定位尺度和像元空间关系对GF-1亚像元定位精度影响分析

亚像元定位技术对地表遥感信息提取及农业遥感定量化发展具有重要意义。针对当前国内外亚像元定位研究多集中于亚像元定位模型而缺少模型定位精度影响因素分析的现状,该文开展了定位尺度因素(如重建尺度、影像空间分辨率)和像元空间关系等对农业区域多光谱遥感影像亚像元定位模型精度影响的定量分析。以中国吉林省白城地区洮南市和内蒙古自治区兴安盟突泉县交界农业区为研究区域,以典型的空间引力模型为核心模型,以具有相同光谱分辨率的高分一号(GF-1)卫星8、16 m空间分辨率多光谱遥感影像为基础数据,对重建尺度、影像空间分辨率和像元空间关系等因素对遥感亚像元定位精度的影响进行了探讨。结果表明,对于8 m空间分辨率GF-1遥感影像,当重建尺度为5时,在邻接空间关系下的亚像元定位可达到最佳效果,即由40 m空间分辨率遥感影像重建8 m空间分辨率遥感影像的总体精度为74.67%,Kappa系数为0.604;对于16 m空间分辨率GF-1遥感影像,当重建尺度为4时在象限空间关系下的亚像元定位可达到最佳效果,即由64 m空间分辨率重建16 m空间分辨率遥感影像的总体精度为74.65%,Kappa系数为0.623。此外,重建尺度、影像空间分辨率和像元空间关系对亚像元定位精度具有波动影响,3个因素对应的亚像元定位总体精度最大变幅分别为18.08%、4.39%和0.08%,对应Kappa系数变化最大幅度分别为0.268、0.049和0.006。因此,在不同精度影响因素下,基于空间引力模型的GF-1亚像元定位精度影响因素轻重等级依次为重建尺度影像空间分辨率像元空间关系,这可为遥感亚像元定位模型选取、模型参数设置以及适宜的遥感数据选择提供一定参考。     

面向对象分类技术在开发建设项目水土保持监测中的应用

[目的]研究基于无人机低空遥感影像的面向对象分类技术在开发建设项目水土保持监测中的应用,为水土保持监测工作的信息化能力提升提供技术支撑。[方法]利用旋翼无人机获取水土保持监测目标区域的低空遥感影像,通过倾斜摄影技术构建数字表面模型,结合ESP分割尺度评价工具获取最优分割尺度参数,采用多元特征空间指标参与最邻近分类法的监督分类,并依据位置信息的评价方法和误差矩阵对分类解译精度进行验证。[结果]本研究的水土保持监测目标区域的地物分类总体精度达到了86.10%,Kappa系数为0.841,有较好的一致性,能够满足精度需求。[结论]利用无人机低空遥感影像的面向对象分类技术实现了开发建设项目水土保持监测区域地物的快速、精确识别和分类。     

基于流形光谱降维和深度学习的高光谱影像分类

高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

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。     

基于主被动遥感数据和面向对象的大蒜识别

针对开封市大蒜种植破碎化程度高,光学数据难以高精度、快速提取问题。该研究基于谷歌地球引擎（Google Earth Engine,GEE）云平台、随机森林算法（Random Forest,RF）和面向对象方法,选择融合Sentinel-1卫星的后向散射系数与Sentinel-2卫星的光谱、光谱指数及纹理特征,分别应用10 m与加入植被红边波段的20 m空间分辨率遥感数据,探究不同特征组合对改善大蒜识别精度的性能。试验结果表明：应用10 m空间分辨率的Sentinel主被动遥感数据,在简单非迭代聚类（Simple Non-iterative Clustering,SNIC）分割尺度为5,灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.54%、0.93,大蒜的制图精度和用户精度为97.83%、96.38%。应用加入植被红边波段的20m空间分辨率Sentinel主被动遥感数据,在SNIC分割尺度为3,GLCM邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.14%、0.92,大蒜的制图精度和用户精度为95.72%、98.81%。单独使用Sentinel-2光学数据,加入植被红边波段的20m分辨率数据相对10 m分辨率数据,大蒜制图精度和用户精度分别提高0.49%和4.38%。单独使用时序Sentinel-1 SAR数据,10 m空间分辨率数据的大蒜制图精度和用户精度优于20 m分辨率数据0.66%和2.07%。本研究为遥感数据识别生长周期相同或重叠的大宗、小宗经济作物提供技术参考。     

基于词对主题模型的中分辨率遥感影像土地利用分类

利用遥感影像数据进行土地利用/覆被分类是多学科共同关注的热点问题,但传统自动分类方法仍然难以满足应用需求,以隐狄利克雷分配模型(latent dirichlet allocation,LDA)为代表的概率主题模型能够建立底层特征和高层语义之间的桥梁,近年来也被引入了遥感影像分析领域,但多集中于针对高空间分辨遥感影像的分析。该文分析了一般概率主题模型在遥感影像空间分辨率降低后面临的问题,在此基础上借鉴词对主题模型(biterm topic model,BTM)对单词稀疏文档的推理能力,将其引入中空间分辨率遥感影像的分类中,并提出使用空间相邻的视觉单词对作为模型的观测数据。试验结果表明,BTM模型的分类性能优于LDA模型,并且使用空间相邻视觉单词对可以比标准BTM模型使用更少的观测数据,取得更高的分类精度。     

利用边缘辅助分割网络提取稻虾共作养殖田

为确保稻虾共作的安全生产、社会供应以及政府政策的有效制定，须准确获取稻虾共作种植面积、空间分布及变化信息。现有稻虾养殖田提取方法以中分辨率时序影像为数据源，提取结果存在边界粗糙且噪声较多等问题。为获取精度高、边界规整的稻虾养殖田提取结果，该研究以高分辨率影像为数据源，提出一种基于边缘辅助任务的深度学习语义分割模型——edge assisted segmentation network（EASNet）。该模型首先将稻虾养殖田特有的边缘“虾沟”作为一种辅助信息在设计的边缘辅助模块单独分割，然后将该模块的输出与主任务分割模块输出进行融合，使主任务既增强了稻虾养殖田边界结构信息，又能学习到稻虾养殖田特有的空间及语义信息。试验结果表明，在边缘辅助模块的增强下，稻虾养殖田分割结果更完整，边界更清晰，其语义精度的交并比和边界精度的F1分数分别提升了1.5%、5.8%。整体语义精度的召回率、交并比、F1分数分别达到0.970、0.964、0.930，边界精度的召回率、F1分数达到0.864、0.859，松弛边界精度的召回率、F1分数达到0.876、0.913。将训练好的EASNet模型应用到盱眙县全域，得到2020年盱眙县稻虾养殖田空间分布图，在与传统的水体季相差异法、随机森林方法提取的稻虾养殖田结果的对比中，该方法取得了总体精确度为96.71%及Kappa系数为0.934的最优结果，为基于深度学习的稻虾养殖田提取方面的应用提供参考。     

基于物候参数和面向对象法的濒海生态脆弱区植被遥感提取

用遥感数据快速准确地提取植被信息对生态环境监测和发展气候模型具有基础性和关键性的意义。由于中国黄河三角洲地区植被类型插花分布,传统遥感提取方法精度较低。该文选取近代黄河三角洲典型生态脆弱区为研究区,基于MODIS和LANDSAT8数据,通过提取研究区的物候参数和不同分辨率遥感影像的融合处理,根据植被类型斑块大小确定分割尺度,根据典型植被类型的物候特征、光谱和空间等特征值构建分类规则,利用分区策略自上而下进行面向对象分类。结果表明,该方法总体精度为80.75%,Kappa系数0.79,高于传统物候和面向对象分类方法。广生态幅的棉田与其他植被的光谱混淆是传统面向对象分类方法植被分类精度低的主要原因,利用物候参数进行植被分区能规避棉田和自然植被的光谱混淆,有利于对植被类型的区分。分类结果与当地植被分布情况相符,可以用于研究区植被类型的精细提取。     

水稻种植面积遥感估算的不确定性研究

利用研究区地物类别亚米级GPS详查数据及TM影像光谱数据,模拟生成1m分辨率的遥感模拟影像。用3种非参数分类法(最临近法KNN、误差后向传播神经网络BPN,模糊自适应网络FUZZY ARTMAP)和一种参数分类法(最大似然法MLC)对研究区TM影像进行硬分类估算水稻面积;还采用BPN全模糊分类、BPN和KNN模糊分类、抽象级结合和测量级结合的多分类器结合方法对遥感影像进行分类估算水稻面积;采用最多数法则的尺度扩展算法,实现由3m空间分辨率参考图提取30m空间分辨率影像像元纯度信息,讨论混合像元问题对遥感影像分类精度的影响。结果表明:非参数分类法精度均高于参数分类法,3种非参数分类法之间的差异较小,用最大似然法估算水稻面积的用户精度最高,用K最临近值分类法估算水稻面积的生产者精度最高;水稻类全模糊分类法的面积和真实面积最为接近,水稻类像元内的面积估测和真实面积无极显著差异;多分类器结合的分类法无论采用投票法还是测量级方法都能提高分类的总精度,能够提高水稻类面积提取的精度;研究区在30m空间分辨率的情况下,各类别分类总精度、Kappa系数随像元纯度升高而升高,4种硬分类方法没有对混合像元的分类表现出特别强的能力。本研究最终制作出分类影像像元的分类结果图、分类最大概率值、熵值图和水稻类概率值等4张图层,构成了对研究区分类结果不确定性的空间分布图不确定性图层,为采取进一步降低不确定性的措施提供了线索。     

多尺度融合卷积神经网络的黄瓜病害叶片图像分割方法

黄瓜病害叶片中的病斑区域分割是病害检测与类型识别的关键步骤,分割效果将直接影响病害检测和识别的精度。针对传统方法对于黄瓜病害叶片图像分割精度低和泛化能力弱等问题,提出一种基于多尺度融合卷积神经网络(Multi-ScaleFusionConvolutionalNeuralNetworks,MSF-CNNs)的黄瓜病害叶片分割方法。MSF-CNNs由编码网络(EncoderNetworks,ENs)和解码网络(DecoderNetworks,DNs)两部分组成,其中ENs为一个多尺度卷积神经网络组成,用于提取病害叶片图像的多尺度信息;DNs基于九点双线性插值算法,用于恢复输入图像的尺寸和分辨率。在MSF-CNNs模型训练的过程中,使用一种渐进微调的迁移学习方法加速模型的训练,提高模型的分割精度。在复杂背景下的作物病害叶片图像数据库上进行病害叶片图像分割试验,并与现有的分割方法全卷积网络(FullyConvolutional Networks,FCNs)、Seg Net、U-Net、Dense Net进行比较。结果表明,该MSF-CNNs能够满足复杂环境下的黄瓜病害叶片图像分割需求,像素分类精度为92.38%、平均分割准确率为93.12%、平均交并比为91.36%、频率加权交并比为89.76%。与FCNs、Seg Net、U-Net、Dense Net相比较,MSF-CNNs的平均分割精度分别提高了13.00%、10.74%、10.40%、10.08%和6.40%。使用渐进学习训练方式后,训练时间缩短了0.9 h。该方法为进一步的黄瓜病害检测和识别方法研究提供了参考。     

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。     

基于改进HRNet的遥感影像冬小麦语义分割方法

冬小麦在影像中呈现田块碎小且分布零散等空间特征,同时影像包含的复杂地物对冬小麦识别造成干扰,易出现识别精度低且边界分割模糊等问题。为及时准确获取大范围冬小麦空间分布信息,该研究以高分二号卫星影像作为数据源,提出一种CAHRNet（change attention high-resolution Net）语义分割模型。采用HRNet（high-resolution Net）替换ResNet作为模型的主干网络,网络的并行交互方式易获取高分辨率的特征信息;联合OCR（object-contextual representations）模块聚合上下文信息,以增强像素点与目标对象区域的关联性;3）引入坐标注意力（coordinate attention）机制,使网络模型充分利用有效的空间位置信息,以保留分割区域的边缘细节,提高对分布零散、形状多变的冬小麦田块的特征提取能力。试验结果表明,在自制的高分辨率遥感数据集上,CAHRNet模型的平均交并比（mean intersection over union,MIoU）和像素准确率（pixel accuracy, PA）分别达到81.72%和97.08%,MIoU相较U-Net、DeepLabv3+分别提高了9.09、2.44个百分点;PA相较U-Net、DeepLabv3+分别提高6.80、1.59个百分点,说明CAHRNet模型具有较高的分割识别精度,可为进一步准确获取冬小麦作物分布信息提供技术支撑。     

深度学习自编码结合混合蛙跳算法提取农田高光谱影像端元

针对农田高光谱遥感影像端元提取和混合像元分解精度不高的问题,该文提出了利用深度学习自编码结合混合蛙跳算法的农田高光谱影像端元提取方法。首先,利用深度学习的栈式自编码模型对高光谱影像进行光谱特征提取,优选出备选端元集合;然后将影像端元提取问题转化为组合优化问题,设计了待优化的目标函数,通过混合蛙跳算法对目标函数进行优化从而实现对最佳端元组合的搜索;最后利用人工合成的不同信噪比农田高光谱数据和真实的农田高光谱影像,将该算法与3种现有的主要端元提取方法进行对比。试验结果表明,本文提出的端元提取算法对20、30和40 dB信噪比影像提取结果的平均光谱角分别达到0.106 88、0.030 32、0.009 94。对20、30和40 dB信噪比影像和真实影像提取结果的均方根误差分别达到0.050 8、0.015 9、0.005 1、0.006 7。与现有的主要端元提取方法相比,该方法具有端元提取精度高、对不同等级噪声鲁棒性好等优势,在农田高光谱遥感监测中具有广阔的应用前景。     

地块尺度的复杂种植区作物遥感精细分类

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。     

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。     

基于改进空间引力模型的农作区遥感影像亚像元定位

针对空间引力模型在遥感影像亚像元定位中存在的不足,该文提出了一种基于改进空间引力模型的农作区遥感影像亚像元定位方法。研究首先分析了原始空间引力模型运行速度慢、定位精度低的原因。然后,分别改进了空间引力模型的初始化算法和优化算法,改进后的初始化算法使亚像元更具空间相关性;改进后的优化算法在初始化的基础上显著提高了模型的运行速度和定位精度。最后,以吉林省镇赉县农作区SPOT-5影像为例,在原图像空间分辨率退化4倍的尺度下进行遥感影像亚像元定位试验。结果表明,改进模型与原始模型相比亚像元定位精度提高了6.67个百分点,运行速度提高了10.69倍。因此,改进空间引力模型在地物类别相对复杂的农作区遥感影像亚像元定位中,可以更好的突破空间分辨率的限制,为确保农作物种植面积提取、区域产量遥感估测提供有力支撑。     

基于深度全卷积神经网络的大田稻穗分割

稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。