基于MODIS数据设计的中国土地覆盖分类系统与应用研究

该文阐述了国内外主要土地覆盖分类系统及其土地覆盖产品在中国的表现，依据中国植被编码体系在MODIS数据试验的基础上，对现有国内土地覆盖分类系统进行了重新设计，包括7大类22个二级类别，并利用2001～2002年MODIS1km时间序列NDVI数据和多波段反射率光谱数据对中国区域进行了土地覆盖分类，结果显示分类产品能较为准确地描述中国区域土地覆盖的实际情况。     

基于多源遥感数据融合和LSTM算法的作物分类研究

准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。     

利用MODIS-EVI时序数据对河南省土地覆盖进行分类

基于遥感的土地覆盖信息提取对农林业生产、环境监测具有直接的应用意义。该文选取河南省作为研究区域,利用2005年23个时相的MODIS EVI数据,结合农作物物候历、其他分类参考数据及河南省种植结构的相关文献,在对时序数据进行去云、平滑处理后,采用SVM（支持向量机）分类器,对河南省的土地覆盖进行分类。分类结果上,一方面参照2005年河南省农作物种植面积的统计数据得到面积精度,对大面积种植的农作物：小麦为81.47%、玉米94.87%、水稻82.43%;经济作物：油菜39.81%、大豆93.65%、棉花95.21%、花生74.27%;另一方面,参照2000年1：10万全国土地覆盖的分类数据,将2000年的对应数据和分类结果分别归并为：耕地、林地、草地、水体、建筑进行精度比较,结果表明总体识别精度为78.07%,Kappa系数为0.6556。从分类精度验证来看,表明MODIS植被指数时序数据及该文研究方法在农作物信息提取中的有效性。     

基于HJ-CCD数据和决策树法的干旱半干旱灌区土地利用分类

为了实现干旱半干旱灌区地表信息低成本、高效率的动态监测,利用HJ-CCD数据的多时相和多光谱信息,探讨了平罗县土地利用遥感分类方法。首先建立研究区内典型地物的NDVI时间序列曲线,提取反映该区物候模式的时序特征参数;然后对土壤信息丰富的3月份多光谱影像进行主成分变换,选取第1主成分(PC1)作为光谱特征参数,最后基于分类回归树(classification and regression tree,CART)算法进行决策树监督分类。总体分类精度达到92.26%,Kappa系数为0.91,比最大似然法分类结果精度提高了2.58%。研究表明:构建的NDVI时间序列曲线对研究区内的地类具有较强的代表性,提取的时间维和光谱维的分类参数对各地类均有很好地区分性,CART决策树算法分类结果清晰准确且精度较高。该方法为HJ小卫星在干旱半干旱区等区域的深入应用提供科学依据和实证基础。     

基于HJ卫星数据与面向对象分类的土地利用/覆盖信息提取

土地利用/覆盖信息是区域气候与环境研究的基础,是土地资源规划与管理、合理开发与保护的信息保障。为此,该文选取长株潭城市群核心区为试验区,以时间序列HJ卫星影像为数据源,首先构建了时间序列归一化植被指数(normalized difference vegetation index,NDVI)、时间序列光谱第一主成分(first principal component,PC1)数据集,通过J-M(Jeffries-Matusita)距离变量可分离性分析结合地表覆盖的物候特征,确定最佳时序HJ组合数据;其次,采用面向对象的随机森林算法对研究区土地利用/覆盖信息进行分类,并对分类结果进行精度评价与比较分析。研究结果表明:采用时间序列HJ组合数据与面向对象的分类方法,提取城市土地利用/覆盖信息的总体精度和Kappa系数分别达到91.55%和0.90,其中水田、水浇地、旱地、林地、建设用地的生产者精度均达到90%及以上;相对于时间序列基于像元分类、单时相面向对象的分类方法,该文提出的土地利用/覆盖信息提取方法的总体分类精度和Kappa系数分别提高了2.26%、0.02和6.82%、0.08,有效提高了区域土地利用/覆盖信息提取的精度,为大范围土地利用/覆盖精细化分类提供了有效的途径。     

多源土地利用/覆被产品在黄土高原应用和精度评估

为准确掌握黄土高原土地利用/覆被的时空格局,基于6种不同来源的土地利用/覆盖数据产品,MCD12Q1,ESA-CCI-LC,GlobeLand30,GLASS,CAS-LUCC和ChinaCover,开展了黄土高原地区退耕还林(草)实施以来土地利用/地表覆被时空格局和转类特征的研究,对不同来源数据产品的精度进行了验证分析。结果表明：(1)分类特征和变化趋势上,MCD12Q1和GLASS产品与其他产品的差异最大,其次为ESA-CCI-LC产品,GlobeLand30,CAS-LUCC和ChinaCover产品的差异相对较小。(2)除MCD12Q1产品外,不同来源土地利用/覆被产品各类型面积随时间变化趋势基本一致。(3)空间转类上,GLASS产品与其他产品的差异最大,解译类型明显错误;其次为MCD12Q1产品,转林类和转草类也存在明显错误,退耕还林(草)特征表现不明显;ESA-CCI-LC和GlobeLand30在黄土丘陵沟壑区退耕还林(草)的转类特征表现不足;CAS-LUCC和ChinaCover退耕还林(草)特征明显。(4)抽样精度上,GlobeLand30,CAS-LUCC,Chin...     

基于GF-1/WFVNDVI时间序列数据的作物分类

归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。     

2001-2020年澜湄流域热带地区土地覆被变化对蒸散发的影响

准确量化土地覆被变化对蒸散发的影响是深刻理解全球变化背景下的水资源响应机理的重要前提。该研究基于土地覆被产品MCD12Q1、蒸散发产品MOD16及涡动相关等数据,通过构建剔除气候变化的动态分析方法,量化了2001-2020年间澜湄流域热带地区土地覆被变化对蒸散发耗水量的动态影响。结果表明：1）MCD12Q1与MOD16在该流域的精度较高,其中MCD12Q1的总体精度为82.3%,MOD16在8 d以及月尺度上的RMSE仅略大于1 mm/d;2）2001-2020年研究区植被整体退化明显,其中森林转变为灌木和灌木转变为农田约占流域变化面积的61.2%;3）2001-2020年期间主要土地覆被变化导致区域蒸散发耗水量减少约278.87亿m3,主要土地覆被变化区气候差异导致蒸散发耗水量增加190.96 亿m3。总体上,澜湄流热带地区植被整体呈现出退化的趋势,主要表现为森林转变为灌木和灌木转变为农田。该地区土地覆被变化区域也使得其近20年内蒸散发耗水量减少,改变了土地覆被变化区域水资源循环过程。以上研究结果可为澜湄流域热带地区水资源安全提供有效监测,对地区土水资源合理配置提供重要的科学参考依据。     

年际尺度上土地覆盖类型时空分异及其对气候和地形的响应

为了更加深刻地理解气候和地形条件对土地覆盖的作用机理,该研究以2001年-2009年逐年的MODIS Land Cover(MCD12Q1)为主要数据源,参考中国土地覆盖分类体系整合国际上通用的5种(IGBP、UMD、LAI-fPAR、NPP和PFT)土地覆盖分类体系,分析年际尺度上中国西北干旱半干旱地区的土地覆盖时空分异及其对气候和地形的响应。研究结果表明:IGBP较其他4种更适合年际尺度上干旱半干旱地区土地覆盖的时空分异研究。2001年-2009年,5种分类体系中农田和草地增加,水体湿地和荒漠减少,聚落保持不变,森林有增有减,并且土地覆盖类型间相互发生转换,其在空间上的转移与干旱半干旱地区的自然条件变化和人类活动相适应。6种土地覆盖类型对自然条件的响应与光、热、水在时空格局上的分配以及人类活动作用的强弱相一致。研究结果可为区域或全球土地利用和土地覆盖研究提供参考。     

MODIS土地利用/覆被多时相多光谱决策树分类

利用MODIS多时相与多光谱结合,尝试探讨低成本、高精度的北京土地利用/覆被实时获取方法。首先根据归一化植被指数（NDVI）的均值、标准差建立了研究区各地类的典型NDVI时间序列曲线,进而提取了6个可以反映区域物候模式、植被生长速率等信息的分类参数;然后对反映地表土壤信息较多的3月份多光谱影像进行主成分变换,选取第一主成分（PC1）作为辅助分类参数;最后基于分类回归树（CART）算法进行监督决策树分类。经SPOT-5影像验证,分类总体精度达到83%,Kappa系数为0.769,PC1辅助分类后总体精度提高     

中国1999－2009年土地覆盖动态变化的时空特点

基于SPOT NDVI时间序列研究中国近10 a来（1999－2009年）土地覆盖动态变化的时空特点。首先,对BISE模型进行改进并对数据进行预处理;其次,结合光谱角分类和最小距离分类算法各自的优势构建了一个新的分类算法（SAM-MDM）,并对多年NDVI数据分类和后处理,提高了分类精度,能满足土地覆盖变化趋势分析要求;再次,应用土地覆盖动态度模型和GIS叠加方法分析了全国土地覆盖的时空变化,建立了土地覆盖类型转移概率矩阵;最后,应用马尔科夫（Markov）过程建立了类型转移演化模型,对未来20 a土地覆盖动态变化过程进行了预测。通过该研究探讨了中国土地覆盖近10 a来在时间上的动态变化特点、空间上的变化差异、土地覆盖类型的转移概率分布和未来10～20 a的时空变化趋势。     

河套灌区沈乌灌域GF-1/WFV遥感耕地提取

为提高基于遥感影像的灌区耕地自动快速提取,该文针对河套灌区沈乌灌域种植结构特点,利用实地调查结果、Google earth和GF1-WFV遥感影像构建了研究区主要作物及土地利用类型的NDVI时间序列,并利用HANTS滤波法对NDVI时间序列进行了平滑处理。分别采用基于遥感与Google earth的目视解译、监督分类(支持向量机)、基于NDVI时间序列的决策树分类与监督分类相结合的方法、基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法对灌区耕地进行提取。利用基于Google earth与目视解译的10 000个随机验证点以及正确率(用户精度)、完整率(生产者精度)和整体精度(提取耕地面积与实际面积的比值)3个指标对提取结果进行了评价。验证结果表明:监督分类(支持向量机)提取结果的正确率、完整率和总体精度仅为84.82%、64.4%和75.68%;基于NDVI时间序列的决策树分类与监督分类相结合的方法提取精度分别为94.28%、84.21%和89.1%;基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法提取精度进一步提高,3个指标分别达到94.47%、87.32%和92.24%。在作物种类繁多的大型灌区,时空分辨率优异的GF1-WFV数据在耕地面积提取上具有很强的实用性;结合作物生长规律与遥感信息的联合方法能够有效提高耕地面积的提取精度。     

基于遥感时序物候特征的耕地非粮化多模式监测方法

耕地非粮化对粮食生产和农业可持续发展构成潜在威胁，精准监测不同的耕地非粮化类型对制定针对性的农业管理政策至关重要。该研究以河北省石家庄市藁城区为研究区，首先采用最大类间方差算法（OTSU）提取果园和耕地范围，然后利用Google Earth Engine（GEE）云计算平台构建了基于Sentinel-2遥感数据的特征集，包括光谱特征、物候特征和NDVI（normalized difference vegetation index）时序特征。结合面向对象分割和随机森林（radom forest, RF）、时间加权的动态时间规整（time-weighted dynamic time warping, TW-DTW）算法，构建了4种不同的分类模式用于提取粮食作物和露天蔬菜、大棚种植等非粮食作物。通过选择最优模式，提取了研究区2019-2022年间不同非粮化类型的空间分布信息，并探讨了不同模式的优点和局限性。结果表明：1） 采用面向对象的机器学习模式进行耕地内作物分类的精度最佳，两个生长季内总体精度分别达到93.23%和90.10%，Kappa系数分别达到0.91和0.88；2） 基于时间序列匹配的模式在区分粮食作物和其他地类方面表现出较高的准确性，冬小麦、玉米和大豆的用户精度分别高于95.60%、74.70%、82.70%，制图精度分别高于97.70%、86.40%、93.10%；3） 利用面向对象的机器学习模式进行耕地非粮化信息提取，在两个作物生长季的总体精度为87.00%和81.00%。分析耕地非粮化结果发现，藁城区2019-2022年的年际性非粮化面积为2753.09 hm2，其中果园占比最高；而季节性非粮化结果显示，秋粮非粮化面积（3174.86 hm2）明显高于夏粮非粮化面积（1060.27 hm2）。该研究利用Sentinel-2时序遥感数据，为一年两熟区耕地非粮化监测提供一种新的思路，可以为制定差异化农业管理政策提供依据。     

面向对象的土地利用/覆盖遥感分类方法与流程应用

为了进一步提高干旱/半干旱地区土地利用/覆盖分类精度,该文以新疆石河子垦区为研究区,利用NDVI时间序列分析的方法确定了土地利用/覆盖遥感分类最佳时相组合;采用最佳指数因子OIF对参与图像分割的谱段进行选择;选择不同分割参数建立4级分割层次,构建了不同尺度的分类对象;针对其不同特点,分别选择基于知识的模糊分类和基于样本的监督分类方法;建立了面向对象的土地利用/覆盖遥感分类流程。采用地面实测数据对分类效果进行评估,与基于像元的分类方法相比,该文方法能够获取更高的分类精度,可为同类的研究与应用提供借鉴。     

基于知识的遥感影像的BAYES分类方法研究——以福州市琅歧岛土地覆盖/土地利用类型为例

提高计算机遥感影像的分类精度,是遥感应用中研究的主要问题之一。以福州市琅歧岛土地覆盖/土地利用类型为例,以遥感影像解译知识为基础,使用TM、Aster的融合影像和NDVI生成的植被覆盖度影像,并结合DEM、土地利用等地理辅助数据,将DEM和NDVI因子作为待分类影像的波段加入其中,构成新的待分类影像,运用Bayes分类方法,通过循环迭代的方法消除先验概率对分类精度的影响,实例证明比运用单一的分类方法精度明显提高。     

基于MODIS植被指数时间谱的华北平原土地覆盖分类

中分辨率成像光谱仪(MODIS)已在全球资源环境监测中发挥了重要作用，但是它的低分辨率成为提高分类精度的阻碍。利用MODIS的高时间分辨率弥补其低空间分辨率的不足，设计分类器改善分类精度。利用2003年23个时相的MODIS_EVI图像，构建华北平原植被指数图像时间立方体。在谐波分析去噪标准化基础上，从EVI时间谱上提取5个表征物候差异的特征向量，结合表征地气交互作用差异的地表温度(LST)信息及表征地表固有的空间分异特征的坡度信息，建立分类二叉树进行土地覆盖分类。结果表明，与2000年TM分类结果的总体一致性为75.5%，Kappa系数为0.68。而NASA USGS基于MODIS分类精度为66.0051%，Kappa系数为0.3209。进一步与2003年耕地面积的官方统计资料的比较表明，该文的估算误差为34.0507 khm²，而NASA USGS的估算误差高达66.1205 khm²。研究表明利用高时间分辨率的MODIS植被指数时间序列获得较高精度的土地覆盖分类结果是可能的。     

陕北黄土高原地区土地利用/覆被分类及验证

陕北地区自退耕还林工程实施以来,区域土地覆被发生巨大变化,退耕后土地利用/覆被分类有利于实现退耕前后土地利用/覆被动态监测,评价退耕还林工程进展程度。该文在前人分类系统的基础上,通过对研究区不同土地覆被类型分布特征的实地调查,首先构建了适合陕北地区的土地覆被分类系统;其次依照上述分类系统,以MODIS/NDVI数据、DEM数据和陆面温度数据为依据,采用决策树分类方法对2008年陕北地区土地覆被进行分类;最后采用野外调查数据和Google Earth高分辨率遥感数据,利用误差矩阵的方法对分类结果的整体精度和典型区域不同土地覆被类型的区分精度进行验证。结果表明,基于上述方法的土地覆被分类不仅反映了土地覆被分布的整体情况,而且不同的土地覆被类型之间也得到较好的区分。     

黄土高原地区土地覆盖类型的时空格局

[目的] 构建黄土高原地区长时序、高精度的土地覆盖数据集,对该区2001—2020年土地覆盖的时空格局进行分析,并为该地区生态环境保护和可持续发展提供科学依据。[方法] 利用多源、多时期土地覆盖产品和地面特征数据构建训练样本,并使用谷歌地球引擎（Google Earth Engine,GEE）平台和随机森林分类模型生成黄土高原地区土地覆盖（land cover of Loess Plateau,LCLP）数据集。在此基础上,通过空间分析和一元线性回归模型对黄土高原地区土地覆盖类型的时空格局进行分析。[结果] 基于随机森林验证集的结果显示,LCLP产品的总体精度和kappa系数均高于90%。基于独立验证集的精度验证结果显示,LCLP的总体精度较现有产品提高了0.58%～20.23%。同时,耕地、林地、草地、不透水面和裸地的分类精度均得到了提升。[结论] 本研究构建的LCLP数据集分类精度相较于其他产品有了显著提升,适用于反映黄土高原地区土地覆盖的变化。2001—2020年,黄土高原地区耕地和灌木呈现下降趋势,而林地、水体和不透水面呈现为极显著的上升趋势。从土地覆盖的变化情况来看,耕地和草地是其他土地覆盖类型新增的主要来源。