微生物固化砂质黏性紫色土的三轴抗剪强度与浸水抗压强度

实现复杂农区作物种植信息的精准、动态监测是中国农业精细化管理面临的迫切需求,而作物种植碎片化和异质性给作物遥感精细分类带来了诸多挑战,该文旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法,以满足实时获取复杂农区作物详细分布信息需要。研究选取武汉市新洲北部为典型区,以WorldView-2影像为数据源,利用ReliefF-Pearson方法优选作物遥感特征,采用人工神经网络、K最近邻和随机森林算法进行作物分类,并对比分析其精度。研究发现：1）RVI、NDVI、相关性和边界长度等12个特征构成了地块尺度作物分类的相对较优特征,可在充分表征影像信息同时降低数据冗余;2）相比于人工神经网络和K最近邻算法,随机森林算法分类精度最高,其总体精度达79.07%;3）以光谱特征差异为作物区分基础,形状和纹理特征的使用能有效改善地块尺度作物分类精度,总体精度可提高4%左右;4）研究所采用的方法体系能有效提升复杂种植区地物分类精度,水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分类精度均达到了80%以上。研究成果可为复杂种植区作物遥感精细分类提供新的思路和方法借鉴,亦可为作物种植信息精准普查、土地利用精细化管理以及农业产业结构调整动态监测等提供参考。     

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。     

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。     

基于GEE和机器学习的河套灌区复杂种植结构识别

河套灌区作为中国重要的商品粮油生产基地,准确快速地获取主要作物空间分布对灌区的农业可持续发展具有重要意义。然而,河套灌区土壤盐渍化严重,作物分布破碎散乱,生育期前后紧邻的作物在遥感影像中难以区分。因此,基于Google Earth Engine（GEE）云计算平台,采用Sentinel-2遥感数据提取作物种植结构,通过引入GlobeLand30地物分类数据集、红边植被特征和作物纹理特征,利用随机森林、支持向量机、朴素贝叶斯和分类回归树4种分类器,探讨了不同分类特征及分类器组合对分类精度的影响。结果表明,使用全部特征波段时,随机森林的分类效果优于另外3种分类算法,灌区平均总体精度达到81%,Kappa系数达到0.68;在作物空间分布提取中,光谱特征对分类精度起决定性作用,基于红边波段计算得到的植被指数比其他常用遥感植被指数更有优势;进行波段优选后的光谱、植被和纹理特征方案是平均分类精度最高的组合,平均精度为86%。研究结果可为复杂种植结构地区准确快速获取农作物空间分布信息提供新的思路和可靠的参考方法。     

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。     

基于多源数据和Stacking-SHAP方法的山地丘陵区土地覆被分类

山地丘陵区地形复杂,地表辐射信号畸变严重,地物识别困难。为准确提取山区地物信息,结合多源异构数据,Stacking 集成学习和Shapley Addictive Explanation（SHAP）方法展开土地覆被分类研究。从Sentinel-1/2影像、气候数据、土壤数据和数字高程图中提取遥感、气候、土壤和地形四类特征变量,设计多种变量组合方案,结合Stacking算法,探讨不同类型变量在山区地物识别中的效用,并对比Stacking最佳方案与支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和极端梯度回归（eXtreme Gradient Boosting,XGBoost）算法的分类精度,评价Stacking方法在山区地物信息提取中的性能。同时,引入SHAP方法,量化Stacking模型中各特征变量的重要性。结果表明：在仅以遥感变量为基础方案时,山区土地覆被分类精度最低;在分别加入气候、土壤和地形变量后,总体精度、Kappa系数和F1分数均有所提高,其中旱地、水田和园地分类精度的提升幅度较大。基于Stacking算法结合所有类型特征变量的方案达到了最佳的分类精度,其总体精度、 Kappa系数和F1分数分别为96.61%、0.96和94.81%,分类精度优于相同特征下的SVM、 RF和XGBoost。SHAP方法可量化Stacking模型中特征变量的全局以及局部重要性,明确各变量对不同地物类型识别的相对贡献,为山区土地覆被分类的变量选择及优化提供有价值的信息。该研究为机器学习协助复杂景观地区土地覆被制图研究提供了技术支持和理论参考。     

基于无人机RGB影像的玉米种植信息高精度提取方法

为探究易获取且成本低的超高分辨率无人机（Unmanned Aerial Vehicle，UAV）航拍 "红-绿-蓝"（Red-Green-Blue，RGB）彩色影像提取作物种植信息的方法，该研究选取植被指数、"色度-色饱和度-亮度"（Hue-Saturation-Intensity，HSI）色彩特征和纹理特征等3种特征，通过比较贝叶斯（Bayes）、K最邻近分类（K-Nearest Neighbor，KNN）、支持向量机（Support Vector Machine，SVM）、决策树（Decision Tree，DT）和随机森林（Random Forest，RF）共5种监督分类算法及不同特征组合的分类效果，以实现玉米种植信息的高精度提取。结果表明，使用单一种类特征或使用全部3种特征均不能获得最优的分类精度；将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度（5种算法平均值）比仅使用植被指数获得的总体分类精度分别提高了4.2%和8.3%；在所有特征组合中，HSI色彩特征和纹理特征组合为最优选择，基于该特征空间的RF算法获得了最高的分类精度，总精度为86.2%，Kappa系数为0.793；基于RF算法进行降维并不能显著提高或降低分类精度（SVM除外），但所保留的特征因子可给出符合实际背景和意义的解释，并可提高分类结果的稳定性。研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考。     

乡镇尺度的玉米种植面积遥感监测

以快速、准确提取玉米种植面积为目标,以多时相HJ-1A/1B CCD影像和数字高程模型（DEM）为信息源,选取吉林省长春市为试验区,将试验区种植结构、物候特征、地形特征、光谱特征及植被指数等多元信息引入决策树分类模型,构建基于决策树分层分类的玉米种植面积遥感估算模型,并将空间化的农普数据作为参考值,以乡镇为基本评价单元对玉米种植面积遥感测量结果进行精度评价。研究表明：利用该方法可以有效提高玉米识别精度,满足作物种植面积估算大范围、多时相的需求,有助于解决作物种植面积遥感估算业务运行时空分辨率的矛盾,乡镇尺度的玉米种植面积总量提取精度可达92.57%。     

基于异源多时相遥感数据提取灌区作物种植结构

用遥感技术提取灌区作物种植结构需要源影像具有适宜的时空分辨率以适应其动态变化特征。该文综合运用多种遥感影像数据,将Landsat ETM+与MODIS NDVI数据融合区分灌区土地利用类型,由融合后的时间系列数据非监督分类结果提取植被指数变化信息,结合作物系数变化规律运用光谱耦合技术提取作物种植结构。根据该方法将漳河灌区作物种植结构区分为水稻—油菜、水稻—小麦、单季夏季作物以及双季经济作物。由地面统计数据和高分辨率IKONOS影像进行了检验,分类精度达到91%并且与统计数据相吻合。结果表明该法不仅能提供更为准确的灌区作物种植结构时空信息,而且节省影像购买成本,方便灌区尺度遥感应用。     

融合光谱混合分解与面向对象的土地利用/覆被分类

错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。     

基于无人机遥感可见光影像的北疆主要农作物分类方法

作物类型准确分类是大田作业和管理的基础。该文通过无人机遥感试验获取的可见光影像,利用色彩空间转换和纹理滤波构建了色调、饱和度和亮度的27项纹理和低通滤波特征;然后采用Relief F-Pearson特征降维方法,剔除分类能力弱且相关性高的冗余特征;最后,基于优选特征训练分类模型,并结合人工分类结果对各模型进行精度比较和效果验证。结果表明:特征选择得到的H-CLP、H-Ent、I-Cor、I-CLP、I-Ent、S-CLP和I-Var是利用可见光影像进行北疆主要农作物分类的最佳特征,可在充分表征影像特征的同时降低数据冗余。支持向量机(support vector machine,SVM)分类方法精度最高,整体分类准确率达83.77%,ANN和KNN分类精度次之。通过在验证区进行像素级别作物分类,发现SVM分类方法效果最好,棉花、玉米、苜蓿和西葫芦作物分类精度均达到了80%以上。该研究可为基于无人机可见光影像的农作物种植信息普查提供参考。     

基于无人机多光谱遥感的台风灾后玉米倒伏信息提取

为快速获取台风过后玉米倒伏信息，该研究以生态无人农场大田玉米作为研究对象，利用无人机搭载多光谱相机获取玉米田块图像。采用主成分分析（Principal Component Analysis，PCA）变换多光谱图像，保留信息量最多的前3 个主成分波段；应用最小噪声分离变换（Minimum Noise Fraction Rotation，MNF）对48项纹理特征降维，保留信息量最多的前6项特征；计算选择10种植被指数；对多光谱图像进行低通、高通滤波，将以上特征作为全特征集。使用支持向量机递归（Support Vector Machines-Recursive Feature Elimination，SVM-RFE）、 ReliefF和套索算法（Least Absolute Shrinkage and Selection Operator，Lasso）筛选出3种特征子集，建立5种监督分类模型，对4种数据集进行训练。ReliefF特征子集训练的5种监督分类模型测试集最低分类准确率为89.02%，SVM-RFE和Lasso特征子集训练的5种监督分类模型测试集最低分类准确率均为95.38%，与全特征相比仅相差0.58%，表明通过特征筛选方法可在取得较高分类精度同时大幅减少特征输入数量；运用3种特征筛选方法与不同分类模型的最佳组合提取验证区域玉米倒伏信息，通过混淆矩阵验证结果可知，K最邻近模型结合SVM-RFE特征筛选方法分类精度最高，达93.49%，Kappa系数为0.9，表明了分类模型普适性较强。该研究使用最少特征数量参与分类，且获得最高分类识别精度，可为无人机多光谱技术快速、准确提取台风灾后玉米倒伏信息提供技术支持。     

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。     

基于无人机可见光影像与OBIA-RF算法的城市不透水面提取

不透水面是一种重要的城市地物类型,及时准确地获取城市不透水面信息对城市的合理规划、生态环境保护及可持续发展具有重要意义.低空无人机(Unmanned Aerial Vehicle,UAV)作为新型的遥感平台,具有操作灵活、时空分辨率高、受云雾影响小等优点,为中小尺度城市不透水面遥感监测提供了新的技术手段.以无人机可见光...     

基于时序Landsat遥感数据的新疆开孔河流域农作物类型识别

快速、准确地获取农作物类别信息对农业部门的生产管理、政策制定具有重要作用。目前基于时间序列数据进行农作物分类主要是采用长时间序列的中低分辨率影像,大量的混合像元限制了农作物的分类精度。在农作物分类的特征选择方面主要是采用归一化植被指数(normalized differential vegetation index, NDVI),而其他特征量的应用还相对较少。该文以新疆开孔河农业区为研究区域,利用2016年的Landsat7 ETM+、Landsat8 OLI影像数据集,基于时间加权的动态时间规整(time weighted dynamic time warping,TWDTW)方法开展农作物类型识别研究,主要包括香梨、小麦、辣椒、棉花等。根据野外采集的样本点构建主要农作物的NDVI和第一主成分(principal component analysis 1,PCA1)时间序列,以反映不同农作物间的物候差异。基于NDVI数据分别利用DTW和TWDTW算法计算各未知像元序列与标准序列间的相似性程度,得到农作物的分类结果,2种方法的分类精度分别为65.69%、82.68%,表明时间权重的加入提高了DTW算法识别不同农作物的能力。结合NDVI与PCA1后,TWDTW的分类精度又提高了2.61个百分点,部分农作物的误分现象明显减少,说明PCA1能够进一步扩大作物间的差异性,提高分类精度。同时,还通过选取有限时相的影像组合进行分类,试验结果表明TWDTW算法在中高分辨率数据较少的情况下能够得到较为满意的分类结果,说明TWDTW算法在中高分辨率影像越来越丰富的时代具有应用潜力。     

青海诺木洪地区多源遥感及多特征组合地物分类

遥感技术是研究土地覆盖类型的重要手段，但大部分研究仅采用单一数据源、少特征，该研究基于GEE环境对多源遥感数据、多特征协同进行地物类型分类研究。采用哨兵一号（Sentinel-1）合成孔径雷达数据、哨兵二号（Sentinel-2）多光谱数据和国产高分二号（GF-2）多光谱数据，构建了青海省诺木洪地区地表8类地物的波段特征、植被指数特征、纹理特征和极化特征空间，利用特征优化算法和RF算法实现了研究区域地物的有监督分类，以此评估构建的多特征空间性能及多源数据协同分类的能力。结果表明，基于Sentinel-1与Sentinel-2数据源，使用多特征空间协同分类时的总体精度和Kappa系数可达到97.62%和0.971 6，精度均高于使用单一数据或部分特征的分类精度（总体精度为95.91%，Kappa系数为0.951 1）。而基于Sentinel-1、Sentinel-2与GF-2数据提取的波段、植被指数、纹理特征和极化特征进行的协同地物分类结果总体精度达到了96.67%，Kappa系数达到了0.960 2。总体上，基于多数据源、多特征协同分类结果精度要优于单一数据源或少特征分类结果，而不同空间分辨率图像提取的纹理特征对分类结果有着不同影响，在适宜的分辨率下提取纹理特征参与分类才能达到更好的效果。     

基于多时相遥感影像的作物种植信息提取

为了快速、准确地在遥感影像上对作物种植信息进行提取,该研究运用多时相的TM/ETM+遥感影像数据和13幅时间序列的MODISEVI遥感影像数据,采取基于生态分类法的监督分类与决策树分类相结合的人机交互解译方法,建立决策树识别模型,对黑龙港地区的主要作物进行遥感解译,总体分类精度达到了91.3%,与单纯对TM影像进行监督分类相比,棉花、玉米、小麦、蔬菜4类作物的相对误差的绝对值分别降低了1.3%、20.5%、2.0%、13.8%。结果表明该方法的分类精度高,能较好的反映作物的分布状况,可为该地区主要作物种植结构调整提供科学依据,还可为其他区域尺度作物分布信息的提取提供参考。