了高空间分辨率遥感在森林参数提取方面存在的问题,并对该领域的应用前景作了展望。
关键词:高空间分辨率;遥感;森林参数;树冠提取;生物量
中图分类号:TP79 文献标识码:A 文章编号:1002-6622(2009)02-0111-07
Study on Extraction of Forest Parameters by High Spatial R esolution R emote Sensing
L IU Xiaoshuang ,HUAN G Jianwen ,J U Hongbo
(Research Instit ute of Forest Resources and Inf ormation Technique ,CA F ,Beiji ng 100091,Chi na )
Abstract :Study and application of forest parameters extraction by high spatial resolution remote sens 2ing was introduced in this article ,combined with achievements in this field made by researchers all over the world 1Extraction of such different forest parameters was described respectively as single tree crown contour ,diameter at breast height ,biomass ,identification and classification of species ,LAI ,canopy den 2sity ,wood structure and property 1Finally ,the problems of forest parameters extraction by high spatial resolution remote sensing were discussed ,and the prospect of forest parameters extraction by high spa 2tial resolution remote sensing was expected.
K ey w ords :high spatial resolution ,remote sensing ,forest parameters ,extraction of tree crown ,biomass
收稿日期:2009-01-04;修回日期:2009-04-03
基金项目:中央级公益性科研院所基本科研业务费专项基金(RIFRITZ J Z 2007006);国家自然科学基金“基于高分辨率
遥感的树冠信息提取技术研究”项目(40771141)
作者简介:刘晓双(1985-),女,甘肃兰州人,在读硕士生,主要从事遥感、GIS 技术应用研究。通讯作者:鞠洪波(1956-),男,黑龙江人,研究员,研究方向:林业信息技术。
现代林业的经营管理得以顺利进行主要依赖于对各种森林参数的调查,而森林限于其特殊的自然地理条件往往会给研究数据的采集造成很大的困
难。传统的森林调查方法一般是基于随机抽样和统计学,其样本的选择是否具有代表性对调查的精确性有很大的影响。这种传统的以个体来推断总体的
2009年4月第2期林业资源管理
FOREST RESOURCES MANA GEMEN T April 2009No 12
方式已经很难满足调查精度的要求,而全面的调查,在面对如此众多的森林资源和有限的人力物力条件下,又几乎无法达到。虽然已经有许多先进仪器被用来提高地面调查效率,但仍有许多研究利用遥感影像,以发展自动化的森林调查方法。
最初的高空间分辨率遥感是以航空遥感形式出现的,以飞机作为搭载传感器的平台。高空间分辨率航空遥感于20世纪40年代由军用转向民用之后得到了一定的发展[1]。20世纪60年代,航天遥感加速发展[2],但空间分辨率仍有待提高。直到1999年9月I KONOS 高空间分辨率商用卫星的发射,才使高空间分辨率遥感的应用得到了较快的普及。如今,卫星遥感影像的空间分辨率已经达到015m 以上,航空遥感影像的分辨率更是高达011m 以上。高空间分辨率遥感技术在林业上的应用,使森林调查不再局限于实地勘测,并且调查的精确性也随着遥感技术的不断发展而有所提高。
与低空间分辨率遥感影像相比,高空间分辨率遥感影像具有细节更加清晰、信息更加丰富等特点。在高空间分辨率遥感影像上,森林中每棵树木的树
冠清晰可辨,纹理和细节信息非常明显,这对于高效而精准地提取森林参数十分有利。但目前我国高空间分辨率遥感在森林参数提取方面的应用还比较有限。鉴于此,本文结合国内外的研究进展,就高空间分辨率遥感在森林参数提取方面的应用情况进行详细的论述,并对问题和前景作了分析和展望。1 高空间分辨率遥感森林参数提取概述
高空间分辨率遥感由于信息丰富等特点在森林参数提取方面具有很大的优势。尤其是在提取单木树冠轮廓信息方面更能凸显其空间分辨率的优势。用高空间分辨率遥感自动提取单木树冠轮廓,尽管在国内还比较少见,但国外已经作了很多研究并取得了比较好的进展。利用树冠轮廓自动提取得到的树冠直径和面积可以间接推算胸径和生物量,也为单木树种识别分类奠定了基础。此外对于其它森林参数如叶面积指数(LAI )、郁闭度以及预测木材性质方面,高空间分辨率遥感也有其不同优势。图1概括了高空间分辨率遥感森林参数提取应用的总体流程
。
图1 高空间分辨率遥感森林参数提取应用流程图
2 单木树冠轮廓提取及间接参数推算211 单木树冠轮廓提取
在高空间分辨率遥感还没有普及的时代,众多对树冠的研究都是基于物理模型。Li 和Strahler [3]早在1985年就提出了Li -Strahler 模型,用陆地卫
星TM 影像反演树冠大小和覆盖率。此外,Franklin 和Strahler [4]以及Wu 和Strahler [5]在运用Li -Strahler 模型估计树冠大小上也取得了一些成
功。但这种基于模型的方法也遭到了一些学者的质疑。Cohen 和Spies [6]曾指出陆地卫星TM 影像的
2
11林业资源管理第2期
像素大小与树冠大小相比悬殊太大,因此不可能有效获取树冠结构。随着遥感空间分辨率的提高,个体树冠轮廓已经可以从影像中直接提取。与基于模型的方法相比,用高空间分辨率遥感进行树冠提取和描绘更加直观而准确,不必再引入复杂的模型。国外很多学者已经对树冠轮廓自动提取和描绘进行了一些卓有成效的应用,针对某些树种已有了成型的算法并获得了较高的精度。
树冠轮廓自动或半自动提取研究始于20世纪90年代中期。G ougeon[7]在1995年提出基于光谱的谷地跟踪算法,用来提取森林中的个体树冠。这种算法将每棵树冠都考虑为周围环绕着较暗阴影区域的明亮区域,然后跟踪光谱最小值来提取树冠边界。随后的1996年,Pollock[8]应用了基于形状的模版匹配法,对不同树种采用不同的模型进行树冠提取。Brandtberg和Walter[9]于1998年采用了多尺度方法,用高空间分辨率彩红外航空影像描绘单个树冠。他们对每一个影像尺度都计算了灰度曲率,将带有灰度曲率的过零点识别为树冠轮廓。到了21世纪初,基于光谱灰度值的局部最大值法应用较为普遍。Pouliot等人[10]2002年提出了一个基于局部最大值的树木探测描绘算法,用于正在更新的幼龄针叶林。同年,Culvenor[11]提出树木识别和描绘算法(TIDA),同样是基于局部最大值法。树冠描绘采用了一个“自顶向下”的方法,从树冠顶点开始,以最小边界或用户自定义阈值结束。我国学者熊轶群和吴健平[12]参照了Pouliot的方法,提出一种基于射线法的半自动树冠面积提取算法,并针对树冠重叠现象对算法进行了改进。这种算法从用户指定的树冠中心点引出若干条光谱射线,进行高次曲线拟合,求其拐点作为树冠边界点,然后提取树冠面积。212 推算树木胸径
由于高空间分辨率遥感数据在自动或半自动提取树冠轮廓信息方面已经开展了很多研究,并有了一些成熟的算法。那么,如果找到树冠大小和树木胸径之间的联系就可以通过树冠大小来估计树木胸径。早在1903年,Duchaufour[13]就已经在水青冈群落的研究中发现了树冠直径与胸径之间的关系。但由于野外调查中胸径较树冠直径更易于测量,因此这种树冠与胸径之间潜在的关系并没有得到重视和利用。直到高空间分辨率遥感使树冠直径提取成为可能,树冠直径与胸径之间的关系才再度成为研究的热点。国外一些学者已经致力于研究树冠面积与树木胸径之间的潜在关系[14]。Read等人[15]认为高空间分辨率数据潜在的应用就是通过树冠大小预测树干断面积和生物量。他们发现I KONOS影像经数字化的树冠面积与树干直径有非常明显的相关性(r2=0184,P<01001,n=9)。Hemery[16]等人为英国11个常见阔叶树种建立了树冠直径和胸径的关系方程,其中欧洲白蜡冠径(crow n diame2 ter)与胸径(dbh)的关系方程为:
crow n diameter=0175810+(2013565×dbh)
研究发现当胸径大约在20～50cm之间时,树冠直径与胸径之间的关系十分接近于线性关系,且决定系数r2≥018。同时,研究表明所有树种在幼年时树冠直径与树干胸径的比值K/d都较高,随着树干直径的增加K/d比会减小,当胸径在30cm 左右时K/d比开始达到稳定。
这些研究进一步证明了用树冠直径推导胸径的可行性。因此,只要将高空间分辨率影像中自动提取的树冠直径或面积代入树冠-胸径方程中,就能很快估算出树木胸径。但树种差异性和环境差异性使树冠直径和胸径的关系呈现不稳定状态。因此,建立不同树种、不同地域的树冠直径与胸径的关系十分重要,也是需要进一步研究的内容。
213 推算森林生物量
森林生物量是森林调查和监测的一个重要参数。目前森林生物量的研究主要是用遥感信息参数以及其它因子组合来构建模型,通过模型来估计生物量。生物量模型的研究已经有了不少成果,如常数相对生长比值模型(Constant Allometric Ratio),变量相对生长比值模型(Variable Allometric Ratio),以及我国学者提出的相容性的多自变量生物量模型[17]等。但森林生物量与遥感信息之间的相关性
311
第2期刘晓双等:高空间分辨率遥感森林参数提取探讨
会受到不同环境、不同树种、不同年龄等方面的影响,这使森林生物量的估测精度常常变化不定[18]。同时,自变量个数的确定、自变量的选择对估算模型的可靠性及精度都会有很大影响。因此,有学者建议[19]自变量应该尽量选择一些可以直接测得或求得的变量因子,并且自变量不宜过多,这样可以减少变量因子的误差对估测模型所带来的精度影响。
因此,使用高空间分辨率遥感提取树冠轮廓信息来估测森林生物量将有可能成为一个较理想的方法。树冠轮廓信息中的树冠直径或面积可以轻易获取,如果根据212中介绍的方法推算出胸径,再利用胸径与生物量的关系就可以进一步推算森林生物量。很多研究已经证明了胸径是一个与生物量密切相关的因子[20-21],这种相关性是由特定的地域环境决定的。比如,Brown[22]对热带湿润森林的研究得到胸径(dbh)与生物量(B iom ass)的关系方程为: Biomass(kg)=211297-61953dbh+01740(dbh2)
而对于其他森林类型,方程中的系数会有所不同。另外,直接建立树冠直径或面积与生物量的相关关系模型在理论上也是可行的,但仍需要考虑不同树种和不同林型。
214 单木树种识别和分类
地物光谱特征是遥感分类的基础。森林中不同树种具有不同的光谱特征,通过不同树种的光谱特征就能够从遥感影像中将不同树种、不同林型区别开来,为森林资源调查、绘制林相图、森林经营管理提供便捷有效的手段。高空间分辨率遥感影像不但含有丰富的地物光谱信息,而且能很清楚地反映地物景观的结构、纹理和细节等方面的信息。因此,利用高空间分辨率遥感影像进行树种识别分类,可以将形状、纹理信息与光谱信息相结合,使分类更加准确。并且通过高空间分辨率遥感影像可以实现单木树种识别和分类,这是中低分辨率遥感不可能达到的。
对于高空间分辨率的自动树种分类,国外学者已经做出了尝试并达到了良好的效果。Leckie[23]运用60cm高空间分辨率多光谱航空影像对澳大利亚西海岸的幼年针叶林进行了描绘,分割出个体树冠后进一步对树种分类。树种分为5个针叶树种和1个阔叶树种,分别是:花旗松(Pseudotsuga men2 z iesii(Mirb1)Franco)、北美冷杉(A bies grandis Dougl1ex Loud1)、温哥华冷杉(A bies am abilis Dougl1ex Loud1)、北美乔柏(Thuja plicata Donn ex D1Don)、异叶铁杉(Tsuga heterophylla Sarg1)和杨树(Popul us spp1)。分类采用面向对象的方法,用分割出的单个树木弧点元代表一个分类实体。16个试验地林分中的平均树种分类误差仅为7125%。林分中单个树种分类误差大多数都低于20%,极少数大于30%。
3 其它森林参数提取
311 叶面积指数提取
叶面积指数(Leaf Area Index,LAI)是指单位地表面积上总绿叶面积的一半,对阔叶林来说是单侧叶面积,针叶林则须根据叶或小枝的形态用相应的转换系数校正[24-25]。LAI可以反映植物冠层中的二氧化碳、能量及物质环境,是森林生长和健康状况的指标,也是蒸散量、土壤水分、树冠层截光量等生态参数估测的基础。有研究表明[26],用中低空间分辨率的遥感影像(如TM,30m)提取LAI,由于混合像元广泛存在,反演误差会很大。孙鹏森等人[27]的研究进一步证明了随着象元空间分辨率的增大(100m,250m,500m,1000m),LAI的根均方差由0199逐渐增大到1180,预测误差也从23%增大到40%。这说明,空间分辨率对LAI提取的精度有很大影响,高空间分辨率会使像元的异质性降低,从而使LAI提取精度提高。此外,地面实测数据的尺度(一般小于10m)与大范围遥感模型估计的像元分辨率之间存在的不匹配,也是造成中低分辨率遥感提取LAI精度偏低的原因[28]。可见,利用高空间分辨率遥感提取LAI存在一定的优势,并有潜在的应用和发展前景。
但是用高分辨率遥感提取森林LAI方面的研究目前比较少见。国外学者曾做过一些尝试。
411林业资源管理第2期
Sprintsin等人[29]用4m空间分辨率的I KONOS的多光谱影像提取沙漠边缘干旱森林的LAI。他们先通过NDV I和一个线性混合像元模型计算植被覆盖度(FVC),然后再通过FVC的非线性关系计算LAI,最后将LAI用计算出的丛生指数进行校正。校正过的LAI与在10个1000m2样地中用TRAC 冠层分析器实测的LAI有很高的相关性(R2= 0179)。金慧然等人[26]尝试将全色波段的高空间分辨率数据与空间分辨率较低的多光谱数据结合起来提取农作物的LAI,以提高LAI提取精度。LAI 的反演结果与田间实测数据相比误差在10%以下。
312 森林郁闭度信息提取
森林郁闭度信息是森林调查的一个最基本的参数。而常规的森林郁闭度估计都是采用野外调查,并且调查是基于随机抽样,范围小,不具有普遍的代表性。随着遥感技术的逐渐成熟,区域性大尺度的郁闭度估计得以实现。但大多数森林经营管理决策都是在林分这个小尺度上制定的。高空间分辨率遥感的出现,使小尺度甚至以林分为单位的郁闭度信息的提取成为可能。目前,从遥感影像中提取郁闭度信息已经比较成熟,主要是根据遥感各波段的灰度值及灰度比值这些遥感信息来进行森林郁闭度估测。李崇贵和赵宪文[30]曾对如何设置遥感比值波段估测森林郁闭度,如何确定各种比值波段间存在的多重相关性,以及多重相关性对郁闭度估测的影响进行过系统的研究与分析。对于选择和确定对郁闭度估测有一定影响的比值波段,已经有了现成可操作的软件系统。但在空间分辨率较低时,由于一个像元所表达的实际范围过大,像元光谱混合问题比较普遍,会在很大程度上影响郁闭度信息提取的精确度。用高空间分辨率遥感提取森林郁闭度,混合像元问题就会大大减轻,可以有效提高郁闭度提取精度。在这一方面,国外学者曾做过尝试。Morales等人[31]用I KONOS影像,对夏威夷岛北部热带干旱森林的郁闭度作了定量提取,提取结果与实地测量的林冠覆盖度有很大的相关性,相关系数R2高达0186。
313 木材结构和性质预测
森林木材的结构和性质对于评价森林的经济利用价值非常重要。对木材结构和性质的研究主要集中在边材面积、心材形成、边材的渗透性等方面。但这些研究必须通过砍伐后对解析木各项指标的测定来完成。如何不经过砍伐直接对生长树木进行木材结构和性质的估计一直是一个难题。在20世纪初很多学者已经开始研究木材结构性质与树冠形态的关系,旨在通过树冠形态来判断估计木材性质。高空间分辨率遥感使树冠结构和参数的研究更加便捷高效,这对于进一步研究树冠与木材结构性质之间的关系很有帮助。刘杏娥[32]等人探讨了利用高空间分辨率QuickBird影像数据分析林木树冠冠层特征的方法,提出了遥感树冠因子与木材性质间的关系模型的构想,进而进行木材性质的预测和产品经济价值的评价。王小青[33]也曾以小黑杨人工林为研究对象,利用QuickBird卫星影像提取树冠信息,试图建立树冠特征参数及估测的树木特征因子与林木生长特征、木材性质、立木材积、湿心材、幼龄材材积以及木材产品出材量(单板、纤维)的关系模型。
4 存在问题及展望
高空间分辨率遥感提取各种森林参数的优势主要在于高空间分辨率遥感能提供大量的地表特征,与中低分辨率相比,高空间分辨率影像中树冠的形状、尺寸、纹理以及与相邻树冠的关系都能得到更好的表现。因此在理论上,用高空间分辨率遥感提取各种森林参数会得到较好的精确度。但高空间分辨率遥感在实际的森林资源调查中,还存在如下问题:
1)高空间分辨率数据的利用效率低下。由于其数据量大,地物空间信息复杂,使数据的处理分析比较困难。落后的信息提取技术也使高空间分辨率数据的利用效率非常低,其优势和潜力还远远没有得到充分的发挥,用于林业的各项研究挖掘工作还远远不够,迫切需要智能化的信息提取技术。
2)高空间分辨率数据的光谱分辨率降低。高
511
第2期刘晓双等:高空间分辨率遥感森林参数提取探讨
空间分辨率遥感的光谱统计特征不如低分辨率稳定。表现为类内方差变大,类间方差变小,这使同类物体的光谱异质性很大,不同物体的光谱又相互重叠。这对于植被类型的提取造成了困难。传感器自身的局限性使高空间分辨率与高光谱分辨率之间往往不能两全,使空间信息与光谱信息只能择其一。
3)高空间分辨率数据价格昂贵,获取困难。由于拍摄及存储能力有限,导致需要范围较大或某一特定地区的数据时,不能马上获取。国内的高空间分辨率遥感数据市场仍以国外数据产品为主,这种垄断效应也导致价格偏高。
上述原因成为了阻碍高空间分辨率遥感森林参数提取技术发展的瓶颈。面对这些困难,一些解决方法也应运而生,尽管还不够成熟,但可以预见未来高空间分辨率遥感森林参数提取的发展方向。
1)面向对象的方法可以在一定程度上缓解数据利用效率低下这一问题。它使森林参数提取面对的不再是繁杂且数量庞大的单个像元,而是将像元聚合成类,作为分析研究的对象。通过面向对象,森林参数提取就可以站在一个更高的层次上来把握研究对象的尺度,使不同的提取对象都可以具备其相应的尺度。
2)全色数据与多光谱数据融合,可以缓和高空间分辨率与高光谱分辨率之间的矛盾。但融合后的数据虽然空间分辨率有所提高,但光谱信息会受到一定的影响,这对森林参数提取有很大影响,如何降低这种影响是未来需要解决的问题。
3)高空间分辨率商用卫星的研制将会扩大数据获取范围和降低数据获取成本。目前,具有更高空间分辨率的商用卫星已经陆续发射成功。2007年9月18日美国数字地球公司(Digital G lobe)发射的WorldView21商用卫星,可提供015m分辨率的全色图像。2008年9月6日美国地球之眼公司(G eo Eye)发射的G eo Eye21商用卫星,将提供0141m全色和1165m多光谱的高分辨率影像。未来高空间分辨率卫星遥感影像能覆盖地球的任何区域,适用性大大增强,获取更加快捷[34]。
未来高空间分辨率遥感技术的发展使森林参数的提取会日益凸现出优越性。其发展方向主要会倾向于两方面:1)在理论方面,高空间分辨率遥感因子与森林参数之间的关系迫切需要研究,建立遥感因子与森林参数之间的数学模型在中低分辨率遥感中已经有了很多研究成果,但高空间分辨率遥感的森林参数模型仍有待发展;2)在技术方面,自动化、智能化的信息提取技术也迫切需要研究,它可以大大改进高空间分辨率遥感森林参数提取的效率,使高空间分辨率遥感的潜力得到充分的挖掘。我们相信,随着遥感空间分辨率的提高和计算机技术的快速发展,高空间分辨率遥感将会更广泛地应用于林业研究中,成为森林参数精确提取的必要手段。
参考文献:
[1]尹占娥.现代遥感导论[M].北京.科学出版社,2008:11.
[2]李小文,刘素红.遥感原理与应用[M].北京.科学出版社,2008:
4.
[3]Li X,Strahler A.H.G eometric-optical modeling of a conifer forest
canopy[J].IEEE Transactions on G eoscience and Remote Sensing, 1985(23):705-721.
[4]Franklin J,Strahler A H.Invertible canopy reflectance modeling of
vegetation structure in semi-arid woodland[J].IEEE Transactions on G eoscience and Remote Sensing,1988(26):809-825.
[5]HWu Y,Strahler A H.Remote estimation of crown size,stand den2
sity and foliage biomass on the Oregon transect[J].Ecological Ap2 plications,1993(4):299-312.
[6]Cohen W B,Spies T A.Semivariograms of digital imagery for
analysis of conifer canopy structure[J].Remote Sensing of Envi2 ronment,1990(34):167-178.
[7]G ougeon F A.A crown-following approach to the automatic
delineation of individual tree crowns in high spatial resolution aerial
images[J].Canadian Journal of Remote Sensing,1995(21):274-
282.
[8]Pollock R J.The automatic recognition of individual trees in aerial
images of forests based on a synthetic tree crown image model[D].
The University of British Colombia,Vancouver,Canada,1996: 172.
[9]Brandtberg T,Walter F.Automated delineation of individual tree
crowns in high spatial resolution aerial images by multiple-scale analysis[J].Machine Vision and Applications,1998(11):64-73.
611林业资源管理第2期
[10]Pouliot D A,K ing D J,Bell F W,et al.Automated tree crown de2
tection and delineation in high-resolution digital camera imagery of coniferous forest regeneration[J].Remote Sensing of Environ2 ment,2002(82):322-334.
[11]Culvenor D S.TIDA:An algorithm for the delineation of tree
crowns in high spatial resolution remotely sensed imagery[J].
Computers&G eosciences,2002(28):33-44.
[12]熊轶群,吴健平.基于高分辨率遥感图像的树冠面积提取方法
[J].地理与地理信息科学,2007(6):31-33.
[13]Duchaufour A.The management of the forest at compiègne[J].
Forestry Journal,1903(42):65-78.
[14]Bechtold W https://www.360docs.net/doc/3118288269.html,rgest-crown-width prediction models for53
species in the western United States[J].Western Journal of Applied Forestry,2004(19):245-251.
[15]Read J M,Clark D B,Venticinque E M,Moreira M P.Application
of merged12m and42m resolution satellite data to research and management in tropical forests[J].Journal of Applied Ecology, 2003(40):592-600.
[16]Hemery G E,Savill P S,Pryor S N.Applications of the crown
diameter-stem diameter relationship for different species of broadleaved trees[J].Forest Ecology and Management,2005 (215):285-294.
[17]唐守正,张会儒,胥辉.相容性生物量模型的建立及其估计方
法研究[J].林业科学,2000(36):19-27.
[18]徐新良,曹明奎.森林生物量遥感估算与应用分析[J].地球信
息科学,2006(8):123-128.
[19]徐小军,杜华强,周国模,等.基于遥感植被生物量估算模型自
变量相关性分析综述[J].遥感技术与应用,2008(23):239-
247.
[20]Clark D B,Clark D https://www.360docs.net/doc/3118288269.html,ndscape-scale variation in forest struc2
ture and biomass in a tropical rain forest[J].Forest Ecology and Management,2000(137):185-198.
[21]Alves L F,Santos F A M.Tree allometry and crown shape of four
tree species in Atlantic rain forest,southeast,Brazil[J].Journal of Tropical Ecology,2002(18):245-260.
[22]Brown S,G illespie A.J.R,Lugo A.E.Biomass of tropical forests
of south and southeast Asia[J].Canadian Journal of Forest Re2 search,1991(21):111-117.
[23]Leckie D G,G ougeon F A,Walsworth N,Paradine D.Stand
delineation and composition estimation using semi-automated in2 dividual tree crown analysis[J].Remote Sensing of Environment, 2003(85):355-369.
[24]Chen J M,Black T A.Defining leaf area index for non-flat leaves
[J],Plant Cell and Environment,1992(15):421-429.
[25]Chen J M,Cihlar J.Retrieving Leaf Area Index of Boreal Conifer
Forests Using Landsat TM images[J].Remote Sensing of Environment,1996(55):153-162.
[26]金慧然,陶欣,范闻捷,等.应用北京一号卫星数据监测高分辨
率叶面积指数的空间分布[J].自然科学进展,2007,9(17): 1229-1234.
[27]孙鹏森,刘世荣,刘京涛,等.利用不同分辨率卫星影像的ND2
VI数据估算叶面积指数(LAI)———以岷江上游为例[J].生态学报,2006,11(26):3826-3834.
[28]吴炳方,曾源,黄进良.遥感提取植物生理参数LAI/FPAR的
研究进展与应用[J].地球科学进展,2004,4(19):585-590. [29]Sprintsin M,Karnieli A,Berliner P,et al.The effect of spatial res2
olution on the accuracy of leaf area index estimation for a forest planted in the desert transition zone[J].Remote Sensing of Envi2 ronment,2007(109):416-428.
[30]李崇贵,赵宪文.森林郁闭度定量估测遥感比值波段的选择
[J].林业科学,2005,4(41):72-77.
[31]Morales R.M,Miura T,Idol T.An assessment of Hawaiian dry
forest condition with fine resolution remote sensing[J].Forest E2 cology and Management,2008(255):2524-2532.
[32]刘杏娥,江泽慧,费本华,等.利用遥感技术预测人工林木材性
质及其产品价值的初探[J].林业科学研究,2005,4(18):425-
429.
[33]王小青.基于遥感技术的小黑杨木材产量和质量预测[D].北
京:中国林业科学研究院,2007.
[34]Song C.Estimating tree crown size with spatial information of
high resolution optical remotely sensed imagery[J].International Journal of Remote Sensing,2006,28(15):3305-3318.
711
第2期刘晓双等:高空间分辨率遥感森林参数提取探讨
高分辨率遥感影像数据一体化测图系统PixelGrid
高分辨率遥感影像数据一体化测图系统PixelGrid 北京四维空间数码科技有限公司 一、概况介绍 高分辨率遥感影像数据一体化测图系统PixelGrid（以下简称“PixelGrid”）是由中国测绘科学研究院自主研发的“十一五”重大科技成果，获得2009年度国家测绘科技进步一等奖。 为将这一重大科技成果实现产业化，2008年开始，由中国测绘科学研究院参股单位北京四维空间数码科技有限公司进行成果转化和产品化，并开展销售。 该软件是我国西部1:5万地形图空白区测图工程以及第二次全国土地调查工程的主力软件， 被誉为国产的“像素工厂”。 PixelGrid以其先进的摄影测量算法、集群分布式并行处理技术、强大的自动化业务化处理能力、高效可靠的作业调度管理方法、友好灵活的用户界面和操作方式，全面实现了对卫星影像数据、航空影像数据以及低空无人机影像数据的快速自动处理，可以完成遥感影像从空中三角测量到各种比例尺的DEM/DSM、DOM等测绘产品的生产任务。 PixelGrid软件主界面。 二、主要特点 PixelGrid系统以现代摄影测量与遥感科学技术理论为基础，融合计算机技术和网络通讯技术，采用基于RFM通用成像模型的大范围遥感影像稀少或无控制区域网平差、基于旋转/缩放不变性特征多影像匹配的高精度航空影像自动空三、基于多基线/多重特征的高精度DEM/DSM自动提取、等高线数据半自动采集及网络分布式编辑、基于地理信息数据库等多源控制信息的高效影像地图制作、基于松散耦合并行服务中间件的集群分布式并行计算等一系列核心关键技术，是中国测绘科学研究院研制的一款类似“像素工厂”（ISTAR PixelFactoryTM）的新一代多源航空航 天遥感数据一体化高效能处理系统。
遥感影像分类精度与空间分辨率的关系验证
实验一遥感影像分类精度与空间分辨率的关系验证 实验目的： 1、掌握相同传感器多光谱影像与全色影像融合方法； 2、掌握监督分类的基本流程； 3、验证遥感影像分类精度与空间分辨率的关系。 实验要求： 1、对多光谱影像和全色影像进行融合； 2、利用马氏距离法进行监督分类； 理论基础：高分辨率影像能反映更多细节信息，但是过高的的空间分辨率也会造成地物类别内部光谱可分性下降（同物异谱和异物同谱现象更严重），通过不同分辨率遥感分类精度的比较来验证这一理论。 原始实验数据：北京市朝阳区2002年奥运公园规划区IKONOS多光谱影像4个波段与IKONOS 全色波段（两者成像时间都是2002年8月26日，即是同一传感器同时成像，植被覆盖情况一致），全色波段影像大小4000*4000。class1.roi是1m空间分辨率的参考分类ROI模板。 实验步骤： 1、将IKONOS多光谱影像4个波段与IKONOS全色波段数据进行融合，操作如下： （1）打开图像bjikonospan.img和bjikonosmultispectral.img，在Available band list对话框中，选中bjikonospan.img，点击右键，选择Edit header，查看bjikonospan.img的头文件。记 录该文件的行列数，下图1~2。
图1 图2 查看头文件
（2）在ENVI主菜单，点击Basic Tools→Resize Data，在弹出的对话框中，选择bjikonosmultispectral.img，点击OK，在接下来弹出的Resize Data Parameters对话框中，Samples后输入4001，点击回车，Lines后输入4001，点击回车，设置存储路径，OK。将重置了大小后的图像bj_resize按432的RGB模式显示，与前两个图像对比，观察其变化。 图3
高分辨率遥感卫星介绍
北京揽宇方圆信息技术有限公司 高分辨率遥感卫星有哪些 高分辨率遥感可以以米级甚至亚米级空间分辨率精细观测地球，所获取的高空间分辨率遥感影像可以清楚地表达地物目标的空间结构与表层纹理特征，分辨出地物内部更为精细的组成，地物边缘信息也更加清晰，为有效的地学解译分析提供了条件和基础。随着高分辨率遥感影像资源日益丰富，高分辨率遥感在测绘制图、城市规划、交通、水利、农业、林业、环境资源监测等领域得到了飞速发展。 北京揽宇方圆信息技术有限公司是国内的领先遥感卫星数据机构，而且是整合全球的遥感卫星数据资源，分发不同性能、技术应用上可以互补的多种卫星影像，包括光学、雷达卫星影像、历史遥感影像等各种卫星数据服务，各种专业应用目的的图像处理、解译、顾问服务以及基于卫星影像的各种解决方案等。遥感卫星影像数据贯穿中国1960年至今的所有卫星影像数据，是中国遥感卫星数据资源最多的专业遥感卫星数据服务机构，提供多尺度、多分辨率、全覆盖的遥感卫星影像数据服务，最大限度的保证了遥感影像数据获取的及时性和完整性。 一、卫星类型 (1)光学卫星：worldview1、worldview2、worldview3、worldview4、quickbird、geoeye、ikonos、pleiades、deimos、spot1、kompsat系例、spot2、spot3、spot4、spot5、spot6、spot7、landsat5(tm)、Sentinel-卫星、landsat(etm)、rapideye、alos、kompsat系例卫星、planet卫星、北京二号、高景一号、资源三号、高分一号、高分二号、环境卫星。 (2)雷达卫星：terrasar-x、radarsat-2、alos雷达卫星、高分三号卫星、哨兵卫星 (3)侦查卫星：美国锁眼卫星全系例(1960-1980) 二、卫星分辨率 (1)0.3米：worldview3、worldview4 (2)0.4米：worldview3、worldview2、geoeye、kompsat-3A (3)0.5米：worldview3、worldview2、geoeye、worldview1、pleiades
几种典型高分辨率商业遥感卫星系统
几种典型高分辨率商业遥感卫星系统 1．2．1 IKONOS卫星系统 1．基本情况 IKONOS是空间成像公司(Space Imaging)为满足高解析度和高精度空间信息获取而设计制造，是全球首颗高分辨率商业遥感卫星。IKONOS-1于1999年4月27日发射失败，同年9月24日，IKONOS-2发射成功，紧接着于10月12日成功接收到第一幅影像。 IKONOS卫星由洛克希德—马丁公司(Lockheed Martin)制造，重1600lb，由Athena II 火箭于加利福尼亚州的范登堡空军基地发射成功，卫星设计寿命为7年。它采用太阳同步轨道，轨道倾角98.1o，平均飞行高度681km，轨道周期98.3min，通过赤道的当地时间为上午10:30，在地面上空平均飞行速度为6.79km/s，卫星平台自身高1.8m，直径1.6m。 IKONOS卫星的传感器系统由美国伊斯曼—柯达公司(Eastman Kodak)研制，包括一个1m分辨率的全色传感器和一个4m分辨率的多光谱传感器，其中的全色传感器由13816个CCD单元以线阵列排成，CCD单元的物理尺寸为12μm x 12μm，多光谱传感器分四个波段，每个波段由3454个CCD单元组成。传感器光学系统的等效焦距为10m，视场角(FOV)为0.931o，因此当卫星在681km的高度飞行时，其星下点的地面分辨率在全色波段最高可达0.82m，多光谱可达3.28m，扫描宽度约为11km。传感器可倾斜至26o立体成像，平均地面分辨率1m左右，此时扫描宽度约为13km。IKONOS的多光谱波段与Landsat TM的1—4波段大体相同，并且全部波段都具有11位的动态范围，从而使其影像包含更加丰富的信息。 IKONOS卫星载有高性能的GPS接收机、恒星跟踪仪和激光陀螺。GPS数据经过后处理可提供较精确的星历信息；恒星跟踪仪用以高精度确定卫星的姿态，其采样频率低；激光陀螺则可高频地测量成像期间卫星的姿态变化，短期内有很高的精度。恒星跟踪数据与激光陀螺数据通过卡尔曼滤波能提供成像期间卫星较精确的姿态信息。GPS接收机、恒星跟踪仪和激光陀螺提供的较高精度的轨道星历和姿态信息，保证了在没有地面控制的情况下，IKONOS卫星影像也能达到较高的地理定位精度。 2．成像原理 与Landsat和SPOT-4卫星相比，IKONOS卫星的成像方式更加灵活，其传感器系统采用独特的机械设计，可以十分灵活地以任意方位角成像，偏离正底点的摆动角甚至可达到60o。IKONOS卫星360o的照准能力使其既可侧摆成像以获取异轨立体或缩短重访周期，也可通过沿轨道方向的前后摆动同轨立体成像，具有推扫、横扫成像能力。 IKONOS卫星能获取同轨立体影像。当卫星接近目标时，传感器光学系统先沿着轨道向前倾斜，照准目标区域并采集第一幅影像，接着控制系统操纵传感器向后摆动，大约100s 后再次照准目标区并采集第二幅影像，如图1．1所示。由于IKONOS卫星利用单线阵CCD 传感器，通过光学系统的前后摆动实现同轨立体成像。因此，相应的立体覆盖是不连续的。
遥感影像的分类处理
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
高低分辨率影像解译对比
不同分辨率影像解译效果分析 根据地物的成像规律，在遥感影像上识别出它的性质和数量指标的过程，称为遥感影像的解译，也称为判读。遥感影像上不同地物有其不同的影像特征，这些特征是解译时识别各种地物的依据，这种依据叫做遥感影像的解译标志，也叫做识别特征。直接解译标志如色调、颜色、阴影、形状、大小、纹理、图形。间接解译标志如相关位置、相互关系等。 随着遥感技术的发展，人们得到的遥感影像的质量越来越好，空间分辨率越来越高。目前商用卫星可提供0.6米左右空间分辨率的卫星图像（如Quick bird，Worldview等），在这种具有高空间分辨率特性的图像上，大型建筑物、道路、飞机场和其它人造地物形状特征和纹理特征清晰可辨，这为从遥感影像中提取空间结构信息提供了物质基础。影像分辨率不同，在辨别地物上有很大的影响。主要地物有如下特征：
（一）低分辨率影像 低分辨率遥感适合进行一些宏观的地物监测，因为分辨率低，每个像元代表的面积很大，所以能覆盖地面较大的范围。另外，低分辨率遥感通常光谱分辨率会比较好，包含除可见光以外的近红外等波段，可以用来监测大面积的植被，区分植被和非植被。 低分辨率影像对于一些较小的图斑，很容易被遗漏，对于这些零星小地块的补测只有通过外业调查的方式对研究区展开全面覆盖调查，这不仅大大增加了外业调绘工作量，而且一定程度上否定了3S方法能够快速获取土地利用信息的这一特点。 低分辨率的一大优点是经济实惠，购置成本低。 （二）高分辨率影像 高分辨率卫星影像具有以下特点：具有丰富的空间信息、地物几何结构和纹理信息明显。例如本项目使用的Quickbird影像上人工地物、水体和植被之间的光谱差异明显，建筑物和道路形状结构特征突出，耕地和林地纹理信息丰富。 高分辨率卫星遥感影像，可以在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图以及监测人为活动对环境的影响。影像纹理清晰，能够很清楚的分辨出道路、沟渠等水利设施。具有广阔的应用前景。 高分辨率遥感比较适合研究小尺度的地物。由于分辨率高，能看清地面的道路和建筑，适合进行城市的测绘。
高空间分辨率遥感森林参数提取探讨
高空间分辨率遥感森林参数提取探讨 刘晓双,黄建文,鞠洪波 (中国林业科学研究院资源信息研究所,北京100091) 摘要:介绍了高空间分辨率遥感在森林参数提取方面的研究和应用情况,并结合国内外学者在此方面所做出的研究成果,对不同森林参数的提取分别做了阐述,包括单木树冠轮廓信息、胸径、森林生物量、树种识别和分类、叶面积指数、森林郁闭度、木材结构和性质。最后分析了高空间分辨率遥感在森林参数提取方面存在的问题,并对该领域的应用前景作了展望。 关键词:高空间分辨率;遥感;森林参数;树冠提取;生物量 中图分类号:TP79 文献标识码:A 文章编号:1002-6622(2009)02-0111-07 Study on Extraction of Forest Parameters by High Spatial R esolution R emote Sensing L IU Xiaoshuang ,HUAN G Jianwen ,J U Hongbo (Research Instit ute of Forest Resources and Inf ormation Technique ,CA F ,Beiji ng 100091,Chi na ) Abstract :Study and application of forest parameters extraction by high spatial resolution remote sens 2ing was introduced in this article ,combined with achievements in this field made by researchers all over the world 1Extraction of such different forest parameters was described respectively as single tree crown contour ,diameter at breast height ,biomass ,identification and classification of species ,LAI ,canopy den 2sity ,wood structure and property 1Finally ,the problems of forest parameters extraction by high spatial resolution remote sensing were discussed ,and the prospect of forest parameters extraction by high spa 2tial resolution remote sensing was expected. K ey w ords :high spatial resolution ,remote sensing ,forest parameters ,extraction of tree crown ,biomass 收稿日期:2009-01-04;修回日期:2009-04-03 基金项目:中央级公益性科研院所基本科研业务费专项基金(RIFRITZ J Z 2007006);国家自然科学基金“基于高分辨率 遥感的树冠信息提取技术研究”项目(40771141) 作者简介:刘晓双(1985-),女,甘肃兰州人,在读硕士生,主要从事遥感、GIS 技术应用研究。通讯作者:鞠洪波(1956-),男,黑龙江人,研究员,研究方向:林业信息技术。 现代林业的经营管理得以顺利进行主要依赖于对各种森林参数的调查,而森林限于其特殊的自然地理条件往往会给研究数据的采集造成很大的困 难。传统的森林调查方法一般是基于随机抽样和统计学,其样本的选择是否具有代表性对调查的精确性有很大的影响。这种传统的以个体来推断总体的 2009年4月第2期林业资源管理 FOREST RESOURCES MANA GEMEN T April 2009No 12
遥感影像分辨率的概念及常见传感器的分辨率
遥感影像分辨率的概念 1空间分辨率 遥感影像空间分辨率是用于记录数据的最小度量单位，一般用来描述在显示设备上所能够显示的点的数量(行、列)，或在影像中一个像元点所表示的面积。 空间分辨率指像素所代表的的地面范围的大小，即扫描仪的瞬间视场，或是地面物体能分辨的最小单元。当分辨率为1km时，一个像元代表地面1kmX1km的面积，即1km2；当分辨率为30m时，一个像元代表地面30m×30m的面积；当分辨率为1m时，也就是说，图像上的一个像元相当于地面1m x 1m的面积，即1m2。 因为遥感拍摄的像片是由位于不同高度，装在不同载体(如飞机、卫星等)上的不同清晰度(分辨率)照相设备，以不同的照相(采集)方式，获取的遥感像片(图像、数据、影像等)，这些遥感图像是具有不同清晰度、不同分辨率的照片。类似我们在生活中用135 照相机拍摄一棵树，从汽车上拍一张，然后再从飞机上拍一张，两张135底片在放大同一棵树时，其放大效果是不一样的。肯定是高度低的135照片放大后的效果最清晰，也就是说分辨率最高。 遥感卫星的飞行高度一般在4000km～600 km之间，图像分辨率一般从1 km～1m之间。图像分辨率是什么意思呢？可以这样理解，一个像元，代表地面的面积是多少。像元是什么意思呢？像元相当于电视屏幕上的一个点(电视是由若干个点组成的图像画面)，相当于计算机显示屏幕上的一个象素，相当于一群举着不同色板拼成画图的人中的一个。 光谱分辨率，指成像的波段范围，分得愈细，波段愈多，光谱分辨率就愈高，现在的技术可以达到5~6nm（纳米）量级，400多个波段。 2光谱分辨率 光谱分辨率是指传感器在接收目标辐射的光谱时能分辨的最小波长间隔。间隔越小，分辨率越高。 光谱分辨率指成像的波段范围，分得愈细，波段愈多，光谱分辨率就愈高，现在的技术可以达到5~6nm（纳米）量级，400多个波段。
遥感课后习题
遥感应用的本质是通过遥感观测数据来“反演”地表有价值的信息 第一章 1.1 1. 遥感地学分析的含义是什么，对应的英文表述应该是什么样的？ 2. 遥感信息的物理属性可从哪些方面来描述？ 遥感信息的这种多源、多维的特性，可以通过不同的分辨率进行度量和描述： 空间分辨率 光谱分辨率 辐射分辨率 时间分辨率 3. 遥感图像的空间分辨率是指什么，有哪几种表达方式？ 空间分辨率：针对图像或传感器而言，指图像上能够区分的最小单元的大小，或指传感器区分两个目标物的最小角度或线性距离的度量 空间分辨率的3种表示法： 像元：指单个像元对应的地面面积大小，常以边长表示，单位为m。如NOAA/A VHRR：1100m，Landsat/TM：28.5m，QuickBird：0.61m 线对数（LP）：摄影系统的空间分辨率通常用单位宽度内可识别的线对数表示（Line pairs per millimetre），单位为LP/mm。所谓线对指一对同等大小的明暗条纹或规则间隔的明暗条对 瞬时视场（IFOV）：指传感器内单个探测元件的受光角度或观测视野，单位为毫弧度（mrad）。一个瞬时视场内的信息，表示一个像元。IFOV与传感器的高度有关，高度越高，分辨率越低；还与传感器的视角有关，视角越倾斜，观测面积越大，分辨率就越差。 4. 相同时期的遥感传感器，设计的空间分辨率越高， 则光谱分辨率越低，这是为什么？ 在遥感成像系统设计中，空间分辨率和光谱分辨率常常不可兼得，因为高光谱成像系统的光谱带宽很窄，必须用较大的IFOV才能收集足够多的光子以维持可接受的信噪比；同样，高空间分辨率系统的IFOV很小，因此必须以较宽的光谱通道才能捕捉足够的光能量。 计算：若IFOV为2mrad，传感器高度为10000m，则星下点像元对应的地面面积为多少？ 5. 遥感图像的空间分辨率越高，识别地物目标的能力越强吗？为什么？ 一般来说，遥感系统的空间分辨率越高，则识别地物目标的能力越强 但是，特定目标在图像上的可分辨程度，并不完全取决于空间分辨率的值，而是和它的形状、大小，以及它与周围物体的亮度、结构差异有关。例如，Landsat TM的空间分辨率为30m，但是10~20m宽的铁路甚至10m宽的公路通过沙漠、水域、草原、耕地等背景光谱较单调的地区时，往往清晰可辨。 可见，空间分辨率的大小仅表明图像细节的可见程度；而真正的识别效果，还要考虑环境背景复杂性等因素的影响。 扩展：经验证明，遥感系统空间分辨率的选择，一般应小于被探测目标最小直径的1/2（Jensen，1996）。例如，若要识别公园内的松树，则可以接受的最低空间分辨率应是最小松树的直径的一半。而且，若松树与环境背景之间的光谱响应差异很小，则需要更高的空间分辨率才能成功识别 6.遥感主要利用的电磁波范围是哪些？是如何划分的？
遥感影像分辨率
遥感分辨率与制图比例尺关系 张益新 （淮海工学院测绘工程学院，江苏连云港 222005） 摘要：分析遥感影像分辨率与制图比例尺相关的关系，从遥感分辨率与制图比例尺的数学定律来阐述两者的关系，最后指出如何选取适当空间分辨率的卫星影像，为制图提供帮助 关键词：遥感影像分辨率比例尺关系 1.引言 当今世界随着信息技术和传感器技术的飞速发展，各种测量技术日新月异，各种测量技术为社会的进步作出了巨大的贡献。其中遥感技术作为目前测量顶端技术，已经被广泛的应用到各个领域。在科学家的努力下，遥感影像的空间分辨率有了很大提高。原来只有航空影像能够达到的精度，如今遥感影像也能够满足需要。卫星遥感影像是平面几何精度与地物类别精度的统一，影像空间分辨率是决定影像精度的一个重要指标，影像精度要满足相应比例尺地图更新对于影像识别能力和成图精度要求，同时又要考虑地图更新成本。冗余的分辨率会增加影像购买成本和加重内业处理的负担；而若分辨率达不到一定要求，细小的地物就无法判读、影像控制点精度得不到保证，满足不了成图精度。现在我们就来讨论遥感影像分辨率与制图比例尺的关系。 2.遥感影像空间分辨率与成图比例尺的数学关系 资源卫星遥感影像空间分辨率R (单位为m ) 与可制作的合理成图比例尺m (m 为比例尺分母) 以及图件要求的误差范围e (单位为mm ) 存在以下关系: e ×m × 10-3= C ×R (1) 式中 C ——影像几何校正系数, 即: 经几何校正以后,最差的像元位置均方根差(Roo t M ean Squa re, 简称RM S) , 以像元为单位, 达到多少个像元; e——人眼的分辨率, 通常采用0.2mm。式(1) 的左边是一般图件允许的实地误差(以m 为单位) , 而右边是遥感影像校正后存在的实地误差, 这两个误差在遥感制图中应当相等, 也是(1) 式成立的基础。几何校正系数C 是一个待定变量。以RTK GPS(Real T ime Kinemat ic GPS) 测量值作为真值, 求出精校正遥感影像与真值的误差, 计算得到误差的均方根差, 就可以求出精纠正遥感影像均方根差的像元个数,即C 的值。C 值确定后, 利用(1) 式可以计算出此遥感影像可以制作的合理成图比例尺。通常, 遥感影像空间分辨率越低, 几何校正系数C 就应设置越大, 这是因为空间分辨率越低, 影像边缘几何变形就越大, 几何校正的效果就越差。
谷歌卫星影像地图各级比例尺及空间分辨率列表
谷歌卫星影像地图各级比例尺及空间分辨率列表 级别实际距离像素图上距离图像分辨率比例尺空间分辨率第2级5000公里70 2.47厘米72dpi2亿：171公里第3级2000公里55 1.94厘米72dpi1亿：136公里第4级2000公里115 4.06厘米72dpi5千万：117公里
第5级1000公里115 4.06厘米72dpi 2.5千万：19公里第6级500公里115 4.06厘米72dpi 1.2千万：14公里第7级200公里91 3.21厘米72dpi6百万：12公里第8级100公里176 6.21厘米72dpi160万：1568米第9级50公里91 3.21厘米72dpi155万：1549米第10级20公里72 2.54厘米72dpi80万：1278米第11级10公里72 2.54厘米72dpi40万：1139米
第12级5公里72 2.54厘米72dpi20万：169米第13级2公里57 2.01厘米72dpi10万：135米第14级2公里118 4.16厘米72dpi5万：117米第15级1公里118 4.16厘米72dpi 2.5万：18米 第16级500米118 4.16厘米72dpi 1.2万：14米 第17级200米93 3.28厘米72dpi2300：1 2.15米第18级100米93 3.28厘米72dpi3000:1 1.07米
第19级50米93 3.28厘米72dpi1500:10.54米第20级20米74 2.61厘米72dpi800：10.27米 第21级10米72 2.54厘米72dip393.70(1000/2.54)0.138(10/72)米/像素第22级5米72 2.54厘米72dip196.85(500/2.54)0.0694(5/72)米/像素
高空间分辨率图像
高空间分辨率图像 卫星影像空间分辨率能够被传感器辨识的单一地物或2个相邻地物间的最小尺寸。空间分辨率越高，遥感图像包含的地物形态信息就越丰富，能识别的目标就越小。广西善图科技有限公司 高空间分辨率图像（简称“高分图像”）包含了地物丰富的纹理、形状、结构、邻域关系等信息，可主要应用于地物分类、目标提取与识别、变化检测等。 目前，已经商业化运行的光学遥感卫星的空间分辨率已经达到“亚米级”，如2016年发射的美国WorldView-4卫星能够提供0.3 m分辨率的高清晰地面图像。 近年来，随着我国空间技术的快速发展，特别是高分辨率对地观测系统重大专项的实施，我国的卫星遥感技术也迈入了亚米级时代，高分2号卫星（GF-2）全色谱段星下点空间分辨率达到0.8 m。
上海陆家嘴高分辨率图像 GF-2号卫星0.8 m全色与3.2 m多光谱融合结果 商业化高分图像的多领域应用 农业 法国SPOT-5 2.5 m融合图像已经被应用于农作物种植面积的小区域精细抽样调查，基于空间排列结构特征分析，可以实现人工种植园中冬小麦、水稻和棉花等种植区域的提取。 城市规划管理 GF-2图像可准确地识别城市街道、行道绿地、公园、建筑物、甚至车辆数量信息。 海岸带调查 应用美国WorldView-2高分数据，大幅提高了海岸线提取的精度，实现了围填海状况监测。 灾情评估 高分图像可以实现滑坡和洪水淹没区快速提取、建筑物毁坏等监测，还可利用如美国IKONOS高分影像生成立体像对地震灾害前后房屋做精准的损毁状况评估。 军事国防 高分图像可以精确识别敌方的人员与装备，包括装备的型号、数量、调动等重要信息。
空间分辨率
空间分辨率——数字射线照相的关键参数 分类：X-Ray2010-03-17 13:28 341人阅读评论(0) 收藏举报概念：空间分辨率是指图像中可辨认的临界物体空间几何长度的最小极限，即对细微结构的分辨率。 以下： 强天鹏撰 模拟图像是指由连续信号构成的图像，射线照相得到的底片图像就是模拟图像；而数字图像是指由大量的点（像素）构成，可用二进制数字描述的图像。数字图像早已进入我们的生活:数码相机已把胶卷相机逼入绝境；数字电视也已开始与模拟电视分庭抗礼；在医院里，CR、DR和CT装置用得越来越多，已逐步取得人体透视和拍片——这些技术得到的都是数字图像。但在工业上的应用，即工业CR、工业DR的应用则相对迟缓，目前仍然是胶片照相占据绝对优势。究其原因，主要是分辨率问题：工业应用数字图像比医用的数字图像的分辨率要求要高得多，人体检查一般要求的分辨率水平是厘米级或毫米级，而承压设备焊缝检测的分辨率水平要求达到0.1毫米级，甚至更小。 分辨率是描述数字图像质量的重要参数。分辨率包括空间分辨率和灰度分辨率两项指标。数字图像的空间分辨率取决于像素尺寸的大小。像素（Pixel）是构成数字图像的基本单元。如果把数字图像放大许多倍，会发现这些连续图像其实是由小点组成。把一幅图像按行与列分割成m×n个网格，就可用一个m×n的矩阵来表达该图像。每一格即为一个像素，m与n数值越大，像素量就越大，单个像素的尺寸就越小，图像就越细腻，空间分辨率就越高。灰度分辨率取决于灰度的模数转换位数。每个像素的亮度称为灰度（对彩色图像则是颜色），可用一个有限长度的二进制数值表示。位数越长，灰度级别就越多，层次就越丰富（或颜色就越逼真），灰度分辨率就越高。如果是8位模/数转换，则灰度可分为28=256个级别；如果是16位模/数转换，则灰度可分为216=65536个级别。 提高数字图像的灰度分辨率相对比较容易，只要增加模/数转换位数就行，而提高数字图像的空间分辨率则困难的多。 应用于工业射线检测的数字技术有： 1、底片数字化扫描技术； 2、图像增强器实时成像技术； 3、计算机X射线照相技术（CR）； 4、线阵列扫描成像技术（LDA）； 5、非晶硅和非晶硒数字平板成像技术； 6、CMOS数字平板成像技术； 以上六种技术的空间分辨率各不相同，比较其分辨率高低大致如下：图象增强器的空间分辨率约为100-300微米，二极管阵列（LDA）的空间分辨率约为100?200微米，非晶硅/硒
作业2 高空间分辨率遥感影像分割方法实验
作业2 高空间分辨率遥感影像分割方法实验 学号： 课程代码： 姓名： 截止日期：2016.11.29 上交时间：2016.11.28 摘要：遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。边缘检测是图像处理和计算机视觉中的基本问题，边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。本文使用棋盘分割算法、四叉树分割算法、多尺度分割算法三种分割算法与Canny边缘检测算法对图像进行分割和提取边缘。并简单的对ecognition软件中设置的不同参数进行探索。
1.方法 1.1.分割 遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术，对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义[1]。 1.1.1. 棋盘分割算法 棋盘分割（Chessboard Segmentation）是易康软件中一种简单的分割算法，它将一幅影像或一个父级对象分割成许多正方形的小对象。在分割过程中，棋盘分割算法主要用到的是分割尺度参数。 1.1. 2.四叉树分割算法 四叉树分割法（Quadtree-Based Segmentation）：当超过预定阀值时,将原始图像等分为4个子块,分别对应于四叉树树根的4个子节点[2]。依次考虑4个子块中的每一块,当匹配误差超过预定阀值时,这个阀值可称为剪枝判同的判决标准,可以是灰度相似性,也可以是目标均方差或其他可表示目标特征的有效信息,再将此块等分成4个子块,该过程也称之为剪枝.重复这一过程直至图像中的任意一块都能找到合适的匹配块为止[3]。下图表示一个四叉树的分割过程[4]。 图1-1 四叉树分割过程示意 1.1.3.多尺度分割算法 多尺度分割（Multiresolution Segmentation）：在指定的与感兴趣的地物目标或空间结构特征相对应的尺度下，将影像分割成高同质的、互相连结的不同影像区域，与感兴趣的地物目标或空间结构特征相对应[5]。它是一种自下而上（bottom-up）的方法，通过合并相邻的像素或小的分割对象，在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割。 1.2.Canny边缘检测 Canny[6]1986年提出了一个优良的边缘检测算子应满足以下准则：1.信噪比准则，即不漏检真实边缘，也不把非边缘点作为边缘点检出，使输出的信噪比最大；2.定位精度准则，即检测出的边缘点，尽可能在实际边缘的中心；3.单边缘响应准则，即单个边缘产生的多个响应的概率要低，虚假边缘响应得到最大抑制。算法方框图如图[7]
医学影像设备空间分辨率检测及具体实施
空间分辨率检测 详细的列举过了各个医学影像设备质量控制的影响因素，我们发现，在常用的医学影像设备的质量控制中，空间分辨率是一个具有代表性、参考性、一个必不可少的典型影响因素。经过一系列的调查与研究，由于不同的设备它们的检测方法与检测器材各不相同，所以我以空间分辨率为例，来论述一下不同的医学影像设备的空间分辨率的质量检测的具体实施方法。 4.1 X线空间分辨率检测 4.1.1 检测器材 瑞典PTW NORMI 13型性能体模，主要进行空间分辨力、密度分辨力和可见灰度级等性能参数的检测、线对卡（见图4.1）、胶带、纸、笔等。 图4.1 线对卡 4.1.2 检测方法 对于普通的荧光屏透视的X射线诊断检查设备，检测时将体模放在探测器的准屏板上，并且将体模中心摆在准屏板中央，把光照视野调到一个恰当的大小，确保准屏板的中心对准体模的中心。然后，按照常用的摄影参数数据去进行曝光。检测空间分辨率的模块由不同的线对数构成的线对卡组成，常用的摄影参数具体数值我们设置为管电压70kV，管电流3mA，完成曝光，将得到的图像在高分辨率诊断的显示器下调整放大倍数，观察图像上的线对卡，并记录下能分辨的最大线对数的数值是多少。 4.1.3结果与注意事项 普通荧光屏透视系统的空间分辨力应该不小于1lp/mm。选择合适的透视条件对产生的检测结果来看十分重要，机房应该避光性要好，应该在充分暗的适应
条件下进行。在实施上述所有质量检测时，必须注意周围所有技术人员的X射线辐射安全;检测结果不达到国家或地方标准应该马上与负责该被检医学影像设备的有关部门或人员进行沟通，分析原因，共同提出解决的方案，并建议停止使用设备，等待处理后重新检测达标后方可再投入使用。在使用检测仪之前应该仔细阅读将所使用检测仪的说明书，比如测量方法与步骤和注意事项等，必须做到心中有数;检测仪或探测器与X射线束的中心重合、水平非常重要;熟悉被检测的X射线诊断设备的性能参数，特别是需要保证最大的管电压kV值和最大管电流mA值是否在允许检测的最大值范围内，与实际操作方法，如果对被检设备不是十分熟悉，应该在非常熟悉的技术人员(技师以上)的帮助下完成检测，最好有熟悉的工程师协助，是更理想的情况;在质量检测的过程中，任何情况下都不应该超过被检测的X射线管管电压的最大额定值。 4.2 X-CT空间分辨率检测 4.2.1 检测器材 美国Victoreen公司76-410中的空间分辨率插件，和76-411体部空间分辨率环。空间分辨率插件是由丙烯树脂的材料组成的直径为190mm，厚度为64mm 的圆柱体，在它的中心位置包含有8组孔径分别为1.75 mm、1.5 mm、1.25 mm、1.0 mm、0.75mm、0.6mm、0.5mm、0.4mm的孔，每组5个孔都平行排列，孔间距等于孔径，孔的中间充满着空气。体部环用有机玻璃的材料制作成外径为310mm、内径为216mm、厚度为63mm的圆柱环。圆环上面安装两块一样的空间分辨率插件，两块之间的距离为90mm。每块插件中含有7组孔径分别为2.0 mm、1.75 mm、1. 5 mm、1.25 mm、1. 0mm、0.75 mm、0.6 mm孔，孔的间距等于孔的直径，每组5个孔平行排列，孔中充斥着空气。 4.2.2 检测方法 首先，我们把模体放在CT机的床上，让CT机里面安装的激光线把床调节到一个合适的位置，让模体的中心与扫描的中心保持一致，从而获得一幅正确的质量检测影像。如果中心发生了偏移，哪怕是一点点，我们也需要再次确定中心点的位置。其次，我们需要将扫描的部位进行确定，作为模体的一幅定位像，确定空间分辨率检测的部分所在的位置，并且移动诊视床到所需要的位置。我们分别选取两个比较常用的扫描条件。(1)头部扫描: 用头部本来设定的扫描条件或者较小视野的扫描条件，选取10mm的层厚。如果用常规的扫描条件，肺部高分辨率扫描，比如视野设置为15cm、层厚为2mm、高分辨率重建滤过函数分别去进行扫描，每个条件都需要进行5次扫描。(2)体部扫描: 在进行体部扫描时，将体部套环套在模体外面，位于空间分辨率插件的位置，用体部扫描条件重复上述的
高分辨率遥感影像分类实验报告
高分辨率遥感影像分类实验报告 班级：___________________ 姓名：___________________ 学号：___________________ 指导老师：_______________ 地球科学与环境工程学院 二?一四年六月
目录 1 实验方法——面向对象方法 (1) 2 实验内容 (1) 2.1 影像预处理 (1) 2.1.1 影像数据融合 (1) 2.1.2 影像增强处理 (2) 2.2 创建工程 (2) 2.3 分割处理 (3) 2.4 分类 (4) 2.4.1 水体 (4) 2.4.2 陆地 (5) 2.4.3 植被 (6) 2.4.4 裸土 (7) 2.4.5 建筑物 (8) 2.4.6 道路 (9) 2.4.7 阴影 (10) 2.4.8 总体分类图 (12) 3 结语 (13)
1实验方法——面向对象方法 面向对象方法是一个模拟人类大脑认知的过程，将图像分割为不同均质的对 象，充分利用对象所包含的信息，将知识库转换为规则特征，从而提取影像信息。 因为分析的是对象而不是像元，因此我们可以利用对象丰富的语义信息， 结合各 种地学概念，如面积、距离、光谱、尺度、纹理等进行分析。 面向对象的遥感影像分析方法与传统的面向像元的影像分析方法不同。 首先 需要使用一定方法对遥感影像进行分割， 在提取分割单元（图像分割后所得到的 内部属性相对一致或均质程度较高的图像区域） 的各种特征后，在特征空间中进 行对象识别和标识，从而最终完成信息的分类与提取。 2实验内容及详细过程 2.1影像预处理 2.1.1影像数据融合 实验数据为QuickBird 影像，包括4个多光谱波段以及一个全色波段。 QuickBird 影像星下点分辨率：全色为 0.61m ,多光谱为2.44m 。对于面向对象 影像分类 来说，越高的高空间分辨率越好，但在对对象进行分类时，光谱信息同 样重要，因此，可将高分辨率的全色影像和多光谱影像进行数据融合。 使用 ERDAS 进行数据融合： Interprete u spatialenchancemen ^resolution mergeo 图1 全色影像与多光谱影像融合 Ib^pul Fh (*.网| MJitiMewl lf 高空间分辨率遥感影像分割方法研究综述 高空间分辨率遥感影像分割方法研究综述 刘建华毛政元 （福州大学,空间数据挖掘与信息共享教育部重点实验室，福建省空间信息工程研究中心，福州350002） 摘要:遥感影像分割是指把一幅影像划分为互不重叠的一组区域的过程，它要求得到的每个区域的内部具有某种一致性或相似性，而任意两个相邻的区域则不具有此种相似性。遥感影像分割是面向对象的遥感影像数据挖掘与应用中的一项关键技术,对于影像目标信息自动化提取与智能识别尤为重要，在面向对象的遥感影像处理工程中具有重要意义。本文对常见的高空间分辨率遥感影像分割方法与应用策略进行了分析，比较了各种分割方法的应用范围、优缺点及目前存在的改进措施。建立了面向对象的遥感影像分割方法的分类体系，最后指出了面向对象的遥感影像分割方法目前所存在的问题及应用前景。 关键词:高空间分辨率遥感影像影像分割方法应用策略进展 A Survey on High Spatial Resolution Remotely Sensed Imagery Segmentation Techniques and Application Strategy Liu Jian hua Mao zheng yuan (Fuzhou University, Spatial Information Research center, Fuzhou, 350002) Abstract: Remotely sensed imagery segmentation is a process of dividing an image into different regions such that each region is, but the union of any two adjacent regions is not, homogeneous. It is one of key techniques in the object-oriented remotely sensed imagery data mining and its application, also quite essential in remote sensing image processing engineering. In this paper, we have a rough survey on different methods of high spatial resolution remotely sensed imagery segmentation, categorizing them into four groups according to the gray or color information they are exploiting. The disadvantage of current methods and the proper progress which can be attained in the near future are pointed out at the end of this essay. Keywords: High Spatial Resolution Imagery, Segmentation methods, application strategy, advances and prospects 1 引言 高空间分辨率遥感影像(如GeoEye、WorldView、QuickBird、IKONOS等，本文简称高分影像)在诸多领域（地形图更新、地籍调查、城市规划、交通及道路设施、环境评价、精细农业、林业测量、军事目标识别和灾害评估等）得以广泛应用[1]。目前，影像信息提取自动化程度低是高分影像应用潜力得不到充分发挥的主要限制因素，是理论和应用研究中必须突破的瓶颈。 遥感影像分割是面向对象的遥感影像分析方法[2]的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口。按照一般的影像分割定义[3],分割出的影像对象区域需同时满足相似性和不连续性两个基本特性；其中相似性指该影像对象内的所有像元点都满足基于灰度、色彩、纹理等特征的某种相似性准则，不连续性是指影像对象的特征在区域边界处的不连续性。迄今为止,将计算机视觉领域的图像分割算法应用于图像分割过程中,已开展了较多的研究[4-7],并提出了大量的算法；但针对遥感影像尤其是高分影像的分割方法较少[8],仍不成熟。这是由于与其它类型图像的分割相比，高分影像分割难度更大,也更具挑战性。具体体现在高分影像其空间分辨率高、纹理信息丰富而光 基金项目: 国家重点基础研究发展计划项目（973）子课题“高空间分辨率遥感影像自适应数据挖掘方法研[2006CB708306]”，国家自然科学基金项目“基于场模型的自适应空间聚类方法研究[40871206]”。 作者简介: 刘建华，男，博士研究生,曾从事GIS与RS教学工作。目前主要研究方向为空间数据挖掘、遥感图像处理以及GIS与RS集成等。E-mail：sirc.liujh@https://www.360docs.net/doc/3118288269.html,。高空间分辨率遥感影像分割方法研究综述