基于高分影像特征优选的黄土高原撂荒耕地遥感监测方法

快速、准确地监测撂荒耕地对研究土地利用变化、保障国家粮食安全和制定农业政策有着重要意义,黄土高原地区复杂地貌和耕地破碎性对监测撂荒耕地颇具挑战性。该研究以国产高分卫星遥感影像为主要数据源,使用耦合遗传算法的离散二进制粒子群算法改进最佳指数因子法优选分类特征因子,采用随机森林分类和分类后变化检测方法,获得试验区2011—2022年撂荒耕地时空分布信息,通过影像目视判读和实地调查相结合的方式进行结果验证和精度评价,结果表明：1）经重要性评估发现NDVI平均精度减少（mean decrease accuracy,MDA）得分最高,经改进的优选特征方法优选特征为：绿波段、红波段、近红外波段、蓝绿波段比值指数、坡度、NDVI、方差、对比度,特征优选有效提高了高分影像的土地利用分类精度和效率;2）国产高分卫星数据可实现地块尺度撂荒耕地的精准识别,经验证,撂荒耕地识别总体精度达到92.48%;3）2011—2022年间研究区撂荒耕地总面积为5492.51 hm²,2011—2014年撂荒率最大,达21.09%,2020—2022年撂荒率最小,为0.99%。该研究构建了黄土高原地区地块尺度撂荒耕地遥感监测的方法,并进行验证和评价,对推动撂荒耕地相关研究和国产高分卫星数据的实践应用具有积极意义。     

高分辨率遥感影像耕地分层提取方法

随着城市化建设进程的加快,城郊耕地经常会被开发为建设用地,甚至还会遭受非法占用的危险,这极大威胁了中国粮食安全。该文针对高分辨率遥感影像城郊耕地特点,提出了一种多尺度分层的耕地提取方法。首先,基于归一化植被指数(normalized difference vegetation index,NDVI)约束改进传统Harris角点检测方法得到建筑区概率密度图,并利用最大类间方差(Otsu algorithm,Otsu)分割去除复杂建筑区;然后,利用尺度选择工具(estimation of scale parameter,ESP)分析耕地占主导影像的多尺度分割结果,得到耕地较佳分割尺度并在该尺度下分割整幅影像;进而,利用形状、光谱信息初步检测出耕地对象,选择非建筑区的耕地与建筑区的非耕地样本,训练支持向量机模型并对不确定地物进行分类;最后,依据空间关系进一步判断图像对象,得到城郊耕地最终提取结果。试验结果表明,该方法能较高精度地从城郊区域的复杂背景中提取出不同类型、不同光谱的耕地目标。     

基于多尺度分形特征的ETM+影像耕地提取

耕地是重要的农业资源,如何利用经济可行的遥感技术快速准确地提取耕地已成为研究的热点和难点。以北京密云县为研究区,建立了基于多尺度分形特征的ETM+遥感影像提取耕地的方法：将计算表面分形维的双层地毯法用于计算每一个像元的上分形信号和下分形信号,并对上分形信号和下分形信号进行耕地特征分析;选用下分形信号的第3尺度和第4尺度做差值处理进一步增强耕地信息,利用简单的图像分割提取出密云县耕地信息的空间分布;基于ArcGIS的空间分析利用密云县同期的土地利用现状图进行耕地信息提取精度评价。结果表明,全县耕地总面积精度达到91.0%,全县耕地点位匹配精度达71.8%;耕地中的旱地提取精度较差,而耕地中的水浇地和菜地提取精度较高,点位匹配精度可以达到86.6%。该方法可快速有效地提取出耕地信息,也可供以后耕地信息的相关研究参考。     

基于地块尺度多时相遥感影像的冬小麦种植面积提取

针对仅利用单一遥感影像数据获取农作物信息精度不够问题,该文选择冬小麦主产地河南省兰考县乡镇作为研究区,以2017年多时相中分辨率Landsat8 OLI影像和Google earth上下载的亚米级高分影像为遥感数据源,结合光谱差异和农田地块信息实现冬小麦的精确提取。该算法首先构建不同时相决策树模型,分别实现2个时相的冬小麦区域初步提取;其次通过将对高分影像多尺度分割产生的地块信息分别与2个时相冬小麦播种面积初步区域相互叠加,完成地块单元控制下的冬小麦播种面积分地块统计,并通过设定不同统计阈值,分析落在每一地块单元下的冬小麦区域,生成基于地块单元的冬小麦播种面积分布图;最后通过多时相交叉验证,获取最终冬小麦播种区域。结果表明：该方法能更加准确提取冬小麦种植面积,保持较低的误判率（1.3%）水平下,得到较高的提取正确率（95.9%）,较通过对比单一Google earth高分辨率影像获取冬小麦精度（85.6%）高,该研究对通过融合多源多时相影像数据获取农作物提供参考。     

时空协同的地块尺度作物分布遥感提取

地块尺度作物分布信息清晰直观地反映了农田位置、空间形态等空间细节和种植类型信息,对精准农业管理、种植补贴发放和农业资源调查等具有重要价值。虽然遥感时空协同思路为地块尺度作物分布提取提供了解决方案,但在农田地块提取和时序特征构建方面尚存在不足。该研究基于遥感时空协同的思路,以Google Earth高空间分辨率影像为底图,利用擅于学习影像视觉特征的D-LinkNet深度学习模型,快速、精准提取农田地块形态;以地块为观测单元,利用Landsat8和Sentinel-2多源遥感的"碎片化"无云数据构建地块时序数据集,基于加权Double-Logistic函数重建地块归一化植被指数(Normalized Difference Vegetation Index,NDVI)时序曲线;提取地块物候特征和多时相光谱特征,经过特征优选和随机森林分类模型构建,开展地块尺度作物分布制图。以广西扶绥县为研究区开展试验,共提取地块43.7万个,边界准确率为84.54%,相较于常规基于多尺度分割的地块提取,基于D-LinkNet的地块提取方法直接排除了非农田地物的干扰,地块形态与现实情况符合度更高;地块NDVI时间序列重建结果能够较好地捕捉作物开始生长、旺盛期、成熟收获期的动态变化趋势;分类特征重要性评价结果显示,红边特征、与时间相关的物候特征在分类中发挥重要作用,当联合物候特征和光谱特征时分类效果最佳;根据特征重要性分析不同特征数量情况下的分类精度,当特征数量大于40维时,作物分类精度和Kappa系数保持稳定,总体分类精度维持在88%左右;对扶绥县地块尺度作物分布进行制图,提取甘蔗地块277 421个、水稻地块33 747个、香蕉地块4 973个、柑橘地块102 055个,分别占农田地块总数的63.48%、7.72%、1.14%、23.35%,种植面积占比分别为69.78%、7.12%、1.71%、18.06%。该研究在理论上构建了遥感时空协同的地块尺度作物分类模型,为大范围、地块尺度作物分布遥感提取提供了实用化方案。     

地块尺度下基于多源卫星遥感数据的粮食作物识别

开展粮食作物监测对于国家粮食安全具有重要意义。在传统像元尺度下,利用单一遥感数据进行粮食作物监测,识别精度往往较低,提取的作物地块破碎,难以满足应用需求。为此,该研究以山东省青岛市黄岛区为研究区,提出了一套地块尺度下综合多源卫星遥感数据（包括高分辨率数据、多时相数据、高光谱数据）与土地利用调查矢量数据的粮食作物信息识别方法。首先,对高分辨率数据进行分割获取耕地地块矢量数据;其次,基于多源卫星遥感数据提取地块级时空谱特征;再次,利用样本数据计算特征类间可分性,并进行特征优选;最后,构建基于二次多项式支持向量机的主要粮食作物（春玉米）识别方法。结果表明：1）该研究所提的方法可以有效进行粮食作物信息识别,基于地块数统计的识别精度为89.7%;2）利用光谱特征、植被指数、纹理特征组合得到的识别结果精度最优,基于像元数统计的精度为97.1%,与传统方法相比提高了24.2个百分点,且提取的地块信息更完整。该研究成果可支持粮食作物种植用地的调查与监测,也可为耕地非粮化时空演变与分析提供新的思路。     

基于NDVI遥感反演的半干旱沙区耕地地表温度异质性研究

土地荒漠化是半干旱沙区突出的生态环境问题,土地利用是导致该区域土地荒漠化的主要原因,在荒漠化呈整体逆转、局部扩张的背景下,基于地块尺度研究半干旱沙区耕地利用特征,对进一步防治荒漠化、实现生态恢复具有重要意义。本文利用遥感反演的地表温度,分析耕地地块的地表温度特征,并分析形成该特征的原因。结果表明,耕地地表温度总体分布范围较大;在耕地地块温差方面,地块温差较大,遥感影像的行编号条带号为030/120部分的耕地地块温差在0～10 K之间,行编号条带号为030/119部分的耕地地块温差在0～11 K之间,且地块温差大的耕地面积所占比例大;耕地地块边缘的地表平均温度高于地块平均温度。科左后旗自然降水量的空间分异使得耕地地表温度范围较大。坨甸微地形导致自然降水重新分配和耕地地块存在一定高差造成耕地地块温差较大。微地形条件、土壤质量及农业管理措施共同导致了耕地地块边缘的地表温度较高。基于以上研究结果,认为在半干旱沙区进行耕地质量评价时,评价单元的确定宜采用网格法;建议对耕地地块边缘的耕地进行退耕,以进一步防治土地荒漠化和恢复生态。     

基于时间序列NDVI的灌溉耕地空间分布提取

灌溉耕地空间分布地图是农业和粮食政策制定、水资源管理和环境变化研究的基础数据,及时、准确和适用性强是区域尺度灌溉耕地分布提取方法的重要要求。相比于非遥感数据融合和遥感影像分类方法,利用遥感参量对统计数据进行空间重建的方法具备少受样本限制、运算速度快、与统计数据匹配水平高和产品分辨率适宜的优势,但目前该方面的研究较为薄弱。该文以中国为研究区域,应用国外提出的基于时间序列NDVI的灌溉面积统计数据空间化方法,研制中国2010年、空间分辨率250 m的灌溉耕地空间分布地图,深入分析了该方法的应用效果及其影响精度的主要原因。结果表明,利用该方法获得的灌溉耕地空间分布数据的空间位置精度与同类遥感产品相当,在数量精度上具有明显优势,不同区域的制图效果具有差异性。全国总体精度64.20%,各省精度极差为48.35%。制图误差主要来源为耕地底图、方法假设和分类参量,未来方法的优化应重点加强耕地分布制图、改进方法假设、进行不同类别和时间点的特征参量的筛选和利用。     

CNN-ISS遥感影像分类的瓦片边缘效应及消除方案

应用卷积神经网络语义分割模型(Image Semantic Segmentation based on Convolutional Neural Network,CNN-ISS)进行遥感影像分类时,需将大幅影像分解为特定大小瓦片影像,并将其作为CNN-ISS处理对象,这一过程破坏了位于瓦片边缘处地物的完整几何及纹理特征,从而影响瓦片边缘处地物的识别效果,即瓦片边缘效应。该研究以DeepLab V3为CNN-ISS核心模型,对唐山农村地物进行语义分割,定量分析了分类结果的瓦片边缘效应,并提出了5个消除此效应的后处理方案。结果表明:像素分类精度与像素到瓦片边缘距离正相关,瓦片边缘处错误率最高达6.93%,中央处错误率最低为3.52%,存在瓦片边缘效应;采用该研究提出的瓦片边缘效应消除方案后,整幅影像的总精度(Pixel Accuracy,PA)、均交并比(Mean Intersection over Union,mIoU)和Kappa系数均有提升,最高分别提升0.40、1.97个百分点和0.0122。在不改变CNN-ISS核心模型条件下,通过该研究的瓦片边缘效应消除后处理方案,可有效提升遥感影像分类精度,尤其针对复杂异构体和线状地物精度提升效果更好。     

耕地"非农化"遥感解译样本分类体系及应用

了解耕地"非农化"的时空格局及其演变过程，是合理制定土地利用政策的重要依据；卫星遥感具有大范围的时空监测能力，基于遥感影像进行耕地监测，极为高效。针对耕地"非农化"类型复杂多样、"非农化"遥感监测分类体系缺乏的问题，该研究提出了耕地"非农化"遥感解译样本分类体系，进而构建耕地"非农化"遥感解译样本库。针对样本采集效率低、质量差的问题，该研究提出了一种基于地理国情监测成果的快速样本采集方法，用于快速获取高精度、高可靠性的"非农化"遥感解译样本。为验证方法的可行性和有效性，选取湖北省范围作为研究区域，利用该研究所提出的耕地"非农化"样本体系和样本采集方法，采集了覆盖平原、丘陵、山地、高山等地形的9类样本，并形成了深度学习模型训练的样本库；选择EfficientNet深度学习网络提取湖北省耕地"非农业"空间分布。结果表明：1）基于地理国情监测成果的样本采集方法可以极大地利用地理国情监测数据空间、属性精度高的特点，快速、精确定位变化样本。2）依据分类体系采集的样本用于模型优化后，样本数量超过5 000时，模型精度有明显提高。在验证区域，采用目视解译和外业核查点的方式进行精度验证，其正检率分别为67.0%和76.5%，召回率分别为77.9%和76.5%。3）利用样本体系训练构建的网络模型相较于全要素样本训练模型，精度有显著提高，5个核查区正检率均提高20个百分点以上。因此，该研究提出的方法可以提高耕地"非农化"遥感监测的效率和精度，可适用于区域尺度的耕地遥感季度监测。     

基于多源数据的南方丘陵山地土地利用随机森林分类

针对南方丘陵山地因地形破碎和山体阴影而导致的分类精度低问题,该研究以东江源地区为例,通过结合多源数据,以Sentinel-1、Sentinel-2A卫星影像和DEM作为数据源提取27个指标,构建了6种特征变量集,并设计了9种方案,探讨加入红边特征、雷达特征和地形特征对南方丘陵山地土地利用分类信息提取的作用。同时结合随机森林算法和递归特征消除法进行特征变量优选和特征重要性排序,将随机森林特征优选后的分类结果与支持向量机算法(Support Vector Machine,SVM)和K近邻算法(K-Nearest Neighbor,KNN)作对比。结果表明:在未进行特征变量优选时,仅使用Sentinel-2A的光谱特征提取的东江源地表覆盖分类总体精度和Kappa系数最低,在以光谱特征、植被指数和水体指数作为基本方案时,加入红边特征、雷达特征和地形特征后均可以有效地提升各地物分类精度,其中地形特征的加入更有助于对东江源园地和耕地信息的提取。通过结合随机森林和递归特征消除算法进行特征优选,在保持分类精度最优的情况下将所有特征变量从21个降低到13个,并且总体精度达到0.937 2,Kappa系数达到0.923 4,分类精度优于相同特征下的支持向量机算法(SVM)和K近邻算法(KNN),对东江源土地利用信息提取效果最佳。该研究提出基于多源数据的随机森林方法可为地形复杂的南方丘陵山地土地利用信息提取提供技术支持和理论参考。     

面向水土保持监管的黄土高原区生产建设项目地块快速提取

生产建设项目是黄土高原区人为水土流失的主要来源之一.快速获取生产建设项目地块的位置和属性信息,对提升水土保持监管效率、保护区域水土资源具有重要意义.当前生产建设项目地块的提取主要采用专家目视解译遥感影像的方法,存在效率低、主观性强、稳定性差等问题.本文采用高分一号(GF-1)影像,提出一种面向对象的快速提取黄土高原区生产建设项目地块的方法.首先,分析研究区各类典型生产建设项目地块中组成地物的可分性,确定6类用于标记生产建设项目地块的标志性地物.在此基础上,融合多尺度分割和模糊分类方法,构建面向对象的多层次提取模型提取标志性地物,获得生产建设项目地块的提取结果.结果显示:6类标志性地物具备标记黄土高原区生产建设项目地块的能力,使用本方法提取点型生产建设项目地块的数量精度达到95％以上,提取线型生产建设项目地块的长度精度超过86％,且总耗时不超过现行方法的20％.与专家目视解译相比,本文方法在保证提取精度的同时,极大地提升了提取效率,可用于黄土高原较大区域的生产建设项目地块的快速准确提取.这一方法可为水土保持监管的高效化、精准化实施提供有力的技术支撑.     

面向对象的丘陵区水田遥感识别方法

中国南方丘陵区地形破碎,地物分布复杂,丘陵区水田的光谱特征相对于平原区较混杂,传统的基于像元的遥感数据获取受异质性因素的影响,无法利用单一时(季)像及特定的图像自动识别规则提取精度较高的水田分布信息。针对这一问题,该文基于多时像HJ-1A/1B卫星图像,结合地面调查,以湖南省湘潭市为研究区,在易康(e Cognition)软件平台上分别以光谱特征为主要参考的多层最邻近分类法和以在特征知识库支持下的决策树分类法对丘陵区水田进行图像识别。结果表明:分层最邻近分类法比单一最邻近分类提取的精度高,但在相同分割尺度下,利用特征知识库支持下的决策树分类提取水田的精度达到最高,为90.25%,总Kappa系数为0.79,说明特征知识库支持下的决策树分类方法比最邻近分类法更加适合丘陵区水田的遥感识别。     

山地流域土地利用时空演变的地形梯度特征——以乌江北源为例

地形因子是丘陵山区土地利用空间分布格局的重要影响因素之一,对土地的利用方式和空间格局有着直接作用。以乌江北源2000年、2005年和2010年Landsat TM/ETM遥感影像为数据源,采用高程、坡度、地形位指数3个指标,分析了山地流域土地利用时空演变的地形梯度特征。结果表明:（1）2000—2010年,林地、建设用地和水域用地面积增加,耕地和草地面积减少。土地利用类型以林地和耕地为主,反映了山地流域土地利用结构特点;（2）研究区土地利用类型的地形梯度特征明显。耕地、建设用地、水域用地在低地形梯度上有明显分布优势。林地、未利用地分布优势在高地形梯度上;（3）耕地、建设用地优势分布主要受坡度梯度的影响,高程梯度决定了水域用地的分布,这与其他平原、丘陵地区有所不同。地形因素是山地流域土地利用结构演变的决定性因素,其他社会、经济、人文因素都对该区域土地利用格局的转变起到推动作用。在对山地流域土地开发利用过程中,应兼顾生态效益和社会经济效益,保障河流源区生态经济的持续发展。     

鲁中南山丘区耕地地力的遥感反演模型与应用

耕地地力是耕地生产能力的重要表征，地力的遥感快速准确反演是耕地资源利用管理的客观需求。该研究针对鲁中南山丘区，选择东平县和滕州市2个代表性县市，利用东平县的TM影像构建与筛选光谱指标，通过经典统计分析（一元线性回归、曲线回归、多元逐步线性回归）和机器学习（BP神经网络、极限学习机）方法构建与优选反演模型，进而在滕州市进行模型的验证和应用，同时对不同时相的反演模型进行了比较分析。结果表明：5类光谱指标与耕地地力综合指数均有显著的相关性，其中改进型光谱指数的r均大于0.684，能更好的反映耕地地力状况；最佳反演模型为经典统计分析方法中的IIG-MLSR 模型（Rv2=0.684，RMSE=5.674）和机器学习算法的IIG-BPNN模型（Rv2=0.746，RMSE=5.089）；模型在山丘区具有较好的普适性，地力反演与评价的结果具有相似的空间分布特征、相近的耕地面积比例和较高的空间契合度。其中2个最佳模型的高中低3级耕地的面积比例差普遍低于5.55%，空间契合度分别为84.50%和88.76%；模型动态反演分析结果显示，2007-2016年滕州市耕地地力不断提升，高级地由67.30%增加至80.72%；不同时相模型比较结果显示，多时相遥感反演耕地地力具备可行性，4月份冬小麦返青拔节期是反演的最佳时相，10月份裸土时相次之，8月份夏玉米时相最差。该研究提出了山丘区耕地地力快速定量遥感反演的有效方法，对完善遥感反演指标与模型，提高评价效率有参考价值。     

基于SegNet语义模型的高分辨率遥感影像农村建设用地提取

针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。     

基于波段增强的DeepLabv3+多光谱影像葡萄种植区识别

精准获取葡萄种植区分布信息对其精细化管理和优质基地建设具有重要意义，通常大区域种植区识别主要基于遥感影像完成，但葡萄种植区空间位置的分散性和背景环境的复杂性，使得种植区识别的精度不高。该研究基于DeepLabv3+网络，改进网络输入通道数使其能够接受更多的光谱信息，同时构建波段信息增强模块（Band Information Enhancement，BIE），利用各波段特征图之间的相关性生成综合特征，提出了波段信息增强的葡萄种植区识别方法（BIE-DeepLabv3+）。在2016和2019年高分二号影像葡萄种植区数据集上训练网络，在2020年影像上测试其性能，结果表明，改进模型输出结果的平均像素精度和平均交并比分别为98.58%和90.27%，识别效果好于机器学习SVM算法，在深度学习DeepLabv3+模型的基础上分别提高了0.38和2.01个百分点，比SegNet分别提高了0.71和4.65个百分点。BIE-DeepLabv3+模型拥有更大的感受野和捕获多尺度信息特征的同时放大了地物间的差异，能够解决影像中葡萄种植区存在类间纹理相似性、背景和环境复杂等问题，在减少模型参数的同时预测出的葡萄种植区更加完整，且边缘识别效果良好，为较大区域内背景复杂的遥感图像葡萄种植区识别提供了有效方法。