光学遥感观测技术在IDI保险行业的应用

IDI保险是工程质量类保险的一种,在国内主要应用于住宅项目。IDI保险需要在工程建设的全过程中进行质量管控和风险评估。常规水准检测、GPS等技术难以满足IDI保险对风险建筑进行大范围、快速、长期监测的需要。光学遥感观测技术是一种可以实现大面积地物监测的遥感观测技术,该技术可以为IDI保险的监测工作提供数据信息支持。论文整理了近几年关于光学遥感观测技术应用于建筑高度监测的文献,对分类法、边缘检测法、阈值法进行介绍和总结,说明光学遥感观测技术在IDI保险行业中有较高的应用价值和广阔的应用前景。     

剖线强度梯度变化的作物软硬变化区精确划分

[目的]软硬变化区的划分是进行遥感变化检测技术识别农作物的基础。为解决人工判读方法中存在人为主观因素影响以及自动判别和交互式判别方法对不同研究区的适用性问题,该文提出基于剖线梯度变化(Profile based Gradient Change Magnitude,PGCM)进行软硬变化区划分的方法。[方法]该研究选择破碎农业景观种植区域为研究区,计算拔节期Quick Bird影像和播种期模拟影像两个时相的变化强度,从作物地块内部向外绘制剖线,利用剖线强度的梯度变化确定硬变化区(Hard change region,HCR)、软变化区(Soft change region,SCR)和未变化区(Non change region,NCR)3者间的划分阈值。[结果]从识别结果来看,PGCM能够有效在地块边界处探测到软变化像元,进而确定HCR、SCR。像元分辨率在5~60 m不同尺度下,识别HCR区混入比例为11%~16%,混入比例随着分辨率下降而降低;NCR区混入比例为3%~4%,受分辨率尺度影响不大;SCR区识别比例为74%~86%,识别精度较高,识别结果与冬小麦空间分布结果保持一致。[结论]PGCM方法能够自动、便捷地确定阈值,摆脱人工判定的主观性,有效地划分出HCR、SCR和NCR 3个区域,为进一步HCR、SCR区内的作物识别提供基础。     

基于多源数据融合的地表覆盖数据重建研究进展综述

地表覆盖数据对于全球环境变化、生物多样性和发展政策制定有着重要意义。遥感已成为获取地表覆盖数据的重要手段。而目前的地表覆盖数据产品,如Globe Land30、FROM-GLC、MODIS Collection5、MODIS Cropland、Glob Cover、GLC2000等,存在数据精度不高、数据间一致性较差、与统计数据差异较大等问题。因此,基于多源数据融合的数据重建方法成为目前研究中的热点问题。文章检索了近10年关于多源数据融合在地表覆盖数据重建中的应用的相关文献,概括了多源数据在数据重建中的应用现状,并对基于多源数据融合的地表覆盖数据重建方法进行了归纳总结,重点评述了不同方法的特点及应用情况,阐明了各种方法的优势与不足,同时对存在的问题进行探讨并展望了未来基于多源数据融合的地表覆盖数据重建研究的发展方向。基于多源数据融合的数据重建方法包括基于多源遥感数据融合法以及基于多源遥感和非遥感数据融合法。该文在对基于多源遥感数据融合的数据重建方法进行论述时,主要讨论了其中应用最广泛的两种融合方法:基于数据一致性的融合法和基于回归分析的融合法。对于其他基于多源遥感数据融合的数据重建方法,如基于D-S证据理论融合法、基于数据集成融合法、基于统计模型融合法,也列举了最具代表性的相关文献进行论述。在对基于遥感数据和非遥感数据融合的数据重建方法进行论述时,主要讨论了其3种空间分配方法:完全依赖法、部分依赖法、动态依赖法。在对目前研究进行探讨的过程中,该文对其研究区域、数据源、地表覆盖类型、空间分辨率、融合方法和文献来源进行总结分析,并重点就融合方法展开讨论。围绕各种融合方法在数据重建中的运用,该文归纳出目前研究中存在的主要问题:研究对象和区域上的不足,研究区多为全球及欧美,其他区域的研究过少,研究对象多为所有地表覆盖类型和森林,对耕地和草地的研究过少;融合算法上的不足、重建结果精度上的不足。最后,指出基于多源数据融合的数据重建方法未来的发展方向,即综合运用两类方法,得到具有详细完整空间信息的长时间序列的地表覆盖数据集。     

农业水循环与水环境遥感应用研究进展

农业生产受环境因素影响大,进入农耕文明以来,农业对气候的高度依赖局面没有得到根本性的改变,频繁的自然灾害给我国的农村经济发展造成了极大的困难。遥感技术是运用各类非接触的主被动的探测设备,对地面目标物的电磁波辐射与反射特性进行探测,通过其特性分析,探明其物体性质、特征及状态的综合性探测技术。它具有覆盖面积广、空间分辨率高、获取信息大、重访周期短等优点,适用于农业资源调查与自然灾害监测等农业相关领域的研究,对农业生产的指导与相关部门的决策管理意义重大。文章主要针对国内遥感技术在农业水循环与水环境的发展、应用现状进行综述与分析,并对遥感技术在农业水资源领域的发展趋势进行展望。     

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。     

基于决策树的土地利用覆盖分类及变化研究——以济宁市任城区为例

以济宁市任城区为研究对象,获取研究区域2001年、2006年和2011年三期Landsat ETM与TM影像,通过ENVI遥感影像处理软件分析了研究区影像的光谱特征以及植被归一化指数（NDVI）、建筑归一化指数（NDBI）以及水体归一化指数（NDWI）,利用决策树算法确定各地类的综合阈值,建立决策树模型,得到了土地利用覆盖分类结果并取得了良好的分类精度。同时通过对研究区2001至2011年的土地利用动态度及土地利用转移矩阵的分析得出研究区在研究期内的土地利用覆盖变化特征,最终得出结论：（1）利用决策树分类能够获得较高的分类精度;（2）任城区城镇化发展迅速,城镇化在区域土地利用覆盖变化过程中起到了主导性的作用。     

呼伦贝尔贝加尔针茅草甸草原 光能利用率变化规律分析

光能利用率（LUE）是植被光合作用的重要概念,也是研究草地生态系统不同尺度的总第一性生 产力（GPP）、净第一性生产力（NPP）估算模型的重要参数之一。该文通过地面遥感测量、暗箱—气相色 谱法（DC-GC）和涡度相关技术（EC）的方法,在2011年8月初至9月初,获取呼伦贝尔地区以贝加尔 针茅为主要优势种的草甸草原光能利用率,并动态分析光能利用率的日变化和季节变化。研究表明,光能 利用率日变化呈先降低后增加的单峰趋势,即在早晚出现较高值,中午出现较低值;光能利用率的季节变 化总体呈下降趋势。日变化研究中光合有效辐射PAR和温度都与光能利用率呈显著负相关;季节变化研究 中,温度与光能利用率呈弱正相关,叶面积指数与光能利用率呈显著正相关。     

基于多源遥感数据的马铃薯收入保险应用研究

目的 研究面向创新型农业保险业务中缺少及时准确的第三方作物产量结果用于灾损理赔的问题。引入多源卫星遥感测产技术,识别测产关键因子,构建产量模型。方法 文章运用多元线性回归分析方法,选取山西省马铃薯主产县岚县为研究区,计算基于Sentinel2影像的植被指数,结合气象卫星数据与实测单产数据,筛选关键因子,建立马铃薯单产遥感测产经验模型。结果 采用GF-2影像分割与Sentinel2长势时序识别岚县马铃薯种植面积为8 477.65hm²,精度检验Kappa值为0.72。保险公司岚县承保马铃薯面积2 476.37hm²,承保覆盖率为29.21%。测产结果显示,马铃薯单产与区域关键期地表温度参数相关性较好,岚县遥感测产获得平均单产为13.76 t/hm²,实地测产获得平均单产为14.06 t/hm²,误差百分比为2.13%,分乡镇平均误差百分比为22.97%,基本满足理赔业务需求。在2018年保险期结束后一周内,保险公司启动快速赔付,支付赔款125.29万元,赔付率48.46%。结论 遥感测产具有大范围、时效性好、可靠性高等特点,能够迅速为创新型保险产品提供测产理赔结果,提高理赔效率,保障农民收入。     

遥感技术农业资源台账建设应用潜力分析

[目的]为了系统地分析遥感技术在农业资源台账建设中的应用潜力。[方法]文章通过文献研究,阐述了农业资源台账的研究现状,分析了农业资源遥感监测数据源与监测技术的发展趋势,研判了当前遥感技术在农业资源台账建设中的应用潜力。[结果]（1）农业资源台账的建设内容主要包括农业资源清单、农业资源评价两个方面,具有空间与时间两种属性。（2）农业遥感数据源向着高空间分辨率、高时间分辨率、高光谱分辨率的方向发展,其监测技术向着多源遥感数据融合应用、智能分类、多维海量数据高效计算的方向发展。（3）遥感技术可对农业资源清单中的主要农业自然资源和社会经济资源的信息进行获取,对农业资源组分评价与农业生态系统整体评价也有很大潜力。[结论]总的来看,农业资源台账建设内容不断丰富,遥感技术在农业资源台账建设中的应用能力显著提升,其应用潜力仍有很大的上升空间,对高效开展农业资源台账建设具有积极作用。     

基于深度学习模型的种植结构复杂区农作物精细分类研究

目的 卫星遥感技术具有覆盖范围广、探测周期短、调查成本低等优势而广泛应用于大区域农作物分类。然而在种植结构复杂区（如城乡结合部）,因其地块破碎、同期生长的作物种类多且分布分散,利用传统的统计分类或机器学习方法进行农作物分类时仍存在精度不高的问题。为提高种植结构复杂区农作物分类精度。方法 文章选取河北省廊坊市广阳区为研究区,以GF-1 PMS全色多光谱融合影像为数据源,采用U-Net、PSPNet及DeepLabv3+,3种深度学习模型进行农作物分类研究。分析模型参数对农作物分类精度的影响,评价3种深度学习模型的农作物分类精度,优选农作物精细分类方法。结果 （1）学习率与3种深度学习模型的分类精度呈正相关关系,较大的学习率（0.01,0.001）下,3种模型收敛速度快,分类精度高。批样本量与模型分类稳定性相关,批样本量设为100时,3种模型的分类稳定性最好。（2）相比PSPNet、DeepLabv3+模型,U-Net模型分类效果最好,总体分类精度为89.32%。（3）GF-1 PMS影像结合U-Net模型可有效提升种植结构复杂区农作物分类精度,大宗作物春玉米、夏玉米的分类精度在80%以上,花生、红薯、蔬菜小宗作物分类精度在60%以上。结论 该研究可为准确获取种植结构复杂区的农作物类型、面积及空间分布信息提供参考依据。