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。     

基于参数型指数混合熵模型的农业遥感分类不确定性评价

针对对像元尺度上独立于分类方法的不确定性评价的需要和对数混合熵函数在评价遥感影像分类不确定性中存在的不足,该文提出了一种基于参数型指数混合熵模型的农业遥感影像分类不确定性评价方法。研究首先对指数混合熵函数进行改进,推导出参数型指数混合熵函数并确定出适合于评价农作区遥感影像分类的参数;然后,使用该函数建立一种像元尺度上独立于分类的不确定性评价模型;最后,将该模型应用于空间分辨率退化10倍的SPOT-5影像中,并使用原始影像对评价结果进行验证。试验结果表明,当模型中参数型指数混合熵函数的参数分别为4和1时,该函数比对数混合熵函数更好地统一了模糊性和随机性,熵值范围提高了2.11倍。该模型不确定性评价结果与原始影像3种分类的不确定像元比例相关系数分别为0.60、0.66、0.70,评价结果较为准确。因此,该模型可以在像元尺度上独立于分类方法将地物类别相对复杂的农业遥感影像分类不确定性更为精确地表达出来,为确保农作物种植面积提取、区域产量遥感估测精度提供了有力支撑。     

基于有理多项式模型区域网平差的GF-1影像几何校正

2013年4月成功发射的GF-1卫星是中国高分系列卫星的首发星,影像在中国农情遥感监测业务中得到了广泛应用,已成为大宗农作物种植面积遥感监测的主要数据源之一。高精度几何位置的配准是卫星农情定量化应用的基础与前提,该文提出了一种基于区域网平差方法修正GF-1卫星WFV(wide field view,WFV)影像RPC(rational polynomial coefficients,RPC)参数,获取更高几何定位精度的校正方法,形成了模式化的业务处理流程,为该影像在农情遥感监测中的应用奠定了基础。算法流程包括2个部分,首先是基于像面间仿射变换关系及有理多项式RFM(rational function model,RFM)模型构建轨道间的区域网平差数学模型,其次是根据影像连接点及少量控制点输入求解所有参与平差的卫星影像定向参数,获取亚像元级的校正结果。平差参数的解算是通过两步求解完成的,初始平差参数是根据连接点及对应的DEM高程值进行平差迭代至收敛,结果平差参数是将初始平差参数作为初始值代入区域网平差模型,并以逐点消元方式约化法方程,解算出各影像的仿射变换参数。该文在求解平差参数过程中,直接使用DEM(digital elevation model)上获取的高程值作为约束条件,消除了平面坐标与高程的相关性,保证了区域网平差模型能够解算。混合地形、平原、山区3种情况下区域网平差结果表明,全连接点平差结果具有较高的相对定位精度,其行方向的中误差分别为0.3046、0.4674、0.3365像元,列方向的中误差分别为0.3677、0.2849、0.2889像元;而结合少量控制点的区域网平差则同时具有很高的绝对定位精度,其行方向的中误差分别为0.3648、0.5041、0.3605像元,列方向的中误差分别为0.4954、0.4039、0.6323像元,整体达到了亚像素级。最后,在农业应用基础控制底图的支持下,分别对原始影像、RPC校正影像、区域网平差后的影像进行几何配准,分析不同输入影像条件下的几何校正精度,仅有区域网平差后的影像达到了亚像元的校正精度,混合地形、平原、山区3种情况下行方向的中误差分别为0.6857、0.6664、1.0646像元,列方向的均方差分别为0.4342、0.4696、0.5609像元,但与几何校正前精度相比没有明显改善,说明本文提出的研究方法可以实现少量控制点条件下的几何精校正。不同DEM校正结果表明,对于山区,更高分辨率的DEM可以获得更好的定位精度。上述研究充分表明,该方法对GF-1/WFV数据的处理有效且可行,并在农业部中国农情遥感业务工作中得到了初步应用。     

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。     

基于优化点匹配模式的农作区遥感影像融合分类

利用遥感影像进行农作物长势监测及估产中，对所用多源影像进行恰当的影像融合是正确解译的重要前提，在传统的基于灰度的影像匹配融合模式中，存在着高运算量和精度不高的问题，该文使用一种基于优化点匹配模式进行农作区遥感影像融合方法，对不同传感器的两景西北农作区遥感影像进行了融合分析验证。所用两景ASTER和SPOT图像匹配总体误差RMS=0.8965,融合后的影像总体分类精度提高到89.67%。     

不同时空分辨率遥感数据融合估算冬小麦叶面积指数

高时空分辨率叶面积指数(leaf area index,LAI)数据能反映作物的长势动态变化,为作物长势评估和产量预测提供有效的生长指标依据。该文综合利用混合像元线性分解与数据同化算法,以高空间分辨率SPOT-5数据反演的LAI修正高时间分辨率HJ-CCD数据反演的LAI序列,生成了覆盖冬小麦主要生育期的高空间分辨率LAI序列,并结合SPOT-5反演的LAI和实测LAI值分析了像元纯度、高空间分辨率遥感数据同化景数对融合效果的影响。结果表明,采用数据融合方法生成的LAI与检验LAI具有较高的一致性,但像元纯度对融合效果影响较大;基于2景SPOT-5影像能够提高LAI序列估测精度,且优于基于1景SPOT-5影像的融合效果。该研究结果可为冬小麦生长监测提供技术支撑。     

基于Landsat8和Sentinel-2数据的砒砂岩区生物量估算的差异性

[目的] 分析基于不同空间分辨率遥感影像估算的地上生物量(above ground biomass,AGB)差异,为遥感估算荒漠生态系统AGB的研究中不同空间分辨率影像的选择提供依据。[方法] 在地面AGB调查的基础上,结合Landsat 8与Sentinel-2影像建立AGB-MSAVI统计模型,对砒砂岩区AGB进行了遥感估算,并分析不同植被覆盖区(高、中、低) AGB估算的差异性。[结果] Landsat 8与Sentinel-2影像均能较好地实现AGB估算,AGB估算结果在空间分布上具有相似性。基于Landsat 8和Sentinel-2数据估算AGB模型平均相对误差分别为13.41%和11.42%,基于Sentinel-2数据的AGB估算精度较高。[结论] 不同植被覆盖区Sentinel-2与Landsat 8数据估算的AGB存在一定的差异,低植被覆盖和高植被覆盖区,两种遥感数据估算的AGB差异相对较小;中植被覆盖区,遥感数据受到空间分辨率的制约,空间异质性影响相对显著,两种遥感数据估算的AGB差异较大。高空间分辨率遥感影像对AGB估算精度的提高具有一定效果。     

综合季相节律和特征光谱的冬小麦种植面积遥感估算

及时准确地获取区域和国家尺度的作物种植面积和空间分布具有重要意义。针对目前中低分辨率遥感数据相结合方法的局限,提出一种新的作物类型识别方法。首先基于MODIS NDVI数据的时间优势,提取研究区各类植被的NDVI时间序列曲线,从而分析冬小麦在季相节律上的识别特征,构建冬小麦识别模型。再将MODIS像元分类处理,纯耕地像元利用冬小麦的季相节律特征识别;耕地与其他植被的混合像元利用混合像元分解的思想提取耕地组分的NDVI时间序列,从而进行识别,进一步根据空间关系将识别结果重新定位到中分辨率尺度上;冬小麦与其他作物的混合像元覆盖区则利用TM遥感影像的光谱差异加以区分。在伊洛河流域主要农业区,以冬小麦为识别对象,结果表明识别精度达到96.3%。该方法为作物种植信息的提取提供了新的解决问题的途径,也对其他类型作物的识别也具有重要的参考价值。     

冬小麦面积遥感识别精度与空间分辨率的关系

不同空间分辨率农作物面积识别精度是农情遥感监测数据源选择的依据。该文采用WFV(wide field view)、MODIS(moderate-resolution imaging spectroradiometer)、OLI(operational land imager)、Google Earth影像,在天津市武清区选择了12 km×14 km的冬小麦种植区作为研究区域,采用目视识别的方法,分析了2、5、10、15、30、100、250 m共7个空间分辨率尺度下冬小麦面积识别精度与遥感数据分辨率、农田景观破碎度之间的关系。结果表明,随着空间分辨率由2 m变化到250 m,冬小麦面积识别的总体精度逐步由98.6%降低到70.1%,精度降低28.5%;面积数量比例由5.5%扩大到110.6%,误差增加105.1个百分点;面积精度呈明显下降趋势,数量误差呈明显增加趋势,数量误差的增加速度高于精度下降的趋势。高、中、低3个景观破碎度条件下,随着分辨率由2 m降低到250 m,作物识别精度分别降低了72.8、63.2和47.0个百分点,破碎度的增加导致面积识别精度下降速度更快;同等分辨率下,破碎度越高的地区面积识别精度越低。像元内冬小麦占比与可识别能力密切相关,像元占比达到45.0%以上时才能够被正确识别为冬小麦类型,像元尺度降低导致细小斑块丢失是造成面积识别与数量精度降低的主要原因。像元空间分辨率越高,冬小麦像元的光谱一致性越强,越有利于冬小麦分类精度的提高。针对农情遥感监测业务运行的需要,上述研究结果可以作为区域范围不同用户精度要求前提下遥感数据源选择的依据。     

基于组合核非线性退化模型的遥感图像复合分类

遥感数据的多空间分辨率复合分析是遥感处理技术的重要发展方向。为了解决低分辨率图像混合像元分类精度低、高分辨率数据分类处理时间长以及大区域高分辨率数据获取困难等实际应用问题,该文改进了传统基于线性退化函数模型的复合分类模型,提出了基于组合核函数的非线性退化模型复合分类算法,分析了纹理信息对于提高复合分类精度的作用,并通过实际遥感数据试验分析比较了两种模型的分类精度。试验结果表明新方法可较大程度地提高总体分类精度,在分类过程中引入纹理信息有助于进一步改善分类精度。     

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。     

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。     

基于点特征检测的农业航空遥感图像配准算法

针对当前无人机遥感图像配准算法普遍存在匹配精度差与配准速度慢等问题,该文以点特征检测方法为基础,结合矩阵降维处理方法,提出一种适用于农业航空遥感图像配准的改进算法—SNS(scale-invariant feature transform and singular value decomposition)算法。SNS算法以高斯函数同步检测尺度空间极值点的坐标和特征尺度,利用海森矩阵消除伪特征点,获取特征点精准定位,在求取特征点的模值与方向基础上,采用奇异值分解方法进行矩阵优化,实现数据降维再重构。试验结果表明,SNS算法与经典算法相比,配准速度平均提高5.01%,配准精度均方根误差平均降低10.48%,说明SNS算法在压缩数据量的同时,提高了整体配准精度,具有配准速度较快和鲁棒性较好的特点。研究结果可为农业航空遥感图像快速配准提供参考。     

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。     

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。     

时序滤波对农作物遥感识别的影响

获取长时序且高质量遥感观测数据是捕捉不同农作物关键物候节律信息,进而获取高精度农作物空间分布信息的关键.受云雨天气影响,卫星遥感易产生低质量观测,其往往不参与或采用时序滤波处理后再用于农作物遥感识别.然而,时序滤波对于农作物遥感识别的影响机制尚未摸清,为高效且高精度农作物遥感制图带来了较大挑战.该研究基于HLS(Har...     

流域非点源污染景观源汇格局遥感解析

流域非点源污染景观源汇格局解析是流域水质污染物产生、输运机理认知与有效防治措施制定的重要科学理论基础。该文以充分挖掘流域遥感数据多时空尺度的特征与优势为目标,制定了流域非点源污染景观源汇类型界定方案,提出了像元级、亚像元级以及时序更新的流域非点源污染景观源汇格局遥感解析方法。在此基础上,以福建省九龙江流域为例,对不透水面这一典型流域非点源污染"源"景观2010年空间格局进行了信息提取,并对2000、2005年对应信息进行了时序更新与空间特征分析,结果显示2000–2010年间九龙江流域内不透水面覆盖面积增长了33.38%。该研究可为中国流域非点源污染研究、生态管理与建设提供参考。     

棉花遥感识别的混合像元分解

为了进一步提高棉花遥感识别精度,以新疆玛纳斯县为研究区,运用线性光谱混合模型（LSMM）,对TM遥感数据的混合像元分解技术与方法进行了研究。将棉花、玉米、番茄和土壤4类典型的端元组分光谱值代入线性模型,在非约束条件下,用最小二乘法估计混合系数,得到每种地物类型的丰度及RMS误差图,以实地测量的棉花种植面积对模型分解效果进行评估,结果表明：线性光谱混合模型构模简单、计算量小,棉花线性光谱混合像元分解精度达到90%以上,可用于新疆棉花的遥感识别。     

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。