基于GEE的山东省近30年农业大棚时空动态变化研究

针对精确获取大尺度空间范围内农业大棚的分布情况并进行长时间的序列动态监测存在数据量大、计算效率低、精度不高等问题,利用Google Earth Engine(GEE)云平台能够实现快速存取、实时处理海量卫星数据,基于多时相Landsat影像进行农业大棚时序光谱特征和纹理特征的自动提取,采用随机森林算法实现山东省农业大棚的遥感分类,从而生成了山东省近30年农业大棚的空间分布和时空动态变化图。结果表明,本文分类流程具有较高的分类精度,其平均总体精度达到91.63%,Kappa系数均值为0.8642。经分析,山东省农业大棚从1990年的6.67 km^2增加到2018年的9919.40 km^2,增长速度为354.03 km^2/a。     

基于多尺度扩张卷积神经网络的城中村遥感识别

城中村是我国快速城市化进程中的一个特殊产物,通常存在人口密集、建筑私自改造等问题。开展城中村的识别和监测对城乡统筹规划以及精细化治理等具有重要意义。基于深度学习提出了一种新的城中村遥感识别模型,该模型包括一个多尺度扩张卷积模块和一个非局部特征提取模块,前者能够聚合多层级空间特征以适应城中村形状、尺度的变异性;后者用于提取全局语义特征以提高城中村的类间可分性。选取北京市二环与六环之间的区域作为研究区,实验结果表明本文模型取得了较好的识别效果,总体精度可达94.27%,Kappa系数为0.8839,且效果优于传统模型。本文研究表明,基于多尺度扩张卷积神经网络进行城中村遥感识别是可行且有效的,可为城乡统筹规划提供精确的城中村空间分布数据。     

草地地上生物量估算模型研究进展

草地地上生物量监测是合理利用草地资源,掌握草原生态演替过程的重要依据.但是,实时观测草地地上生物量信息需要耗费大量的人力物力,亟需借助遥感、数学等工具进行间接观测.本文系统阐述了国内外主流的草地地上生物量估算方法,包括遥感统计模型、草地生长模型、作物生长模型、光能利用率模型和生态过程模型等模型,以及遥感与机理模型耦合模...     

土地利用/覆被深度学习遥感分类研究综述

基于遥感分类实现高精度的土地利用和土地覆被制图是研究热点问题.近年来,以卷积神经网络为代表的深度学习在计算机视觉领域取得了长足发展,同时也被引入到土地利用/覆被遥感制图领域.相比于经典机器学习,深度学习的优势表现为能够自适应提取与分类任务最相关的特征,其缺陷表现为分类精度的提高依赖于海量标签样本.基于深度学习在土地利用...     

基于多核主动学习和多源数据融合的农田塑料覆被分类

通过引入多源多时相卫星遥感数据,提出了一种基于多核主动学习的农田塑料覆被分类算法,实现农业塑料大棚和地膜的精准分类.首先基于多时相Sentinel-1雷达和Sentinel-2光学遥感影像,提取其光谱特征、纹理特征等,以构建多维特征空间.然后构建多核学习模型,实现多源、多时相特征的自适应融合.最后构建基于池的主动学习策...     

基于多源光学雷达数据融合的黄淮海平原冬小麦识别

遥感技术能够快速准确地获取农作物空间分布信息，为探究2021年黄淮海平原冬小麦空间分布信息，基于Google Earth Engine（GEE）云平台，以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源，通过计算极化特征、光谱特征和纹理特征，运用随机森林等4种机器学习方法和深度循环神经网络模型，对研究区冬小麦空间分布信息进行提取，并对比各分类器和网络架构的分类精度。结果表明，黄淮海平原冬小麦总面积约为16226667hm2，占研究区总面积的49.17%，其中冬小麦种植面积最大的是河南省，约为4647334hm2，研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势；随机森林是4种机器学习方法中识别精度最高的分类器，总体分类精度为94.30%；在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%，仅使用Sentinel-2光学数据总体精度为93.95%，而融合时序Sentinel主被动遥感数据总体精度为94.30%；在大范围的冬小麦分类上，深度学习模型的泛化性高于机器学习方法。