毛乌素沙地治理遥感动态监测与预警系统已经进入使用。
该系统是为毛乌素沙地区域生态环境建设和治沙防沙提供高技术手段支持的系统。 |
|
|
|
| 内蒙古计算机应用研究院(内蒙古遥感中心)是一家以软件开发、工业控制、信息系统集成等为主业务的高新技术企业，单位成立于1975年，是自治区最早从事计算机应用研究与开发的研究单位。 |
|
 |
|
|
|
|
|
|
| |
基于RS技术的沙地信息分类提取研究 |
五． 结论与建议
两期或多期遥感图像对比监测中，通过精确配准，实现图像与实际地物相匹配的主要环节，从而准确的监测其动态信息。基于遥感图像提取动态信息的预处理，
不同时相遥感图像的预处理对动态信息提取至关重要,在时相不同情况下应进行光谱值对照调整，对主要地类的颜色与亮度值尽量调整成相似或相同，从而减少或避免由于时相、季节不同所造成的大量非动态信息所引起的误差。如植被生长状况有很大差异,如萌叶期、生长旺盛期、变色或脱落期等这些都会造成大量同物异谱现象。所以应选择7—9月份的植被旺盛期。
通过此次研究，在精度上，监督分类受选取的样区影响较大，受同物异谱、同谱异物的影响，同一沙漠化等级因光谱差异往往不能提取到一起，运用监督分类和目视解译两种方法的有机结合，既能避免信息的光谱干扰，又能解决异物同谱分类混淆情况，获得事半功倍的好效果，这一方法能够充分利用光谱信息。与同类研究相比，该方法具有简便、迅速、准确性高的优点，为实现草地沙化遥感监测的计算机自动处理提供了定量依据使大面积的沙化草地自动解译成为可能。通过与外业图表和GPS测点，使用监督分类法和个别地类掩膜法相结合，对地物地类信息的提取结果，与实际情况最贴近，分类精度较高，因此建议使用监督分类法。
六． 与本研究课题的相关概念及原理
1．沙地相关概念
本次项目的最终目的是为了预防风沙灾害，减小风沙灾害对人文环境和自然环境带来的危害。提及风沙灾害，常常涉及到以下几个基本概念：
荒漠：与森林和草原相对应的一种干旱区自然景观，常以稀疏旱生灌木为代表性植物。
沙漠：分布在干旱荒漠景观区的连片沙丘，俗称沙海。
沙地：分布在半干旱（部分半湿润）景观区的沙质土地，其代表性的地貌为固定程度不同的沙丘和沙片。
荒漠化：是指包括气候变异和人类活动在内的种种因素造成的干旱、半干旱和亚湿润干旱地区的土地退化（引自：《联合国防治荒漠化公约》，1994）。该定义明确了3
个问题：①“荒漠化”是在包括气候变异和人类活动在内的多种因素的作用下产生和发展的；②“荒漠化”发生在干旱、半干旱及亚湿润干旱区（指年降水量与可能蒸散量之比在0.05至0.65
之间的地区，但不包括极区和副极区。），这就给出了荒漠化产生的背景条件和分布范围；③“荒漠化”是发生在干旱、半干旱及亚湿润干旱区的土地退化，将荒漠化置于宽广的全球土地退化的框架内，从而界定了其区域范围。
沙化：即沙质荒漠化，它是荒漠化的一种类型，简称“沙化”，包括流动沙丘前移入侵、土地风蚀沙化、固定沙丘活化与古沙翻新等一系列风沙活动。
风沙灾害：由风沙活动造成的人畜伤亡，村庄、粮田、牧场埋压，交通通讯设施破坏，土地生物生产能力的下降，大气环境质量恶化，各种运输机械和精密仪器毁损等共同组成的生态灾难。为了与水灾形成的“水患”相对应，我们把风沙灾害称作“沙患”。
2．几种分类方法概念及原理
2.1 . 非监督分类法：
非监督分类（Unsupervised Classification）运用ISODATA（Tlerative Self-Organizing
Data Analysis Technique）算法，完全按照象元的光谱特性进行统计分类，对分类区不了解时常使用这种方法。使用改方法时，原始图像的所有波段都参与分类运算，分类结果往往是各类象元数大体等比例。非监督是仅凭遥感图像地物的光谱特征的分布规律，随其自然地进行分类，由于人为干预较少，非监督分类过程的自动化程度较高。其分类的结果，只是对不同类别达到了区分，但并不确定类别的属性，其类属是通过事后对各类的光谱响应曲线进行分析，以及与实地调查时间相比较后确定的。非监督分类一般要经过以下几个步骤：初始分类、专题类别、分类合并、色彩确定、分类后处理、色彩重定义、栅格矢量转换以及统计分析。非监督分类的主要算法有混合距离法、循环集群法(ISODATA)和合成序列积群方法等，这里常用的循环集群法。
2.2 . 监督分类法：
监督分类（Supervised Classification）又称训练区分类。它是从已知训练样区得出实际地物的统计。然后再用这种统计资料作为图像分类的判别依据，并依一定的判别准则对所有图像像元进行判别处理，使得具有相似特征并满足一定识别规则的像元归并为一类。在训练区信息提取中，由于训练样区所提供的判别资料是与一定的地物相对应，则计算机便将满足该类条件的像元识别为与训练样区相一致的地物，从而完成对整幅图像的处理。它实质上就是依据所建立的分类模板、在一定的分类决策规则条件下，对图像像元进行聚类判断的过程。是一种常用的精度较高的统计判决分类，在已知类别的训练场地上提取各类训练样本，通过选择特征变量、确定判别函数或判别规则，从而把图像中的各个像元点划归到各个给定类的分类方法。在监督分类过程中，用于分类决策的
规则是多类型、多层次的。对分类结果进行评价后再对模板进行修改，多次反复后建立一个比较准确的模板，并在此基础上最终进行分类。监督分类一般要经过以下几个步骤：建立模板、评价模板、确定初步分类结果、检验分类结果、分类后处理、分类特征统计、栅格矢量转换。非监督分类的主要算法有最大似然法、Mahalanobis距离法、最小距离法，这里常用的最大似然法。
2.3 . 植被指数法：
植被指数是遥感监测地面植物生长和分布的一种方法，是波段间的不同组合方式。当遥感器测量地面反射光谱时，不仅测得地面植物的反射光谱，还测得土壤的反射光谱。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植被指数。植被指数是基于植物叶绿素在0.69μｍ的强吸收特征，通过红光和近红外波段光谱特性及其简单组合比值或线性组合实现对植被状态信息的表达。植被指数可以用定量化的手段描述植被覆盖度或者植被覆盖的活力。用于解释遥感数据的植被指数有多种，如简单植被指数(LCI)、比值植被指数(RVI)、归一化植被指数(NDVI)、绿度植被指数(GVI)和土壤调节植被指数（SAVI）等,
其中最常用的是归一化植被指数(NDVI),其定义为:分别表示植被在近红外波段和红光波段上的反射率。植被指数的定量测量可表明植被活力，而且植被指数比单波段用来探测生物量有更好的灵敏性。植被指数有助于增强遥感影像的可解译性，并已作为一种遥感手段广泛应用于土地利用覆盖探测、植被覆盖密度评价、作物识别和作物预报等方面，并在专题制图方面增强了分类能力。
2.4 . 缨帽变换：
缨帽变换（Tasseled Cap）是针对植物学家所关心的植被图像特征，在植被研究中将原始图像数据结构轴进行旋转，优化图像数据显示效果，是一种经验性的多波段图像的线性变换，把遥感数据的基本结构用三维空间中的一个植被平面、与植被平面垂直的土壤平面以及介于两个平面之间的过渡带来表示，图像六个波段经过缨帽变换处理后三个组分图像所代表的特征意义分别是亮度、绿度和湿度。缨帽变换的基本思想是：多波段（N波段）图像可以看作是N维空间，每一个象元都是N维空间中的一个点，其位置取决于象元在各个波段上的数值。植被信息可以通过3个数据轴（亮度轴、绿度轴、湿度轴）来确定，而这3个轴的信息可以通过简单的线性计算和数据空间旋转获得，当然还需要定义相关的转换系数，同时，这种旋转与传感器有关，因而还需要确定传感器类型。缨帽变换的转换轴与自然植被特征相关，缨帽变换多光谱数据以提供更大数量变化监测可直接使用的信息。缨帽变换后产生的分别代表亮度、绿度和湿度的3个波段，能敏感的反映沙质土地植被的变化。
[上一页] [下一页] |
|
 |
|
