西藏地区生产建设项目扰动地表遥感监测方法与监管应用

西藏地区地域辽阔,生产建设项目类型多样,覆盖范围广,传统的现场调查方法难以满足区域性水土保持监管工作的需求。应用高分一号卫星影像,选择西藏地区生产建设项目扰动范围广的区域,在面向对象分类方法的基础上,开展生产建设项目地表扰动范围提取的技术研究,生产建设项目扰动区的提取精度达到83%以上。将提取结果应用于区域生产建设项目水土保持监管工作中,发现2014—2016年,扰动面积的扩大区域主要集中于在建矿山项目区。     

区域监管APP在生产建设项目水土保持遥感监管工作中的应用

为了支撑生产建设项目水土保持区域监管外业调查工作,设计开发了一种基于移动终端的区域监管APP,实现了防治责任范围/扰动图斑查询、生产建设项目/扰动图斑导航、水土保持图斑信息采集、水土保持图斑标注、工作日志管理,实现了终端设备与全国水土保持信息管理系统、区域遥感解译成果库的数据实时共享。实践应用表明,区域监管APP运行稳定,可大幅度提高生产建设项目水土保持遥感监管外业调查的工作效率和成果质量。     

ZY-3卫星全色与多光谱影像融合方法比较

针对目前农业部门常用融合方法,探讨适合于ZY-3卫星农业区影像的融合方法,该文以ZY-3卫星2.1 m全色/5.8 m多光谱分辨率平面影像为数据源,应用HSV变换（hue-saturation-value,颜色空间变换）、Brovey变换（彩色标准化变换）、Gram-Schmidt变换（正交化变换）、PC变换（principal components,主成分变换）、Wavelet变换（小波变换）和Ehlers变换（空间滤波变换）等6种常用融合方法,从提高空间分辨率和保持原始图像光谱信息的角度,通过两类统计参数：光谱分析和不同地域的纹理特征,对融合后的影像进行质量评价。通过面向对象方法对融合影像分类比较,全面探讨这6种融合方法对ZY-3卫星农业区影像的适宜性。试验表明,PC变换和Ehlers变换各波段与原多光谱影像相关性均高达0.9以上,纹理特征增强明显,边缘响应指标均高于0.2,分类总体精度分别达78.59%、77.8%;其他融合方法仅在部分试验指标中具有优势。综合比较试验数据,发现PC变换和Ehlers变换融合效果优于其他融合算法,适宜应用于ZY-3卫星农业区影像;但不同融合方法在图像质量和地类提取中各有优势,可结合实际农业应用及影像中地类信息比例,选择适宜的融合算法。该研究可为农业各部门中影像大规模的融合应用提供参考。     

借助“天地一体化”动态监管 推动水土保持监督监测跨越发展

平定县属土石山区,位于太行山西麓,全县土地总面积1 391 km2,其中水土流失面积1 026 km2,占73.76%。县域矿产资源丰富,现已探明的矿藏达30多种,随着矿产资源的开发,将会造成局部地表强烈扰动,破坏植被与水土保持设施,从而加剧人为水土流失。2017年10月,平定县被省水利厅确定为水土保持"天地一体化"项目监管试点县,通过遥感影像解译、无人机监测和现场调查等技术手段,掌握生产建设项目和其他各类活动对地表的扰动情况,全面推动水土保持监督执法工作。试点工作成果表明,全县共确定扰动图斑349个,基本查清了生产建设项目和其他各类地面扰动现状,据此县水务局向有关企业下达了编报水土保持方案函59份。介绍了"天地一体化"动态监管试点工作的背景、成效与经验,展望了对提高水土保持监管工作的信息化水平、推动水土保持监督监测工作实现跨越式发展的前景。     

基于协同解译平台的生产建设项目扰动图斑解译

为积极践行"水利工程补短板、水利行业强监管"水利发展改革总基调,贯彻落实"在监管上强手段,在治理上补短板"的水土保持总体工作思路,面对生产建设项目全覆盖"天地一体化"监管所需全面提升监管成果的准确性、时效性、权威性的新要求,在分析传统的解译扰动图斑在工作环境、影像收集与分发、作业人员解译、质量控制,以及管理等方面所面临挑战的基础上,介绍了协同解译平台整体框架,并提出了基于协同解译平台的生产建设项目扰动图斑解译流程。基于协同解译平台完成了2019年全国647万km~2国土面积生产建设项目扰动图斑的解译与汇总,并与生产建设项目监管水土保持信息化监管平台实现了数据交换,有力地支撑了2019年全国生产建设项目"天地一体化"监管工作,面临2020年监管任务覆盖范围广、监测频次高的新特点,基于协同解译平台的解决方案将发挥更大的作用。     

真彩色增强影像在“天地一体化”监管中的应用

由于卫星遥感影像存在地域和季相特征差异大、色彩不自然、波段相关性高、地物"同物异谱"和"异物同谱"现象突出等问题,因此难以满足生产建设项目水土保持"天地一体化"监管对遥感影像使用的需要。采用融合增强方法对真彩色影像进行增强处理,处理后的真彩色增强影像色彩自然,符合人的视觉习惯,具有信息丰富、层次分明、细节突出、季节差异小、可比性强等优点,突出了植被、建筑、水域、裸露地表和扰动地表等目标对象的影像特征差异,可以作为生产建设项目水土保持"天地一体化"监管的标准影像,广泛应用于水土流失防治责任范围上图、遥感解译标志库建立、水土保持状况解译、水土保持现场调查、监管成果制作与系统管理等监管工作各个环节。     

基于高分辨率遥感影像的生产建设项目扰动图斑解译标志的建立

面向对象的解译方式在遥感解译中得到普遍应用,解译标志的建立是其中必不可少的环节。截至目前,矿山开发、土地资源、围填海等解译标志已相继建立,但生产建设项目水土保持扰动图斑解译标志仍未系统化整理。结合生产建设项目水土保持"天地一体化"监管关键技术研究,分析了生产建设项目水土保持监管扰动图斑解译标志建立的工作流程,以典型生产建设项目扰动为例,建立了解译标志库,并进行了讨论,以期为开展后续项目提供支撑。     

北京市生产建设项目水土保持遥感监管创新与实践

北京市从2013年开始以房山区为试点开展生产建设项目遥感监管工作,而后拓展至全市范围,探索建立了北京市遥感监管关键技术。通过影像处理、协同解译、防治责任范围空间化、扰动土提取、疑似违规图斑判读、现场核查及处理等方面不断进行优化与深入,形成了遥感监管"北京模式",水土保持监督执法工作取得跨越式发展,效果显著。     

基于改进多元纹理信息模型和GF-1影像的县域冬小麦面积提取

作物面积监测具有较强的时效性,应用不断发展的遥感技术能够及时可靠地监测主要作物的种植面积。该文围绕国产高分一号卫星(GF-1)农业应用关键技术,研究县域尺度农作物种植面积快速准确提取的方法。在考虑多光谱遥感影像空间相关性的基础上,利用矩阵分解和距离空间转换等数学工具设计一种改进多元纹理信息(modified multivariate texture,MMT)提取模型,实现基于GF-1遥感影像的改进多元纹理信息提取、纹理与光谱信息融合以及基于融合影像分类的县域尺度冬小麦识别和面积提取。选用冬小麦出苗和越冬2期GF-1宽视场影像,结合地面实测数据和最佳识别时相遥感参考数据,对比分析基于光谱信息、单变量纹理与光谱融合信息、改进多元纹理与光谱融合信息的3种冬小麦识别和面积量算结果,实现对改进多元纹理信息效果以及小区域和较大区域上冬小麦面积提取的精度验证。试验结果表明:1)与基于其他2种传统分类特征信息的结果相比,改进多元纹理信息的加入能够显著提高冬小麦识别精度(出苗期提高4.12%和2.36%,越冬期提高2.59%和0.94%);2)在不考虑影像质量、生育期和地面样方测量精度等客观因素的影响下,基于该文方法的小区域内冬小麦面积提取精度普遍优于90%;3)在冬小麦长势稳定的时相(越冬期),基于该文方法的较大区域冬小麦面积量算结果能够达到接近最佳识别时相(孕穗期)的面积提取精度,二者的一致性程度超过97%。因而,利用GF-1宽视场影像能够有效提取县域尺度冬小麦种植面积,可为农作物监测业务运行提供遥感数据保障。     

基于不同分辨率遥感影像的生产建设项目水土保持动态变化监管技术研究

生产建设项目水土保持动态变化监管是水行政主管部门的一项重要日常工作。针对动态变化监管需求,结合不同分辨率遥感影像特点,研究了不同分辨率遥感影像在动态变化监管中的应用技术体系:基于中等分辨率遥感影像不同时期植被覆盖度变化情况,研究了区域新增扰动动态变化监测和合规性动态变化监管技术;利用高分辨率影像,分析了重点项目扰动动态变化、合规性动态变化和项目分类管理等内容;分别采用Landsat 8影像和高分一号高分辨率影像进行了应用示范;对区域生产建设项目水土保持动态变化监管频次和不同类型项目或重点水土流失部位动态变化监管频次进行了探讨,以期提高生产建设项目水土保持动态变化监管的针对性和工作效率。     

基于GF-2的沙地区域影像融合方法与评价——以内蒙古自治区正蓝旗北部典型沙地为例

[目的]以内蒙古自治区正蓝旗北部典型沙地为例,以国产高分卫星(GF-2)影像为数据源,找出沙地区域的最佳影像融合方法,以期为沙地区域影像融合方法研究提供技术支撑。[方法]应用HSV(Hue,Saturation,Value)、Brovey,Gram-Schmidt,PC(principal components)融合等4种融合方法对GF-2影像的全色波段和多光谱波段进行融合;选取平均梯度、联合熵、相对偏差和标准差等4种统计方法,对影像融合进行效果评价及分析。[结果] 4种融合方法均提高了比原多光谱影像的4倍空间信息辨别度,同时较好地保存了影像的原多光谱信息,并增强了图像信息的分辨能力。其中,Brovey融合方法的相对偏差最小,PC融合方法的融合效果最不明显,而HSV融合方法的联合熵和平均梯度最大,并且其对影像融合效果最佳。[结论] HSV融合是沙地区域影像融合的最佳方法。HSV融合能对沙地区域的目视解译等工作提供清晰的空间和光谱分辨率影像数据。     

基于分量替换高分辨率遥感图像融合方法的对比研究

基于分量替换的高分辨率遥感图像融合是一种十分重要的融合方法,但对该方法的融合原理的深入分析在国内还鲜有报道。为此对分量替换融合方法进行原理探究和实验对比分析。首先从线性代数的角度来阐述分量替换融合算法的实质,并对两种典型的构造可替换波段的分量替换方法（基于光谱响应函数模拟低分辨率全色波段的Gram-Schmidt融合法（GS1）和基于多元一次线性回归拟合低分辨率全色波段的Gram-Schmidt（GS2）融合法进行原理说明;其次,选取QuickBird全色与多光谱图像数据,进行三种有代表性的基于分量替换的融合方法（PCA,GS1,GS2）的对比分析。通过对比融合前后典型地物的光谱特性变化来评价融合影像的光谱保真性也是该研究的一大特色。结果表明:3种融合方法都具有很高的光谱保真性,GS2融合方法具有最优的光谱保真性,PCA和GS1融合算法次之,尤其是GS1融合处理后的图像存在部分光谱失真的现象,GS2算法的光谱保真性明显优于GS1。从基于分量替换融合方法的实质可以诠释出造成GS1融合图像光谱失真的根本原因,GS1融合算法使用的只是实验室理想环境下所获取的名义上的光谱响应特征。传感器的实际成像过程受到诸多因素的影响,如传感器在轨工作环境、大气、观测角度不同等的影响。GS1算法单纯通过不同波段光谱响应函数的线性组合来模拟低分辨率全色波段并不十分准确,GS2直接利用MS和Pan波段像元灰度值进行线性回归,克服了上述不确定性问题。通过以上对比研究发现,如何利用多光谱数据准确地模拟低分辨率全色波段,直接影响到融合后影像的光谱保真性,是目前高分辨率遥感图像融合的关键技术。     

一种新的辨别土地利用/覆被的遥感图像融合方法

In China, accelerating industrialization and urbanization following high-speed economic development and population increases have greatly impacted land use/cover changes, making it imperative to obtain accurate and up to date information on changes so as to evaluate their environmental effects. The major purpose of this study was to develop a new method to fuse lower spatial resolution multispectral satellite images with higher spatial resolution panchromatic ones to assist in land use/cover mapping. An algorithm of a new fusion method known as edge enhancement intensity modulation (EEIM) was proposed to merge two optical image data sets of different spectral ranges. The results showed that the EEIM image was quite similar in color to lower resolution multispectral images, and the fused product was better able to preserve spectral information. Thus, compared to conventional approaches, the spectral distortion of the fused images was markedly reduced. Therefore, the EEIM fusion method could be utilized to fuse remote sensing data from the same or different sensors, including TM images and SPOT5 panchromatic images, providing high quality land use/cover images.     

基于小波分解的油菜多光谱图像与深度图像数据融合方法

将多源数据融合分析可以降低单一图像造成的误判读,利用多源数据之间的冗余部分进行配准,利用互补信息完成融合,能够提高数据的信息量和可靠性。该文利用近地面遥感模拟平台分别获取油菜的多光谱图像和深度图像,将2种图像进行配准和融合。该文分别针对多光谱图像和光程差深度图像的成像特点,进行相机内外参计算与图像矫正。采用 SIFT（scale invariant feature transform）算法计算2源图像上的 SIFT 点,并依据关键点描述子进行匹配,之后通过关键点位置计算仿射变换矩阵对图像进行缩放、平移和旋转,从而实现变换后图像的配准。分别对 harr,Db2,Db4,Sym2, Sym4,Bior2.2,Bior2.4,Coif2,Coif 等9种小波基融合后的结果计算其相应的交叉熵、峰值信噪比和互信息量等5个参量进行评价,得出小波基 harr 和 sym4融合效果较好,各项指标均衡性较好。用 haar 小波基对配准后图像在3、4、5、6层分解融合,通过观察得出在多光谱与深度图像融合中第3层小波分解和第4层分解的融合效果较好。最终将深度图像的高程数据归一化之后进行植株三维构建,得到三维点云并进行可视化。     

滨海光谱混淆区面向对象的土地利用遥感分类

滨海光谱混淆区土地利用/覆盖信息获取是遥感信息提取的难点之一,该研究选择黄河三角洲垦利县为研究区,采用2007年3月11日陆地卫星TM遥感影像数据,利用面向对象的土地利用遥感分类技术,通过影像分割和采用支持向量机分类方法对研究区土地利用/覆盖信息进行提取,并将分类结果与传统的基于像元的分类方法进行对比分析。结果表明:面向对象支持向量机的分类精度达到84.83%,比基于像元的最大似然法和波谱角法分别提高了5.94%和19.53%,且有效避免了椒盐现象。说明面向对象的图像分类方法明显提高了遥感影像的分类精度和分类效率,为滨海光谱混淆区土地利用信息的快速、准确提取提供了有效技术手段。     

A New Fusion Technique of Remote Sensing Imagesfor Land Use／Cover

In China, accelerating industrialization and urbanization following high-speed economic development and populationincreases have greatly impacted land use/cover changes, making it imperative to obtain accurate and up to date informationon changes so as to evaluate their environmental effects. The major purpose of this study was to develop a new methodto fuse lower spatial resolution multispectral satellite images with higher spatial resolution panchromatic ones to assistin land use/cover mapping. An algorithm of a new fusion method known as edge enhancement intensity modulation(EEIM) was proposed to merge two optical image data sets of different spectral ranges. The results showed that the EEIM image was quite similar in color to lower resolution multispectral images, and the fused product was better able topreserve spectral information. Thus, compared to conventional approaches, the spectral distortion of the fused images wasmarkedly reduced. Therefore, the EEIM fusion method could be utilized to fuse remote sensing data from the same ordifferent sensors, including TM images and SPOT5 panchromatic images, providing high quality land use/cover images.     

基于多时相GF-1影像的施工期生产建设项目分布信息提取

[目的]开展基于高分遥感的生产建设项目提取技术的研究,全面、及时地掌握生产建设项目分布信息,满足水土保持监管的迫切需求。[方法]以陕西省榆林市的部分区域为研究区,利用2013和2014年两个时相的GF-1影像,通过面向对象的直接比较法,提取变化信息,并结合光谱、形状等特征,去除伪变化,获取区域范围内新增的裸地和不透水面。另外,结合专家知识,提取疑似施工期生产建设项目信息。[结果]新增裸地和不透水面的发现精度达到83.53%,疑似施工期生产建设项目的发现精度为95.56%。[结论]该方法能够有效地提取施工期生产建设项目分布信息。     

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。     

OLI与HSI影像融合的土壤盐分反演模型

土壤盐渍化问题是黄河三角洲地区主要的土地退化问题,借助遥感技术快速、准确地掌握土壤盐渍化信息,对农业可持续发展具有重要意义。该文以黄河三角洲垦利县为研究区,利用超球体色彩空间变换算法,将环境一号卫星HSI高光谱影像与Landsat 8 OLI多光谱影像进行融合,选择土壤盐分的特征波段,结合土壤盐分的实测数据,建立统计分析模型(多元线性回归、偏最小二乘回归)和机器学习模型(BP神经网络、支持向量机和随机森林),对土壤盐分进行遥感反演。结果表明:OLI影像的统计分析模型和机器学习模型精度均较低,精度最高的随机森林模型相关系数仅为0.570;HSI影像的反演模型精度高于OLI,BP神经网络模型相关系数为0.607;融合影像反演模型精度明显高于HSI影像和OLI影像,土壤盐分含量的实测值与机器学习模型预测值具有良好的相关性,BP神经网络模型、支持向量机模型和随机森林模型的决定系数R~2分别达到0.966、0.821和0.926,模型反演精度较高。研究表明,多光谱和高光谱影像融合能显著提高土壤盐分遥感反演精度,机器学习模型的反演效果明显优于统计分析模型。研究结果对黄河三角洲典型地区的土壤盐分反演具有积极的理论和实践意义。     

基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类

高精度监测土地利用对实现可持续发展有重要意义。然而,由于遥感传感器成像的限制和地物的复杂性,单一的高光谱和多光谱图像已经不能满足高精度土地利用分类的要求,充分利用高光谱和多光谱遥感图像的互补信息能克服仅采用单一遥感图像分类的不足。该研究设计双分支卷积神经网络协同高光谱和多光谱遥感图像进行土地利用分类。针对高光谱图像设计3维-1维卷积神经网络(3D-1D Convolutional Neural Networks,3D-1D CNN)分支自动提取高光谱图像的空间-光谱特征;针对多光谱图像,设计3维卷积神经网络(3D Convolutional Neural Networks,3D CNN)分支提取多光谱图像的空间-光谱特征;设计融合层将从高光谱和多光谱图像提取的特征进行融合,最后通过全连接层输出土地利用类别。研究表明,与决策树(Decision Tree,DT)、支持向量机(Support Vector Machine,SVM)以及1D、2D和3D CNN方法相比,该文提出的基于双分支卷积神经网络的方法在两个数据集上Kappa系数平均分别提升了15.9、8.1、5.4、5.4和2.7个百分点。