一、遥感影像地形效应校正方法的研究（论文文献综述）
于文涛[1]（2021）在《复杂地表时空连续植被参数遥感反演方法研究》文中研究表明植被是地球表面植物群落的总称,是生态环境的重要组成部分。植被参数的精确获取和相关信息产品的生成在全球变化等研究中至关重要。空间异质性和地形起伏是复杂地表的显着特征,对地表辐射传输过程、植被参数反演具有重要的影响,是限制植被参数遥感产品精度提升的瓶颈。现有植被参数反演算法通常针对单一均匀地物构成的场景建立,反演过程中缺少对地表异质性和地形特征的考虑,导致现有产品精度在复杂地表区域精度较低。随着计算能力的提升,基于计算机模拟模型模拟复杂地表的辐射传输过程成为可能。同时,高分辨率的地表分类数据的出现也为描述复杂地表的场景结构提供了数据支撑,为复杂地表植被参数反演提供了新的可能。围绕着复杂地表连续植被参数反演的目标,本文首先对复杂地表特征进行了参数化和定量分析,然后模拟分析了山地LAI反演的地形误差并在此基础上提出了山地森林LAI的反演方法,最后针对植被参数产品时空不连续的问题,发展了耦合气候数据的植被参数时间序列重建方法。论文主要的研究内容和结论如下:（1）分析了全球地表公里尺度的地表覆盖异质性特征,统计了30m尺度植被和地形特征的耦合关系。基于30m土地覆盖数据Globe Land30提出定量描述1km像元非均质特征的参数化方案。使用像元场景内的地物类型数量和各地物的面积比例描述像元的混合特征;对不同植被类型的冠层高度等级进行划分,描述像元内斑块拼接的边界特征,刻画混合像元的破碎程度;生成了全球1km的地表混合类型分布图和边界长度分布图。基于30m分辨率的DEM数据和地表分类数据分析了全球1km尺度下地表的异质性特征和30m尺度下植被的地形分布关系,并得出以下结论:在1km尺度上,不同土地覆盖类型的混合所导致的异质性在全球范围内广泛存在。陆地/植被区域分别只有35%/25.8%的像元由单一的地表类型覆盖,即为纯像元。由多种植被类型组成的像元占据植被区域所有像元的65.0%。混合像元在生态过渡带中更为常见。具有较多端元数量的混合像元地表通常破碎程度较高,但由两种端元组成的混合像元也可能十分破碎,如北方的针叶林地区。植被生态类型的内部地表覆盖异质性由高到低依次为:稀树草原、落叶针叶林、常绿针叶林、落叶阔叶林、灌木、阔叶作物、草地/谷物作物、常绿阔叶林。全球超过16%的地表面积坡度超过15°。山地区域中,森林和草地所占的面积比例远高于其他植被类型,其中森林更是占据主导地位。在全球尺度上,不同植被类型在坡向上没有明显的分布差异。（2）基于计算机模拟模型（DART）分析了LAI遥感反演的地形效应。论文使用DART模型模拟了坡面连续植被不同参数设置（包括叶片参数、冠层结构参数、土壤背景参数和地形参数等）下的红和近红外反射率数据,定量分析了地形对坡地LAI反演的影响。首先使用人工神经网络（ANN）构建了不考虑地形的LAI反演算法。然后将模拟的坡地反射率输入到ANN模型中,得到有偏差的LAI反演值用于分析LAI反演的地形误差。结果表明,LAI反演的地形误差随着坡度的增加呈线性增长趋势,在坡度为60°时,平均相对偏差可达51%。LAI反演的地形误差与冠层密度有关,除稀疏冠层外,地形的存在通常会导致LAI反演结果偏低。LAI反演误差随着坡向的变化趋势与局部入射角密切相关。浓密冠层中,LAI的反演值从阳坡到阴坡逐渐变低,而稀疏冠层的规律与之相反。这是因为在稀疏冠层场景中,红波段反射率的地形效应更强,而在浓密冠层中,红波段接近饱和,近红外波段受地形的影响程度更大。此研究结果有助于更好地理解LAI反演的地形效应,为山地LAI产品提供更好的反演策略。（3）基于随机森林和DART模型,提出了山地森林的LAI遥感反演方法。论文以DART模型为基准模拟了不同叶片参数、冠层结构参数、土壤背景参数和地形参数条件下坡地森林场景的可见光到近红外的反射率。使用不同传感器的光谱响应函数,卷积得到传感器特定的波段反射率,基于生成的波段反射率数据集,使用随机森林模型训练得到山地森林的LAI反演模型。输入遥感影像的反射率数据、成像几何参数和地形参数得到山地LAI的反演结果。使用模拟数据、四川王朗区域的LAI真值参考图对本算法进行了验证并与现有LAI反演方法（3D-RT查找表）和山地反演策略进行了对比分析。结果表明,本算法能够纠正不同地形特征下的LAI反演误差。本算法的反演精度（RMSE:0.973;r2:0.508）优于现有的山地LAI反演策略（成像几何参数校正策略（RMSE:1.465;r2:0.193）和反射率地形校正策略（RMSE:1.720;r2:0.278））,在山地森林LAI反演中具有很大的应用潜力。（4）提出了耦合气候数据的植被指数时空重建（CGF）方法。论文提出了一种耦合气候因子（包括太阳下行辐射,降水量和温度）的植被指数时间序列重建方法。针对祁连山区域30多年来Landsat-5、Landsat-7和Landsat-8遥感观测数据进行了重建,得到了8天时空连续的植被指数产品。以Sentinel-2的观测数据作为参考,比较分析了本方法和传统的时间序列重建方法（如HANTS,SG滤波）在Landsat数据上的重建效果。结果表明,本方法在数据缺失较少的时候,能够与主流的方法达成相似的重建效果（RMSE接近于0.066）,而当数据缺失大于50%时,本方法的重建成功率（RI:99.9%）和重建精度（RMSE:0.089）均明显高于传统的时间序列重建方法（平均RI:45.3%;RMSE:0.178）。此方法的重建结果可为研究区域长时间序列植被分析提供有效的数据支撑。
李超[2]（2021）在《中亚热带森林地上生物量遥感估测精度提升方法及影响因素分析 ——以湖南省西北部为例》文中研究说明森林生态系统是陆地上最大的生态系统,在陆地物质循环和能量交换中具有重要作用。森林作为陆地生态系统重要的碳源和碳汇,对全球碳循环具有至关重要的影响。森林生物量是森林生态系统的重要参数,林木储存的碳也是以生物量的形式保留在森林中,估测森林生物量对于监测毁林和森林退化造成的碳排放和碳损失以及分析森林的固碳能力、缓解气候变化具有重要意义。准确的森林生物量估测尤其是森林地上生物量（Forest Aboveground Biomass,AGB）估测,是林学、生态学和全球变化研究的重点。遥感技术的快速发展,弥补了传统地面调查估算AGB的不足,而多源遥感数据的融合,为准确估测大区域森林AGB提供了可能。但是基于遥感的AGB估测精度受多种因素的影响,从而导致了估测结果的不准确问题。因此,探讨基于遥感的AGB精确的估测方法,提高AGB估测精度,分析区域AGB分布,揭示AGB及其估测结果对环境、林分等因素的响应规律,对深入研究区域碳循环、估测区域森林碳汇、提高森林经营水平具有重要的理论和实践意义。本研究以湖南省西北部的大湘西和洞庭湖地区森林为研究对象,融合多源数据及技术进行理论和方法研究,探讨能够实现准确估测AGB、解决AGB估测中的低值高估和高值低估问题的方法,分析AGB及其估测结果的影响因素,以期为森林资源监测及森林经营规划提供精确的数据指导。首先本研究从遥感源数据角度入手,以不同季节（春、夏、秋、冬）一景Landsat 8 OLI和Sentinel-1影像为基础,探讨不同季节的主被动遥感影像在AGB估测中的优劣,选取最优的估测影像的获取季节,之后分析不同的光学影像预处理方式对AGB估测的影响,选取对AGB估测最优的预处理方式组合;其次,结合主被动遥感数据,建立基于主被动遥感的线性模型（LR）,探讨多源传感器结合在AGB估测中的优劣;然后在分析基于主被动传感器的AGB估测LR模型准确性的基础上,结合FCD（Forest Canopy Density）等级和分段模型（Piecewise Model）,分别建立基于LR模型变量的分段模型（PM）和基于不同FCD等级变量筛选的分段模型（PMV）,分析模型优劣,并估算区域AGB;最后,结合样地调查的环境（地形和土壤）、林下、林分和树种多样性因素,利用结构方程模型（Structural Equation Modelling,SEM）探讨和揭示除遥感影像源数据外,林分（生态系统）尺度上影响AGB、AGB估测结果及其估测结果残差的因素。通过研究主要得到以下结论:（1）利用线性模型,分析了主被动遥感季节影像在不同林分类型上的估测表现,确定了光学（Landsat 8）和SAR（Sentinel-1）影像在大范围生物量估测应用时的最优成像季节。Landsat和Sentinel-1影像在所有的林分类型上都是秋季影像的AGB估测结果最好,它们的R2（决定系数）更高,均方根误差（Root Mean Square Error,RMSE）和相对均方根误差（relative RMSE,rRMSE）更小,并且经交叉验证后的AGB分布图中AGB的标准差（Standard Deviation,Std）更小。对于Landsat 8影像,生长旺盛季（夏季）影像在所有林分类型上表现均是最差的（R2≤0.37）,而Sentinel-1的夏季影像仅在针叶林（CFF）上表现最差（R2=0.24）。两种影像都是在混交林（MXF）上估测效果最好（R2≥0.34）,在总林分（所有的样地）上估测效果最差（R2≤0.39）。除MXF外,其余林分类型上均表现为不同季节Landsat的AGB估测结果好于Sentinel-1。（2）Landsat 8影像用于AGB估测时,必须要进行大气校正和地形校正,以消除大气和地形对影像的影响,提高AGB估测精度。所有大气校正后的影像都比未经大气校正的影像具有更好的估测精度,它们的R2差异>0.02（去除MXF后R2差异>0.05）。在所有的林分类型上,基本上所有的Landsat 8地表反射率（Surface Reflectance,SR）数据的R2最优,并且它的RMSE也基本上是最小或第二小的;除MXF外,其他林分类型上SR数据的AGB估测结果与未经大气校正处理的AGB估测结果之间存在显着差异（p<0.05）。所有的地形校正方法均可以在一定程度上减小地形起伏带来的阴、阳坡上的Landsat反射率差异,但是它们校正的好坏和对AGB估测能力存在一定的差异;基于SR数据进行C地形校正的影像在所有林分类型上的AGB估测结果总是最优的,它们的R2与SR数据的R2差异在0.03–0.05之间,它们的估测结果间的差异呈现显着或接近显着的水平（p在0.05左右）。Landsat 8 SR数据进行C地形校正是本研究中对AGB估测最优的处理组合。（3）在所有的林分类型上,利用光学影像对整个研究区的样地AGB进行估测时,估测结果均好于SAR影像,它们的R2差异大于0.07;结合光学和SAR数据可以获得比单传感器更好的估测结果,它们的R2差异大于0.03;主被动遥感结合的线性模型（LR）获得的所有林分类型的AGB估测效果较差,它们的R2<0.4,rRMSE均>45%（除MXF外均>50%）,估测结果极不准确,存在明显的低值高估和高值低估问题。（4）FCD等级是一个影响AGB估测的重要变量,考虑FCD等级的分段模型可以很好地解决LR模型存在的高值低估和低值高估问题。利用K均值聚类对研究区FCD进行分类分级,结合FCD等级利用不同林分类型主被动遥感结合的LR模型变量建立PM（基于LR模型变量的分段模型）模型,PM模型在分段数为3时具有最优的模型效果。根据3个FCD等级,为不同林分类型的不同FCD等级上的AGB进行变量筛选,据此建立PMV（基于不同FCD等级筛选变量的分段模型）模型。PM模型在所有的林分类型上都显着好于LR模型,PM模型的R2在0.46–0.55之间,rRMSE在37.89%–54.04%之间,相比LR模型,R2增加0.18以上,rRMSE减小7%以上。PMV模型在所有林分类型上显着好于LR和PM模型,PMV模型的R2在0.62–0.74之间,rRMSE在29.78%–43.30%之间;相比LR模型,PMV模型的R2增加0.37以上,rRMSE减小15.40%以上;相比PM模型,PMV模型的R2增加0.15以上,rRMSE减小7.00%以上。PM和PMV模型在所有FCD等级上的RMSE和rRMSE都小于LR模型,LR模型在疏和密两个郁闭度等级上分别存在显着的低值高估和高值低估问题,PM和PMV模型则没有。（5）研究区（大湘西和洞庭湖地区）的中部、南部和北部的森林地上生物量值较高,西部森林地上生物量值较低。研究区接近65%的区域森林地上生物量值>60 Mg/ha,仅有不到10%的区域森林地上生物量值>90 Mg/ha,整个研究区的森林地上生物量水平较低。（6）在分析遥感影像源数据影响的基础上,从样地——林分尺度分析发现,AGB、AGB估测值和估测值残差受环境、林下、林分和树种多样性因素共同影响,其中环境（地形和土壤）、林分和树种多样性因素对它们有显着的正向影响,而林下因素对它们有显着的负向影响。各因素除对AGB、AGB估测值和估测值残差具有直接影响外,还通过影响其他因素间接对AGB产生影响,只是间接影响的显着性在不同林分类型上略有不同。在这些因素中,林分因素总是影响最大的（通径系数最大）。利用这些因素,结合SEM方程,方程对AGB实测值的解释能力最强（R2≥0.59）,对AGB估测值的解释能力表现为LR<PM<PMV,对AGB估测值残差的解释能力表现为PMV<PM<LR;在对AGB估测值进行解释时,从LR-PM-PMV的估测值上林分因素和树种多样性因素的通径系数逐渐增加;在对AGB估测值残差进行解释时,从LR-PM-PMV的估测值上林分因素和树种多样性因素的通径系数逐渐减小,但是林下因素和环境因素的通径系数基本一致,说明在考虑林分结构进行AGB估测后,基于遥感的AGB估测结果仍然受到环境和林下因素的影响。
朱晓琳[3]（2021）在《基于Landsat 8热红外数据的山区和云下地表温度遥感反演方法研究》文中研究说明地表温度（Land surface temperature,LST）是地表能量动态平衡的关键参数,被广泛应用在水文研究、气象预测、蒸散发研究、农作物灾害评估和城市热岛效应等方面。高空间分辨率的地表温度对生态环境监测和区域或全球尺度的气候变化研究具有重要意义。随着卫星传感器的改进和发展,高分辨数据的获取为地表温度的研究提供了有效的数据支撑。本研究针对当前地表温度研究中地形效应校正问题和云下地表温度缺失的现状,以Landsat 8热红外数据为数据源,发展了一种基于热辐射传输方程的单通道算法反演经地形效应校正的山区地表温度,并由地表温度年变化模型和空间相似像元的原理重建高空间分辨率的云下地表温度,本研究的主要工作内容和结论如下:（1）基于传统热红外辐射传输方程,引入了坡度、坡向和天空可视因子等地形参数,构建了既遵循热辐射能量传输机制又针对山区特殊地形几何结构的山区热辐射传输模型,为提高山区地表温度反演精度奠定了基础。通过参数化天空可视因子等地形参数,定量分析减少的大气下行辐射与增加的邻近地形辐射对山区地表温度反演造成的影响。结果表明,在山区等地形复杂区,天空可视因子、大气水汽含量、目标像元发射率以及邻近像元平均地表温度是影响地表温度反演的关键参数。（2）发展了一种基于热辐射传输方程的单通道算法反演经地形效应校正的山区地表温度。反演结果表明,在山谷等天空可视因子较小的区域地形效应影响较大,使用传统热红外辐射传输模型比山区热辐射传输模型反演得到的地表温度可被高估1 K。由此,天空可视因子小于0.7时,山区地表温度反演必须考虑地形效应校正。另外,在三种不同程度地形起伏的子区域中,本研究构建的山区热辐射传输模型与DART正向模拟得到的亮温有较好的空间一致性,且其RMSE均小于0.25 K。（3）通过单通道算法将Landsat 8反演得到的地表温度输入地表温度年变化模型,得到年平均地表温度、年振幅和年相位,根据年积日获取模型参考地表温度。由空间相似像元的原理,利用晴空和云阴影条件下Landsat 8地表温度与模型参考地表温度的差值,推演出有云条件下地表温度与模型参考温度的差值,实现云下地表温度重建。根据晴空条件下的模拟填充结果,其中使用0.5 km到5 km的搜索半径重建后地表温度的精度RMSE均小于0.95 K;以5 km为搜索半径时,填充后地表温度的精度RMSE均小于1.3 K。
宋洁[4]（2021）在《祁连山森林碳储量与森林景观格局时空变化研究》文中研究指明高纬度山地森林由于受人为干扰的影响相对较小,已被证实成为不断增长的陆地碳汇的主要贡献者。但由于高纬度山地森林中贮存的碳极容易受到气候变化的影响,使得其森林景观及森林碳储量在数量和空间分布上都存在很大的不确定性。监测高纬度山地森林景观及碳储量的时空变化情况,对理解全球碳循环具有重要的意义。祁连山是我国西部重要的生态安全屏障和固碳场所。2017年6月祁连山国家公园体制试点的设立,更为实现祁连山生态系统整体保护和系统修复奠定了坚实的基础。在此背景下,本研究基于多源遥感数据、样地调查数据、空间环境数据以及相关辅助数据,综合运用3S现代技术手段,在对森林类型进行分类的基础上,对祁连山森林碳储量现状进行估算。并从森林面积、森林覆盖度、森林景观格局角度分析祁连山1990-2018年森林景观时空动态变化情况。建立基于光学遥感变量的森林碳储量估算模型,监测祁连山森林碳储量1990-2018年间时空分布变化。并基于不同海拔、坡向、水平范围以及行政区域空间梯度对森林景观和森林碳储量时空变化模式进行分析。基于不同的空间尺度,分析祁连山森林景观格局与森林碳储量之间的相关关系。为理解山地森林生态系统碳循环以及制定祁连山国家公园森林资源保护及生态系统管理措施提供参考。本研究主要结果如下:（1）相比仅依据光谱特征进行分类,依据光谱及垂直结构综合特征分类时,总体分类精度提高了10.67%,具有相似光谱特征但不同垂直结构的不同植被类型分类精度提升作用明显,森林范围的识别精度提高。地形信息加入后森林类型的分类精度提升了23.94%,显着提升了森林类型识别精度。相比海拔信息,坡向信息对提升分类精度效果更为显着。季相特征能够对不同森林类型的识别提供帮助,而不同波段组合虽然对地物增强的效果不同,但其对分类精度几乎没有影响。（2）2018年祁连山国家公园森林总碳储量为30.09×106t,平均森林碳储量密度为47.55t/hm2。公园内针叶林总碳储量约为阔叶林碳储量的5.5倍,但阔叶林森林平均碳密度稍高于针叶林。不同空间梯度森林碳储量的分布有较大的不同,对于不同的海拔梯度,海拔2770～3770m以及海拔1770～2770m分别拥有最多的森林碳储量和最高的森林平均碳密度;对于不同的坡向,森林碳储量与森林平均碳密度分布从高到低均依次为阴坡>半阴坡>半阳坡>阳坡;对于不同的水平范围,森林碳储量分布从高到低依次为东段>中段>西段,而森林平均碳密度在中段最高,接下来依次为东段和西段,西段森林碳储量与碳密度与东中两段差距较大;对于不同的行政梯度,甘肃省境内森林碳储量与碳密度均大于青海省。其中不同海拔梯度森林碳储量与森林平均碳密度差距最大,接下来森林碳储量与森林平均碳密度均差距较大的为不同行政区域,山区复杂的地形和不同行政区域管理措施的不同对森林碳储量及碳密度均有较大的影响。（3）1990-2018年间,祁连山国家公园内森林面积变化呈现先上升,后减少的趋势。其中1990-2010年,公园内针叶林和阔叶林面积均逐年增加。2010年起,阔叶林面积下降,2015-2018年,区内针叶林及阔叶林面积均较前一时期有所减少,且阔叶林下降幅度较大。不同空间梯度森林面积变化的分布不同,森林面积变化波动较大的区域主要分布在以畜牧业生产为主的地区。1990-2018年,祁连山国家公园森林覆盖度占比最大的值域区间均为70～100%,研究区内森林覆盖度较高的区域主要分布在祁连山中、东段针叶林分布较为密集的地区。2015年以前,区内森林植被覆盖未发现有明显的变化。2015-2018年,研究区森林覆盖度出现下降现象。针叶林作为研究区内的绝对优势景观,其景观异质性程度、景观复杂程度、景观聚集程度均较阔叶林高,而阔叶林的分布相较针叶林而言在区内更为分散。1990-2018年间,区内森林景观格局基本呈现逐步破碎化、逐步分散、以及逐渐均匀的趋势,森林生态系统脆弱度逐渐升高。（4）1990-2018年间,祁连山国家公园森林碳储量增加了1.09×106t。1990-2010年,公园森林碳储量持续增长,从2010年起,区内森林碳储量出现下降趋势。基于不同的空间梯度分析森林碳储量的时空变化模式,发现各空间梯度上森林碳储量变化强度排序与其所分布森林范围面积排序基本一致。且对研究区而言,相对于森林碳密度,森林面积对森林碳储量的蓄积影响更大。（5）随着尺度的增加,与平均森林碳密度具有相关关系的景观格局指数逐渐减少,说明随着尺度的增加,森林碳密度的影响因素也愈加复杂。与森林碳密度具有显着相关关系的景观格局指数其与森林碳密度间的相关关系模型平均拟合程度均较低,说明景观格局指数与森林碳密度之间的复杂关系较难用简单的线性关系直接进行描述。相反,与森林总碳储量具有相关性的景观格局指数随着研究尺度的增大逐渐增多。斑块总面积、斑块个数、景观形状指数、平均斑块面积、面积加权平均形状指数、斑块连结度指数以及聚集指数在各尺度上均与森林总碳储量呈显着的正相关关系,说明通过增加森林景观面积、增加景观形状复杂度以及景观聚集度和连通性,能够提升森林碳储量的蓄积。而斑块密度在各尺度上均与森林碳储量具有显着的负相关关系,说明减小森林破碎化程度能够在有限空间内为基于发挥最大固碳功能的森林空间布局优化提供帮助。斑块总面积与森林总碳储量间的幂函数关系在各尺度下其模型拟合系数均达到0.95以上。综上所述,本文分别以垂直结构特征、光谱特征、季相特征和地形特征为分类依据,探讨了提升祁连山山地森林面积提取及类型识别精度的可行方法,为森林景观及森林碳储量变化监测研究奠定了基础;以GPS定位、RS遥感以及GIS空间分析技术为基础,梳理了近30年间祁连山重点区域森林景观及森林碳储量时空动态变化情况,并统计了祁连山森林景观及森林碳储量在不同空间梯度的变化模式;以森林碳贮存功能为例,探讨了高海拔山地森林生态系统基于尺度的森林景观格局与森林生态系统功能间的相互关系,为景观生态学“格局—过程—尺度”核心理论的研究提供了实验实例。在未来的研究工作中,探索基于不同传感器的多源数据对历史影像森林类型进行更准确的分类并对森林碳储量变化进行估算,量化气候变化背景下山地区域环境的改变及人为活动因素对山地森林碳储量变化产生的影响,是下一步的研究方向。
江海英,贾坤,赵祥,魏香琴,王冰,姚云军,张晓通,江波[5]（2020）在《山地叶面积指数反演理论、方法与研究进展》文中研究指明叶面积指数LAI （Leaf Area Index）是表征叶片疏密程度和冠层结构特征的重要植被参数,在气候变化、作物生长模型以及碳、水循环研究中发挥着重要作用。遥感是获取区域及全球尺度LAI的一个重要手段,当前LAI产品主要基于遥感数据反演得到,但是多数LAI产品算法并未考虑地形特征的影响,导致山地LAI遥感反演精度不确定性大。提高山地LAI遥感反演精度亟需考虑地形因子对冠层反射率的影响,其中山地冠层反射率模型和遥感数据地形校正是提升山地LAI遥感反演精度的关键。本文围绕山地LAI遥感反演理论与方法,综合分析了国内外山地冠层反射率模型和地形校正模型的研究进展,总结了目前山地LAI遥感反演存在的问题,并讨论了未来研究的发展趋势。
林兴稳,闻建光,吴胜标,郝大磊,肖青,柳钦火[6]（2020）在《地表反射率地形校正物理模型与效果评价方法研究进展》文中认为地形校正是准确获取地形复杂区遥感反射率的重要步骤,对提高山区地表遥感参数定量化反演精度,扩大遥感产品应用广度具有重要意义。从20世纪80年代开始,国内外学者开始对准确获取山区地表遥感反射率进行研究,建立了多种地形校正模型来减少或消除遥感图像中地形效应影响,减少同种地表类型的反射率差异,并将地形校正模型分为经验模型和物理模型。根据构建物理模型时是否考虑地表非朗伯体特性,将物理模型分为朗伯体假设模型和非朗伯体假设模型,本文分别从朗伯体假设模型和非朗伯体假设校正模型展开叙述。从两类模型构建的理论基础,模型特点,局限性等几方面进行分析和讨论,描述了两类模型的发展历程,系统阐述了朗伯体假设模型和非朗伯体假设模型的适用性和不足,剖析了目前地形校正模型存在的问题与挑战。同时,本文也比较了应用于地形校正的效果评价方法,并展望了地形校正方法和地形校正评价方法的未来主要发展方向。
夏安全,王艳芬,郝彦宾,胡容海,王芳,吴文超,崔骁勇[7]（2020）在《复杂地形草地植被碳储量遥感估算研究进展》文中进行了进一步梳理草地生态系统是我国最大的陆地生态系统,其植被碳储量的准确评估对维护国家生态安全和指导畜牧发展有重要作用。植被生物量和草地面积是草地植被碳储量估算的关键,随着遥感技术的发展,两者估算精度和效率显着提高,先后发展出多种草地生物量遥感估算模型和土地覆被产品,并已在平坦地区取得较好的估算结果。然而,复杂地形区迥异于平地的几何形态和水热分布所产生的不均一的生态系统结构和功能,给草地生物量和草地面积的遥感估算带来诸多困难,影响对草地植被碳储量的准确判定。在回顾国内外草地植被碳储量遥感估算方法与所需关键参数的基础上,对遥感估算复杂地形草地植被碳储量过程中所面临"遥感影像地形效应的去除和尺度选择"、"植被指数与地形指标的选取"、"过程模型植被生长参数的率定"、"草地面积估算"以及"气象数据与复杂地形上微气候的匹配"等问题进行了总结并提出相应的解决思路,以期为草地植被碳储量遥感估算模型的合理构建以及估算精度的提高提供参考。
梁顺林,白瑞,陈晓娜,程洁,范闻捷,何涛,贾坤,江波,蒋玲梅,焦子锑,刘元波,倪文俭,邱凤,宋柳霖,孙林,唐伯惠,闻建光,吴桂平,谢东辉,姚云军,袁文平,张永光,张玉珍,张云腾,张晓通,赵天杰,赵祥[8]（2020）在《2019年中国陆表定量遥感发展综述》文中研究表明为了更好地了解中国定量遥感的发展态势和加强同行之间的信息交流,根据中国学者2019年发表的SCI检索论文和部分中文论文,对陆表定量遥感的核心进展进行了总结,涉及数据预处理（云及其阴影识别,大气与地形校正）、陆表辐射传输建模、不同变量的反演方法、产品生产评价与精度验证,以及相关应用等内容。陆表变量产品较多,本文概要介绍了反射率、下行太阳辐射、反照率、地表温度、长波辐射、总净辐射、荧光遥感、植被生化参数、叶面积指数、光合有效辐射比、植被覆盖度、森林高度、森林生物量、植被生产力、土壤水分、雪水当量、雪盖、蒸散发、地表与地下水量等最新进展,也一并介绍了2019年与定量遥感相关的科研项目、学术交流会与暑假培训班等内容。
贾莉[9]（2020）在《地形校正对深度神经网络分类器分类结果精度的影响研究》文中研究表明基于遥感影像的分类技术已经成为了国土资源监测、森林资源调查等多个领域中极其重要的监测手段,但其发展仍受诸多因素的制约,遥感影像上因地形起伏形成的地形效应便是不可忽视的影响之一。地形因素引起的影像阴、阳坡变化给传统拟合能力不够强的分类器带来了识别上的困难与挑战。在利用传统分类器对遥感影像进行分类提取的过程中,受分类器拟合能力的限制,地形因素所造成的影响往往需要借助适当的地形校正方法来消除,因而地形校正能够对影像分类精度的提升起到一定的积极作用。相比于传统分类器,基于深度学习理论的深度神经网络分类器具有深层特征学习和特征拟合的巨大优势,在图像分类领域取得了不错的精度提升。然而,在深度神经网络分类器被广泛应用于遥感分类任务的同时,其对地形因素的处理是否仍然需要通过地形校正来实现?分类器能否拟合地形所带来的影响?这些问题还没能被解答。本文借助U-Net与SegNet深度神经网络分类器在影像分类上的优势开展了基于Landsat8 OLI 30m卫星影像的一系列分类实验,通过分析比较地形校正前后这两种分类器所得分类结果精度的高低,初步回答了地形校正在深度神经网络分类任务中是否必要的问题。论文的主要研究成果及创新点如下:（1）在混合样本采样方式下基于U-Net和SegNet深度神经网络分类器实现了对地形校正前后Landsat8 OLI遥感卫星影像的分类提取和对分类器的泛化性验证,经多组科学合理的分类实验及严格的精度评价,证明了地形校正对U-Net和SegNet深度神经网络分类器分类结果的精度无明显影响。（2）在纯阴、阳坡样本采样方式下基于U-Net深度神经网络分类器分别实现了对地形校正前后Landsat8 OLI纯阴坡和纯阳坡影像数据的分类提取和对分类器的泛化性验证,进一步证实了在以U-Net和SegNet为例的深度神经网络分类应用实例中,分类前没有必要对卫星影像数据进行地形校正处理。（3）以典型地域中地形校正前后影像分类提取为实例,通过系统地分类实验并根据直观的分类精度变化解答了深度神经网络分类中是否需要进行地形校正的疑问,对于深度学习技术在遥感分类中的推广应用具有实用价值。
张琦[10]（2020）在《Landsat8遥感影像地形辐射校正研究》文中提出地球上,山地约占陆地面积的20%。山地生态系统在全球环境中具有重要的作用,是地球快速发展的敏感区域。遥感技术的飞速发展,为探测山区的变化提供了条件。但是与平坦地表相比,崎岖地区的遥感影像具有明显的地形效应,这会导致“同物异谱”或“同谱异物”的现象出现,严重降低了生物物理参数反演、土地覆被变化检测等遥感应用的精度。所以山地或丘陵地区卫星遥感图像的地形校正是一项必要的工作。但是,目前很少研究关注具体某种地形适合用哪种地形校正模型。为了节约数据处理时间,并获得更为准确的地表信息,为不同的地形找到合适的地形校正方法是很有必要的。本文的主要研究内容及结论如下:（1）重点研究了基于BRDF的物理校正模型的物理基础,描述了崎岖地形上接收到的太阳直接的辐射部分、天空散射的辐射部分和邻近像元的反射辐射部分之间的联系。探索了BRDF的物理意义和线性半经验核驱动的MODIS BRDF/Albedo模型基础,并将它们应用到辐射传输模型中。（2）将基于BRDF校正模型应用到Landsat8遥感影像上,探索了如何利用6S辐射传输模型对Landsat 8数据进行大气校正并获得大气参数。（3）使用经验统计校正模型、C校正模型、SCS校正模型、SCS+C校正模型和基于BRDF校正模型对南方具有代表性的五种地形,包括平原地形、丘陵地形、低山地形、高山-丘陵地形和高山-低山地形,进行地形辐射校正,并用目视分析、去相关分析和平均值、标准差分析对校正后的图像进行对比分析,得到如下结论:综合三种分析的结果考虑,对于五种地形来说,校正效果最好的是经验统计校正模型和C校正模型,SCS+C校正模型次之,而效果最差的是SCS校正模型和基于BRDF校正模型;基于BRDF校正虽然可以有效的削弱空间立体感,但对于丘陵地形、低山地形、高山-丘陵地形和高山-低山地形来说,基于BRDF校正模型校正后的图像都出现了不同程度的失真情况;SCS校正模型在五种地形的局部太阳入射角余弦值较小区域都表现出不同程度的过度校正现象。
二、遥感影像地形效应校正方法的研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遥感影像地形效应校正方法的研究（论文提纲范文）
（1）复杂地表时空连续植被参数遥感反演方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 复杂地表场景建模与参数化方法 |
| 1.2.2 复杂地表叶面积指数反演方法 |
| 1.2.3 植被参数的时空重建方法 |
| 1.3 存在的问题 |
| 1.4 研究内容与技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 论文组织结构 |
| 第2章 复杂地表特征的参数化与定量分析 |
| 2.1 地表覆盖异质性特征参数化方法 |
| 2.1.1 实验数据 |
| 2.1.2 参数化方案 |
| 2.1.3 地表覆盖异质性提取流程 |
| 2.2 全球地表覆盖异质性特征分析 |
| 2.2.1 公里尺度混合像元组合特征和破碎特征 |
| 2.2.2 公里尺度典型植被类型的内部异质性特征 |
| 2.2.3 边界有效长度分析 |
| 2.2.4 地表覆盖异质性特征不确定性分析和应用前景 |
| 2.3 全球地表地形特征分析 |
| 2.3.1 全球地形的分布特征 |
| 2.3.2 全球植被区域地形特征分布 |
| 2.4 小结 |
| 第3章 山地叶面积指数遥感反演误差分析 |
| 3.1 山地LAI反演理论背景 |
| 3.1.1 重要的参数定义 |
| 3.1.2 山地叶面积指数反演不确定性来源 |
| 3.1.3 现有山地叶面积指数反演策略 |
| 3.2 数据与分析方法 |
| 3.2.1 卫星观测数据 |
| 3.2.2 基于DART模型的模拟坡面反射率数据 |
| 3.2.3 基于人工神经网络(ANN)的LAI反演模型 |
| 3.2.4 LAI反演地形效应分析方法 |
| 3.2.5 不同山地LAI反演策略对比 |
| 3.3 研究结果及讨论 |
| 3.3.1 基于神经网络的平地LAI反演模型精度 |
| 3.3.2 坡地LAI反演误差分布 |
| 3.3.3 坡地LAI反演模型输入的误差分布 |
| 3.3.4 山地区域不同LAI反演策略的表现 |
| 3.3.5 其他因素对分析结果的影响 |
| 3.4 小结 |
| 第4章 基于DART模型的山地森林叶面积指数遥感反演算法 |
| 4.1 实验区域与数据介绍 |
| 4.2 山地叶面积指数反演算法 |
| 4.2.1 山地查找表的构建 |
| 4.2.2 基于随机森林的山地LAI反演方法 |
| 4.2.3 山地不同LAI反演策略 |
| 4.3 结果与分析 |
| 4.3.1 随机森林模型的参数选择 |
| 4.3.2 算法在模拟数据集上的表现 |
| 4.3.3 反演算法在遥感数据集中的表现 |
| 4.3.4 反演误差分析—模拟空间和影像空间一致性分析 |
| 4.4 小结 |
| 第5章 耦合气候因素的植被指数时空重建方法 |
| 5.1 研究区域与数据介绍 |
| 5.1.1 研究区域 |
| 5.1.2 实验数据 |
| 5.2 耦合气候数据的时空重建方法 |
| 5.3 研究结果及讨论 |
| 5.3.1 基于RBFN的 NDVI预测模型理论精度 |
| 5.3.2 初始合成NDVI数据的缺失模式 |
| 5.3.3 基于模拟数据的不同重建方法定量评估 |
| 5.3.4 基于Landsat观测数据的不同重建方法定量评估 |
| 5.3.5 不同分辨率气候数据的影响 |
| 5.3.6 CGF方法局限性和不确定性 |
| 5.4 小结 |
| 第6章 结论与展望 |
| 6.1 研究工作总结 |
| 6.2 论文创新点 |
| 6.3 问题与展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（2）中亚热带森林地上生物量遥感估测精度提升方法及影响因素分析 ——以湖南省西北部为例（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 选题依据 |
| 1.3 国内外研究现状 |
| 1.3.1 森林生物量遥感估测研究现状 |
| 1.3.2 森林生物量估测中的不确定性 |
| 1.4 研究内容与结构安排 |
| 1.4.1 研究内容 |
| 1.4.2 结构安排 |
| 1.5 技术路线 |
| 第二章 材料与方法 |
| 2.1 研究区概况 |
| 2.2 森林地上生物量数据处理 |
| 2.2.1 固定样地数据 |
| 2.2.2 样地生物量计算 |
| 2.3 Landsat数据获取及处理 |
| 2.3.1 Landsat8遥感影像 |
| 2.3.2 Landsat影像处理 |
| 2.3.3 Landsat影像特征因子提取 |
| 2.4 Sentinel-1 影像获取及处理 |
| 2.4.1 Sentinel-1影像处理 |
| 2.4.2 Sentinel-1影像特征因子提取 |
| 2.5 FCD(Forest Canopy Density)模型 |
| 2.6 林分类型划分 |
| 2.7 模型与精度检验 |
| 2.7.1 模型构建 |
| 2.7.2 模型评价和检验 |
| 2.8 软件与执行环境 |
| 2.9 本章小结 |
| 第三章 主被动遥感季节影像对生物量估测的影响研究 |
| 3.1 季节影像数据获取 |
| 3.2 不同季节影像在总林分上的估测比较 |
| 3.2.1 Landsat8影像在总林分上的估测结果 |
| 3.2.2 SAR影像在总林分上的估测结果 |
| 3.3 不同季节影像在不同林分类型上的估测比较 |
| 3.3.1 Landsat8影像在不同林分类型上的估测结果 |
| 3.3.2 SAR影像在不同林分类型上的估测结果 |
| 3.4 不同情境下森林地上生物量分布图质量分析 |
| 3.5 讨论 |
| 3.6 本章小结 |
| 第四章 Landsat8影像预处理方式对生物量估测的影响研究 |
| 4.1 Landsat8校正方法介绍 |
| 4.1.1 大气校正 |
| 4.1.2 地形校正 |
| 4.1.3 不同校正处理差异分析 |
| 4.2 不同大气校正方法对生物量估测的影响 |
| 4.3 不同地形校正方法对生物量估测的影响 |
| 4.4 不同处理方式下的生物量分布 |
| 4.5 讨论 |
| 4.6 本章小结 |
| 第五章 结合主被动遥感考虑林冠结构对生物量估测的影响研究 |
| 5.1 模型的简介及AGB估测方法 |
| 5.1.1 分段函数及K均值聚类 |
| 5.1.2 随机样本的选取 |
| 5.2 结合主被动遥感的森林生物量估测 |
| 5.3 基于分段函数的森林生物量估测 |
| 5.3.1 分段函数分段数确定及变量筛选 |
| 5.3.2 分段函数估测结果 |
| 5.3.3 模型在不同FCD等级上的表现 |
| 5.4 基于分段函数的区域生物量估测分析 |
| 5.4.1 区域森林生物量分布 |
| 5.4.2 与已有文献中分布结果比较分析 |
| 5.5 讨论 |
| 5.5.1 森林生物量估测的提升 |
| 5.5.2 FCD等级对森林生物量估测的影响 |
| 5.5.3 分段函数中的分段数 |
| 5.6 本章小结 |
| 第六章 森林地上生物量估测影响因素分析 |
| 6.1 影响因素分析方法 |
| 6.1.1 SEM模型简介 |
| 6.1.2 因子的选取与说明 |
| 6.1.3 SEM分析 |
| 6.2 森林地上生物量及其估测结果影响因素分析 |
| 6.2.1 因子与生物量之间的关系分析 |
| 6.2.2 基于SEM的森林生物量影响因素分析 |
| 6.2.3 森林地上生物量估测残差影响因素分析 |
| 6.3 讨论 |
| 6.3.1 不同因子对生物量的影响 |
| 6.3.2 因素间的相互作用 |
| 6.3.3 不同因子对生物量估测结果的影响 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.1.1 共性结论 |
| 7.1.2 分项结论 |
| 7.2 主要创新点与展望 |
| 7.2.1 主要创新点 |
| 7.2.2 展望 |
| 攻读学位期间发表的学术论文 |
| 参考文献 |
（3）基于Landsat 8热红外数据的山区和云下地表温度遥感反演方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 平坦地表温度反演研究进展 |
| 1.2.2 复杂地形辐射传输研究进展 |
| 1.2.3 云下地表温度研究进展 |
| 1.3 研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文组织结构 |
| 第二章 数据介绍及预处理 |
| 2.1 Landsat 8卫星数据 |
| 2.2 ASTER GED发射率产品 |
| 2.3 再分析廓线数据 |
| 2.3.1 NCEP |
| 2.3.2 ERA5-Land |
| 2.4 NASADEM数据 |
| 2.5 辐射传输方程 |
| 2.6 相关软件介绍 |
| 2.6.1 大气辐射传输模型MODTRAN |
| 2.6.2 三维辐射传输模型DART |
| 第三章 Landsat 8热红外数据山区地表温度反演 |
| 3.1 研究区域 |
| 3.2 山区热红外辐射传输模型构建 |
| 3.3 山区地表温度反演算法概述 |
| 3.3.1 地表发射率估算方法 |
| 3.3.2 大气参数估算方法 |
| 3.4 邻近地形效应分析 |
| 3.5 山区地表温度反演 |
| 3.6 山区热红外辐射传输方程的正向模拟验证 |
| 3.7 本章小结 |
| 第四章 Landsat 8热红外数据云下地表温度重建 |
| 4.1 研究区域和数据获取 |
| 4.2 云下地表温度重建方法 |
| 4.2.1 云检测 |
| 4.2.2 地表温度年变化模型 |
| 4.2.3 空间相似像元提取 |
| 4.3 重建结果 |
| 4.4 本章小结 |
| 第五章 结论与展望 |
| 5.1 主要结论 |
| 5.2 创新点 |
| 5.3 问题与展望 |
| 参考文献 |
| 致谢 |
| 作者简历 |
（4）祁连山森林碳储量与森林景观格局时空变化研究（论文提纲范文）
| 摘要 |
| SUMMARY |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 相关研究进展 |
| 1.2.1 森林分类研究 |
| 1.2.2 森林空间分布变化监测研究 |
| 1.2.3 森林景观格局研究 |
| 1.2.4 森林碳储量研究 |
| 1.3 研究内容、技术路线与预期目标 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 预期目标 |
| 第二章 研究区与数据 |
| 2.1 研究区 |
| 2.1.1 整体研究区概况 |
| 2.1.2 重点研究区概况 |
| 2.2 数据收集及预处理 |
| 2.2.1 光学遥感影像数据 |
| 2.2.2 激光雷达数据 |
| 2.2.3 空间环境数据 |
| 2.2.4 野外实地调查数据 |
| 2.2.5 辅助数据 |
| 第三章 山地森林识别精度提升研究 |
| 3.1 研究方法 |
| 3.1.1 构建分类系统 |
| 3.1.2 基于GLAS数据的山地地物高度提取 |
| 3.1.3 森林范围识别 |
| 3.1.4 森林类型识别 |
| 3.2 结果分析与讨论 |
| 3.2.1 森林范围识别精度比较 |
| 3.2.2 森林类型识别精度比较 |
| 3.2.3 讨论 |
| 3.3 本章小结 |
| 第四章 祁连山森林碳储量现状研究 |
| 4.1 研究方法 |
| 4.1.1 森林类型分类及森林区域GLAS脚印点筛选 |
| 4.1.2 GLAS脚印点森林冠层高度估算 |
| 4.1.3 GLAS脚印尺度森林碳储量估算 |
| 4.1.4 基于Max Ent模型的研究区森林碳储量空间分布估计 |
| 4.2 结果分析与讨论 |
| 4.2.1 GLAS脚印点森林冠层高度估算结果 |
| 4.2.2 GLAS脚印点森林碳储量估算结果 |
| 4.2.3 研究区森林碳储量空间分布估计结果 |
| 4.2.4 研究区森林碳储量空间分布特征 |
| 4.2.5 讨论 |
| 4.3 本章小结 |
| 第五章 近30 年祁连山森林景观动态变化研究 |
| 5.1 研究方法 |
| 5.1.1 历史影像森林面积提取及类型识别 |
| 5.1.2 森林面积动态变化分析 |
| 5.1.3 森林覆盖度动态变化分析 |
| 5.1.4 森林景观格局动态变化分析 |
| 5.2 结果分析与讨论 |
| 5.2.1 研究区1990-2018 年森林类型分类结果 |
| 5.2.2 研究区1990-2018 年森林面积动态变化分析 |
| 5.2.3 研究区1990-2018 年森林覆盖度动态变化分析 |
| 5.2.4 研究区1990-2018 年森林景观格局动态变化分析 |
| 5.2.5 讨论 |
| 5.3 本章小结 |
| 第六章 近30 年祁连山森林碳储量时空变化研究 |
| 6.1 研究方法 |
| 6.1.1 森林碳储量估算 |
| 6.1.2 相对辐射校正 |
| 6.1.3 森林碳储量的时空变化分析 |
| 6.2 结果分析与讨论 |
| 6.2.1 基于遥感变量的森林碳储量估算 |
| 6.2.2 研究区1990-2018 年森林碳储量空间分布 |
| 6.2.3 研究区1990-2018 年森林碳储量时空变化分析 |
| 6.2.4 讨论 |
| 6.3 本章小结 |
| 第七章 不同尺度森林景观格局与森林碳储量相关性研究 |
| 7.1 研究方法 |
| 7.1.1 实验区域选择 |
| 7.1.2 划分不同尺度森林样区 |
| 7.1.3 景观指数选取 |
| 7.1.4 不同尺度样区内森林碳储量及景观指数提取 |
| 7.1.5 统计分析 |
| 7.2 结果分析与讨论 |
| 7.2.1 研究区不同尺度样区划分结果 |
| 7.2.2 不同尺度森林景观格局与森林碳储量相关性分析 |
| 7.2.3 不同尺度森林景观格局与森林碳储量相关关系模型 |
| 7.2.4 讨论 |
| 7.3 本章小结 |
| 第八章 结论、讨论与展望 |
| 8.1 讨论 |
| 8.2 主要研究结论 |
| 8.2.1 山地森林识别精度提升研究 |
| 8.2.2 祁连山森林碳储量现状研究 |
| 8.2.3 近30 年祁连山森林景观动态变化研究 |
| 8.2.4 近30 年祁连山森林碳储量时空变化研究 |
| 8.2.5 不同尺度森林景观格局与森林碳储量相关性研究 |
| 8.3 特色与创新点 |
| 8.4 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 在读期间发表论文和研究成果等 |
| 导师简介 |
（5）山地叶面积指数反演理论、方法与研究进展（论文提纲范文）
| 1 引言 |
| 2 反演机理 |
| 2.1 山地辐射传输过程 |
| 2.2 山地冠层反射率模型 |
| 2.3 山地冠层反射率模型的反演 |
| 3 山地叶面积指数遥感反演 |
| 3.1 地形校正 |
| 3.2 反演方法 |
| 3.2.1 经验关系方法 |
| 3.2.2 物理模型方法 |
| 4 结语 |
| 4.1 存在问题 |
| 4.2 研究展望 |
（6）地表反射率地形校正物理模型与效果评价方法研究进展（论文提纲范文）
| 1 引言 |
| 2 地形校正模型发展历程 |
| 2.1 基于山地辐射传输的地形校正模型理论基础 |
| 2.2 朗伯体假设模型 |
| 2.2.1 仅考虑直射辐射系列模型 |
| 2.2.2 考虑散射辐射和周围地形辐射系列模型 |
| 2.3 基于非朗伯体假设地形校正模型 |
| 2.4 总结 |
| 3 地形校正效果评价方法 |
| 4 结语 |
（7）复杂地形草地植被碳储量遥感估算研究进展（论文提纲范文）
| 1 草地植被碳储量遥感估算及其在复杂地形上的适用性 |
| 1.1 草地生物量的遥感估算 |
| 1.1.1 遥感经验模型 |
| 1.1.2 遥感物理模型 |
| 1.1.3 遥感-过程模型 |
| 1.2 草地面积的遥感估算 |
| 2 复杂地形植被碳储量遥感估算方法中关键参量的数据选择 |
| 2.1 植被数据 |
| 2.2 地形数据 |
| 2.3 气象数据 |
| 3 复杂地形遥感影像的尺度选择与地形效应去除 |
| 3.1 复杂地形遥感影像的尺度选择 |
| 3.2 复杂地形的地形效应去除 |
| 4 结论 |
（8）2019年中国陆表定量遥感发展综述（论文提纲范文）
| 1 引言 |
| 2 定量遥感相关的数据处理方法 |
| 2.1 云与阴影识别 |
| 2.2 大气校正 |
| 2.3 地形校正 |
| 3 辐射传输建模 |
| 4 陆表特征变量：估算，验证与应用 |
| 4.1 地表反射率/BRDF |
| 4.2 下行太阳辐射 |
| 4.2.1 地表下行短波辐射遥感估算算法的发展与改进 |
| 4.2.2 地表下行短波辐射数据产品评价与分析 |
| 4.2.3 全球变亮和变暗分析 |
| 4.3 地表反照率 |
| 4.3.1 反照率反演与验证方法 |
| 4.3.2 地表反照率在气候环境变化中的应用 |
| 4.4 地表温度 |
| 4.5 地表长波辐射 |
| 4.5.1 地表长波下行辐射 |
| 4.5.2 地表长波上行辐射 |
| 4.5.3 地表长波净辐射产品 |
| 4.6 总净辐射 |
| 4.7 日光诱导叶绿素荧光（SIF) |
| 4.7.1 SIF遥感信号机理解释 |
| 4.7.2 基于SIF遥感的生态系统关键参数监测 |
| 4.8 植被生化参数 |
| 4.9 叶面积指数 |
| 4.1 0 光合有效辐射吸收比 |
| 4.1 1 植被覆盖度 |
| 4.1 1. 1 植被覆盖度算法发展 |
| 4.1 1. 2 植被覆盖度产品及算法验证 |
| 4.1 1. 3 植被覆盖度的应用 |
| 4.1 2 森林高度 |
| 4.1 3 森林生物量 |
| 4.1 4 植被生产力 |
| 4.1 5 土壤水分 |
| 4.16雪水当量 |
| 4.17积雪面积 |
| 4.18蒸散发 |
| 4.19地表与地下水量 |
| 4.19.1地表水量 |
| 4.19.2地下水量 |
| 4.19.3研究展望 |
| 5 科研项目 |
| 6 学术研讨会与培训班 |
| 7 结语 |
（9）地形校正对深度神经网络分类器分类结果精度的影响研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地形校正及遥感分类方法研究进展 |
| 1.2.2 地形校正后再分类研究进展 |
| 1.2.3 地形数据辅助分类研究进展 |
| 1.3 当前研究中存在的问题与不足 |
| 1.4 本文研究的主要内容和创新点 |
| 1.4.1 主要内容和章节安排 |
| 1.4.2 本文创新点 |
| 第2章 混合样本采样方式下地形校正前后U-Net分类及泛化验证 |
| 2.1 U-Net网络 |
| 2.1.1 基本原理及网络框架 |
| 2.1.2 目标函数与优化方法 |
| 2.1.3 模型优势及可用性分析 |
| 2.2 基于U-Net的 Landsat8 OLI影像地形校正前后分类 |
| 2.2.1 数据源及分布 |
| 2.2.2 实验数据集 |
| 2.2.3 实验环境与参数设置 |
| 2.2.4 分类结果 |
| 2.2.5 不同学习率下的精度统计与结果分析 |
| 2.3 U-Net分类器的泛化性验证 |
| 2.3.1 数据源及分布 |
| 2.3.2 验证数据集 |
| 2.3.3 验证结果 |
| 2.3.4 精度统计与结果分析 |
| 2.4 分类实验设计讨论 |
| 2.5 本章小结 |
| 第3章 混合样本采样方式下地形校正前后SegNet分类及泛化验证 |
| 3.1 SegNet网络 |
| 3.1.1 基本原理及网络框架 |
| 3.1.2 目标函数与优化方法 |
| 3.1.3 模型优势及可用性分析 |
| 3.2 基于SegNet的 Landsat8 OLI影像地形校正前后分类 |
| 3.2.1 分类结果 |
| 3.2.2 不同学习率下的精度统计与结果分析 |
| 3.3 SegNet分类器的泛化性验证 |
| 3.3.1 验证结果 |
| 3.3.2 精度统计与结果分析 |
| 3.4 U-Net与 SegNet分类器分类结果比较 |
| 3.5 本章小结 |
| 第4章 纯阴、阳坡样本采样方式下地形校正前后U-Net分类及泛化验证 |
| 4.1 纯阴、阳坡样本数据获取 |
| 4.1.1 阴、阳坡划分与提取 |
| 4.1.2 纯阴、阳坡数据集获取 |
| 4.2 纯阴坡影像地形校正前后U-Net分类及泛化性验证 |
| 4.2.1 分类实验 |
| 4.2.2 泛化验证 |
| 4.3 纯阳坡影像地形校正前后U-Net分类及泛化性验证 |
| 4.3.1 分类实验 |
| 4.3.2 泛化验证 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（10）Landsat8遥感影像地形辐射校正研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 经验模型 |
| 1.2.2 物理模型 |
| 1.2.3 半经验模型 |
| 1.3 研究内容与目的 |
| 第2章 遥感影像地形辐射校正模型 |
| 2.1 经验统计校正模型 |
| 2.2 C校正模型 |
| 2.3 SCS校正模型 |
| 2.4 SCS+C校正模型 |
| 第3章 基于BRDF的物理模型基础 |
| 3.1 BRDF/波谱反照率 |
| 3.2 辐射传输过程 |
| 3.2.1 基于BRDF的水平地形辐射传输过程 |
| 3.2.2 基于BRDF的崎岖地形辐射传输过程 |
| 第4章 研究区与数据 |
| 4.1 研究区 |
| 4.2 数据 |
| 4.2.1 Landsat8 数据 |
| 4.2.2 DEM数据 |
| 4.2.3 MODIS数据 |
| 4.3 实现过程 |
| 4.3.1 数据预处理 |
| 4.3.2 大气参数的获取 |
| 4.3.3 地形参数的获取 |
| 4.3.4 经验因子c的获取 |
| 第5章 研究结果与分析 |
| 5.1 地形介绍 |
| 5.2 分析方法 |
| 5.2.1 目视分析 |
| 5.2.2 定量分析 |
| 5.3 结果与分析 |
| 5.3.1 平原地形 |
| 5.3.2 丘陵地形 |
| 5.3.3 低山地形 |
| 5.3.4 高山-丘陵地形 |
| 5.3.5 高山-低山地形 |
| 第6章 结论与展望 |
| 6.1 主要结论 |
| 6.2 创新点 |
| 6.3 不足与展望 |
| 致谢 |
| 参考文献 |
| 附录 |
四、遥感影像地形效应校正方法的研究（论文参考文献）
- [1]复杂地表时空连续植被参数遥感反演方法研究[D]. 于文涛. 中国科学院大学(中国科学院空天信息创新研究院), 2021(01)
- [2]中亚热带森林地上生物量遥感估测精度提升方法及影响因素分析 ——以湖南省西北部为例[D]. 李超. 南京林业大学, 2021
- [3]基于Landsat 8热红外数据的山区和云下地表温度遥感反演方法研究[D]. 朱晓琳. 中国农业科学院, 2021(09)
- [4]祁连山森林碳储量与森林景观格局时空变化研究[D]. 宋洁. 甘肃农业大学, 2021(01)
- [5]山地叶面积指数反演理论、方法与研究进展[J]. 江海英,贾坤,赵祥,魏香琴,王冰,姚云军,张晓通,江波. 遥感学报, 2020(12)
- [6]地表反射率地形校正物理模型与效果评价方法研究进展[J]. 林兴稳,闻建光,吴胜标,郝大磊,肖青,柳钦火. 遥感学报, 2020(08)
- [7]复杂地形草地植被碳储量遥感估算研究进展[J]. 夏安全,王艳芬,郝彦宾,胡容海,王芳,吴文超,崔骁勇. 生态学报, 2020(18)
- [8]2019年中国陆表定量遥感发展综述[J]. 梁顺林,白瑞,陈晓娜,程洁,范闻捷,何涛,贾坤,江波,蒋玲梅,焦子锑,刘元波,倪文俭,邱凤,宋柳霖,孙林,唐伯惠,闻建光,吴桂平,谢东辉,姚云军,袁文平,张永光,张玉珍,张云腾,张晓通,赵天杰,赵祥. 遥感学报, 2020(06)
- [9]地形校正对深度神经网络分类器分类结果精度的影响研究[D]. 贾莉. 中国科学院大学(中国科学院空天信息创新研究院), 2020(06)
- [10]Landsat8遥感影像地形辐射校正研究[D]. 张琦. 中国地质大学(北京), 2020(11)