水体叶绿素遥感反演中的多尺度分析

水体遥感影像提取污染物信息普遍存在着尺度效应问题,选择合适的空间分辨率影像能够准确地表征水域污染的空间分布状况.充分利用水体空间尺度信息,研究水色遥感的尺度问题,有利于提升湖泊水体遥感反演模型的应用能力.以巢湖水域HJ-lA卫星HSI高光谱和CCD多光谱遥感数据为例,以Matlab为平台,采用基于离散小波多尺度变换分析方法,生成多光谱尺度和空间尺度影像,然后利用水体污染物的定量遥感反演方法,获取湖面水体叶绿素多尺度空间分布浓度,并利用水面同步实测数据对反演结果进行验证.通过结果比较,确定100 m分辨率的HSI高光谱数据为较优分析空间尺度.     

地表温度的多源遥感数据时空融合模型构建

为解决传统的遥感数据融合模型在高异质性地表区域的融合精度不高的问题,本研究在考虑地表温度的前提下构建了一种新的多源遥感数据时空融合模型。首先,为消除反演得到的可见光与红外信息出现不对等的影响,将地表测温空间尺度为综合多地表参数的数据尺度模型。然后利用低尺度低空间分辨率的转换残差模拟地表温度。由于地表温度特征复杂,构建BP神经网络,并根据实际情况调整网络结构与初始参数值。然后融合光学遥感数据与SAR数据,根据高、低空间的分辨率影像计算、反演遥感地表参数,最后将尺度转换模型应用于预测时间相位的参数融合过程中。仿真实验结果表明:上述设计的模型的融合精度要比传统模型略高,证明该模型实现了设计初衷。     

农作物种植结构遥感提取研究进展

农作物种植结构信息对农业生产管理、农业可持续发展及国家粮食安全等具有重要意义。本文中概括了农作物种植结构遥感提取的理论基础,归类了近10年间不同农作物种植结构遥感提取技术方法,重点评述了不同技术方法的特点及应用情况,讨论和展望了未来农作物种植结构遥感提取研究的发展方向。当前,光谱特征、时相特征和空间特征是农作物种植结构遥感提取的三大理论基础。基于单一影像源的种植结构提取方法操作简单,但往往难以获取种植结构“最佳识别期”的遥感影像;基于多时序影像源的种植结构提取方法可以充分利用农作物季相节律特征,成为当前农作物种植结构遥感提取的主流方法。在基于多时序影像源的种植结构提取方法中,多特征参量法较单一特征参量法更适用于农作物种植结构复杂区域,基于多特征参量的统计模型法一定程度上解决了混合像元问题,但模型的鲁棒性有待提高。此外,遥感与统计数据融合的农作物种植结构提取法在国家及全球大尺度的农作物种植结构提取中具有优势,但较低的制图分辨率使得数据产品的区域适宜性较差。未来农作物种植结构遥感提取将以区域“作物一张图”为目标,充分发挥多源数据组合利用的优势,围绕多类型作物同步提取和大范围作物种植结构提取开展深入研究,重点加强遥感数据预处理、特征参量提取和分类器高效选择等关键技术研究,从而提升农作物种植结构遥感提取的时空尺度,满足多方位的农业应用需求。     

基于高光谱遥感的农作物分类研究进展

【目的】农作物类型识别是农作物面积、长势监测与产量预测的重要前提。及时、准确地获取农作物类型、空间分布以及种植面积对制定农业政策、促进社会经济发展和保障国家粮食安全具有重要意义。近年来,高光谱遥感凭借光谱分辨率高、光谱信息丰富等优点,已广泛应用于农作物制图中。【方法】文章归纳了高光谱遥感应用于农作物分类的研究进展,总结了国内外农作物分类常用的高光谱数据源,并分析了各种数据源的适用范围。梳理了农作物高光谱遥感分类方法,讨论了各种分类方法的优缺点。【结果】现有农作物高光谱遥感分类研究存在一些不足:(1)机载高光谱影像光谱分辨率高,但影像监测面积小,不适合大区域农作物面积提取研究;(2)星载高光谱影像监测面积较大,但空间分辨率较低,某些农作物面积提取实际应用中精度较低;(3)由于缺乏对农作物高光谱特征的研究,导致分类算法机理性不足,普适性较差。【结论】农作物高光谱遥感分类未来研究方向是:(1)丰富高光谱遥感监测的农作物类型;(2)提高高光谱影像的空间分辨率,实现农作物种植结构复杂、地块破碎地区的农作物分类研究;(3)进一步研究利用高光谱遥感进行农作物分类的机理和多源数据融合的方法。     

基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类

为了实现精确植被类型信息提取,以福建省三明市将乐林场Quickbird影像和Radarsat-2全极化影像作为基础数据,探讨高空间分辨率光学遥感影像与SAR(合成孔径雷达)全极化影像融合进行地表覆盖及森林类型识别的可行性。采用面向对象多尺度分割方法对Quickbird全色与多光谱的融合影像进行处理,SAR影像采用Gram-Schmidt融合方法处理,运用处理的Quickbird与SAR的融合影像,分类提取植被的光谱、纹理和几何特征信息,建立类层次结构,并对分类结果进行比较分析。结果表明:基于对象与知识的方法对高空间分辨率影像分类取得了较好的分类效果,多源遥感数据分类的总体精度为0.903。     

耕地遥感识别研究进展与展望

快速、准确获取耕地数量及其分布信息是研究耕地时空格局和生态效应的基础，也是及时制定应对粮食问题对策的迫切需求。近年来，随着卫星遥感技术的迅猛发展，遥感以其宏观性、实时性以及经济性为耕地信息快速获取提供了可能性。本文归纳了遥感技术应用于识别耕地信息的研究进展，总结了国内外耕地信息提取研究中常用的数据源、分类算法、时相选择、分类对象，讨论了上述四大类在提取耕地信息过程中的优缺点。随着传感器数量不断增加，遥感影像时间分辨率、空间分辨率及光谱分辨率不断提高，分类算法的不断涌现，基于多源遥感数据，集成智能分类算法识别耕地将成为必然的发展趋势。     

农作物空间格局遥感监测研究进展

遥感技术因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握农作物空间格局提供了新的科学技术手段。本文系统总结了近10年来国内外农作物空间格局遥感监测在理论、方法、实践应用等方面取得的新进展,指出了亟待解决的问题,并对今后的发展方向进行了展望。研究认为,农作物种植面积遥感监测主要根据遥感传感器记录的不同农作物光谱特征的差异,进行不同农作物种植面积的识别,方法主要包括:基于光谱特征、基于作物物候特征和基于多源数据的农作物遥感识别方法。遥感技术应用于农作物复种模式监测主要根据时间序列植被指数描述的作物季节活动过程,利用不同的拟合方法得到作物生长曲线,实现作物复种模式有效监测。农作物种植方式遥感监测是更高层次的遥感应用,主要利用时间序列遥感数据,根据作物植被指数的变化规律区分不同作物生育周期,判断不同复种模式下作物的种植顺序和方式。在未来相当长的一段时间内,建立农作物空间格局遥感监测的理论和技术体系、发展和改进遥感影像分类方法、优化时间序列遥感数据平滑技术和提高信息提取的自动化与流程化将是农作物空间格局遥感监测需要重点解决的几个关键问题。     

多源中高分辨率影像协同下时间合成窗口对农作物识别的影响

【背景】中高空间分辨率（≤30 m）影像是在耕地破碎、种植结构复杂的中国南方开展农作物遥感识别研究的重要数据。然而,要克服中高分辨率传感器重访周期较长以及南方多云雨天气的影响,对影像进行时间窗口合成以协同使用多源中高分辨率遥感数据,是获取时空连续农作物制图结果的必要保障。由于不同卫星影像获取的周期不同,且不同农作物物候季相节律存在较大差异,如何选择影像合成时间窗口是农作物准确识别的关键前提。【目的】通过探究影像合成时间窗口对于农作物识别的影响机制,为大尺度复杂农作物种植结构制图提供重要参考依据。【方法】以农作物类型多样且云雨天气频繁的湖北省江汉平原为研究区,通过协同Landsat-8和Sentinel-2A/2B卫星影像,设置7种时间合成窗口（15、20、25、30、40、50和60 d）情景,分别从影像的覆盖度、不同农作物时序光谱特征以及不同农作物分类精度等角度,深入分析影像时间合成窗口对农作物遥感识别的影响。【结果】在影像20 d时间合成窗口的情景下,江汉平原农作物（冬油菜、冬小麦、水稻、稻虾田和其他作物）的总体分类精度最高,为93.13%。对比而言,在影像较短时间合成窗口（如15...     

基于Sentinel-2A影像的乡镇农业土地利用制图

目的 实现乡镇尺度准确的农业土地利用、作物分布快速制图。方法 文章选用Sentinel-2A遥感影像,基于时序遥感指数阈值分类、最大似然等方法完成各土地利用类型分类、作物空间信息提取,进行乡镇尺度农业土地利用制图,与基于WorldView-2融合图像的0.5 m分辨率农业空间信息图比较验证。结果 （1）研究区粮油作物用地、菜地、设施农用地和园地的面积精度良好,依次为92.93%、98.98%、95.71%和95.14%,与实际面积的差异在8%以内;（2）应用OSM道路数据和历史高分辨率影像等生产的地块边界、农田道路网、水渠网等空间信息与Sentinel-2A多光谱影像分类结果进行叠加制图,能提高10 m分辨率影像分类结果的地块边界信息精度。结论 使用多源信息融合方法和Sentinel-2A光学影像生产的乡镇农业土地利用、作物分布空间大数据,能有效提升乡镇尺度土地利用制图精度和时效性,为应用遥感大数据开展乡镇农业景观分析、农业产业结构优化调整等提供技术参考。     

基于Segformer网络的地块尺度作物种植结构精细化识别与分类

防止耕地“非粮化”、稳定粮食生产是中国粮食安全的基石。为实现地块破碎化地区作物类型及种植结构精细化识别和分类,本研究以江苏省泰兴市为研究区,基于高分辨率遥感影像和多尺度融合特征显著的Segformer语义分割模型,实现地块尺度的耕地信息精细化提取;同时结合多源遥感数据构建主要植被类型归一化植被指数(NDVI)时序曲线及植被生长关键时间节点的光谱反射特征,开展地块尺度的作物种植结构分类。结果表明：基于Segformer模型的分割方法可有效识别耕地,F1系数达92.4%;基于主要植被类型多时相NDVI时序特征及植被生长关键时间节点光谱反射特征的作物种植结构分类方法能够实现地块尺度的种植结构分类,总体分类精度达82.38%。因此,本研究建立的方法可有效实现地块尺度耕地信息的精细化提取及种植结构识别和分类,为耕地保护提供技术支持。     

Winter wheat identification by integrating spectral and temporal information derived from multi-resolution remote sensing data

Timely crop acreage and distribution information are the basic data which drive many agriculture related applications. For identifying crop types based on remote sensing, methods using only a single image type have significant limitations. Current research that integrates fine and coarser spatial resolution images, using techniques such as unmixing methods, regression models, and others, usually results in coarse resolution abundance without sufficient detail within pixels, and limited attention has been paid to the spatial relationship between the pixels from these two kinds of images. Here we propose a new solution to identify winter wheat by integrating spectral and temporal information derived from multi-resolution remote sensing data and determine the spatial distribution of sub-pixels within the coarse resolution pixels. Firstly, the membership of pixels which belong to winter wheat is calculated using a 25-m resolution resampled Landsat Thematic Mapper (TM) image based on the Bayesian equation. Then, the winter wheat abundance (acreage fraction in a pixel) is assessed by using a multiple regression model based on the unique temporal change features from moderate resolution imaging spectroradiometer (MODIS) time series data. Finally, winter wheat is identified by the proposed Abundance-Membership (AM) model based on the spatial relationship between the two types of pixels. Specifically, winter wheat is identified by comparing the spatially corresponding 10×10 membership pixels of each abundance pixel. In other words, this method takes advantage of the relative size of membership in a local space, rather than the absolute size in the entire study area. This method is tested in the major agricultural area of Yiluo Basin, China, and the results show that acreage accuracy (Aa) is 93.01% and sampling accuracy (As) is 91.40%. Confusion matrix shows that overall accuracy (OA) is 91.4% and the kappa coefficient (Kappa) is 0.755. These values are significantly improved compared to the traditional Maximum Likelihood classification (MLC) and Random Forest classification (RFC) which rely on spectral features. The results demonstrate that the identification accuracy can be improved by integrating spectral and temporal information. Since the identification of winter wheat is performed in the space corresponding to each MODIS pixel, the influence of differences of environmental conditions is greatly reduced. This advantage allows the proposed method to be effectively applied in other places.     

被动微波土壤水分产品真实性检验研究进展

随着全球气候变化和陆面数据同化研究对土壤水分反演精度要求的不断提高,大尺度被动微波土壤水分产品的真实性检验变得极为重要。如何获取可以代表卫星观测尺度“真值”、并能表征空间异质性的土壤水分观测场,成为被动微波土壤水分产品真实性检验的关键问题。土壤水分观测场的构建涉及地面观测、同步观测、尺度转换等关键环节,可通过“点代面”和“多源信息融合”这2个技术途径进行构建。简要总结了应用于大尺度土壤水分的5种典型的真实性检验方法,包括实测样本数据检验、影像数据交叉检验、模型模拟检验、影响因素检验和传统地统计检验。这5种方法或缺乏对先验知识的有效利用,或忽略地面实测的重要性,或在综合利用多源数据类型的先验知识信息方面不足。随着贝叶斯最大熵理论的发展,基于贝叶斯最大熵理论和先验知识的大尺度土壤水分产品真实性检验有望发展成为一种可靠的方法。贝叶斯最大熵理论的优势在于,能够提供灵活的数据利用方式,使多种来源、多种类型的数据集有机会同时被用于卫星观测尺度的时空分析,生成高分辨率土壤水分数字地图,从而为大尺度土壤水分产品的真实性检验研究提供一个新的途径。     

多源遥感数据融合原理与模型结构及应用

在对多源遥感数据融合原理进行系统分析的基础上,从3方面阐述多源遥感数据融合的模型结构,对国内外多源遥感数据融合的应用进行评述,对多源遥感数据融合的发展方向进行了预测.     

农作物分布格局动态变化的遥感监测——以东北三省为例

【目的】当前对涉及到耕地内部不同作物空间分布及其变化的研究较少。本文旨在探讨大尺度作物种植面积和分布格局遥感提取方法及景观生态学中景观格局指数在作物格局动态变化分析中的应用。【方法】基于2005年和2010年作物生育期内遥感影像全覆盖的MODIS-NDVI数据,利用RS、GIS技术,通过分析东北地区主要作物（水稻、玉米、大豆）的种植结构、物候历及NDVI曲线特征,建立不同作物面积遥感提取模型,提取大尺度农作物空间分布格局信息。同时,利用景观格局指数方法分析农作物格局动态变化特征和变化规律。【结果】与多年平均统计数据比较,基于MODIS遥感数据提取的作物面积信息,2005年和2010年平均精度达到了90%以上;5年间,东北地区主要作物种植结构发生了较大变化。其中大豆平均斑块面积减少,面积年动态度为-4.47%,水稻和玉米平均斑块面积均增加,且5年的变化幅度均超过20%。【结论】成本和收益是作物面积增加或减少的主要原因;用中等分辨率的遥感数据进行大尺度作物面积提取的方法是可行的;景观生态学中格局指数可以用来分析耕地内部作物格局的动态变化规律。     

An adaptive Mealy machine model for monitoring crop status

Variation in phenological stage is the major nonlinearity in monitoring,modeling and various estimations of agricultural systems. Indices are used as a common means of evaluating agricultural monitoring data from remote sensing and terrestrial observation systems,and many of these indices have linear characteristics. The analysis of and relationships between indices are dependent on the type of plant,but they are also highly variable with respect to its phenological stage. For this reason,variations in the phenological stage affect the performance of spatiotemporal crop status monitoring. We hereby propose an adaptive event-triggered model for monitoring crop status based on remote sensing data and terrestrial observations. In the proposed model,the estimation of phenological stage is a part of predicting crop status,and spatially distributed remote sensing parameters and temporal terrestrial monitoring data are used together as inputs in a state space system model. The temporal data are segmented with respect to the phenological stage-oriented timing of the spatial data,so instead of a generalized discrete state space model,we used logical states combined with analog inputs and adaptive trigger functions,as in the case of a Mealy machine model. This provides the necessary nonlinearity for the state transitions. The results showed that observation parameters have considerably greater significance in crop status monitoring with respect to conventional agricultural data fusion techniques.     

基于遥感光谱的作物氮含量估算研究进展

氮是作物生长不可或缺的营养物质之一,氮的亏缺或富余会严重影响作物的产量和经济效益,及时、准确和无损的作物氮素水平监测对作物的增产、合理施肥以及减少环境污染等具有重要意义。阐述了作物氮含量遥感估算的原理及国内外估算方法与研究进展,并在此基础上分析了基于遥感光谱数据的作物氮含量估算存在的问题,提出了未来研究的重点:模型普适性的提高、多源遥感数据的使用、多因素影响下作物氮含量的监测等。     

中国玉米遥感估产区划研究

农作物遥感估产区划是大面积农作物遥感估产研究和实践的基础。根据农作物遥感估产技术的具体要求,结合农作物区划理论,重点考虑春玉米和夏玉米估产,提出了我国玉米遥感估产区划的原则和依据,针对玉米遥感估产中的各项工作,分别作出了全国玉米遥感估产最佳时相、信息源和土地利用结构分类方案,并在此基础上,设计区划指标,把全国分为13个估产区和28个估产亚区。