基于SAR提高喀斯特地区LUCC光谱分类精度研究

喀斯特地区复杂地表形态导致地面调查可深入性差、精度不高,遥感则作为该区有效监测与研究人类活动对土地利用(LUCC)方式与利用程度影响的主要手段。文章利用ALOS多光谱数据与Terra SARX的数据进行融合,讨论了HH极化微波后向散射数据用于改善多光谱遥感数据LUCC分类的精度,并比较了不同融合方法对地物识别。结果表明:2种数据之间的融合充分利用了多光谱的光谱信息与HH极化数据丰富的结构与纹理的特征,增强了不同地物之间的光谱差异,提高地物可分性;PC法融合、IHS法融合分类精度较单独使用ALOS多光谱数据分类精度分别提高了8%与13%,而且由于HH极化对植被含水量的敏感性,提高了"插花"分布的旱地与草地、林地等由植被覆盖的土地利用类型的区分精度。通过该研究探讨了HH极化数据与多光谱数据融合在地表信息提取中的应用,拓展了遥感数据在喀斯特地区土地利用领域应用的范围。     

基于TM与ASAR数据的矿区塌陷地信息提取

研究目的：实现多光谱数据与雷达数据的综合应用对矿区塌陷地信息的提取，评价多源遥感数据在塌陷地信息提取中的精度与优势。研究方法：主成分分析融合法、波段运算法、密度分割法等。研究结果：以ENVISAT-ASAR和TM影像数据为数据源进行研究，结果显示该方法不仅对水体本身有较好的提取精度，而且对塌陷区深浅、非积水区、塌陷区不规则边缘、植被覆盖情况等信息有非常好的提取效果，塌陷地提取精度较高。研究结论： TM数据光谱特性和ASAR波段数据微波特性的综合应用对塌陷地积水区提取有较高的精度，能够为塌陷地研究提供技术支持。     

基于多时相遥感数据提取水稻种植面积的研究

该文以江苏省为例,探讨MODIS时间序列数据在水稻种植信息获取中的应用,并进行精度评价.首先利用MODIS数据构建了归一化差值植被指数(NDVI)、增强型植被指数(EVI)和陆表水指数(LSWI).根据植被指数的时间序列变化特征,结合水稻的生长发育规律,确定江苏省水稻种植面积.对比统计数据,该方法提取水稻种植面积的误差为16％.同时,对环境卫星遥感影像进行监督分类,提取水稻种植区域.对比二者提取结果,面积相对误差为5％,空间一致性达到60％以上.研究表明,在平原区域利用MODIS数据监测大尺度水稻种植面积是可行的.     

基于星载极化SAR数据的农作物分类识别进展评述

［目的］农作物播种面积信息不仅可为农情监测和作物估产提供重要的数据保障，还是国家制定粮食政策和经济计划的重要依据。快速、准确地获取农作物播种面积信息能为农业生产管理提供决策支持。极化SAR不受云雨天气的影响，在农作物遥感监测方面具有巨大的应用潜力，有效利用极化SAR数据进行农作物识别研究对促进雷达技术在国家农业遥感监测和农业供给侧结构性改革中发挥更大作用具有重要意义。［方法］以星载极化SAR技术的发展过程为论述主线，从单、双极化SAR数据，单、双极化SAR数据结合光学影像，全极化SAR数据三个发展阶段，对极化SAR数据在农作物分类识别中的研究与应用进行总结，并对比分析不同的识别特征、融合算法以及分类算法的优缺点。［结果］以往研究存在以下不足：当前研究多以识别水稻为主，对于难以识别的旱地作物研究较少；目前对旱地作物识别精度不高，平均识别精度不足85%；缺乏对不同作物散射机制及其随时相变化的研究，导致分类算法机理性不足，普适性较差。［结论］在今后的研究中，旱地作物散射机制的定量确定，如何利用散射机制及其变化来提高旱地作物遥感识别精度和普适性；目前分类算法大都是基于光学影像设计，如何利用SAR特殊的成像方式优化设计适用于极化SAR数据的分类算法，得到更高的分类精度；如何更好的跟光学遥感等多源数据（光学数据、GIS数据等）结合来提高精度，将成为未来极化SAR农作物识别中三个亟需重点解决的问题。     

外来植物入侵遥感监测预警研究进展

文章紧密围绕近年来国内外关于外来植物入侵遥感监测、预警新技术、新方法,总结了当前监测预警技术方法的问题和不足,阐明了未来针对外来入侵植物的遥感监测、预警技术发展趋势和方向。目前在监测方法上,主要有图像识别法、高光谱监测法、雷达数据辅助识别法和中低分辨率时序序列数据分析法等。其中,图像识别法和高光谱监测法应用较多,但其数据来源获取困难,后期数据处理工作量大,缺少普适性强的自动解译算法;雷达数据辅助识别法由于雷达数据自身空间分辨率粗糙,在植被监测中往往配合其他数据源同时使用,因此应用上有一定的局限性;中低分辨率时序序列数据分析法适用于较大空间尺度上的植被外来物种入侵监测,监测结果空间定位能力差,很难在小尺度区域上进行应用。在预警方法上,主要有生态机理模型预测和数学模型机理预测两种方法,基于GIS和遥感技术的生态学模型预测机理性强、易推广,预警精度较好,具备一定的空间定位能力,适宜于在宏观区域尺度上应用,但存在部分关键植被生理遥感参数获取困难等问题。数学统计模型预测以理论统计为主,只是对外来植物入侵发生的概率进行了估测,对物种或区域环境依赖程度高,普适性较差,遥感参数较少参与模拟过程,空间定位能力不足。总体上,利用遥感技术快速、准确地进行外来入侵植物定位监测和预警已成为防控外来植物入侵,维护区域生态安全的必然趋势。在数据源集成上,传统可见光遥感和新型激光雷达遥感、高光谱遥感、多角度遥感等多源数据集成、融合应用更为多见,数据获取范围进一步拓宽。特别是诸多新型国产高分卫星发射升空后,使得监测时效性和成本进一步改善,实用化、规模化、业务化动态监测成为可能。在技术方法上,受信息技术、自动化技术和传感器制造技术的影响,数据获取范围不断拓宽,空间定位能力不断增强,监测、预警也将不再局限于单一技术和模型的应用,而是多模型、多平台(星-机-地)综合监测、预警模式成为趋势,外来植物入侵的遥感监测技术正逐步发展成为植被生态遥感学科领域的重要分支学科。     

多源遥感数据融合技术在土地变更调查中的应用

采用2002年和2003年SPOT及ETM 数据,在专业遥感软件的辅助下,利用多源遥感数据融合技术进行土地利用变化信息提取,并对变化信息进行野外调查核实,节省了外业查找变化地块时间,提高工作效率,保证调查结果的可靠性,为今后开展土地变更调查提供了一种新的方法.     

基于EOS/MODIS数据的南方水稻面积提取技术

该文以我国南方15省、市和自治区为研究区域,采用高时频的EOS/MODIS卫星数据,构建了水稻播种面积识别算法,实现了南方各类水稻(早稻、晚稻和单季稻)种植面积的快速提取。该研究在很大程度上解决了困扰农情遥感监测业务运行中水稻种植面积及其空间分布的难题,可为作物估产、农作物长势以及墒情遥感监测提供基础。     

土地调查数据集成与存储技术现状及发展趋势

研究目的:了解土地调查多源异构数据集成与存储技术发展现状,把握土地资源调查数据集成与网络化存储发展趋势.研究方法:文献资料法.研究结果:目前土地数据集成研究仍侧重于具体数据集集成方法的探讨,在元数据的使用机制、方法研究方面还存在不足.当前的数据网络存储主流的NAS、SAN和iSCSI三种技术都有其优缺点,多技术共存将延续相当一段时间.研究结论:土地资源数据集成发展将更加注重元数据、网络化、集成机理、规范标准研究和集成知识规则的专家系统化.随着技术发展,网络存储技术发展趋势表现为从封闭走向开放,从单机走向网络,三大技术走向融合,并向虚拟化存储发展.     

基于遥感与GIS的西藏草原雪灾监测与评估

该研究提出了用于西藏雪灾监测与评估的方法,该方法结合遥感与地理信息系统,以MODIS数据得到的归一化雪盖指数(NDSI)为基础,同时估算厚云区的积雪覆盖的可能性,综合考虑包括DEM、道路等区域基础地理信息系统数据,对2007年3月中旬发生在西藏南部的一次大雪灾进行了监测与评估.结果表明,该方法能够有效地提取积雪覆盖区域,并对雪灾发生面积进行估算.     

基于土地管理数据的地理国情监测作业新方法探讨

土地管理数据是地理国情监测地表覆盖及其变化的重要数据源。针对地理国情监测主要利用地表自然和人文地理要素的现状和空间分布信息,科学揭示资源、生态、环境、人口、经济、社会等要素在地理空间上相互作用、相互影响的内在关系的特点,分析了地理国情监测的内容,介绍了土地管理行业与地理国情监测相关的土地信息状况,构建了地表覆盖分类与土地利用现状分类间的映射关系,参考已经被实践验证的"先内业后外业"第二次土地调查技术工作流程,提出了利用土地管理数据实施地理国情监测数据采集的作业方法,对土地管理数据在地理国情监测中的应用进行了有益的探索,可为地理国情监测工作更好的利用其他行业专题数据提供技术借鉴。     

深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

基于残差U-Net的遥感影像土地覆盖类型自动分割

研究目的:土地覆盖的准确分割对于土地调查和规划具有重要意义。针对传统方法对于高分辨率遥感影像分割存在精度和效率较低等问题,提出了深度学习遥感影像分割方法。研究方法:以2 m高分辨率遥感影像为数据源,选用一种加入残差块的U-Net模型(ResU_Net),对目标区域进行基于深度学习的土地覆盖分割,并与SVM、PSPNet、U-Net分割方法进行对比。研究结果:ResU_Net能够更加准确地表达高分辨率遥感影像的地物信息,该方法总体分割精度达到85.50%,Kappa系数为0.7603,总体精度和Kappa系数均高于SVM、PSPNet和U-Net分割方法(总体精度:ResU_Net(85.50%)>U-Net(79.44%)>PSPNet(78.90%)>SVM(66.80%))。研究结论:ResU_Net模型对高分辨率遥感影像的土地覆盖分割效果更优。     

高分辨率遥感数据在城市绿化调查中的应用

高分辨率卫星遥感技术与传统航空遥感技术比较,具有获取数据周期短,工作量小,投入资金少的特点,作者以岳阳市岳阳楼区为试验区,运用其优势对城市园林的绿化进行了调查。首先,对该区的高分辨率遥感数据进行最佳波段选择(OIF值计算)、几何变换、地理坐标校正、线性拉伸、边缘增强、融合等处理,然后经过绿地目标信息特征分析,建立绿地解译标志,在时间、资金、人力投入较少的情况下,成功的完成了预期的目标,为遥感技术在城市园林绿化调查中的应用开拓了新领域。     

基于多源遥感数据融合的运城盆地夏玉米估产研究

[目的]准确估算区域尺度作物产量是确保粮食安全,发展生态、安全农业的关键。[方法]文章以山西省重要的粮食产区——运城盆地为例,利用2020年空间分辨率为10m的Sentinel-2A数据和时间分辨率为1d的MODIS数据,采用STNLFFM (Spatial and Temporal Nonlocal Filter based Fusion Model)算法并结合光能利用率模型进行夏玉米NPP (Net Primary Production)模拟和产量估测。[结果]（1）融合后的NDVI数据能较好地继承Sentinel-2A NDVI数据的空间细节,同时能够较好地表达较小地物之间空间差异;（2）STNLFFM NDVI时序曲线能准确地反映夏玉米种植时期的NDVI变化趋势和局部突变信息,比MODIS NDVI时序曲线更符合夏玉米实际生长状况。（3）运城盆地夏玉米种植区累积NPP均值为667.42 gC/m2,其中西北部的涑水河冲湖积平原,受人类活动影响显著,灌溉条件较好,NPP累积量较高,为700～900 gC/m2。（4）东北部山区和北部台塬区受地形破碎程度较高影响,NPP累积量小于5...     

基于全极化SAR与多光谱的喀斯特山区农村林地提取

[目的]为加快推动贵州省"互联网+"林业建设,打破贵州喀斯特高原山区遥感监测瓶颈,选取了空间分辨率8m的Radarsat-2全极化SAR数据与空间分辨率6m的SPOT 6多光谱影像作为数据源,探究微波与光学遥感结合在喀斯特山区农村地区的林地提取技术。[方法]首先采用ENVI SARscape与NEST软件对SAR图像预处理。将Radarsat-2全极化数据与SPOT 6标准假彩色影像进行HSV融合。计算融合图像的平均梯度、信息熵、标准差与均值,评价出最优融合效果的极化方式。基于K均值(K-means)与最大期望(EM聚类)聚类算法分割图像,选择合适的算法,基于聚类分割的阈值进行面向对象的林地分类。最后,基于像素的混淆矩阵精度评价,结合贵州省林业厅调查数据、野外样方和航拍图,建立参考样本评价分类结果。[结果](1)融合之后,目视解译出林地边缘明显但较粗糙;对于在林地中小面积建筑物、农田中的较分散的林地小图斑能够识别,但边缘粗糙;有林地和灌木林地在色调上区分明显;在融合后的明度图中的灌木林地有明度较大的像元,此类像元为石旮旯地。(2)通过定量分析,融合之后的影像较SAR和光学数据信息量大。同极化平均梯度大于交叉极化,HH极化方式下各指标最大。图像EM聚类分割比K-means聚类更加细化。EM聚类图像的特征区分明显;(3)研究分类出了有林地、灌木林地和其他林地。面向对象的林地分类总体分类精度达到85.71%。[结论]研究将微波与光学遥感结合,为喀斯特山区中农村地区的林地提取提供新思路,与传统的林地监测相比,数据获取快捷,提高工作效率,精度准确。有助于通过遥感的手段解决地块破碎区域的林地提取问题,为提高多源遥感技术在喀斯特农村地区中的林地智能监测的能力提供借鉴。     

基于中分辨率遥感图像的土地利用与覆被分类系统构建

研究目的:研制基于遥感的土地利用与覆被分类系统,为国家土地利用与覆被基础数据库建设和宏观土地资源遥感动态监测提供分类依据。研究方法:文献资料法、比较分析法和计算机试验法。研究结果:根据中分辨率卫星传感器的波谱响应特征和土地利用与覆被遥感信息获取技术,提出基于中分辨率遥感图像的土地利用与覆被分类系统,并给出各个类别在遥感图像上的解译标志。研究结论:该系统基本可以满足在国家尺度上的遥感分类应用要求。