基于Sentinel-2遥感影像的黄土高原覆膜农田识别

及时、准确地获取覆膜农田的空间分布信息是防治地膜微塑料污染的基础。为准确地识别黄土高原地区的覆膜农田,本研究构建了基于Sentinel-2遥感影像和随机森林算法的适用于黄土高原覆膜农田遥感识别的特征集组合与多时相组合方案。以甘肃省临夏县、宁夏回族自治区彭阳县和山西省山阴县作为测试区,陕西省旬邑县作为验证区开展识别研究。首先,基于随机森林算法,针对3个不同的作物生育期(播期、生长旺盛期和收获期),在7种不同的特征集组合方案中优选出各时期识别精度最高的方案。然后,基于不同作物生育期的遥感影像及其对应的最优特征集组合方案,构建不同的多时相组合来进行覆膜农田识别并优选多时相组合。最后,利用旬邑县来验证构建的优选特征集组合与多时相组合识别覆膜农田的有效性,并绘制各研究区的覆膜农田空间分布图。结果表明：相比于其他遥感识别特征因子,Sentinel-2遥感影像光谱特征集中的可见光波段(B2、B3和B4)和短波红外波段(B11和B12),指数特征集中的归一化差值裸地与建筑用地指数(NDBBI)、归一化水体指数(NDWI)、裸土指数(BSI)、归一化建筑物指数(NDBI)和改进的归一化水体指数(MNDW...     

基于Google Earth Engine的湖北省近35年地表水变化特征研究

近年来,随着人为影响的加剧、社会经济的高速发展,地表水覆盖面积呈逐渐缩减态势.受研究范围广、统计难度大等因素的影响,湖北省地表水面积变化特征难以精确分析.利用Google Earth Engine平台(简称GEE),对湖北省及各行政区的地表水覆盖的变化特征情况进行分析与评价.结果表明:2000-2018年,湖北省地表水...     

基于GEE的宝鸡峡灌区耕地灌溉面积遥感监测方法

准确监测耕地灌溉面积的变化,对于管理有限的农业水资源及保证粮食安全等具有重要意义.选择中国西北干旱半干旱地区的典型灌区陕西省宝鸡峡灌区,基于Google Earth Engine(GEE)云平台的Landsat卫星数据,在土地利用分类提取出耕地范围的基础上,结合实地采样获得的样本点,并基于宝鸡峡灌区实际,提出了一种获取历史样本点的思路和方法;通过计算归一化植被指数(NDVI)、增强植被指数(EVI)、绿色叶绿素植被指数(GCVI)、水调节绿色指数(WGI)等指数作为分类参数,应用随机森林(RF)算法对2010年及2020年耕地灌溉区域进行了识别与提取.结果表明,宝鸡峡灌区2010年和2020年耕地灌溉面积分別为104 211和90 174 hm²,混淆矩阵验证总体精度分别为91.67%和95.35%,Kappa系数为0.832和0.907.     

基于无人机遥感植被指数优选的覆膜冬小麦估产研究

为进一步提高无人机遥感估产的精度,本研究以2021—2022年的覆膜冬小麦为研究对象,对返青期、拔节期、抽穗期和灌浆期的多光谱影像进行覆膜背景剔除,并优选最佳遥感窗口期,基于最优植被指数构建覆膜冬小麦估产模型。结果表明,利用支持向量机监督分类法剔除覆膜背景后冠层反射率更接近真实值,抽穗期和灌浆期的估产精度更高。将不同生育期的植被指数与产量进行相关性分析发现,最佳遥感窗口期为抽穗期。基于逐步回归和全子集回归法优选最优植被指数时发现,基于逐步回归法筛选变量为MCARI、MSR、EVI2、NDRE、VARI、NDGI、NGBDI、ExG时产量反演模型精度最高。此外,利用偏最小二乘法、人工神经网络和随机森林3种机器学习法构建的产量反演模型中,基于逐步回归法的随机森林模型的反演精度最高,R2为0.82,RMSE为0.84t/hm2。该研究可为提高遥感估产精度、实现农业生产精细化管理提供技术支持。     

利用Google遥感影像进行地物边界勘测的应用研究

文章对Google Earth免费的高分辨率的卫星影像有效地用在地物边界勘测做了探讨。介绍了利用GoogleEarth遥感影像获取地物边界勘测的一种可行性方法。分析了其在工程中的应用并且在未来需要进一步解决的问题。     

利用Google遥感影像进行地物边界勘测的应用研究

文章对Google Earth免费的高分辨率的卫星影像有效地用在地物边界勘测做了探讨。介绍了利用GoogleEarth遥感影像获取地物边界勘测的一种可行性方法。分析了其在工程中的应用并且在未来需要进一步解决的问题。     

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。     

农田生态系统碳通量遥感估算方法研究

为实现农田生态系统碳通量动态监测,提出一种基于Landsat系列多源遥感数据的农田生态系统碳通量估算方法。以美国东北部内布拉斯加州大学农业研发中心的3块试验田地为研究区域,并结合AmeriFlux公开的对应通量站点数据进行后续建模分析。从气候变量、土壤性质、植物性状3方面综合出发,优选与农田生态系统碳通量密切相关的遥感因子,构建覆盖农田生态过程关键环节的全遥感要素数据集。随后,构建基于随机森林(Random forest,RF)的农田碳通量回归预测模型,相比于岭回归模型和套索模型,该模型在农田生态系统碳通量估算方面效果更优,其决定系数(Coefficient of determination,R2)达到0.94,均方根误差（RMSE）为4.281g/(m2·d)。基于随机森林模型进行因子的重要性分析可知,DVI、 NDWI、MSAVI、NRI、NDVI对碳通量估算的贡献度分别为35.6%、25.8%、12.2%、7.8%、5.2%。在以上研究基础上,通过农田生态系统碳收支时空演变特性分析可知,内布拉斯加州2013年作物生育期内的7、8月时农田碳汇能力最强,在种植初期大豆和玉米均呈现弱碳源,且玉米的碳源能力更强,在生长高峰期时玉米和大豆均呈碳汇,且玉米碳汇能力更强。本研究为农田生态系统碳收支精准估算,进而指导农业生产提供理论支持。     

基于HJ卫星的洪水损毁农田遥感识别

利用洪水灾害前后两个时期的HJ卫星影像,对“7.21”北京市房山区特大暴雨灾毁农田识别技术进行了研究。首先采用监督分类方法,获取灾毁前后的农田分布图。然后将两个时期的农田分布图叠加,提取农田变化信息,统计受灾农田的分布面积。研究结果显示:房山区“7.21”水毁农田面积4 103.82 hm2,主要分布在拒马河、大石河和夹括河流域。验证了利用HJ卫星影像结合监督分类方法进行洪水损毁农田识别的可行性,可为相关动态监测问题提供一定的理论依据。      

GEE环境下融合主被动遥感数据的冬小麦识别技术

遥感技术已成为大宗作物种植面积提取的有效手段。为避免冬小麦提取中受光学数据缺乏的影响,基于随机森林算法（RF）和Google Earth Engine（GEE）云平台,探索时间序列Sentinel-1合成孔径雷达（SAR）数据后向散射系数对冬小麦提取效果,并融合Sentinel-1、2主被动遥感数据,研究后向散射系数、光谱特征、植被指数特征与纹理特征的不同组合对冬小麦识别精度的改善情况。结果表明：仅融合多时相Sentinel-1 SAR数据时,分类总体精度为85.93%,Kappa系数为0.75,冬小麦识别精度达到95%以上。融合多时相SAR数据与单时相光学数据,在充分利用极化信息和光谱信息进行分类后,分类总体精度为95.78%,Kappa系数为0.92,比多时相SAR分类结果分别提高9.85个百分点和约22.67%,对冬小麦的识别精度提高约2个百分点。通过分析不同特征组合情况下纹理特征对分类的影响,发现纹理特征对冬小麦的识别精度影响程度较小。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于改进分离阈值特征优选的秋季作物遥感分类

为了提高秋季作物分类精度,以多时相的Sentinel-2为数据源,以生育进程相近的秋季作物为分类对象,提出一种基于Relief F算法和信息熵改进分离阈值算法(Modified ISEaTH-based entropy,EMISE)的多评价准则融合特征优选算法——改进分离阈值组合式特征优选算法(Modified EMI...     

基于随机森林偏差校正的农业干旱遥感监测模型研究

以3个月尺度的标准化降水蒸散指数(SPEI3指数)为因变量,采用融合多源遥感数据的随机森林(RF)算法构建淮河流域2001—2014年作物生长季(4—10月)的农业干旱监测模型,采用简单线性回归、偏差估算法、旋转残差法和最优角度残差旋转法4种方法进行模型结果校正,以决定系数(R2)、均方根误差(RMSE)及干旱等级监测准确率对模型监测能力进行评估。选取最优校正方法,构建随机森林偏差校正干旱监测模型(Bias-correcting random forest drought condition,BRFDC),通过站点实测土壤相对湿度及干旱事件记录对模型干旱监测能力进行验证。结果表明:采用最优角度残差旋转法校正后,模型模拟精度指标R2和RMSE分别为0.897、0.874和0.335、0.362,优于其他校正方法;偏差估算法对各类干旱等级监测更为准确,尤其是对极端干旱的监测准确率最高,达到33.3%～50.0%,最终采用偏差估算法作为最优校正方法,构建BRFDC模型;相比SPEI3,BRFDC模型计算指数与大部分站点土壤相对湿度的相关性更加显著(P 0.01),适于农业干旱监测; BRFDC模型能够准确监测淮河流域2001年严重干旱事件的时空演变过程,并能有效识别极端旱情。该模型可为淮河流域农业抗旱工作的有效开展提供科学依据。     

基于Shannon-cosine小波的农田遥感图像纹理延拓

农田遥感图像一般都是大图像,对这种大图像进行后续的分析,分块处理是较常见的方法,而在进行分块处理的时候易产生边界效应。消除边界效应最常用的方法是进行图像延拓,常见的延拓方法有对称延拓、零延拓和周期延拓,但在边界处会引入大量高频信息。农田遥感图像中的纹理承载了重要的信息,因此,结合农田遥感图像纹理呈现出的直线特性,本文提出了一种基于纹理方向的图像延拓法。利用多尺度插值小波解偏微分方程的方法根据图像的灰度变化自适应选取配置点,即在图像平坦区域稀疏取点,在纹理细节处密集取点。然后根据配点利用包围盒识别农田遥感图像的纹理方向,进一步沿纹理方向进行延拓。试验结果表明,本文提出的图像延拓方法有效地克服了常规延拓方法的缺点,提高了计算效率,消除了边界效应。     

基于多源遥感数据和随机森林的综合旱情指标构建

利用随机森林方法(Random forest,RF)集成多源遥感数据,构建一种多因子集成的旱情状态指数(Integrated drought condition index,IDCI-RF),利用该指数对我国北部区域旱情状态进行评估。首先基于相关性分析方法选取旱情因子,然后利用RF回归方法构建IDCI-RF指数,并通过与Cubist和Bagging方法对比检验RF算法的拟合效果,最后对IDCI-RF指数的空间旱情监测精度进行验证。试验结果表明,所提出的IDCI-RF与实测SPEI-3的平均决定系数R2为0. 54～0. 68,优于Cubist和Bagging方法; IDCI-RF指数在研究区各省份均能较好地拟合实测指数,R2均在0. 7以上;大部分站点的IDCI-RF变化规律与实测SPEI-3保持一致;由IDCI-RF监测图反映的研究区旱情状态与实测SPEI-3分布特征吻合度较高,表明IDCI-RF指数在实际大范围旱情监测中具有较大的应用潜力。