基于多时相遥感数据的农田分类提取

为深化遥感解译在农田类型自动提取研究中的应用,了解研究区内农业资源的现状,该文以镇赉县为试验区,设计了基于多时相遥感数据的农田分类提取方案。该方案通过计算地表植被指数时序变化的变程(主要分类变量),结合研究区影像纹理局部方差、修正土壤调整指数和地表水体指数构建多维特征空间数据,对研究区内的水田和旱地进行分类提取。结果表明:1)该算法的总体分类精度为94%,Kappa系数为0.87:2)水田的遥感提取精度为98.3%,旱地为98%;3)水田占全区总面积的13.26%,旱地为20.12%,旱地是研究区内的主要农田类型。该文研究成果为未来农业发展的政策和规划提供一定的参考依据。     

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。     

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。     

基于决策树的干旱区盐碱化土壤信息提取方法研究

土壤盐碱化是制约干旱区植被生长最主要的生态环境地质问题,也是土地资源利用的主要障碍因子之一。利用遥感数据准确自动的提取盐碱化土壤信息对土壤的盐碱化的提取和动态监测具有重要意义。本文以新疆石河子150团为研究区域,使用2010年8月和2005年7月的ETM数据提取归一化植被指数(NDVI)、第一主成分(PC1),分别作为非盐碱化土壤和盐碱化土壤信息提取的主要特征变量,然后用改进归一化差异水体指数(MNDWI)、TM7、Mean作为辅助特征变量,结合研究区的实地考察和典型土样的遥感信息以及与缨帽变化(K-T)对比分析来确定各个特征变量的阈值。利用决策树对研究区遥感图像进行了分类。研究结果显示,基于决策树的干旱区盐碱化土壤信息提取方法是可行的并能达到较高的精度。     

多元信息支持的岩溶区土地利用信息提取方法构建

土地利用信息是重要的基础数据,其准确程度将对其后续应用工作的结果产生重要影响。岩溶区地形复杂、地表覆盖类型多样,使用目视解译和传统监督分类的方法都存在一定的局限。通过结合遥感影像和植被指数、湿度指数、地形等多元信息,结合主成分分析方法,利用决策树实现上述多元信息建模,进而以实地调查样点为目标函数获取决策树的分类决策参数阈值,从而构建了多元信息支持的岩溶区土地利用信息提取方法。经试验区的模型应用和样点验证表明,该方法获取的土地利用信息基本符合典型岩溶区土地利用比例和分布特征,总体分类精度达到82%。该方法能够加深对多维遥感信息的认识,充分挖掘出其中隐含的信息,并根据这些信息提高岩溶区土地利用信息提取的精度,尤其能体现出岩溶区地貌特征对土地利用空间分布的影响。     

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。     

基于拟合物候参数的植被遥感决策树分类

针对目前遥感分类较少利用植被物候特征参数的现状,该研究以内蒙古自治区额尔古纳、根河两市作为试验区,基于2012年根河土地覆盖数据,采用双Logistic函数拟合的方法对跨度范围为2011年7月下旬至2013年7月下旬的时间序列MODIS EVI数据进行植被物候参数的分析与提取,并依据物候参数特征构建决策树对试验区土地覆盖进行分类。研究表明,不同植被的物候有较明显的特征,森林、草原与作物的生长季开始时间依次滞后,作物的生长季最短,森林与草原生长季基本持平;利用植被物候特征参数进行决策树分类,作物和森林2种植被类型取得较好分类效果,分类的总体精度达到73.67%,优于该区域MODIS土地覆盖产品的总体精度(66.08%)。该研究可为呼伦贝尔地区生态环境评价和农、牧、林业生产活动提供一定的参考。     

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。     

基于遥感信息融合的阜新煤矿排土场地物提取与分类

结合地面测试高光谱数据及卫星遥感数据,对矿区地物信息进行提取,可有助于快速获取矿区地表信息,为矿区废弃地植被恢复提供辅助决策信息支持具有重要意义。该文以阜新市海州矿区排土场为研究对象,对不同波段组合的SPOT-5遥感影像进行了分类方法和分类精度评价研究。结果表明：排土场影像在波段组合与融合之后进行分类,分类精度提高不明显;而通过组合SPOT多光谱影像和植被指数图像,并结合地面测试的高光谱特征曲线建立分类模板,可以有效地提高地物分类精度,总体分类精度为85.48%,Kappa系数为0.8197。分类结果满足对排土场地物调查的实际需要,为建立排土场植被恢复等级提供了数据基础。     

基于标准地表光谱端元空间的苹果园种植时间制图方法

利用遥感数据进行果园种植时间制图可以高效便捷地获取大区域尺度的果园种植时间信息。为避免混合像元对果园的光谱信息造成影响,实现果园范围的精准识别及果园种植年龄的推测,该研究基于Landsat系列影像,开展融合地表标准地表光谱端元空间的果园范围提取和种植时间制图的研究。首先,将标准地表光谱端元空间融入原始影像中运用随机森林算法进行土地利用/覆被分类,重点提取果园分布范围。其次,构建地表植被端元年际间时间序列曲线,求得果园缓慢增长区间,运用四点法求取果园最大环境承载量。最后,回溯找到果园种植起点进行Logistic增长模型拟合,完成果园种植时间制图。研究结果表明：1）由线性光谱混合分解所得的地表光谱四端元能够很好地表达研究区地表组分信息。融合标准端元空间与随机森林算法提高了地物信息的提取精度。分类总体精度达到88.80%,Kappa系数达到0.86,对果园有较好的解译能力。2）通过植被端元年际时间序列曲线可以很容易地捕捉到土地覆被/利用类型的变化,通过Logistic增长模型可以检测植被生长的状况和最大环境承载量。拟合的果树生长模型具有较高的精度和稳定性,整体拟合度达到0.751,年龄验证误差均值为1.86a,说明该方法可以相对准确地确定苹果树的种植时间和长势。     

基于MODISNDVI多年时序数据的农作物种植识别

为了获取陕西省农作物种植模式和类型分布信息,实现对于多年农作物长势分析及精确的估产和耕地生产力的估算,该文以2003-2012年的MOD09Q1时间序列遥感数据集为数据源,以陕西省主要农作物冬小麦、夏玉米、春玉米、水稻和油菜为研究对象,利用Savitzky-Golay滤波方法重建NDVI长时间序列数据集,充分利用农作物的物候信息,构建农作物年际间动态阈值方法,实现了农作物种植模式和类型的识别。通过对混合像元进行分解,更精确地提取农作物种植面积信息。利用空间和定量2种方式对农作物类型识别结果进行分析验证,空间对比分析得到分类的总体精度和Kappa系数为88.18%和59.64%,定量对比分析得到分类的总体一致性为87.56%。研究结果表明,结合物候信息与时间序列数据利用该文的分类方法可以有效的识别大尺度农作物信息。     

嫩江沙地沙质荒漠化程度遥感定量评价——以杜尔伯特蒙古族自治县为例

杜尔伯特蒙古族自治县位于嫩江沙地的中心,以杜尔伯特蒙古族自治县为例研究嫩江沙地的荒漠化程度有较好的代表性。在研究区选取63个样地实地调查荒漠化程度,同时获取研究区的ETM＋遥感影像,对荒漠化主要评价因子植被盖度、生物量、裸沙占地百分比进行遥感定量反演,地表结皮和土壤质地采用定性的方法结合目视解译进行提取。在现有荒漠化评价方法的基础上,建立以像元为单位的荒漠化程度评价的定量化遥感信息模型,并输出荒漠化程度分布图。利用63个实测样地数据评价遥感信息模型的精度,被正确评价的样点数为57个,遥感信息模型对杜尔伯特蒙古族自治县荒漠化程度进行定量评价的精度达到90.5%。     

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。     

高分辨率遥感卫星影像在土地利用分类及其变化监测的应用研究

研究了IKNOS米级高分辨率遥感影像在大比例尺土地利用图件更新中的应用技术,提出采用基于知识的土地利用覆盖分类以及变化监测系统方法,首先利用NDVI植被指数和半方差纹理特征的知识进行影像大类区域分割;其次结合光谱知识对各影像区域进行详细分类,同时利用区域生长技术与地类空间知识进行区域分类;第三步是分类后处理与变化信息提取,利用基础图件提供的知识与各区域分类进行比较以发现变化的区域。北京房山良乡试验区的试验表明,Kappa系数为0.912,总精度为0.938;变化信息错误率为13.69%,基于知识的分类与变化信息自动提取可以为在GIS/RS环境下的目视数字化提供目标,加速土地利用基础图件的更新作业过程     

改性纤维素类聚合物固沙剂的吸附力学及崩解特性试验

山地植被信息在气候变化研究和生态环境保护等方面发挥着重要作用,遥感技术能够快速获取山地植被信息,但是存在山地地形阴影的影响以及山地植被信息混淆问题。该文以山地植被为研究对象,基于Landsat卫星遥感影像多光谱数据,分析山地植被的主要特点,借鉴阴影消除植被指数（SEVI）的构造原理及形式,提出了一种适用于山地植被覆盖遥感监测的植被指数算法--植被区分阴影消除植被指数（VDSEVI）。研究结果表明：相对于已有的其他植被指数,VDSEVI较好地消除了地形阴影的影响;VDSEVI的信息量大,植被覆盖的识别能力较强,较好地解决了植被信息混淆问题,能够更好地反映山地植被覆盖情况。不同土地覆盖类型的VDSEVI存在显著差异;阴影稀疏林地和相邻非阴影稀疏林地的相对误差较小,为3.428%;各土地覆盖类型样本VDSEVI标准差均小于0.06;植被覆盖样本VDSEVI与太阳入射角的余弦值（cosi）的相关系数为?0.800。为验证VDSEVI在其他地区的适用性,将VDSEVI应用于内蒙古阿尔山和福州市闽侯县,结果表明VDSEVI同样适用。新疆那拉提、内蒙古阿尔山和福州市闽侯县3个区域基于VDSEVI阈值法的植被信息提取总体精度分别为84.136%、87.339%、86.709%,Kappa系数分别为0.799、0.788、0.791。     

构建植被区分阴影消除植被指数提取山地植被信息

山地植被信息在气候变化研究和生态环境保护等方面发挥着重要作用,遥感技术能够快速获取山地植被信息,但是存在山地地形阴影的影响以及山地植被信息混淆问题。该文以山地植被为研究对象,基于Landsat卫星遥感影像多光谱数据,分析山地植被的主要特点,借鉴阴影消除植被指数（shadow eliminated vegetation index,SEVI）的构造原理及形式,提出了一种适用于山地植被覆盖遥感监测的植被指数算法—植被区分阴影消除植被指数（vegetation distinguished and shadow eliminated vegetation index,VDSEVI）。研究结果表明：相对于已有的其他植被指数,VDSEVI较好地消除了地形阴影的影响;VDSEVI的信息量大,植被覆盖的识别能力较强,较好地解决了植被信息混淆问题,能够更好地反映山地植被覆盖情况。不同土地覆盖类型的VDSEVI存在显著差异;阴影稀疏林地和相邻非阴影稀疏林地的相对误差较小,为3.428%;各土地覆盖类型样本VDSEVI标准差均小于0.06;植被覆盖样本VDSEVI与太阳入射角余弦值（cosi）的相关系数为?0.800。为验证VDSEVI在其他地区的适用性,将VDSEVI应用于内蒙古阿尔山和福州市闽侯县,结果表明VDSEVI同样适用。新疆那拉提、内蒙古阿尔山和福州市闽侯县3个区域基于VDSEVI阈值法的植被信息提取总体精度分别为84.136%、87.339%、86.709%,Kappa系数分别为0.799、0.788、0.791。     

DEM支持的黄土丘陵沟壑区地被遥感分类方法

DEM支持的黄土丘陵沟壑区地被遥感分类方法的提出,目的是解决由于受到复杂地形影响,遥感影像地被分类精度低且不具有地形特征的问题。在分类预处理过程中利用基于PCA的方法复原阴影区域的信息,可以减少大量阴影造成的影响。分类时对分布在不同地形区域的相同地被选取不同的样本,利用Bayes分类进行土地覆盖分类。根据正负地形特征和剖面曲率将DEM划分为梁峁地、沟坡地、沟底地。分类后使用最小面积原则的滤波方法对土地覆盖分类图与土地类型分类图进行处理,并以土地类型边界为标准进行图斑的叠加重组。该方法将光谱特征与空间地形信息相结合,得到的分类结果精度有所提高且带有地形信息,充分体现了黄土丘陵沟壑区地被分布的实际情况,增强了分类结果的实用价值。