基于物候参数和面向对象法的濒海生态脆弱区植被遥感提取

用遥感数据快速准确地提取植被信息对生态环境监测和发展气候模型具有基础性和关键性的意义。由于中国黄河三角洲地区植被类型插花分布,传统遥感提取方法精度较低。该文选取近代黄河三角洲典型生态脆弱区为研究区,基于MODIS和LANDSAT8数据,通过提取研究区的物候参数和不同分辨率遥感影像的融合处理,根据植被类型斑块大小确定分割尺度,根据典型植被类型的物候特征、光谱和空间等特征值构建分类规则,利用分区策略自上而下进行面向对象分类。结果表明,该方法总体精度为80.75%,Kappa系数0.79,高于传统物候和面向对象分类方法。广生态幅的棉田与其他植被的光谱混淆是传统面向对象分类方法植被分类精度低的主要原因,利用物候参数进行植被分区能规避棉田和自然植被的光谱混淆,有利于对植被类型的区分。分类结果与当地植被分布情况相符,可以用于研究区植被类型的精细提取。     

基于GF-1影像的东江流域面向对象土地利用分类

针对东江流域地物斑块破碎、湖泊河流众多等因素影响其地物分类精度的问题,该文以GF-1遥感影像为数据源,采用面向对象的分类方法,结合模糊分类和CART决策树分类法获取研究区土地利用分类信息。根据近红外波段均值的模糊范围(480~2 200)选择模糊小于隶属函数对水体与非水体进行区分,近红外波段均值小于480确定为水体,大于2 200确定为非水体;在水体类别中,采用长宽比指数模糊范围(1.53~4.32)调用模糊大于函数对河流与水库进行了区分,长宽比指数小于1.53确定为水库,大于4.32确定为河流;在非水体类别中,采用归一化植被指数NDVI(normalized difference vegetation index)特征值模糊范围(0.21~0.62)调用模糊大于函数区分植被与非植被,NDVI指数小于0.21确定为非植被,大于0.62确定为植被,最后采用面向对象的CART决策树分类法分出河流、水库、园地、林地、耕地、灌草地、未利用地、建设用地。与极大似然分类法、非监督分类法应用到GF-1遥感影像相比,基于面向对象的CART决策树分类方法的效果最好,总体分类精度高达93.27%,Kappa系数高达0.92。该方法可以作为东江流域获取较高土地利用信息的有效方法,为研究流域生态环境变化提供更准确的数据支持。     

基于GEE和机器学习的河套灌区复杂种植结构识别

河套灌区作为中国重要的商品粮油生产基地,准确快速地获取主要作物空间分布对灌区的农业可持续发展具有重要意义。然而,河套灌区土壤盐渍化严重,作物分布破碎散乱,生育期前后紧邻的作物在遥感影像中难以区分。因此,基于Google Earth Engine（GEE）云计算平台,采用Sentinel-2遥感数据提取作物种植结构,通过引入GlobeLand30地物分类数据集、红边植被特征和作物纹理特征,利用随机森林、支持向量机、朴素贝叶斯和分类回归树4种分类器,探讨了不同分类特征及分类器组合对分类精度的影响。结果表明,使用全部特征波段时,随机森林的分类效果优于另外3种分类算法,灌区平均总体精度达到81%,Kappa系数达到0.68;在作物空间分布提取中,光谱特征对分类精度起决定性作用,基于红边波段计算得到的植被指数比其他常用遥感植被指数更有优势;进行波段优选后的光谱、植被和纹理特征方案是平均分类精度最高的组合,平均精度为86%。研究结果可为复杂种植结构地区准确快速获取农作物空间分布信息提供新的思路和可靠的参考方法。     

基于TM影像的崇明东滩湿地植被分类研究

湿地植被遥感分类对于湿地生态环境的保护与管理具有重要意义,遥感湿地植被分类的难点是湿地环境复杂,植被光谱相似.以崇明东滩湿地为研究对象,利用FieldSpec 3 Hi-Res光谱仪和Landsat 5卫星影像,分析了湿地植被实测和遥感影像反射光谱曲线.在分析的基础上,采用基于知识发现的信息提取方法对湿地植被进行分类.首先将潮滩植被从遥感影像中提取出来;然后计算NDVI、DVI等植被指数,并进行典型植被可区分性植被指数评价;最后将最优植被指数(KT1,TRVI和DVI)作为辅助信息,对潮滩植被进行神经网络监督分类.研究结果显示,该方法的分类总精度较高达86.5％,具有一定的适用性.研究结果可为实现自动、半自动化植被分类与识别提供理论依据和技术支持.     

基于拟合物候参数的植被遥感决策树分类

针对目前遥感分类较少利用植被物候特征参数的现状,该研究以内蒙古自治区额尔古纳、根河两市作为试验区,基于2012年根河土地覆盖数据,采用双Logistic函数拟合的方法对跨度范围为2011年7月下旬至2013年7月下旬的时间序列MODIS EVI数据进行植被物候参数的分析与提取,并依据物候参数特征构建决策树对试验区土地覆盖进行分类。研究表明,不同植被的物候有较明显的特征,森林、草原与作物的生长季开始时间依次滞后,作物的生长季最短,森林与草原生长季基本持平;利用植被物候特征参数进行决策树分类,作物和森林2种植被类型取得较好分类效果,分类的总体精度达到73.67%,优于该区域MODIS土地覆盖产品的总体精度(66.08%)。该研究可为呼伦贝尔地区生态环境评价和农、牧、林业生产活动提供一定的参考。     

多时相MODIS影像的黑龙江省水稻种植面积提取

黑龙江省稻田面积扩张引起农区地类发生巨大变化,利用遥感手段快速动态监测稻田面积扩张的变化,可为水稻产量估算、水土资源开发利用和评价提供科学决策依据。该研究以中分辨率成像光谱仪（Moderate Resolution Imaging Spectroradiometer,MODIS）地表反射率和植被指数数据为主要数据源,融合归一化光谱特征、分层分类、最大似然法、阈值和指数时间序列等方法建立决策树模型,对2003－2018年黑龙江省的稻田、旱地、草甸、滩地、森林、水体、城镇等进行遥感解译,并采用混淆矩阵法验证结果精度。结果表明2003－2018年稻田识别Kappa系数达到0.899～0.961,总精度达到了85.5%～92.3%。黑龙江省新增稻田主要由旱地、草甸和滩地转变,水稻种植面积从2003－2018年扩大了3倍,平均每年扩张158 100 hm2,稻田播种区域的中心向北延伸约160 km。该研究基于黑龙江省不同植被的物候特征,确定了不同地类的决策树分类判定标准,为黑龙江省稻田面积变化提供有效的方法。     

福建省漳州市水稻物候特征对稻田土壤有机碳制图的影响

高精度土壤有机碳制图是研究耕地土壤有机碳时空格局及其影响机制的基础，相关研究结果可为农田“固碳减排”措施的制定提供决策支持。农业管理活动是农田土壤有机碳发生变化的重要影响因子，但基于农业管理活动的土壤有机碳制图却较为少见。基于遥感影像提取的物候参数是农业管理活动的直接反映，在研究农业管理活动对农田土壤有机碳的影响方面有较大应用潜力。基于此，本研究以福建省漳州市水稻田为研究对象，利用随机森林算法，基于5组不同的变量组合（A组：仅自然环境变量；B组：自然环境变量+早稻物候参数：C组：自然环境变量+晚稻物候参数；D组：自然环境变量+早稻物候参数+晚稻物候参数；E组：仅早稻物候参数+晚稻物候参数），分别构建土壤有机碳含量预测模型。通过对比5组模型的预测精度、预测值的空间分布特征和相关影响因子的重要性，分析物候参数对于土壤有机碳制图精度的影响作用，挖掘漳州市水田土壤有机碳制图的主要影响因子，解析对漳州市水田土壤有机碳有重要影响作用的农业管理活动。研究结果表明：物候参数的加入能够降低预测模型的误差和提升模型解释方差的能力；对漳州市水田土壤有机碳影响作用最大的物候参数依次为早稻季的NDVI增长速率（h1）、早稻生长季节开始的时间（a1）与早稻季NDVI下降速率（i1）；三个最重要的物候参数与土壤有机碳含量分别呈正相关、负相关和负相关，因此，采取能够促使早稻苗早生快发、加快早稻分蘖速率和减缓早稻衰老速率的水肥管理措施可增加耕地土壤有机碳含量。基于物候参数构建预测模型能有效提高农田土壤有机碳制图精度，基于物候参数的农田土壤有机碳制图研究可为农田管理提供决策支持，此次研究结果可为相关研究提供理论依据。     

基于多时相遥感植被指数的柑橘果园识别

柑橘普遍种植于中国南方地区,受天气多云多雨、种植类型复杂等因素影响,利用光谱信息直接识别柑橘果园信息存在一定困难。该研究根据柑橘特有的物候特征,提出了"柑橘在其果实生长膨大过程中柑橘果园的植被信息可能减弱"的假设。根据此特征提出柑橘果园信息识别方法,确定关键时间窗口的阈值,并以广西壮族自治区南宁市武鸣区为研究区,开展柑橘果园信息遥感识别实证研究。首先,获取2018年研究区多时相Sentinel-2遥感影像,构建归一化植被指数（Normalized Difference Vegetation Index,NDVI）、绿色归一化植被指数（Green Normalized Difference Vegetation Index,GNDVI）、差值植被指数（Difference Vegetation Index,DVI）和红边波段指数（Sentinel-derived Red-edge Spectral Indices,RESI）等多个植被光谱指数;其次,根据地面样本点信息,对比不同植被类型在不同时期的遥感植被信息差异,进而确定柑橘果园识别的最优特征。研究结果表明,柑橘果园与研究区其他主要作物类型（如甘蔗、香蕉、玉米、水稻等）没有明显的光谱特征差异,但研究区多时相遥感植被指数显示10月的柑橘果园NDVI相比11月出现明显低值0.47,且明显低于其他作物类型;10月的柑橘果园GNDVI也出现了低值0.43,但与其他月份相比差异不明显;而柑橘果园DVI的离散程度低,分离性不强。根据作物物候历,9-10月为柑橘果实迅速膨大期,这验证了该研究提出的科学假设,即该时期柑橘果园的植被信息会减弱。柑橘果实膨大期不同植被指数的离散程度差异明显,NDVI离散程度最高,差异性最强。根据10月柑橘果园NDVI的物候特征,进一步构建归一化指数,通过阈值法识别研究区柑橘果园空间分布,该识别方法的总体精度达到82.75%,优于其他植被指数的识别结果,该研究结果可为柑橘果园信息遥感识别研究提供较好的理论与实践支撑。     

基于关联规则面向对象的海岸带海水养殖模式遥感识别

针对目前海水养殖模式遥感识别中的效率低,"同物异谱"、"异物同谱"和"椒盐"噪声等问题,该文研究了关联规则分类和面向对象相结合的养殖模式遥感识别方法,通过不同养殖模式的对象分割和关联规则的自动和智能获取,来构建海水养殖模式分类器。以高分一号PMS1卫星影像为数据源,把不同养殖模式对象的光谱、空间形态和纹理特征及其关联关系作为事务数据,使用Apriori算法挖掘类别作为后件的强规则,对粤东柘林湾养殖核心区内4种海水养殖模式(池塘养殖、网箱养殖、滩涂插养、浮筏吊养)水面信息进行提取。结果表明:基于关联规则面向对象的海水养殖模式分类精度能达到88.65%,比K-近邻法面向对象法精度提高了14.38个百分点,比关联规则挖掘分类法精度提高了12.16个百分点。关联规则分类和面向对象结合方法拓宽了传统逻辑推理分类方法中获取信息的途径,使分类更加自动化和智能化,且分类精度得到显著提高,可以成为海岸带海水养殖复杂模式识别的有效支持手段。     

基于GF-6卫星影像多特征优选的酿酒葡萄精准识别

多源遥感信息和特征优选是提高农作物识别精度的重要支撑,高分六号（GF-6）卫星作为首次引入红边波段的国产卫星,其丰富的光谱信息为作物识别提供了新的思路和解决途径。该研究基于宁夏回族自治区银川市永宁县2018年6月-2019年3月的GF-6数据,充分利用红边优势提取光谱特征、纹理特征和植被指数特征,构建多种特征组合方案,并根据随机森林算法对特征重要性进行度量,选取最优特征组合对酿酒葡萄进行精准识别。结果表明,与单一特征相比,多源遥感特征的增加显著改善了酿酒葡萄分类效果,其中,植被指数贡献程度最大,光谱特征次之;基于随机森林的优选特征组合分类效果最佳,其中,总体分类精度为94.15%,酿酒葡萄用户精度为94.23%,制图精度为92.59%;以实地调查的4个酒庄为验证区,将酿酒葡萄提取结果与统计数据进行对比,面积相对精度均在70%以上,其中优选特征结果相对精度在90%以上,研究结果将为国产卫星红边波段在植被分类和识别方面的应用提供数据参考。     

GEE平台下利用物候特征进行面向对象的水稻种植分布提取

为高效提取高精度水稻种植分布及其面积,该研究基于谷歌地球引擎（Google Earth Engine,GEE）平台,以辽宁省盘锦市为研究区,利用2020年Sentinel-2影像提取水稻生命周期内4个水稻物候期相应的光谱指数,利用简单非迭代聚类（Simple Non-Iterative Clustering,SNIC）算法来分割影像,灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）来计算纹理特征,结合支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）算法构建6种不同的模型进行水稻种植分布提取,并基于目视解译及实地调查数据,对比6种模型提取水稻的验证精度和实测精度,确定最优模型。结果表明：在水稻种植分布提取中,面向对象方法有助于提高水稻种植分布提取精度,且RF算法优于SVM算法。其中SNIC图像分割结合RF模型具有最高提取精度,总体精度和Kappa系数分别为96.83%、0.934,经实测数据验证,水稻实测精度为95.43%,可满足区域水稻种植分布和面积监测需求。     

基于HJ卫星数据与面向对象分类的土地利用/覆盖信息提取

土地利用/覆盖信息是区域气候与环境研究的基础,是土地资源规划与管理、合理开发与保护的信息保障。为此,该文选取长株潭城市群核心区为试验区,以时间序列HJ卫星影像为数据源,首先构建了时间序列归一化植被指数(normalized difference vegetation index,NDVI)、时间序列光谱第一主成分(first principal component,PC1)数据集,通过J-M(Jeffries-Matusita)距离变量可分离性分析结合地表覆盖的物候特征,确定最佳时序HJ组合数据;其次,采用面向对象的随机森林算法对研究区土地利用/覆盖信息进行分类,并对分类结果进行精度评价与比较分析。研究结果表明:采用时间序列HJ组合数据与面向对象的分类方法,提取城市土地利用/覆盖信息的总体精度和Kappa系数分别达到91.55%和0.90,其中水田、水浇地、旱地、林地、建设用地的生产者精度均达到90%及以上;相对于时间序列基于像元分类、单时相面向对象的分类方法,该文提出的土地利用/覆盖信息提取方法的总体分类精度和Kappa系数分别提高了2.26%、0.02和6.82%、0.08,有效提高了区域土地利用/覆盖信息提取的精度,为大范围土地利用/覆盖精细化分类提供了有效的途径。     

基于主被动遥感数据和面向对象的大蒜识别

针对开封市大蒜种植破碎化程度高,光学数据难以高精度、快速提取问题.该研究基于谷歌地球引擎(Google EarthEngine,GEE)云平台、随机森林算法(Random Forest,RF)和面向对象方法,选择融合Sentinel-1卫星的后向散射系数与Sentinel-2卫星的光谱、光谱指数及纹理特征,分别应用10...     

基于多源数据和Stacking-SHAP方法的山地丘陵区土地覆被分类

山地丘陵区地形复杂,地表辐射信号畸变严重,地物识别困难。为准确提取山区地物信息,结合多源异构数据,Stacking集成学习和shapley addictive explanation(SHAP)方法展开土地覆被分类研究。从Sentinel-1/2影像、气候数据、土壤数据和数字高程图中提取遥感、气候、土壤和地形四类特征变量,设计多种变量组合方案,结合Stacking算法,探讨不同类型变量在山区地物识别中的效用,并对比Stacking最佳方案与支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和极端梯度回归（eXtreme Gradient Boosting,XGBoost）算法的分类精度,评价Stacking方法在山区地物信息提取中的性能。同时,引入SHAP方法,量化Stacking模型中各特征变量的重要性。结果表明：在仅以遥感变量为基础方案时,山区土地覆被分类精度最低;在分别加入气候、土壤和地形变量后,总体精度、Kappa系数和F1分数均有所提高,其中旱地、水田和园地分类精度的提升幅度较大。基于Stacking算法结合所有类...     

无人机遥感影像面向对象分类方法估算市域水稻面积

针对如何高效地从无人机遥感影像中提取农作物样方数据,用于农作物面积遥感估算,该文以浙江省平湖市为例,利用面向对象分类方法对无人机影像进行水稻自动化识别,作为样方数据与卫星遥感全覆盖空间分布分类结果结合,采用分层联合比估计进行2014年单季晚稻面积估算。然后,与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析。研究结果表明:1)利用面向对象分类方法对无人机影像进行分类,总体分类精度达到93%以上,满足构建样本的要求;2)通过区域作物估算对比分析发现,面向对象分类方法对无人机影像进行水稻识别,构建平湖市单季晚稻的样方数据,能够替代人工目视解译样方准确推断区域作物种植面积,有效地提高了无人机影像在遥感面积估算中的应用效率。     

基于Sentinel-2影像的西南山区不同生长期水稻识别

山区水稻种植呈现破碎分散的特点,中低分辨率的遥感影像分类效果不甚理想,需要寻找适用于山区水稻提取的遥感数据源和监测方法;水稻在不同生长阶段有不同的形态特征,适用的分类特征与得出的分类结果显然不同。该研究以Sentinel-2影像为数据源,对不同生长阶段的水稻进行提取。选取波段特征、植被指数、红边指数、水体指数、地形特征、纹理特征等58个分类特征,运用SEaTH算法进行筛选后,采用随机森林分类法进行分类,并构建误差矩阵比较分类结果。结果表明,分类特征经过筛选后,数量分别为发育期16个、生长期13个、成熟期12个;分类结果进行精度验证后,用户精度分别为发育期0.93、生长期0.88、成熟期0.85,水稻发育期为提取水稻的最佳时期。Sentinel-2影像和随机森林方法可作为理想的数据源和监测方法用于山区水稻时空信息的提取。     

基于多时相遥感数据的农田分类提取

为深化遥感解译在农田类型自动提取研究中的应用,了解研究区内农业资源的现状,该文以镇赉县为试验区,设计了基于多时相遥感数据的农田分类提取方案。该方案通过计算地表植被指数时序变化的变程(主要分类变量),结合研究区影像纹理局部方差、修正土壤调整指数和地表水体指数构建多维特征空间数据,对研究区内的水田和旱地进行分类提取。结果表明:1)该算法的总体分类精度为94%,Kappa系数为0.87:2)水田的遥感提取精度为98.3%,旱地为98%;3)水田占全区总面积的13.26%,旱地为20.12%,旱地是研究区内的主要农田类型。该文研究成果为未来农业发展的政策和规划提供一定的参考依据。     

基于多时相遥感数据的吉林西部土地覆被分类提取

为深化计算机自动提取土地覆被类型在遥感分类研究中的应用,以吉林西部的镇赉县为试验区,利用Landsat8多时相遥感数据的季节变化信息、地表植被、水体与土壤等特征参量,构建多维分类特征数据集对试验区进行土地覆被分类研究,提取了11种地表覆被类型。结果表明:1)多维变量组合方案的总体分类精度为95.50%,Kappa系数为0.9504。该方案自动提取地类达到了一个比较理想的分类结果,方案有效可行;2)方案中,3个主要特征分类变量的引入能很好改善易混淆地类的可分性,尤其,地表植被季节变化信息和土地信息的引入能明显提高土地覆被的分类精度;3)实际情况表明,引入的分类特征量不是越多越好,只有将多种分类特征有效结合才能够提高土地覆被分类精度。该文为农牧交错带上的土地覆被遥感监测提供了一个可行的方案,该方案有效可行。     

融合面向对象与缨帽变换的湿地覆被类别遥感提取方法

为了有效提取湿地覆被类别遥感信息,该文基于国产环境星影像(HJ-CCD)和Landsat7遥感影像(ETM)提出了一种融合面向对象技术和缨帽变换的提取湿地覆被信息的方法,并对东洞庭湖区的湿地进行提取。遥感提取结果的总体精度90.02%,Kappa系数0.88,高于传统的分类方法分类的量化结果;获得的结果没有"椒盐现象"且比较紧致。试验结果表明融合面向对象和缨帽变换的方法能够有效的提取湿地覆被类别,精度高,效果好。研究结果为有效地利用遥感手段提取湿地覆被信息提供参考。