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。     

高分1号冬小麦解译面积核算方法研究

[目的]以高分1号(GF-1)融合2m卫星遥感影像为基础数据源,结合土地利用现状数据、高分多源遥感影像和地面样方等数据,对冬小麦分类提取中存在的面积误差问题进行研究和分析。[方法]文章以河南省永城市为研究区,在冬小麦提取结果聚类处理基础上,基于线性地物缓冲区数据,采用GIS空间运算实现线性地物面积扣除,接着分析了样方数据和土地利用现状数据再扣除零星地物面积比例上的差异,并采用样方零星地物平均扣除系数对全市各乡镇耕地与非耕地中冬小麦提取面积进行了相关统计和误差分析。[结果]永城市冬小麦最终解译面积11. 29万hm~2,其中线性地物和零星地物扣除面积分别为6 613. 08hm~2和3 875. 22hm~2,占研究区冬小麦解译面积的5. 86%和3. 32%,与统计上报数据相比,其处理前后误差由14. 12%降低至4. 41%,有效地提高冬小麦提取面积精度。[结论]误差来源分析与修正对冬小麦解译面积核算精度具有重要影响,该研究为县级区域尺度下冬小麦面积提取核算提供了思路和借鉴。     

利用高空间分辨率遥感数据的农作物种植结构提取

农作物种植结构是掌握粮食种植面积和产量的重要前提,也是进行作物结构调整与优化的依据。该研究以黑龙江肇东市为研究区域,以高空间分辨率RapidEye影像为遥感数据, 基于最大似然监督分类方法提取了肇东市2011年农作物种植结构空间分布,利用地面样方调查数据进行了线状及细小地物扣除系数计算,实现遥感提取的农作物种植面积的精细提取,然后从面积数量和空间位置两个方面对遥感提取的农作物种植结构进行了精度评价。研究结果表明,利用RapidEye数据提取的农作物种植面积数据总体精度为97.00%,位置精度为96.15%,高空间分辨率数据在农作物种植结构遥感提取中具有重要潜力,线状及细小地物扣除系数可以有效减小线状及细小地物对高分提取的农作物种植结构的精度。     

基于环境小卫星的半干旱区土地利用信息提取

为了准确掌握半干旱地区的土地利用情况,以辽宁省彰武县为研究区,分析多时相的HJ-1B遥感影像。依据影像各时相的归一化植被指数(NDVI)及其波谱特性,获得对影像数据的整体把握。提出基于NDVI、光谱和纹理信息相结合的最大似然分类方法,通过此方法探讨该区的土地利用信息,并将分类结果与基于NDVI和光谱的最大似然分类结果进行对比分析。研究结果表明,纹理特征参与的分类精度较高,Kappa系数达到0.80,总分类精度为83.56%。因此,该方法更适合于半干旱区的遥感影像信息提取。     

尺度变化对油菜种植面积遥感监测精度的影响

农作物种植面积监测是遥感估产的基础工作之一,监测结果的精度直接影响到数据的可信度和可用性。随着多光谱和多空间分辨率数据集的日益普遍,多尺度遥感数据源的综合应用是进行大范围农作物种植面积遥感监测业务化运行的必然趋势,因此尺度变化对农作物种植面积遥感监测精度影响的研究势在必行。该研究采用高空间分辨率的多光谱遥感影像进行油菜种植面积提取,对其提取结果进行基于简单多数原则的尺度转化,得到不同空间分辨率的提取结果,通过与地面实测样方数据构建误差矩阵进行精度分析,分析不同空间分辨率影像对作物种植面积遥感信息提取精度的影响。运用多种精度评价指标,从不同空间分辨率、不同监测方法、不同遥感监测时相等角度系统分析了农作物种植面积遥感测量中的尺度效应问题。为基于多尺度遥感数据综合应用的农作物种植面积遥感监测业务化运行中的数据选择和精度保证问题提供理论与实验基础。     

植被物候特征的遥感提取与农业应用综述

多时相遥感数据因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握植被/作物空间格局提供了新的科学技术手段.通过对相关研究进展的回顾,该文系统归纳了植被物候特征遥感提取的关键步骤.首先从数据获取与处理方面,整理了目前常用的NDVI数据集以及预处理方法等相关背景信息;其次从提取原理、假设条件以及适用性等角度,比较了目前用于时序遥感数据重构和特征提取的常用技术方法;在此基础上,归纳了基于时序遥感数据拟合曲线提取的植被物候特征及其农业内涵意义;最后,结合目前的农业应用,探讨了其在识别作物物候期、确定种植制度以及提高遥感估产精度等专业领域的应用方向,以期为区域尺度上生态管理与农业生产提供科学支持.     

水稻空间分布遥感提取研究进展与展望

水稻是我国三大粮食作物之一,其空间分布受自然条件和农业发展状况的影响,变化显著。研究水稻空间分布遥感提取是当前农业土地变化科学的热点和难点。通过对国内外研究的回顾,该文系统归纳了近年来水稻空间分布遥感提取的数据源、特征量及分类算法最新研究进展,并对其未来研究方向进行初步探讨。首先从遥感数据源方面,水稻面积监测主要采用多光谱光学影像,同时高光谱数据和雷达数据也正逐步推广应用。其次从遥感分类方法及其对应的特征量方面,包括监督和非监督分类、智能化分类算法（神经网络、支持向量机、决策树及随机森林算法）、面向对象分类、多时相植被指数法及综合提取算法等分类方法,其主要对应的特征量各有差异。最后,结合我国水稻空间分布遥感提取的实际状况,提出构建全国长时间序列水稻物候历和高时空分辨率时序NDVI数据集,大力发展基于多时相遥感分类方法和建立分层的面向对象分类方法,以及加强水稻种植北界、种植重心迁移等动态变化监测研究的建议,推动我国水稻遥感动态监测和农业土地变化科学的发展。     

基于无人机遥感可见光影像的农作物分类

[目的]无人机遥感具有高空间、高时间分辨率的优点,并可同时获得光谱和空间信息,因此在农作物分类中备受研究者的青睐。与侧重于从高分辨率RGB图像中提取纹理特征的分类方法不同,文章重点研究如何利用作物在光谱和空间维度上的联合特征尤其是作物高程特征,以实现农作物精细分类。[方法]首先,我们进行研究区域选择和地面实际情况调查,用无人机遥感系统进行可见光影像采集;其次,确定研究区域内农作物分类类别,分别对可见光遥感影像进行可见光植被指数计算及纹理滤波;针对数字表面模型(DSM)数据特点,对两期DSM数据进行差值处理,获得差异数字表面模型数据(DDSM),提取作物高度信息,并根据农作物冠层特性对差异数字表面模型进行滤波处理;最后,进行特征优选及组合,使用SVM方法进行农作物分类。[结果]确定最优分类特征为RGB、红波段对比度、绿波段二阶矩、蓝波段方差、DDSM、DDSM方差、DDSM对比度,分类精度由71.86%提高到92.30%,验证了由DSM影像提取的空间特征可以提高农作物分类精度。[结论]该研究探索了一种基于可见光及空间联合特征的农作物精细分类方法,方法简单可行,设备成本低,在基于无人机低空遥感的样方调查领域中有较大的应用前景。     

我国典型植被群落的NDVI动态变化

随着全球气候变暖,物候正在发生显著变化。植物物候变化是植物对气候与环境变化最敏感且易观测的指示计,气候变化对植物物候的影响及其响应研究成为全球变化研究的热点问题之一。传统的物候观测方法是野外观测为基础的目视观测法,遥感等新技术的发展,为物候监测、研究提供了新的手段,归一化差值植被指数(NDVI)正日益成为植被对气候响应研究的重要手段。本文基于MODIS16天合成NDVI产品,提取了全国34种典型植被群落的NDVI动态变化曲线,分析了其进行植物物候监测的能力。研究结果表明:1)自然植被群落的NDVI年内变化特征明显,大致可分为三种类型:第一种植被群落的年内NDVI波动较大,第二种植被群落的年内NDVI波动不大,但月内变化较为剧烈,第三种植被群落的年内NDVI变化曲线与第一种类型类似,但幅度较小;2)典型植被群落的NDVI动态变化曲线符合其实际生长情况。     

基于高分辨率遥感影像的桑树信息提取研究——以广西鹿寨县为例

采用高分辨遥感影像提取农作物信息在北方区域得到了深入的研究和广泛应用,但受到南方地形复杂、气候差异等条件的影响,采用遥感技术提取南方农作物信息的研究甚少。鉴于此,该文以广西鹿寨县为例,采用2012年9月的高分辨率Rapid Eye遥感影像为主要研究数据源,利用面向对象的遥感图像分析方法,结合高程数据模型DEM和GPS野外采集数据,综合桑树在遥感影像上的形状特征、颜色特征、光谱特征、纹理特征、位置特征(拓扑特征)提取桑树信息,并对其分类结果进行精度验证和评价。研究结果表明,提取桑树信息的总精度达到91.96%,Kappa系数达到0.839 1,满足使用的精度要求。面向对象的图像分析方法为高分辨率遥感图像信息提取农作物信息提供了新的思路,该方法与基于像元的分类技术相比,突破了过多地关注地物局部细节而难以提取地物的整体结构信息的缺陷,避免了"椒盐现象"的产生,有效地提高了农作物识别的精度和效率,这对提取广西大宗农作物信息具有一定的借鉴意义。     

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。     

青藏高原北部那曲地区矿产资源遥感地质调查应用研究

以ETM数据、雷达卫星数据为信息源,通过对青藏铁路沿线那曲地区遥感图像室内处理,信息增强,提取构造信息和矿化蚀变信息;结合野外的验证,一方面,验证了室内图像处理、信息提取的质量,另一方面,纠正了原有地质图的一些明显错误;通过遥感图像处理方法,发现遥感影像显示地质构造明显,可以有效地区分岩性、提取地层与隐伏构造信息,新发现一些有利于成矿的远景区和具体矿点。     

全国耕、林、草地总量动态监测系统研究

分析了全国耕,林,草地动态监测的2个层次：总量监测和地块监测,进行了总量动态监测系统的总体设计,此系统由普遍调查系统,抽样调查系统,遥感影像判读系统,数据库系统和决策支持系统等部分组成,最后提出实施计划,包括：实施原则,时间安排及组织领导等。     

村镇退化废弃地遥感监测方法初探

研究目的：开展村镇退化废弃地遥感监测技术分析,为村镇退化废弃地遥感快速监测奠定技术基础。研究方法：选择甘肃省白银市平川区作为研究区域,设计研究区内典型村镇退化废弃地类型,建立不同类型村镇退化废弃地的高分辨率遥感影像特征,提出利用遥感手段快速监测村镇退化废弃地的技术流程,详细描述了其技术方法,进而阐述村镇退化废弃地快速监测移动作业平台的详细功能需求。研究结果：研究区典型村镇退化废弃地在退化废弃前后的遥感影像特征和实地特征均有显著差别,本文的技术流程和方法可以服务于村镇退化废弃地的快速遥感监测。研究结论：采用遥感手段监测村镇退化废弃地在技术上是可行的。     

基于多时相高分辨率遥感影像的土地整治项目进展评价模型研究

研究目的：为进一步拓展土地整治遥感监测手段,本文以多时相高分辨率遥感数据为数据源,在土地整治工程地物信息提取基础上,构建形象进度评价模型以综合掌握项目实施进展。研究方法：挣值分析法,实证研究法,文献研究法。研究结果：从遥感影像提取的工程矢量信息分析评价结果符合项目实际进展。研究结论：在遥感监测信息提取的基础上,本文提出的工程形象进度评价模型可用于计算项目整体工程进展,评价项目进度情况,并找出导致项目进展缓慢的工程建设内容。     

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。     

无人机高光谱遥感数据在冬小麦叶面积指数反演中的应用

[目的]无人机高光谱遥感是获取田间尺度作物生长参数的新型手段,如叶面积指数(leaf area index,LAI)的无人机快速观测对作物生长监测具有重要意义。[方法]研究以河北省衡水市冬小麦为研究对象,利用以多旋翼无人机为平台搭载Cubert UHD185成像高光谱传感器获取了冬小麦乳熟期的无人机高光谱影像数据;在无人机飞行的冬小麦试验田,利用LAI 2200进行了同步观测试验。该研究利用植被辐射传输模型PROSAIL模拟小麦冠层反射率数据,进而模拟9种植被指数(RVI,NDVI,EVI2,OSAVI,MSAVI2,TCARI/OSAVI,RENDVI(red edge NDVI),MSI,S2REP)。将模拟的植被指数与LAI进行相关性分析,分别构建LAI反演模型并通过拟合效果选择最优的反演模型。然后基于LAI最优反演模型利用无人机高光谱遥感数据反演冬小麦乳熟期的LAI。最后利用地面实测LAI数据对反演结果进行了验证。[结果]9种植被指数中包含红边波段的RENDVI和S2REP与LAI具有高度相关性,而且消除了在小麦LAI高值区时其他植被指数对LAI饱和的问题。基于RENDVI指数模型模拟的LAI与模型模拟的LAI之间RMSE为0.51,无人机高光谱数据LAI反演结果与地面实测值高度拟合(R2=0.83,RMSE=0.16,NRMSE=10%,n=25,P0.001),因此RENDVI是用于估算LAI的较理想的植被指数。[结论]无人机高光谱是获取小麦LAI的有效手段,该研究为利用无人机高光谱数据监测作物生理生态参数提供了参考。     

时间序列植被指数重构方法比对研究

时间序列植被指数在植被遥感监测中发挥着重要的作用,但其往往存在大量噪声影响,在应用之前需要进行时序植被指数重构。耕地植被指数是进行农作物长势监测与估产以及农业生态系统对气候变化响应等研究的重要工具,本研究借助MODIS植被指数产品,以东北三省耕地为研究区域,针对非对称高斯函数拟合（AG）、双Logistic函数拟合（DL）和Savitzky-Golay滤波（SG）三种常见的时序植被指数重构方法,从原始数据质量对时间序列植被指数重构的影响、不同重构方法对原始数据的保真性和基于不同重构方法的耕地生长季长度空间格局等方面进行了对比分析。首先对NDVI及其质量控制数据进行分析,探讨原始数据质量对时序植被指数重构的影响;然后选择若干随机抽样点,从定性和定量两个角度来评价不同方法对时序植被指数的重构效果;最后借助研究区的耕地物候特征,间接对不同的时序植被指数重构方法进行对比。结果表明,在东北三省利用这三种方法进行耕地时序植被指数重构时需要引入质量控制数据,AG拟合和DL拟合在该地区耕地时序植被指数重构时表现相似且比SG滤波更加适宜。     

基于优化HRNetV2的高分辨率遥感影像土地利用自动分类

研究目的：基于语义分割模型HRNetV2实现高分辨率遥感影像的土地利用自动分类,以期推动深度学习语义分割方法实现遥感影像的土地利用自动分类研究,并为该类研究提供可参考的案例。研究方法：首先对语义分割模型HRNetV2从损失函数、特征提取方面进行优化,以提高模型的分割精度;其次用优化后的HRNetV2模型对民乐县2 m的高分辨率遥感影像进行土地利用分类,并基于混淆矩阵对分类的结果进行评估。研究结果：（1）优化后的HRNetV2语义分割模型的MIOU达81.9%,相较于优化前提高了4.4%, 证明了优化方法的有效性;（2）针对民乐县进行的土地利用自动分类总体精度达89.72%,Kappa系数达0.888。研究结论：优化后的HRNetV2语义分割模型在高分辨率遥感影像的土地利用自动分类中具有较强的应用前景。