基于WebGIS框架的土地覆盖变化遥感数据的处理和传播外文翻译资料

 2021-11-30 18:57:50

英语原文共 12 页

基于WebGIS框架的土地覆盖变化遥感数据的处理和传播

摘要:地中海地区在过去几十年经历了显著的土地退化。在这种背景下,仔细地观察使用卫星数据,对于理解自然资源的长期使用模式和促进(土地)退化潜力的监控和评估的可持续化管理至关重要。在此问题上考虑到环境与政治因素,迫切需要有一个集中的存储库和用于共享地理空间数据、信息和土地变化专题地图。对于许多用户来说,地理空间数据收集是最重要的任务之一,因为在访问和使用数据方面存在许多障碍。这个障碍可以通过实现一个结合现有的自由开源的地理信息系统软件(FOSS4G)的WebGIS机制来克服。

在本文中,我们初步讨论如何处理用来获取(评估)土地退化现象指标(即土地覆盖/土地利用分析、植被指数、趋势分析,等等)的开放的多时象和多规模卫星数据。然后我们描述一个方法用来设计一个能够通过地理监测主题的地图来传播信息的WebGIS框架。基础WebGIS功能能够在POSTGIS数据库和OpenLayer库的帮助下进行拓展。GeoserverGeoserver可以通过设置和增强网站功能来进行定制,例如可以通过使用PostgreSQL和其他创新工具来开发各种高级查询功能从而来进行高效的多图层叠加分析。其最终产品是一个不仅能提供交互式查询功能也能下载经过处理过的遥感数据的简单系统。

关键字:WebGIS,卫星数据,土地使用/土地覆盖,植被分析

  1. 前言

荒漠化是因人类活动和气候变化导致的旱地生态系统的持续退化。联合国环境发展会议(UNCED)在第21项议程将荒漠化定义为“干旱,半干旱地区以及干燥半湿润地区由于多种因素,包括气候变化和人类活动,造成的土地退化”。然而,这很难区分造成荒漠化的主要原因。如今,荒漠化被认为是21世纪的一个主要环境问题,因为它降低了涉及到不同地理尺度环境下的生态经济活动的土壤肥力。

在世界范围内,人们已经开发了多个项目用来研究和评估荒漠化。在由欧盟委员会资助的项目中,一个名为MEDALUS项目(地中海荒漠化和土地利用)确定地中海区域是环境敏感区域(ESAs)。在欧洲国家中,意大利,西班牙,葡萄牙和希腊是其中受地中海区域荒漠化现象影响最大的几个国家,影响区域主要是在一些南部地区的沿海部分(例如普利亚,巴西利卡塔,卡拉布里亚)和主要岛屿(西西里岛和撒丁岛)。而且土地利用和植被动态分析被认为是环境资源可持续管理的关键部分。

一些研究表明,遥感技术有助于处理植被覆盖分布评估、干旱和半干旱环境监测的景观退化评估和荒漠化导致的环境变化评估中产生的大量数据。在GIS平台从连续观察得到的多时相卫星影像中解译得到的荒漠化严重程度图能够支持精确的趋势分析,从而支持预测和管理荒漠化问题。

用于量化荒漠化的最佳方法是通过植被指数分析来评估植被损失,(常见的植被指数)包括归一化植被指数(NDVI)和土地覆盖/土地利用(LU/LC)地图解译。归一化植被指数是最常用的植被指数,常被用来表示植被的时空变化)。它在-1到 1的范围内变化,并且是由多种不同的空间和时间分辨率下卫星数据提供的。NDVI不单单只是反映干旱或非干旱情况;,它在监测荒漠化进程是否与环境分析有关方面也十分有效。

土地使用/土地覆盖地图对于更深入理解土地变化进程和做不同尺度下的生态环境变化影响模型是必不可少的。 有一些方法可用于生成土地利用/土地覆盖地图,但其中一些方法代价昂贵并且通常在大区域土地使用/土地覆盖地图生成不方便。 人工神经网络(ANNs)表现为一般模式识别系统,并且是没有事先假设输入数据的统计模型,因此它是在进行变化探测分析时,遇到没有与历史卫星影像相对应的地面参考数据的情况,一种很好的解决办法。

然而,使用卫星数据解释荒漠化现象仍然存在着重大障碍,造成障碍的主要原因是难以获取和处理数据。现如今互联网的使用门槛越来越低,因此在过去几十年中,获取数据和信息的技术也发生了巨大的改变。在互联网的所有应用程序中,基于Web的空间数据服务(WebGIS)开辟了新一代的信息获取渠道。 WebGIS的潜力主要有共享数据,为用户提供对有限GIS知识更便捷的访问)和汇编为特定主题定制的数据和信息,辅助决策。免费开源软件(FOSS)是一个能够允许用户按照自己的需求自由运行和修改应用程序的程序。可以在以下网站找到与GIS相关的免费开源软件(FOSS)的详细列表:http://opensourcegis.org/。根据Wheeler所述,FOSS的可靠性,性能,

可扩展性,安全性和用户的总体成本和它专有的竞争对手一样甚至更好,在某些特定情况下,FOSS比它的“同行”们表现更好。

本研究的重点是开发WebGIS来协助决策者来根据遥感和矢量数据集监测土地覆盖变化。该系统不仅帮助用户获得研究区域在种植季节的植被状况的整体图像,同时也预警干旱和其他恶劣的环境问题。研究将使用MLP前馈神经网络方法处理多时相LANDSAT卫星影像来得到Foggia和Taranto两个研究区域内的土地利用特征(Apulia地区,意大利)。本研究利用WebGIS存储高时间分辨率卫星数据(即SPOT VGT S10 NDVI)以更好地表示植被状况和土地覆盖变化,同时将使用PostgreSQL和PostGIS作为地理扩展数据库。该系统使用一套免费开源软件(FOSS)完成了所有的系统预期要求,客户端使用QGIS作为地理信息系统(GIS)软件,Apache和Geoserver作为网络服务器和包含Openlayers和ExtJS两个组件的Mapfish框架。

  1. 数据和方法

为此研究,我们下载了三个不同的免费在线数据集,分别是Landsat 5和7(表1-2),1999年至2013年期间的SPOT VGT NDVI(高时间分辨率卫星数据)数据和普利亚地区的技术制图。

我们选择的研究区域是普利亚地区(位于意大利南部)。 特别是已覆盖整个地区的归一化植被指数(NDVI)地图,而LU/LC地图则是针对两个特定区域制作的:塔兰托省和加尔加诺地区。普利亚是意大利最东部的地区,俯瞰着亚得里亚海和爱奥尼亚海。境内主要是平地和山丘。普利亚土地最大的部分(81.4%)用于农业,而林业和半自然区域则占该地区的13.3%。包括自然湖泊与水库在内的水体覆盖率约1.2%。该地区的特点是异质的地中海气候,年际变化强烈,年度季节性显着。全年降雨量分布不均匀,平均最低值约600毫米/年,在10月至3月期间达到峰值。 近几十年来,该区域的极端降雨事件变得越来越频繁。

我们可以从USGS网站中下载产品级别为L1T的landsat数据。L1T数据是WGS84—UTM平面坐标系下的GEOTiff格式。L1T数据的处理包括辐射校正,系统几何校正,使用地面控制点进行精确校正,以及使用数字视差校正来校正局部地形起伏现象造成的数据误差。

表一 塔兰托省土地使用和土地利用地图所用的Landsat 5-tm影像场景

场景id

数据

传感器

云层覆盖率(%)

质量

LT51870321986234XXX01

22/08/1986

tm

0

9

LT51870321987109AAA02

19/04/1987

tm

0

9

LT51870322000241FUI00

28/08/2000

tm

0

9

LT51870322003265MTI01

22/09/2003

tm

0

9

LT51870322004236MTI00

23/08/2004

tm

0

9

LT51870322009201MOR00

20/07/2009

tm

0

9

LT51870322010236MOR00

24/08/2010

tm

0

9

LT51870322011191MOR00

10/07/2011

tm

0

9

表二 加尔加诺地区土地使用和土地利用地图所用的Landsat 5-tm影像场景

场景id

数据

传感器

云层覆盖率(%)

质量

LT51890311984179XXX06

27/06/1984

tm

0

9

LT51890311987139XXX03

19/05/1987

tm

0

9

LT51890312003199MTI03

18/07/2003

tm

0

9

LT51890312011173MOR00

16/06/2009

tm

0

9

LT51890312011173MOR00

22/06/2011

tm

0

9

2.1卫星数据处理

土地覆盖/土地利用类型分类方面存在的难题是如何构建一个适当的人工神经网络模型。许多关键参数,例如隐藏层层数和隐藏层的神经元(节点),学习率,动量因子和训练场所都必须手动设置。必须正确设置参数才能找到全局参数的最小误差函数而不是局部最小值。隐藏层神经元数量对分类准确性有重要影响。 隐藏太多的图层的神经元会导致模型过度拟合,而太少则无法识别内部数据结构。

第一步,对影像进行辐射校正。使用发布后的定标系数,将表面反射率的相关数据转换为绝对辐射亮度。接下来,继续拼接和调整(空间/光谱)数据的大小,对每个数据集进行大气校正。最后,为了准备对多日期LANDSAT影像进行变更检测分析,需要将它们在独特的数字信息内容中进行同质化。为了表示(区域)分类后的主题特征,我们将最小映射单位(MMU)为900平方米的像素区域进行分类处理。 2006年的技术和土地使用制图(比例尺为1:5000)和更新到2011年的谷歌地球数据将被用作检测感兴趣区域(ROI)的地面真实信息。

对表示第二个研究区域的土地使用/土地利用地图进行以上的相同的处理步骤。在表二中的数据是除了2001/05/01 ETM 数据以外的所有的Landsat5数据。

本研究中使用的NDVI卫星数据来自于搭载在SPOT4和SPOT5 卫星上的宽视域植被探测仪(Vegetation 1 和Vegetation 2)在1999-2013期间观察到的数据。

宽视域植被探测仪(VGT)包括4个光谱带:蓝色,红色,近红外和短波红外光谱:红色和近红外波段通常用于表示植被,蓝色带用于

大气校正。VGT传感器的轨道确保每日覆盖地球表面。 佛得角科技研究所(VITO)经常对来自SPOT-4 / VGT-I和SPOT-5 / VGTII的数据进行大气校正和反射角度校正,这导致两个空间分辨率为1/112°的10天的复合产品(S10和D10数据)使用PlateCarreacute;e投影法(WGS84椭圆体)。

根据最大反射率的标准,将得到的结果之间进行像素与像素的比较。 为了便于在WebGI

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。