基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取

冬小麦播种面积监测是农情遥感的重要研究内容之一,及时、准确地获取冬小麦的播种面积对冬小麦产量估算具有重要的意义。该文在面向对象技术的支持下,首先利用融合的高空间分辨率SPOT5遥感影像提取农田地块专题层信息;然后在专题层控制下对多时相的ETM+遥感数据统一尺度分割,得到不同时相遥感影像相同形状的地块特征基元;通过光谱特征规则集构建不同时相的冬小麦信息提取模型,实现对各个时期冬小麦播种田块对象的提取;最后通过交叉验证,确定最终的冬小麦播种面积。结果表明,该方法能够快速获得冬小麦播种面积,总体精度达到90%以上,基本上能够满足农情遥感监测的需求,为冬小麦种植面积遥感快速监测提供了一种可行的方法。     

基于面向对象的SPOT卫星影像梯田信息提取研究

梯田信息准确和快速提取是区域水土保持动态监测和评价的核心技术之一,运用遥感技术进行地物信息提取是一种有效手段。该研究以燕沟流域为研究区,采用高分辨率的SPOT5遥感影像数据,基于面向对象分类技术,通过影像分割构建影像对象,在分析影像对象的光谱特征、纹理特征和空间特征的基础上,建立了梯田信息的遥感提取规则,实现了梯田的自动提取。最后用手工勾绘结果对梯田的遥感提取结果进行精度评价,从田块边界的吻合度评价位置精度,并通过比较该结果与人工目视解译结果进行面积精度评价。结果表明,基于面向对象分类的遥感方法可以较好地从原始影像中提取复杂地貌区梯田的位置信息,面积提取正确率达到78.38%,该方法可为黄土高原地区梯田信息遥感提取提供借鉴。     

高光谱遥感数据植被信息提取方法

利用高光谱分辨率遥感卫星影像提取植被分布信息时,需要考虑混合像元和训练样本大小的影响,以提高植被信息提取的精度。该文以广州市北部为例,利用线性光谱混合模型和支持向量机方法进行Hyperion影像分类,估计荔枝分布信息。将其结果与QuickBird 1 m空间分辨率影像进行对比,利用地图方格网中随机选取的验证点评价精度,信息提取精度达到85.7%,而光谱角度制图提取的精度仅为74.3%。结果表明,混合像元分解模型和支持向量机结合的方法和其他传统的利用光谱信息提取方法相比,能够提高植被分布信息提取的精度。     

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。     

基于高通滤波算法的水稻遥感影像适宜尺度筛选

为确定江苏地区水稻田块信息提取的适宜尺度,选取拔节期30m×30m空间分辨率HJ1A/CCD2影像和16m×16m空间分辨率GF1/WFV4近红外波段影像,采用高通滤波(HPF)算法构建4种空间尺度融合影像。利用定量指标评价和植被指数反演评价分析4种融合影像筛选适宜尺度,最后通过多类光谱指标构建决策树提取水稻面积与PROSAIL冠层光谱模型反演叶面积指数(LAI),验证融合影像适宜尺度相较原始影像尺度的优越性。结果表明:(1)综合定量指标评价和植被指数反演评价,20m×20m尺度和15m×15m尺度均可保证光谱继承性,反演水稻田块信息,而结合尺度优势,适宜尺度筛选为15m×15m;(2)与原始影像尺度相比,15m×15m尺度空间分辨率提高,同时水稻面积提取精度增大,面积精度93.33%,样方精度94.71%,标准误差0.25hm~2,且能理想反演LAI,精度达94.69%,标准误差0.893。结论表明,研究区水稻田块信息反演的适宜尺度为15m×15m。     

全极化SAR图像的煤矿区土地覆盖信息分层提取方法研究

为弥补光学遥感在煤矿区资源与生态环境监测中应用的不足, 研究应用全极化SAR图像有效提取煤矿区土地覆盖信息的方法具有重要意义。针对全极化SAR图像极化信息丰富、斑点噪声多、局部异质性大等特点, 提出采用面向对象的影像分类方法对其进行分层土地覆盖信息提取。以徐州市西南部的煤矿区为研究区, 选取Radarsat-2的全极化SAR图像, 分析了研究区内全极化SAR图像中典型地物的灰度特征, 提出面向对象分类方法所涉及的最优分割尺度选择法, 给出全极化SAR图像分割对象后向散射特征的计算方法。对研究区的SAR图像进行试验, 首先对SAR图像进行多尺度分割, 选择各土地覆盖类型的最优分割尺度, 然后在该尺度下计算出土地覆盖类型的后向散射特征指数, 最后采用模糊逻辑分类法分层提取出研究区内的土地覆盖信息。结果表明: 在适于各土地覆盖类型提取的最优分割尺度下, 充分利用分割对象的灰度、形状、纹理以及类间相关特征, 并综合应用隶属函数法和最邻近分类法, 能有效地提取煤矿区的农田、道路、塌陷地、建筑物、山林这5类土地覆盖信息。与最大似然分类法相比, 该方法能够较好地消除"椒盐现象", 各种土地覆盖类型的提取精度都有所提高, 其总体分类精度可提高38.3%。     

基于无人机可见光影像的农田作物分类方法比较

大面积农田种植信息的准确获取是精准农业的基础。色彩空间转换、纹理分析和颜色指数等方法能够有效的增强和挖掘影像潜在的信息,对影像分类很有帮助,该文利用2016年9月获取的无人机影像对新疆兵团第八师149团的部分农田进行了作物类型的提取研究。首先对影像进行了色彩空间转换和灰度共生矩阵纹理滤波,得到了27项色彩与纹理特征,通过比较变异系数和差异系数认为亮度、饱和度和红色二阶矩可以作为最优分类特征。其次计算影像的过绿指数(excess green index,EXG)和可见光波段差异植被指数(visible-band difference vegetation index,VDVI),通过阈值对比确定了EXG指数可以有效的区分不同作物类型。最后对比以上2种方法计算得到的分类结果,表明基于色彩与纹理特征提取的作物类型的精度较高,将该方法应用于棉花、玉米和葡萄的分类,误差值分别为7.2%、4.75%和2.37%,明显高于基于颜色指数的提取方法,是一种行之有效的无人机数据作物分类方法。该研究虽未对更大区域做进一步探讨,但可为无人机应用于农田作物分类提供参考。     

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。     

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。     

基于无人机遥感影像的玉米苗期株数信息提取

准确、快速地获取玉米苗期株数对于育种早期决策起着至关重要的作用。该文利用2017年6月于北京市小汤山镇采集的无人机影像,首先对比分析RGB、HSV、YCbCr及L*A*B 4种色彩空间,变换优选HSV颜色模型对无人机影像前景(作物)与后景(土壤背景)进行分割,得到分类二值图。然后利用骨架提取算法及多次去毛刺处理等数学形态学流程提取玉米苗形态,得到高精度作物形态骨架,结合影像尺度变换剔除噪声影像,将影像分为多叶、少叶2类,经Harris、Moravec和Fast角点检测识别结果对比,Harris角点检测算法可以较好地提取玉米苗期影像的株数信息。结果表明,少叶类型识别率达到96.3%,多叶类型识别率达到99%,总体识别率为97.8%,将目前传统影像识别精度提高了约3%。同时在多个植株叶片交叉重叠覆盖的情况下,该文的研究方法有良好的适用性。通过无人机影像提取玉米苗期作物准确数目是可行的。该文采用了数学形态学的原理,通过HSV色彩空间变换得到的二值图,从无人机影像中识别提取玉米苗期形态信息,利用影像尺度缩放变换去除噪点,优化骨架识别算法使得识别精度大大提高,最后采用角点检测从无人机影像中直接读取玉米材料小区内的具体数目,该方法节省了人力物力,为田间大面积测定出苗率及最终估产提供了参考。     

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。     

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。     

基于空间LDA模型的高分辨率遥感影像地物覆盖分类

高空间分辨率遥感影像可以更为精确地分析地物覆盖类型,但空间分辨率的提高也对现有分类方法带来了新的挑战,隐狄利克雷分配(latent dirichlet allocation,LDA)模型能够建立遥感影像底层特征和高层语义之间的联系,但是当前LDA模型在遥感影像分析领域的应用以场景分类和图像检索为主,已有的一些关于土地覆盖分类研究缺少对高分辨率遥感数据的空间关系进行挖掘。该文在标准LDA模型的基础上,利用词包模型构建方法生成的影像文档和单词对象来展开试验,利用多尺度分割挖掘影像中对象的空间关系,设计"主题流行度"和"主题内容"2种形式的影像文档区域属性,以协变量的形式作为LDA模型的先验知识,提出一种空间LDA模型(Space-LDA)。利用无锡宜兴市Quick Bird影像验证该模型在高分辨率遥感影像分类中的有效性,结果表明空间LDA模型分类结果不仅明显优于标准LDA,而且对区域尺度的变化具有一定的鲁棒性,空间区域信息同时从主题流行度和主题内容2个层面提供了推理信息,使模型具有更灵活的结构。     

地块尺度的山区耕地精准提取方法

山地丘陵区域耕地资源稀缺,耕地碎片化现象严重,耕地地块细小狭窄且结构复杂,导致了地块级别的耕地信息难以快速、精准获取,阻碍了基于高分辨率遥感影像的精准数字农业服务在山地丘陵地区的应用。现有基于边缘检测/语义分割的耕地提取方法忽略了地块的结构化特征,对于狭长地块提取效果不佳,存在边界模糊问题。针对上述问题,该研究以西南山区湖南省邵东县为研究区,提出一种面向地块尺度的山区耕地遥感影像高精度提取方法。该研究模型主要有以下特征：1）将耕地边缘作为独立于耕地地块外的新类别,使得语义分割能够更好地区分耕地地块边缘和内部区域;2）级联语义分割网络和边缘检测网络,实现耕地边缘线特征和面特征的融合,使耕地边缘特征强化,提高耕地地块边缘检测精度;3）针对高分影像中耕地边缘像素远少于耕地内部像素问题,借助聚焦训练方法,使模型在训练过程中更加关注边缘像素,提高边缘检测精度。试验结果证明,该研究提出的方法在测试集上分类准确率和交并比分别为92.91%和82.84%,相比基准方法分别提升4.28%和8.01%。该研究所提取的耕地地块相比于现有方法更符合耕地的实际分布形态,为地块尺度的耕地信息精准提取提供了实用化方法。     

基于裸土期多时相遥感影像特征及最大似然法的土壤分类

运用单时相遥感数据进行土壤分类及制图,其数据本身易受到其他因素干扰而出现误差,存在一定的局限性,导致制图精度不高。为了提高制图精度,以松嫩平原林甸县为研究区,利用裸土时期多时相Landsat 8遥感影像、DEM数据和全国第二次土壤普查数据,从所有单时相遥感影像中提取出多种分类特征,按照分类特征类型进行压缩处理,得到新的多时相分类特征,将不同分类特征进行组合并分别进行最大似然法分类,得到不同分类特征组合下的土壤类型图,通过不同土壤类型图精度来判断各分类特征对于制图的影响。研究表明,该文所提取的分类特征均可以实现土壤制图,使用压缩处理后得到的多时相遥感数据分类特征完成制图的精度更高,总体精度达到91.0%,研究可为土壤精细制图提供依据。     

改进CGAN网络的光学遥感图像云去除方法

农业生产中使用的光学遥感图像在采集过程中时常受到云层的影响,导致获取到的图像清晰度低,影响地物信息的判读和后续的使用。针对这一问题,提出一种基于改进条件生成对抗网络(ConditionalGenerativeAdversarial Net-work,CGAN)的光学遥感图像去云方法。首先,在原始CGAN的生成器中引入空间池化层,通过增加网络的多尺度特征学习能力以提高生成图像的细节信息;其次,在改进CGAN网络中加入回归损失使生成图像与真实图像更加接近,进一步提高生成效果。在光学遥感图像数据集上的试验结果表明:相比原始CGAN,改进CGAN生成的无云光学遥感图像更接近真实无云光学遥感图像,与原始CGAN相比,改进CGAN在薄云和厚云光学遥感图像上的峰值信噪比(Peak Signal-to-NoiseRatio,PSNR)分别提升了1.64和1.05dB,结构相似性(StructuralSIMilarity,SSIM)分别提升了0.03和0.04。同时,相较于传统的去云方法和深度学习的Pix2Pix方法,该方法在光学遥感图像去云和保真上均取得了更好的效果。研究结果证明了改进的CGAN方法实现光学遥感图像去云的可行性,可为农用光学遥感图像的处理提供方法借鉴。     

遥感调查中耕地解译面积精准核算

扣除小地物和线状地物是提高遥感调查中耕地解译面积精度的重要手段。该文选择安徽省濉溪县为研究区,以高分1号16 m多光谱影像作为数据源,在解译耕地面积的基础上,采用遥感解译与GIS空间运算相结合的方法对线状地物进行扣除,采用布设抽样样方的方法对小地物进行扣除,对研究区耕地解译面积进行精准核算。结果表明:1)濉溪县解译耕地面积为1 320.64 km~2,广泛分布于全区,主要集中在中部和南部的四铺镇、百善镇、铁佛镇等地区,北部地区耕地分布相对较少;2)濉溪县共有45.14 km~2的线状地物被解译为耕地,占整个研究区耕地解译面积的3.42%;3)濉溪县小地物平均扣除系数为3.51%,遥感解译耕地面积中有44.77 km2的小地物被解译为耕地;4)扣除线状地物和小地物后,濉溪县耕地面积为1 230.73 km~2,全县解译耕地面积误差由6.57%降到0.68%,全部样方遥感解译平均误差的总体差异并不明显,单个样方在扣除小地物前后存在一定的差异。研究可为提高耕地解译面积精度提供思路与借鉴。