多源卫星生态环境遥感数据的融合方法比较

运用厦门本岛的SPOT-5全色波段数据和LANDSAT-7多光谱数据、德化地区的JERS-1雷达数据和LANDSAT-7多光谱数据，通过对两组多源遥感数据融合方一IHS变换和主成分分析(PCA)进行试验和比较分析。试验表明，PCA变换的结果保留更多ETM图像的色彩信息，但纹理细节被光滑，图像清晰度低于IHS变换的结果。而IHS变换则更好地保留SPOT图像的纹理信息，但色彩信息不如PCA方法来得丰富。在实际的遥感数据融合中，应根据不同的目的和需求，从具体领域出发，选择合适的融合方法，才能取得好的效果。     

基于地块尺度多时相遥感影像的冬小麦种植面积提取

针对仅利用单一遥感影像数据获取农作物信息精度不够问题,该文选择冬小麦主产地河南省兰考县乡镇作为研究区,以2017年多时相中分辨率Landsat8 OLI影像和Google earth上下载的亚米级高分影像为遥感数据源,结合光谱差异和农田地块信息实现冬小麦的精确提取。该算法首先构建不同时相决策树模型,分别实现2个时相的冬小麦区域初步提取;其次通过将对高分影像多尺度分割产生的地块信息分别与2个时相冬小麦播种面积初步区域相互叠加,完成地块单元控制下的冬小麦播种面积分地块统计,并通过设定不同统计阈值,分析落在每一地块单元下的冬小麦区域,生成基于地块单元的冬小麦播种面积分布图;最后通过多时相交叉验证,获取最终冬小麦播种区域。结果表明：该方法能更加准确提取冬小麦种植面积,保持较低的误判率（1.3%）水平下,得到较高的提取正确率（95.9%）,较通过对比单一Google earth高分辨率影像获取冬小麦精度（85.6%）高,该研究对通过融合多源多时相影像数据获取农作物提供参考。     

基于累积分布函数匹配的多源遥感土壤水分数据连续融合算法

数据融合是解决不同来源遥感数据无法直接对比分析这一瓶颈的有效方法。实时更新的SMOS土壤水分数据(soil moisture and ocean salinity)可开展实时干旱评价(2010年至今),但由于序列短无法开展频率及演变分析。CCI(climate change initiative)土壤水分数据是联合了多种主被动遥感数据合成的长序列数据产品(1979—2013年)。为提高不同来源遥感数据的融合精度,该研究基于累积分布匹配原理构建了多源遥感土壤水分连续融合算法,将SMOS和CCI融合成长序列、近实时的遥感土壤水分数据。经验证分析,累积概率曲线相关性中表征干旱的低值区纳什效率系数由0.52提高到0.99,且融合后土壤水分数据可以较准确地反映当地的干旱事件。该研究提出的多源遥感土壤水分连续融合算法显著提高了现有融合算法的融合精度。     

基于多源遥感数据的河西走廊覆膜农田时空演变分析

农田覆膜在中国西北干旱区广泛应用,具有显著的增温保墒和增产效果。大面积覆膜会影响到区域气候特征,其残膜污染影响生态系统健康。准确识别覆膜农田的时空分布特征,对于农业水资源管理和生态环境保护具有重要意义。为了准确量化河西走廊覆膜农田时空分布,该研究基于多源遥感数据,使用植被指数,提出了一种确定覆膜农田识别时间窗口的方法,在窗口内使用快速覆膜识别算法提取了河西走廊近10年覆膜农田区域,并分析了其时空演变规律。结果显示当地覆膜农田识别最佳时间窗口为4月上半月,其覆膜农田识别总体精度为80%。河西走廊多年平均覆膜农田面积为38.3×10⁴ hm²,其中55.6%位于黑河流域,疏勒河和石羊河流域各占20.9%和23.3%。由于节水灌溉面积增加同时灌溉用水量减少,对覆膜的需求降低,河西走廊覆膜区域近10年减少了32.4%。该研究可为中国西北干旱区农业资源调查提供参考。     

时空协同的地块尺度作物分布遥感提取

地块尺度作物分布信息清晰直观地反映了农田位置、空间形态等空间细节和种植类型信息,对精准农业管理、种植补贴发放和农业资源调查等具有重要价值.虽然遥感时空协同思路为地块尺度作物分布提取提供了解决方案,但在农田地块提取和时序特征构建方面尚存在不足.该研究基于遥感时空协同的思路,以Google Earth高空间分辨率影像为底图...     

地块尺度的复杂种植区作物遥感精细分类

实现复杂农区作物种植信息的精准、动态监测是中国农业精细化管理面临的迫切需求,而作物种植碎片化和异质性给作物遥感精细分类带来了诸多挑战,该文旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法,以满足实时获取复杂农区作物详细分布信息需要。研究选取武汉市新洲北部为典型区,以WorldView-2影像为数据源,利用ReliefF-Pearson方法优选作物遥感特征,采用人工神经网络、K最近邻和随机森林算法进行作物分类,并对比分析其精度。研究发现：1）RVI、NDVI、相关性和边界长度等12个特征构成了地块尺度作物分类的相对较优特征,可在充分表征影像信息同时降低数据冗余;2）相比于人工神经网络和K最近邻算法,随机森林算法分类精度最高,其总体精度达79.07%;3）以光谱特征差异为作物区分基础,形状和纹理特征的使用能有效改善地块尺度作物分类精度,总体精度可提高4%左右;4）研究所采用的方法体系能有效提升复杂种植区地物分类精度,水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分类精度均达到了80%以上。研究成果可为复杂种植区作物遥感精细分类提供新的思路和方法借鉴,亦可为作物种植信息精准普查、土地利用精细化管理以及农业产业结构调整动态监测等提供参考。     

基于GF-1卫星遥感的冬小麦面积早期识别

GF-1号卫星是中国高分卫星系列首颗卫星,自2013年04月26日发射以来,提供了大量的2 m/8 m/16 m空间分辨率的卫星数据,成为中国农业遥感监测的主要数据源之一。该文以GF-1卫星携带的16 m空间分辨率的宽视场(wide field view,WFV)传感器为主要数据源,采用2013年10月2日、10月17日、11月7日和12月5日4个时相的数据,以多尺度分割后的对象为基本分类单元,采用分层决策树分类的方法对冬小麦面积进行提取,并利用地面样方数据对分类结果进行了精度验证。结果表明,北京市顺义区冬小麦面积7 095 hm2,分类总体精度达到96.7%,制图精度为90.0%,其他未分类类别精度为97.3%,Kappa系数为0.8。研究区内冬小麦的播种时间可以分为10月1-5日早播、10月6-10日中播、10月11-15日中晚播、10月16-20日晚播等4个时间段,不同播期对应着归一化植被指数(normalized difference vegetation index,NDVI)不同的变化规律,是分层的基础,结合波段反射率、波段反射率和、波段反射率比值等参数的变化规律,通过分层可以有效的剔除草坪、桃树等容易同冬小麦混淆的地物类型,GF-1/WFV提供的多时相遥感数据能够可靠的反映冬小麦发育变化的规律,是冬小麦面积准确提取的基础,在农作物面积遥感监测业务运行中具有较大的开发应用潜力。     

基于GFMM网的多源遥感数据融合

运用模糊数学与神经网络理论相结合,利用人工神经网络的GFMM算法,通过学习与实验,探索了遥感数据融合方法。     

基于多源遥感数据的综合干旱监测模型构建

在全球气候变化越来越复杂的大背景下,准确监测华北粮食主产区的旱情对区域农业生产有重要的指导意义。以往的遥感干旱监测方法多侧重于监测土壤或植被等单一干旱响应因子,反映综合信息的能力较差,为此该研究使用中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)、热带降水测量计划(tropical rainfall measuring mission,TRMM)卫星等多源遥感数据,在综合考虑干旱发生发展过程中的土壤水分胁迫、植被生长状态和气象降水盈亏等因素的基础上,利用空间数据挖掘技术,构建综合干旱监测模型,并以山东省为例进行了试验验证。结果表明,模型监测出山东省近年来所经历的重大干旱过程与实际旱情一致,模型输出的旱情指标-综合干旱指数(synthesized drought index,SDI)与小麦的标准化作物单产变量的相关系数均大于0.7(P0.05);在小麦和玉米的生长期,综合干旱指数与作物受灾面积的相关系数在-0.67～-0.85之间,与标准化降水指数(standardized precipitation index,SPI)的相关系数在0.44～0.67之间,且通过了P0.01的极显著检验(3月份除外)。研究结果为综合评估区域干旱提供了一种新的方法。     

基于多源数据的若尔盖湿地土地利用遥感自动调查

以2004年10月份的TM数据为基础,以相近时段的ETM、SPOT影像和DEM、坡度坡向等数据为参考,在经过遥感图像增强、地形纠正和去云雪等预处理以后,将以上多源数据形成的待分类图像分割成图斑,并在此基础上采用阈值法分层分类和模糊分类相结合的方法,自动提取了若尔盖湿地的土地利用类型,经检验在定性和定量方面均取得了较高的验证精度.将获取的土地利用数据经修改后进行面积统计并与2000年的数据进行比较,结果表明:若尔盖湿地主要地物类别为大片的中、高覆盖度草地,其次为沼泽湿地,有林地面积较小且集中分布在湿地东北部.近5年若尔盖湿地的高覆盖度草地有向中、低覆盖度草地转变的趋势;湿地大面积减少,裸地面积不断增大,若尔盖湿地正在面临着退化的危机.     

基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取

冬小麦播种面积监测是农情遥感的重要研究内容之一,及时、准确地获取冬小麦的播种面积对冬小麦产量估算具有重要的意义。该文在面向对象技术的支持下,首先利用融合的高空间分辨率SPOT5遥感影像提取农田地块专题层信息;然后在专题层控制下对多时相的ETM+遥感数据统一尺度分割,得到不同时相遥感影像相同形状的地块特征基元;通过光谱特征规则集构建不同时相的冬小麦信息提取模型,实现对各个时期冬小麦播种田块对象的提取;最后通过交叉验证,确定最终的冬小麦播种面积。结果表明,该方法能够快速获得冬小麦播种面积,总体精度达到90%以上,基本上能够满足农情遥感监测的需求,为冬小麦种植面积遥感快速监测提供了一种可行的方法。     

基于混合3D-2D CNN的多时相遥感农作物分类

准确的农作物分类图是农业监测和粮食安全评估的重要数据来源,针对传统的深度学习模型在多时相农作物遥感分类方面精度较低的问题,该研究将卷积维度单一的卷积神经网络(Convolutional Neural Networks,CNN)进行改进,提出了一种混合三维和二维卷积的神经网络识别模型(Hybrid Three Dimen...     

基于GF-1卫星数据的农作物种植面积遥感抽样调查方法

GF-1号卫星是中国2013年4月26日发射的一颗高分辨率遥感卫星,为解决该新型卫星数据在农作物对地抽样遥感调查中的应用技术方法问题,该文针对GF-1号卫星数据的特点,研究了基于GF-1号卫星16m WFV传感器和2m/8m PMS传感器卫星数据的农作物种植面积遥感抽样调查方法。根据研究区物候历,选择农作物识别关键期的16m WFV传感器数据进行多时相农作物种植面积的中分辨率遥感提取;在中分辨率农作物面积遥感分类图基础上,计算研究区域的MORAN I指数,确定格网抽样单元的大小,进行多目标农作物的MPPS(multivariate probability proportional to size)抽样;对抽样单元采用2m/8 m PMS传感器卫星数据进行高分辨率农作物面积制图;最后根据MPPS抽样方法进行总体农作物种植面积的推断,并计算CV值,评价抽样精度。以江苏省东台市为研究区对GF-1号卫星数据进行了应用研究。研究结果表明,GF-1号卫星数据完全可以应用于县级农作物种植面积的提取,农作物种植面积提取精度优于90%。     

多源卫星遥感秸秆焚烧过火面积动态监测

该文针对秸秆焚烧过火面积动态监测中高时间、高空间分辨率难以同时实现的问题,提出利用多源数据(Landsat8、GF-1、HJ-1A/B)来提升中分辨率卫星遥感的观测频次,并通过叠置分析和面向对象影像分析技术提高面积提取精度。使用该方法对河南省太康县进行了8次单日内全覆盖的秸秆焚烧过火面积提取,并通过变化检测获取各乡镇农田秸秆焚烧的累计过火面积、新增过火面积和新增过火农田翻耕面积的时空变化趋势。经验证,面积提取精度达93.89%以上,秸秆焚烧新增过火面积变化趋势与环保部监测结果基本相符。经分析,秸秆焚烧通常会在农作物大面积收割后的某个时间点开始,由若干个起火点随时序朝某个主方向进行传播蔓延,过火区域会随之出现间歇性的大范围翻耕,二者同时进行,即秸秆焚烧新增过火面积与新增过火农田翻耕面积随时序呈反向波浪状变化。说明相比利用低空间分辨率遥感数据进行广域监测,该方法可得到时效性强且精度更高的过火面积空间分布信息,能揭示出秸秆焚烧现象在县、乡尺度上的变化规律与细节。     

作物遥感识别中的数据挖掘技术

该文综述了数据挖掘技术应用在图像分类方面的各种方法，介绍了每种方法的优缺点、适用领域及应用情况。介绍了将数据挖掘技术应用于图像分类方面以有效解决当前作物遥感识别中的瓶颈问题。对当前作物遥感识别系统在数据源的使用、识别过程的规范和方法的实用性方面的问题进行了分析，展望了作物遥感识别中的数据挖掘技术研究发展方向。     

基于多源遥感数据融合和LSTM算法的作物分类研究

准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。