基于GF-1和Sentinel-2时序数据的茶园识别

由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。     

基于云平台和BFAST算法的地表变化检测方法

准确识别地表变化的时空信息,有助于探究地表自然环境和生态系统发展演变的规律,支撑相关的科研与行政管理工作。本文以河南某生态保护修复工程部分实施范围为研究区域,基于Google Earth Engine(GEE)云平台,以2013—2020年的98景Landsat8/OLI遥感影像作为数据源,应用Breaks for additive season and trend(BFAST)算法对地表变化进行了信息提取和制图。首先基于GEE云平台对Landsat8/OLI地表反射率数据集进行调用和预处理,基于CFMask算法对遥感数据集进行云影掩膜,开展光谱指数(植被指数NDVI)的计算以及时间序列数据集的构建。其次基于时序数据集与BFAST算法构建由趋势项、季节项和残差项组成的广义线性回归模型,通过最小二乘法求解模型中的未知参数集,以此进一步构建时序拟合模型,而后基于残差的Moving sums(MOSUM)方法对时序结构变化进行检测。最后从检测结果中抽取像元样点,通过与Google Earth高分辨率影像数据叠置和目视解译,开展结果验证和精度评价。结果表明,本文提出的方法在研究区的时序地表变化...     

利用迁移学习进行长时序遥感影像分类的影响因素和策略

长时间序列遥感影像分类是研究区域自然资源和土地利用时空变迁的重要基础.传统的区域长时序遥感影像分类,需要逐景影像选取样本进行分类,存在样本复用性低、人工工作繁复等问题;而迁移学习作为一种将已有知识应用到不同任务中的机器学习方法,可以实现遥感影像特征信息的重复利用.但长时序遥感影像由于时间跨度和物候等差异,地物光谱存在不...     

基于Sentinel-2A的棉花种植面积提取及产量预测

及时、准确预测棉花产量在棉田经营管理、农业决策制定等方面具有重要的价值和意义。为了提高棉花产量预测精度并确定估产的最佳生育时期,该研究利用谷歌地球引擎（Google Earth Engine,GEE）获取2020年Sentinel-2A的3个时间段影像,采用随机森林（Radom Forest, RF）、支持向量机（Support Vector Machine, SVM）、决策树（Classification and Regression Tree, CART）进行棉花种植区域提取,利用顺序向前选择（Sequential Forward Selection, SFS）和偏最小二乘算法（Partial Least Squares Regression, PLSR）确定棉花产量预测最佳生育时期,最终形成莫索湾垦区棉花产量预测分布图。结果表明,1）RF分类效果最佳,农田与非农田分类总体精度为0.94,Kappa 系数为0.89;棉田与非棉田分类总体精度为0.92,Kappa 系数为0.83。2）红边波段（B6）在3个生育时期中与产量相关性较好,相关系数随着生育时期的递进而增加,分别为0.37、0.47、0.53。3）基于PLSR构建的产量预测模型中,铃期预测效果最佳（决定系数R2=0.62,均方根误差RMSE=625.5 kg/hm2,相对误差RE=8.87%）,优于吐絮期（R2=0.51,RMSE=789.45 kg/hm2,RE=11.06%）和花期（R2=0.48,RMSE=686.4 kg/hm2,RE=9.86%）,铃期为棉花产量预测的最佳生育时期。该研究利用GEE和Sentinel-2A影像数据,为新疆莫索湾垦区棉花种植面积提取及产量预测提供一种新的思路,可为合理水肥配置、精准种植、农作物生长过程监测提供数据支撑。     

高分六号遥感数据在有林地识别中的应用

精准农业观测卫星-高分六号卫星(GF6)增加了4个特殊波段,更加有效地反映了植被特有的光谱特性,为植被应用研究提供更为详细的地物光谱信息。为了分析GF6数据在植被识别能力上的优越性,比较了GF6号新增波段(红边1、红边2、黄边、紫边波段)和高分数据传统波段对有林地识别精度的影响。结果表明:GF6新增波段对有林地快速识别的精度达到97.67%,Kappa系数为0.95,比GF数据4波段对有林地的识别精度提高了3.35%,Kappa系数提高了0.08。CART自适应特征和阈值选择决策树算法比人工决策树分类算法对有林地识别精度有显著增加,精度由88.81%提高到97.67%,Kappa系数由0.78提高到0.95。GF6数据新增特殊波段结合CART自适应特征和阈值决策树算法对有林地具有快速优越的识别能力。     

基于有机质特征谱段的土壤Cd含量高光谱遥感反演

针对土壤Cd高光谱遥感定量反演中的机理性不足及数据冗余问题,提出一种基于有机质特征谱段的反演方法。该方法首先提取土壤光谱中对重金属Cd具有吸附作用的有机质特征谱段,进而通过竞争性自适应重加权采样法（Competitive adaptive reweighted sampling,CARS）优选特征谱段,采用偏最小二乘回归法（Partial least squares regression,PLSR）建立重金属Cd的反演模型,并利用郴州矿区土壤实验室光谱数据和哈密黄山南矿区野外光谱数据进行方法验证。研究表明：有机质特征谱段提取在降低数据冗余的同时提高了重金属Cd的反演精度,CARS算法相对于相关系数法（Correlation coefficient,CC）和遗传算法(Genetic algorithm,GA)特征选择具有更高的反演精度,基于有机质特征谱段的CARS-PLSR算法在土壤实验室光谱和野外实测光谱所得验证精度R2分别为0.94和0.80,表明该算法对于实验室和野外光谱均具有一定适用性。研究可为土壤重金属含量高光谱反演的特征波段选择和算法优选提供参考。     

基于哨兵影像与多特征优选的溧阳市上兴镇水稻识别

水稻是中国三大粮食作物之一,提供准确、及时的水稻种植信息对水稻生产管理、水稻种植保险赔偿以及国家粮食安全指导、政策制定和实施等具有重要意义。针对中国南方水稻种植地块破碎、种植结构复杂等造成的水稻识别难点,为提高水稻识别精度,本研究以哨兵一号(Sentinel-1)、哨兵二号(Sentinel-2)遥感影像为数据源,构建光谱特征、植被/水体指数特征、纹理特征和雷达特征等特征集,设置包括优选特征在内的7种特征组合,采用随机森林算法对江苏省常州市溧阳市上兴镇的水稻进行识别。结果表明,在光谱特征中,红边波段对于水稻识别精度有着较高的提升作用。光谱特征结合植被/水体指数特征、雷达特征后,水稻识别精度有所提高。基于优选特征进行分类的精度最高,总体分类精度、Kappa系数分别为93.26%、0.904 8。综上,结合遥感影像的光谱特征、植被/水体指数特征和雷达特征等并进行特征优选可以提高水稻识别精度。     

不同内源重金属生物炭对Cu和Cd吸附及其对老化作用的响应

为明确老化作用对不同内源污染物生物炭吸附重金属稳定性的影响，该研究以不同污染程度（清洁、中度和重度污染）土壤种植的巨菌草秸秆制备3种不同内源Cu和Cd含量的生物炭RB、SB和JB，分析3种生物炭对Cu和Cd的吸附能力以及干湿和冻融老化对饱和吸附后生物炭中Cu和Cd的生物有效性的影响。结果表明：3种生物炭表面均分布丰富的孔隙结构，RB含有最高的pH值和灰分；生物炭对Cu和Cd的吸附符合Langmuir模型（R2=0.951～0.998），且RB对Cu和Cd的吸附量最大，分别为54.3和37.3 mg/g；与此相同，饱和吸附后RB对Cu和Cd的固持量最大，分别为21.4和4.78 mg/g。与老化前相比，干湿老化较冻融老化更显著地降低了饱和吸附后生物炭中Cu的TCLP浸出含量，促进了Cu从酸溶态和残渣态向还原态和氧化态转化，降低了Cu的环境风险；但是干湿和冻融老化作用增加了饱和吸附后生物炭中Cd的TCLP浸出含量，促进了Cd从残渣态向酸溶态、还原态和氧化态转化，增加了Cd的环境风险。这可能是由于3种生物炭对Cu的吸附主要以表面络合为主，对Cd的吸附以化学沉淀机制为主。总体上，RB生物炭固持最高的Cu和Cd，但是干湿和冻融老化增加了饱和吸附后生物炭Cd环境风险，研究结果对于评估生物炭长期钝化修复稳定性具有一定的指导意义。     

利用植被指数非相似性监测水稻病虫害方法研究

【目的】提出植被指数非相似性的计算方法以及利用植被指数非相似性监测水稻病虫害。【方法】首先将具有空间特性的植被指数影像假设成为具有概率统计特性的信息量,并基于信息理论和SID模型推导出两个不同区域相同大小影像的植被指数非相似性(VID)计算方法;然后根据VID计算方法,计算出无水稻病虫害的参考区域与有水稻病虫害的试验区域的10种植被指数VID;之后利用计算出的10种植被指数VID与实测水稻病虫害等级数据进行回归分析,判断VID与水稻病虫害等级数据的相关性;最后选择相关程度较高的几种植被指数VID进行K-fold交叉验证,判断植被指数非相似性监测水稻病虫害的精度。【结果】10种植被指数VID与地面实测水稻病虫害等级数据进行回归分析后,R~2的范围在0.63～0.95之间。3种相关程度较高的植被指数VID与地面实测水稻病虫害等级数据进行交叉验证后,R~2的范围在0.91～0.97之间,RMSE在0.16～0.24之间,广义监测精度在97.62%～100%之间。【结论】植被指数非相似性与水稻病虫害等级数据具有较强的相关性,利用3种相关程度较高的植被指数VID监测水稻病虫害等级具有很高的精度。     

刍议枯死松树的天空地协同监测技术体系建设

枯死松树及时精准监测是做好松材线虫病防治的基础,传统人工线路踏查难以保证全覆盖和高时效。高空间分辨率的航空和航天遥感技术可以快速采集区域级地表覆盖数据,获取单木与树丛级森林资源健康状态信息,服务于枯死松树监测;地面调查是航天和航空遥感技术应用不可或缺的组成部分,是实现对松材线虫病疫情遥感监测必不可少的工序。枯死松树的天空地协同监测技术体系的建立,以及天空地遥感技术互为补充的集成运用,是提高松材线虫病监测调查工作实时性、客观性和科学性的重要保障,不仅可为精准监管森林资源提供相应解决方案,也是完善和丰富现有松材线虫病监测普查体系、实现松材线虫病疫情早期发现以及疫情处置监管的有效途径。