首页期刊导航|遥感学报
期刊信息/Journal information
遥感学报
遥感学报

顾行发

双月刊

1007-4619

jrs@irsa.ac.cn

010-64806643

100101

北京市安外大屯路中国科学院遥感应用研究所

遥感学报/Journal Journal of Remote SensingCSCD北大核心CSTPCDEI
查看更多>>本刊为专业性学术刊物。反映遥感领域的科研与技术应用成果。包括航天航空、农业、林业、资源开发、环境监测和保护、区域和工程地质勘探和评价、找矿、灾害监测和评估等领域的应用，以及地理信息系统、遥感、GIS及空间定位系统的综合应用等方面。读者对象为遥感及相关学科的科研人员及高等院校师生。
正式出版
收录年代

    2001年-2021年四川省森林草原火灾时空特征遥感分析

    焦淼全兴文何彬彬姚劲松...
    2984-3001页
    查看更多>>摘要：近年来，四川省冬春季森林草原火灾频发，对当地生态、百姓和消防人员的生命财产安全造成巨大威胁。本研究旨在基于多源遥感观测数据探究2001年-2021年四川省森林草原火灾的时空特征，服务于该区域未来火灾预警防控等需求。该研究基于MCD64A1、Fire_CCI51和MCD14ML等多源遥感数据提取研究区域有效火点数据，运用地理信息系统探究森林草原火灾时序趋势及空间分布，并采用数理统计、自适应模糊神经网络两种方式探究气象、可燃物和地形等影响因子与火灾的相关性。结果显示，该区域2001年-2014年火灾频率及过火面积呈上升趋势，1-5月为火灾高发期;火灾空间分布具有异质性，主要集中于四川省西南部，而近期东北部的草原火灾明显增加;森林火灾发生与可燃物含水率的相关性较高，草原火灾发生与相对湿度的相关性较高，同时推测人为因素对草原火灾的诱发存在较大影响。该项研究基于多源遥感观测数据对2001年-2021年四川省森林草原火灾时空特征进行了定性与定量的分析，为该区域森林草原火灾防控预警等需求提供有效先验信息。

    遥感四川省MCD64A1Fire_CCI51MCD14ML森林草原火灾空间分布时间趋势时空特征

      原文链接:
    • NETL
    • NSTL
    • 万方数据

    多级格网冰雹灾害遥感监测方法及时空分布特征研究

    邵小东蒋样明黄坤王福涛...
    3002-3015页
    查看更多>>摘要：1961年以来云南省红河哈尼族彝族自治州(红河州)冰雹灾害频发，对当地农业生产造成了重大损失。当前基于气象台站数据采用统计分析方法获得的县市、站点尺度雹灾分布数据无法满足农业防雹需求，少数冰雹灾害监测遥感方法受限于遥感数据源单一及针对全局分析的特点，在山区缺乏适用性。为掌握红河州冰雹灾害发生的时空分布特征与规律，本文选用2009年-2022年红河州防雹点冰雹灾害记录，研究基于Ross-Li与STARFM的多源遥感卫星影像时空融合方法，提出多级格网冰雹灾害遥感监测模型与冰雹灾害识别指数RNDVI_M进行雹灾区遥感监测，并采用空间叠加分析与空间相关分析，在耕地地块级别定量分析了不同地貌类型、地形起伏度、坡度、地形类型等冰雹灾害频次，构建冰雹易发性评估模型计算气候、气象、地形、地貌等自然条件造成冰雹灾害易发区空间分布特征。验证结果表明应用该模型的冰雹灾害遥感监测结果最大相对误差为9。08％，平均误差为5。62％，标准偏差为1。66％，山区冰雹灾害空间分布与海拔相关性显著，与坡度、起伏度具有中等相关性，河谷、山谷沿线的耕地更易受雹灾影响。因此，本研提出的多层次格网模型参数自适应的方式，提高了模型适应性，将冰雹灾害监测精度与风险评估精度提高到耕地地块尺度。

    冰雹灾害冰雹遥感识别指数RNDVI_M冰雹灾害遥感监测冰雹灾害时空分布红河州

      原文链接:
    • 万方数据
    • 维普

    考虑季节性特征的矿区地面沉降时空预测

    郭骁玮陈涛
    3016-3031页
    查看更多>>摘要：矿区过度开采会造成严重的地面沉降，而且这类沉降常常伴随着大范围、不均匀的特点，对矿区的生产生活产生了巨大的威胁，因此，精准的地面沉降预测对于矿区沉降灾害的防治具有重要意义。针对传统的时序预测模型存在时空信息捕捉能力差、时空特征学习不充分的问题，本文将时序分解策略与深度学习网络模型相结合，基于地面沉降时序位移在时间维度上的特性提出考虑季节性位移特征的Seasonal-Feature-Focused PredRNN(SFF-PredRNN)模型。本文选取新密市的米村煤矿作为研究区，通过小基线集干涉技术算法获得了研究区2018年-2021年的地面沉降信息，在此基础上构建了地面沉降时序数据集，利用构建的SSF-PredRNN模型对研究区地面沉降进行时空预测，并通过平均绝对误差(MAE)、均方根误差(RMSE)、峰值信噪比(PSNR)以及结构相似性指数(SSIM)进行模型的精度评价。验证结果证明，与CNN-LSTM、ConvLSTM以及PredRNN模型相比，本文提出的SFF-PredRNN模型在各项指标中均有最好的表现，表明本研究可为矿区的地面沉降灾害的预防预治提供有效的数据支撑。

    遥感InSAR地面沉降时空预测季节性SFF-PredRNN

      原文链接:
    • 万方数据
    • 维普

    基于TSC—LSTM的新密市地面沉降预测模型研究

    赵贺文陈涛
    3032-3044页
    查看更多>>摘要：地面沉降预测对于城市地面沉降模式的深入分析和早期预警具有重要的指导意义。传统的数值预测模型难于捕捉地面沉降数据复杂特征，导致预测结果的准确性不高。为了解决该问题，本研究基于小基线集合成孔径雷达差分干涉测量方法 SBAS—InSAR(Small Baseline Subset Interferometric Synthetic Aperture Radar)获取的2018年-2022年新密市地面沉降信息，在此基础上构建了结合趋势和季节特征长短时记忆网络的地面沉降预测模型TSC—LSTM(Trend Seasonal Characteristics-LSTM)，该模型联合基于加权回归季节趋势分解(STL)在沉降数据时序特征提取方面的优越性和长短期记忆模型(LSTM)在时序预测方面对梯度消失问题的处理优势，实现对地面沉降数据更准确的预测。首先划分出该城市的沉降中心，再将该城市不同沉降中心区域的地面沉降数据分解为具有各自特征的子序列再分别进行预测，并与深度学习模型和传统机器学习模型进行对比分析。结果表明:(1)新密市2018年-2022年的地面沉降速率为-60。3-51。96 mm/a，共形成5个地面沉降中心区域。其中，最大累计沉降和最大累积隆起分别为304。9 mm和197。68 mm。(2)本研究提出的TSC—LSTM模型在5个沉降中心区域的预测中表现出色，TSC—LSTM模型的R2值范围为0。9985-0。9992，明显高于次优模型LSTM的0。9662-0。9872。TSC—LSTM模型预测精度的RMSE值＜2 mm，达到了 1。2426-1。7403 mmo(3)单点预测结果表明，TSC—LSTM模型能够更精确的把握累积沉降数据中的局部变化趋势。因此，本研究提出的方法能为城市地面沉降的深入研究提供有力支持。

    地面沉降预测TSC—LSTM模型SBAS—InSAR累积沉降数据分解新密市LSTM

      原文链接:
    • 万方数据
    • 维普

    信息动态

    前插1,封2页
      原文链接:
    • NETL
    • NSTL
    • 万方数据