Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Bản đồ hóa nước mặt toàn cầu bằng cảm biến từ xa độ phân giải cao
Tóm tắt
Nước mặt, một trong những thành phần quan trọng của lớp phủ đất, là thông tin cơ bản không thể thiếu và quan trọng cho các nghiên cứu về biến đổi khí hậu, đánh giá môi trường sinh thái, phân tích kiểm soát vĩ mô, v.v. Bài báo này mô tả nghiên cứu tổng thể về nước mặt trong chương trình bản đồ từ xa lớp phủ đất toàn cầu. Thông qua việc thu thập và xử lý hình ảnh Landsat TM/ETM+, hình ảnh vệ tinh HJ-1 của Trung Quốc, v.v., chương trình đã đạt được sự chồng ghép hiệu quả của hình ảnh đa phổ toàn cầu có độ phân giải 30 m cho hai năm cơ sở, cụ thể là 2000 và 2010, với độ chính xác chỉnh hình ảnh đáp ứng yêu cầu lập bản đồ 1:200000 và sai số trong việc đăng ký hình ảnh cho hai giai đoạn được kiểm soát trong phạm vi 1 pixel. Các chỉ số đã được thiết kế và lựa chọn hợp lý dựa trên các đặc trưng phổ và hình dạng hình học của nước trên thang đo độ phân giải 30 m, thông tin nước đã được trích xuất một cách tỉ mỉ bằng cách kết hợp một phương pháp phân loại dựa trên pixel đơn giản và dễ thực hiện với việc sử dụng tổng hợp các quy tắc và tri thức đa dạng thông qua phương pháp phân loại dựa trên đối tượng, và cuối cùng, kết quả phân loại đã được tối ưu hóa và cải thiện thêm thông qua sự tương tác người-máy, từ đó hiện thực hóa việc lập bản đồ từ xa độ phân giải cao của nước toàn cầu. Các kết quả dữ liệu nước mặt toàn cầu hoàn chỉnh, bao gồm Global Land 30-water 2000 và Global Land 30-water 2010, là kết quả phân loại có độ phân giải cao nhất trên diện toàn cầu, và độ chính xác tổng thể của tự đánh giá đạt 96%. Những dữ liệu này là thông tin cơ bản quan trọng để phát triển các nghiên cứu liên quan, chẳng hạn như phân tích mô hình phân bố không gian của nước mặt toàn cầu, làm rõ sự khác biệt vùng miền, nghiên cứu quy luật biến động không-thời gian và chẩn đoán sức khỏe của môi trường sinh thái.
Từ khóa
#nước mặt #cảm biến từ xa #phân loại đối tượng #độ phân giải cao #biến đổi khí hậu #đánh giá môi trườngTài liệu tham khảo
Bartholomé E, Belward A S. 2005. GLC2000: A new approach to global land cover mapping from Earth observation data. Int J Remote Sens, 26: 1959–1977
Blaschke T. 2010. Object based image analysis for remote sensing. ISPRS J Photogramm Remote Sens, 65: 2–16
Cao K, Jiang N, Li X, et al. 2005. Based on the SPOT-5 image of city water body automatic extraction model. Remote Sens Land Resour, 4: 24–27
Carroll M L, Townshend J R, DiMiceli C M, et al. 2009. A new global raster water mask at 250 m resolution. Int J Dig Earth, 2: 291–308
Chen J, Chen J, Gong P, et al. 2011. Global land cover mapping with high resolution remote sensing. Geom World, 2: 12–14
Chen J, Chen L J, Chen J, et al. 2012. Preliminary study on global land cover remote sensing mapping based on hierarchical classification strategy. The 18th World Congress of the Chinese Remote Sensing. 626–636
Chen J, Zhu X, Vogelmann J E, et al. 2011. A simple and effective method for filling gaps in Landsat ETM+ SLC-off images. Remote Sens Environ, 115: 1053–1064
Defourny P, Vancutsem C, Bicheron P, et al. 2006. GlobCover: A 300 m global land cover product for 2005 using Envisat MERIS time series. Proceedings of ISPRS Commission VII Mid-term Symposium. Remote Sensing: from Pixels to Processes, Enschede (NL)
Friedl M A, McIver D K, Hodges J C F, et al. 2002. Global land cover mapping from MODIS: Algorithms and early results. Remote Sens Environ, 83: 287–302
Fritz S, Bartholomé E, Belward A, et al. 2003. Harmonisation, mosaicing and production of the Global Land Cover 2000 database (beta version), Luxembourg: Office for Official Publications of the European Communities, EUR 20849 EN. 41
Frohn R C, Hinkel K M, Eisner W R. 2005. Satellite remote sensing classification of thaw lakes and drained thaw lake basins on the North Slope of Alaska. Remote Sens Environ, 97: 116–126
Gong P, Wang J, Yu L, et al. 2013. Finer resolution observation and monitoring of global land cover: First mapping results with Landsat TM and ETM+ data. Int J Remote Sens, 34: 2603–2654
Hansen M C, DeFries R S, Townshend J R G, et al. 2000. Global land cover classification at 1 km spatial resolution using a classification tree approach. Int J Remote Sens, 21: 1331–1364
Jordan C F. 1969. Derivation of leaf area index from quality of light on the forest floor. Ecology, 50: 663–666
Lehner B, Doell P. 2004. Development and validation of a global database of lakes, reservoirs and wetlands. J Hydrol, 296: 1–22
Loveland T R, Reed B C, Brown J F, et al. 2000. Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data. Int J Remote Sens, 21: 1303–1330
Luo J, Sheng Y, Shen Z, et al. 2009. Step by step iteration of multispectral remote sensing information and high precision automatic water extraction. J Remote Sens, 13: 610–615
McFeeters S K. 1996. The use of the normalized difference water index (NDWI) in the delineation of open water features. Int J Remote Sens, 17: 1425–1432
Michishita R, Gong P, Xu B. 2012. Spectral mixture analysis for bi-sensor wetland mapping using Landsat TM and Terra MODIS data. Int J Remote Sens, 33: 3373–3401
Niu Z, Gong P, Cheng X, et al. 2009. China’s wetland preliminary analysis remote sensing mapping and relevant geographic features. Science China Ser D-Eartn Sci, 39: 188–203
Rundquist D C, Lawson M P, Queen L P, et al. 1987. The relationship between summer-season rainfall events and lake-surface area. Water Resour Bull, 23: 493–508
Sheng Y, Shah C A, Smith L C. 2008. Automated image registration for hydrologic change detection in the lake-rich Arctic. IEEE Geosci Remote Sens Lett, 5: 414–418
Sivanpillai R, Miller S N. 2010. Improvements in mapping water bodies using ASTER data. Ecol Inf, 5: 73–78
Sun F, Sun W, Chen J, et al. 2012. Comparison and improvement of methods for identifying waterbodies in remotely sensed imagery. Int J Remote Sens, 33: 6854–6875
Van der Werff H M A, Van der Meer F D. 2008. Shape-based classification of spectrally identical objects. ISPRS J Photogramm Remote Sens, 36: 251–258
Work E A, Gilmer D S. 1976. Utilization of satellite data for inventorying prairie pondsand lakes. Photogramm Eng Remote Sens, 42: 685–694
Wu W, Shen X, Zou L, et al. 2008. Water body information extraction method based on Landsat ETM images. Chin Sci Bull, 24: 252–259
Xu H. 2005. Using the improved normalized difference water index (MNDWI) to extract water body information research. J Remote Sens, 9: 589–595
Xu H. 2006. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery. Int J Remote Sens, 27: 3025–3033
Xu J, Chen S. 2008. Based on the TM images of water body information extraction. J Soil Water Conserv, 15: 161–163