基于XGBoost的高分二号影像树种识别

树种分布是森林资源监测的一个重要指标,也是遥感影像在森林资源监测应用中的难点之一。基于国产高分二号卫星影像数据、森林资源二类调查数据、DEM数据,结合光谱、纹理、指数及地形因子等多种特征,比较支持向量机、随机森林和XGBoost等3种分类算法,根据分类精度选择最优算法(即XGBoost)进行特征筛选,对龙泉市的阔叶树、马尾松、杉木和毛竹等4种主要优势树种进行分类。结果表明:采用XGBoost分类模型的分类总精度为83.88%,Kappa系数0.78,较支持向量机和随机森林分类方法有明显提高。经特征选择后,虽未明显提高树种分类精度,但可以减少特征的冗余,为小样本数据下特征的选取降维提供了一定的参考。     

黑土区田块尺度土壤有机质含量遥感反演模型

为了对田块尺度土壤有机质进行空间反演并提高模型精度和稳定性,该文以黑龙江省黑土带41.3 hm~2田块为例,获取2016年5月中下旬两期(受限于拍摄周期和天气原因而选择不同卫星影像,2016年5月17日Landsat 8影像和5月25日Sentinel-2A影像)裸土时期遥感影像和4 m分辨率DEM数据;分析单期影像与土壤有机质(soil organic matter,SOM)的关系,两期影像所包含的土壤含水量变化信息与地形因素对SOM预测模型精度的影响,建立基于BP神经网络的SOM遥感反演模型。结果表明:该田块内SOM含量差异较大;利用单期影像预测SOM时,基于红波段和785~899 nm波段建立的预测模型精度(建模均方根误差RMSE 1.033,检验RMSE 1.079)和稳定性(建模决定系数R2 0.677,检验R20.644)较高;两期影像时,基于红波段和1 570~1 650 nm波段建立的预测模型精度(建模RMSE 0.855,检验RMSE 0.898)和稳定性(建模R2 0.792,检验R2 0.797)显著提高;在两期影像模型基础上,加入地形因子作为输入量,模型精度(建模RMSE 0.492,检验RMSE 0.499)和稳定性(建模R2 0.917,检验R2 0.928)进一步提高。研究成果可为土壤碳库估算和农田精准施肥提供理论与技术支持。     

农作物长势遥感监测需求、系统框架及业务应用

【目的】农作物长势是农业生产管理的重要依据,也是农情遥感监测业务的重要组成部分。【方法】在当前农作物长势遥感监测研究及业务状况扼要回顾基础上,文章从农作物长势遥感监测需求、系统框架等方面进行了系统总结,并以全球冬小麦长势遥感监测应用为例进行了说明。【结果】农作物长势遥感监测需求可以归纳为服务对象、作物类型、空间范围、地面尺度、监测周期等5个方面,系统框架至少包括数据层、方法层、结果层和服务层4个层次。【结论】针对农作物长势遥感监测技术研究及业务应用的现状,研究提出了以下3个观点:(1)农作物长势遥感监测业务方案是成熟的,但是关键技术研究有待加强;(2)农作物长势概念的深入解析,将有利提高长势遥感监测的业务化能力与精度;(3)针对全球、国家、省级以及县级尺度农作物长势遥感监测,采用不同空间分辨率遥感数据开展监测业务,是今后较长一个时期内农作物长势遥感监测的客观现状。上述研究结果给农作物长势遥感监测业务的建设提供了依据,也明确地指明了系统的服务目标。     

基于高光谱数据的农田土壤养分含量估测模型研究

【目的】快速、实时、准确、无损地获取农田土壤主要养分(全氮TN、全磷TP、全钾TK)含量的信息。【方法】运用各种土壤反射率的光谱特征分析技术,提取其最具代表性的敏感波段位置,建立土壤养分含量反演模型。【结果】建立估算模型中,预测TN含量以指数函数模型(Y_(TN)=0.000 5e~(4.700 3x NDI))为最佳;预测TP含量以一元三次函数模型(Y_(TP)=802.27x_(NDI)~3-412.32 x_(NDI)~2+72.357 x_(NDI)-3.318 9)为最佳;预测TK含量以一元三次函数模型(Y_(TK)=80 189 x_(NDI)~3-11 471 x_(NDI)~2+490.57 x_(NDI)+13.879)为最佳模型。【结论】通过模型精度评价和田间反复验证,基于归一化光谱指数NDI建立的高光谱遥感定量模型,能较好的反演土壤TN、TP、TK含量,达到良好的预测效果。     

石佛寺水库叶绿素a浓度高光谱遥感反演

在水质测量评价中,通常将水体中叶绿素a的含量大小作为一个非常关键的指标。为获取石佛寺水库水体叶绿素a浓度反演模型,对石佛寺水库的水体进行光谱测量,获取水体光谱特征,并对采集的水样进行检测,得出叶绿素a浓度。在此基础上分析叶绿素a浓度与水体反射率的相关性,得到如下结论:石佛寺水库水体叶绿素a的浓度与反射比R_(702)/R_(674)和595 nm波长处反射率的一阶微分值都有较为明显的相关性(r~2分别为0.724 4和0.745 0)。     

基于多源遥感数据的河套灌区干旱时空演变特征

利用中国气象局陆面数据同化系统（CLDAS）验证了2015—2016年土壤水分主动-被动微波数据集（SMAP）在河套灌区的适用性，基于土壤水分亏缺指数（SWDI ）和干旱周百分比（PDW）分析了作物生育期内灌区农业干旱时空演变规律，通过两个参考指标检验了SWDI在河套灌区的精度。结果表明：（1）SMAP在河套灌区的适用性较好；区域尺度上，SMAP和CLDAS的相关系数为0.65；栅格尺度上，约有69%的栅格表现良好（R>0.5），且多集中在灌区西南部和东北部。（2）严重干旱主要发生在4月下旬到5月中旬、7月下旬到8月下旬以及9月中旬到10月中旬，主要集中在灌区的西南部、中部和东部；2015—2016年PDW值略有增大，干旱事件的持续时间有所延长。（3）大气水分亏缺量（AWD）表征的气象干旱在时间上显示2 a内灌区干旱月份为5—8月；空间上，除去地形原因，SWDI和AWD的相关性较为显著，且有一半格点通过了显著性水平为0.01的显著检验，表明基于SWDI对河套灌区进行干旱状况分析具有较高的可信度。     

基于无人机与激光测距技术的农田地形测绘

平整地技术是提高作物单产的重要措施，而获取高精度的农田地形测绘数据与农田数字地形模型，是进行精准平整地作业的必要条件。为了解决传统接触式地形测绘效率低、基于航拍摄影技术的遥感地形测绘精度差及作业成本高等问题，该研究提出了一种基于多旋翼无人机与激光测距技术的农田地形测绘方法。在多旋翼无人机测绘平台上搭载激光测距模块与后处理动态差分全球定位系统设备（Post-Processing Kinematic Global Positioning System，PPK-GPS），获取激光测距序列、PPK-GPS三维定位数据以及无人机的飞行姿态数据。首先使用均值滤波器处理原始激光测距序列，并将得到的激光测距序列与PPK-GPS定位数据进行同步处理，使二者建立空间对应关系。根据无人机倾斜状态时的测距激光方向与理论竖直方向的空间几何关系，使用从无人机的飞行控制器中提取的姿态信息校正激光测距序列，消除无人机平台在飞行过程中俯仰与横滚姿态变化对激光测距精度的影响。最后，根据PPK-GPS定位数据的海拔高度分量与激光测距序列计算试验地块内地面测量点的海拔高度，共获取1 417组地面测量点的有效测绘数据。利用手持PPK-GPS设备对地面测量点的海拔高度进行测绘精度检验。验证试验结果表明，本文提出的无人机农田地形测绘系统获取的海拔高度与手持PPK-GPS设备采集的海拔高度的均方根误差为5.2 cm，表明该无人机农田地形测绘系统具有较高的测绘精度。与利用手持GPS设备进行地形测绘作业的方法相比较，本文提出的无人机农田地形测绘系统具有自动化程度高、作业效率高等优点。该研究可为促进精准平整地技术的大规模应用提供数据支持。     

协同多源国产高分影像和面向对象方法的南方农作物遥感识别

【目的】中国南方地区云雨频繁且农业景观破碎，是我国农作物遥感监测最具挑战的区域之一。我国自主研发的高分系列卫星具有高时空分辨率和高质量成像的特点。本研究挖掘多源高分系列卫星的时间和空间双重优势，实现多云雨及景观异质区作物精细化识别。【方法】基于国产高空间分辨率高分二号（GF-2）影像表征农田空间几何特征，协同中空间分辨率高分一号（GF-1）和高分六号（GF-6）加密影像观测时间序列，充分表征农作物光谱季相节律。通过构建光谱-时相-空间三维分类特征，基于随机森林进行农作物分类并计算不同特征的重要性。同时，设置不同影像组合和不同分类单元下的多种分类场景，进一步分析不同高分数据协同利用在农作物识别上的表现差异。【结果】基于GF-1、GF-2和GF-6影像和面向对象的农作物分类在湖北省潜江市研究区的总体精度为95.49%,Kappa系数为0.94；在枣阳市的总体精度为93.78%,Kappa系数为0.92。协同GF-2和GF-6进行农作物分类精度优于协同GF-2和GF-1。此外，基于GF-2进行面向对象的农作物分类效果优于面向像元，其中潜江总体精度提升了1.4%，枣阳提升了1.32%。相比GF...     

基于遥感指数的草原火后植被恢复研究

草原火是草原生态系统重要的干扰因子，严重影响着系统的结构与功能。基于遥感数据，以2015年“4·16”特大草原火灾为例，利用ENVI和ArcGIS等软件，分别对NDVI和GPP指数及火烧严重度下的植被恢复过程进行定量分析。结果表明，基于NDVI和GPP指数的火后植被恢复过程表现相似，不同年份植被恢复情况存在一定差异。火灾发生当年（2015年）火烧迹地植被恢复状况高于未发生火灾区域，而在火后第1年（2016年）却又稍低于未发生火灾区域，直到火后第2年（2017年），火烧迹地植被基本恢复到火前状态。同时，不同火烧严重度下的植被恢复过程在存在明显差异。草原火灾发生后当年（2015年），中强度火烧下植被恢复最好，其次是轻度，重度表现最差。草原火烧严重度对植被恢复的影响，主要表现在火后第1个植被生长季。在之后的年份里，由于草原更新能力强大，不同火烧严重度对草原植被的影响不明显。本研究可丰富草原火灾及火烧迹地植被恢复等相关研究成果，同时为草原火灾管理和草原生态系统的可持续发展提供科学依据。