基于改进水云模型和Radarsat-2数据的农田土壤含水量估算

为了直接将雷达遥感中"水云模型"进行反演应用,该研究将"水云模型"中植被参数改为雷达植被指数,利用全极化数据直接支持遥感反演土壤含水量,无需遥感反演植被参数输入。改进模型为利用雷达遥感结合"水云模型"进行土壤含水量监测提供了一种高效便捷方法。基于Radarsat-2全极化数据对冬小麦覆盖的农田土壤含水量进行估算,利用2014年在陕西杨凌区获取的4个生育期内Radarsat-2卫星数据及同步田间测量108组冬小麦农田土壤含水量地面测量数据进行模型参数校正和精度验证。验证结果精度为:改进的雷达植被指数模型原叶面积指数模型(实测叶面积指数验证)原叶面积指数模型(光学遥感反演叶面积指数验证),且改进的雷达植被指数模型可以在多个生育期内对农田土壤含水量进行监测。     

多源遥感降水数据在辽宁西部水文模拟中的应用研究

选用雷达遥感降水数据和卫星遥感降水作为水文模型的降水输入,以辽宁西部区域为研究区域,分析多源遥感降水数据在水文模拟中的适用性和精度。研究结果表明:经过修正后的雷达遥感降水数据和实测降水数据之间的误差值要小于卫星遥感降水数据;雷达遥感数据在水文模型中的模拟精度要好于卫星遥感降水数据,更适用于辽宁西部区域水文模拟。研究成果对于区域多源遥感数据在水文模拟中的应用提供相关参考。     

基于多分辨率数据的干旱和半干旱地区地物模糊分类

为了进一步提高低分辨率遥感数据用于干旱和半干旱地区地物分类精度,该文以新疆石河子垦区为研究区,利用PSA(purposive selection algorithm)算法结合地物分布的统计特性对样本窗口进行选择,确定了最佳样本窗口组合;采用概率密度估计的方法获取了真实的隶属度函数,基于类别隶属度函数构建地物辨别模型;建立了多分辨率数据大尺度土地利用/覆盖遥感分类流程。研究结果表明,借助高空间分辨率数据提取各地物类别的精细分布特征,与Erdas非监督分类相比,模糊分类的总体分类精度提高了20%。该研究可为低分辨率数据的研究与应用提供借鉴。     

基于多源遥感数据的草地生物量估算方法

为了寻求有效的草地生物量估算方法和精确估计荒漠草原草地生物量及其变化规律,该文探讨了利用全极化RADARSAT-2 C波段雷达数据和HJ1B图像及野外调查获得的样方生物量数据,估算荒漠草原人工柠条灌木林地上生物量的方法。在对柠条灌木林地上生物量和雷达后向散射系数及HJ1B图像归一化植被指数(normalized difference vegetation index,NDVI)进行相关分析的基础上,采用多元逐步回归分析从RADARSAT-2数据及HJ1B植被指数NDVI建立了人工柠条林生物量模型,用实测草地生物量值对模型进行验证,同时将光学和雷达图像进行融合和分类处理,在此基础上对草地生物量进行分布制图,并将其结果与HJ1B的NDVI模型生物量估算结果进行对比。结果表明:柠条林地上生物量与RADARSAT-2雷达后向散射系数之间存在较好的定量关系(决定系数R2=0.71,均方根误差(root mean square error,RMSE)=14.2 kg/hm2,P0.001),其估算生物量与实测生物量一致性较好,估算生物量精度优于HJ1B的NDVI指数估算结果(R2=0.27,RMSE=20.58 kg/hm2)。由此可见,利用光学图像HJ1B和雷达数据RADARSAT-2融合分类能进行地物有效识别,雷达遥感数据可以用于草地结构参数的定量研究。利用光学和微波协同遥感进行草地生态系统监测研究具有一定的应用潜力。     

浅析图像融合对土地利用分类的影响——以西安地区为例

通过运用ERDAS软件对西安地区的ETM遥感影像进行数据融合处理,并对融合结果分别进行监督和非监督分类,研究图像融合前后的监督、非监督分类结果的差别,进行精度分析与评价,分析图像融合对其分类的影响,结果发现:除河流等地物分类精度相差不大外,融合后图像的分类结果中各个地物的吻合度明显提高,改善了遥感图像的分辨率和效果,有利于遥感图像的解译分类。     

协同光学与雷达遥感数据的面向对象土地覆盖变化检测

西南地区受云、雨天气的影响,高质量的光学数据难以获取,合成孔径雷达数据可以全天时全天候地工作,但其重访周期较长,因此在多云多雨地区协同光学与雷达数据开展土地覆盖变化检测,可以弥补单一遥感数据源的不足,对国土资源调查评估及全球变化研究具有重要的意义。该研究基于2019年眉山地区Sentinel-2光学数据对2016年和2019年全极化Radarsat-2数据生成的差异影像进行面向对象引导分割,提取对象级多维特征,并提出FSO-RF变化检测框架,该框架利用样本间距离度量可分性特征空间优化（Feature Space Optimization, FSO）方法来优化特征空间,结合面向对象的随机森林（Random Forest,RF）分类器实现土地覆盖变化检测,与现有的变化检测算法对比,该研究的变化检测框架在精度上有较大提升,在试验区的准确率达到92.90%,通过抽取具有代表性的样区进行检验,两个样区变化检测结果的准确率分别为95.08%和88.16%。该研究提出的算法框架可以很好地满足城镇、农田等不同地物类别的变化检测需求,在国土资源监测中具有一定的应用价值。     

额济纳旗东北区戈壁面粗糙度分形特征与雷达遥感实证分析

反映地表粗糙状况特征量的地表粗糙度是非线性的 ,可以用分形去刻划。雷达遥感具有对地表粗糙度敏感的特性 ,故利用美国航天飞机 3号 ( SIR- C/ X- SAR)雷达遥感数据 ,选择干燥的内蒙古额济纳旗东北区作为雷达回波与地表粗糙度分形测量研究实验区。实测的计算结果表明 ,在 2～ 10 cm无标度区间 ,此处的戈壁面为具有分形特征的粗糙地形面 ,从雷达遥感的后向散射系数分析表明 ,该区对 C波段 (λ =5 .3 cm) HH极化回波贡献非常强烈 ,其原因是 2～ 10 cm区间尺度正好含盖航天飞机雷达波 C波段长度 ,而小于 L波段 (λ=2 3 .5 cm )长度 ,此结论实证了戈壁地貌表面在一定区间具有分形的特征 ,并可以为雷达遥感某一波段所强烈表现出来 ,这将为借助分数维对图像处理、地物分类以及表面侵蚀定量刻划提供重要的科学依据。     

福建沿海防护林资源的卫星遥感监测

以2006年10个时相的晴空MODIS遥感数据为信息源，根据植被对MODIS遥感数据的反射光谱特征和沿海防护林的生长特点，选用归一化植被指数NDVI作为指标来增强沿海防护林与旱地和居民地的差异，并重点分析这三种典型地物的NDVI随时间变化情况，在此基础上选择训练样区，采用监督分类方法提取福建沿海防护林信息，分类后参考2005年福建省CBERS-2遥感影像对分类结果中明显错误的地方进行修正，最后得到沿海防护林的分类总精度为79．67％，Kappa系数为0．7625。研究结果表明：应用MODIS遥感数据，通过人机交互解译来监测福建沿海防护林资源是切实可行的，分类统计结果显示2006年福建沿海防护林面积约为33．6万hm^2。     

基于遥感信息融合的阜新煤矿排土场地物提取与分类

结合地面测试高光谱数据及卫星遥感数据,对矿区地物信息进行提取,可有助于快速获取矿区地表信息,为矿区废弃地植被恢复提供辅助决策信息支持具有重要意义。该文以阜新市海州矿区排土场为研究对象,对不同波段组合的SPOT-5遥感影像进行了分类方法和分类精度评价研究。结果表明：排土场影像在波段组合与融合之后进行分类,分类精度提高不明显;而通过组合SPOT多光谱影像和植被指数图像,并结合地面测试的高光谱特征曲线建立分类模板,可以有效地提高地物分类精度,总体分类精度为85.48%,Kappa系数为0.8197。分类结果满足对排土场地物调查的实际需要,为建立排土场植被恢复等级提供了数据基础。     

青海诺木洪地区多源遥感及多特征组合地物分类

遥感技术是研究土地覆盖类型的重要手段，但大部分研究仅采用单一数据源、少特征，该研究基于GEE环境对多源遥感数据、多特征协同进行地物类型分类研究。采用哨兵一号（Sentinel-1）合成孔径雷达数据、哨兵二号（Sentinel-2）多光谱数据和国产高分二号（GF-2）多光谱数据，构建了青海省诺木洪地区地表8类地物的波段特征、植被指数特征、纹理特征和极化特征空间，利用特征优化算法和RF算法实现了研究区域地物的有监督分类，以此评估构建的多特征空间性能及多源数据协同分类的能力。结果表明，基于Sentinel-1与Sentinel-2数据源，使用多特征空间协同分类时的总体精度和Kappa系数可达到97.62%和0.971 6，精度均高于使用单一数据或部分特征的分类精度（总体精度为95.91%，Kappa系数为0.951 1）。而基于Sentinel-1、Sentinel-2与GF-2数据提取的波段、植被指数、纹理特征和极化特征进行的协同地物分类结果总体精度达到了96.67%，Kappa系数达到了0.960 2。总体上，基于多数据源、多特征协同分类结果精度要优于单一数据源或少特征分类结果，而不同空间分辨率图像提取的纹理特征对分类结果有着不同影响，在适宜的分辨率下提取纹理特征参与分类才能达到更好的效果。     

基于三分量分解优化模型的农用地SAR影像提取方法

针对中国北方部分农区夏秋两季易受长时间云、雨、雾影响导致区域农用地信息难以实时准确获取的现状,在Freeman极化分解模型基础上,该文提出了一种三分量极化分解优化模型农用地合成孔径雷达(SAR)影像自动提取方法,并开展不同作物覆盖条件下农用地信息提取试验研究。该文首先通过引入体散射分量参数,二次散射分量参数和布拉格散射分量参数,对现有Freeman极化分解模型进行优化,使分解结果更符合农业区域不同地物散射特征;然后,在利用优化三分量极化分解方法提取极化分量基础上,结合模糊C均值聚类,实现农用地信息高精度自动提取。最后,该研究以中国重要黄淮海农业区河北衡水枣强县为试验区,以Radarsat-2影像为试验数据源,在作物全覆盖和作物部分覆盖2种条件下,通过将优化三分量-FCM分类和常用雷达分类方法 H-Alpha-Lambda分类的农用地提取结果与地面验证样方进行对比,完成该研究所提出SAR影像农用地提取方法的精度验证和评价。结果表明,在作物全覆盖条件下,利用优化三分量-FCM分类提取农用地信息的总体精度和Kappa系数分别为96.12%和0.857,较H-Alpha-Lambda分类方法分别提高了8.69个百分点和0.337;在作物部分覆盖条件下,利用优化三分量-FCM分类提取农用地信息的总体精度和Kappa系数分别为97.53%和0.902,较H-Alpha-Lambda分类分别提高了17.37个百分点和0.595。可见,无论在作物全覆盖还是部分覆盖条件下,优化三分量-FCM分类方法提取的农用地精度均优于H-Alpha-Lambda分类方法,证明了该算法提取农用地信息具有一定可行性和适用性,为SAR影像在农业遥感应用中的农用地信息提取提供了新的思路。     

基于多时相遥感影像和随机森林算法的土壤制图

获取准确的土壤-环境关系是数字土壤制图的关键,目前遥感影像已作为环境因子应用于土壤-环境知识的建立过程,但单幅遥感影像所包含的光谱信息差异难以将不同土壤类型区分开来。因此本文提出了一种基于多时相遥感影像的土壤制图方法：选取红安县滠水河流域为研究区,以母质类型图、等高线数据和多时相哨兵二号遥感影像为基础,提取与土壤形成有关的环境因子,通过随机森林算法获取土壤-环境关系,预测研究区各土壤类型的空间分布并成图,利用野外实地分层采样点验证推理图的精度。结果表明：推理土壤图总体分类精度高达86%,与原始土壤图对比,各土壤类型的空间分布具有一定相似性,展现了更为详细的空间细节信息,该研究成果可为更新土壤图工作提供新方法。     

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(HybridThreeDimensionalandTwoDimensionalConvolutional Neural Networks,3D-2D CNN)。该模型首先通过多个三维卷积层提取时空特征,其次将输出的特征降维压缩后通过二维卷积层执行空域特征分析,最后将高层特征图展平后通过全连接层进行类别预测。试验以Landsat8多时相影像为数据源,将美国加利福尼亚州北部研究区的地块按照2:2:6分层随机划分为训练集、验证集和测试集。试验结果表明3D-2DCNN对13种农作物分类的总体精度(89.38%)、宏平均F1值(84.21%)和Kappa系数(0.881)均优于三维卷积神经网络(Three Dimensional Convolutional Neural Networks,3D-CNN)、二维卷积神经网络(Two Dimensional Convolutional Neural Networks,2D-CNN)、支持向量机(Support Vector Machines,SVM)和随机森林(Random Forest,RF)等方法,并在参数量和收敛时间方面比3D CNN大幅度减小。同时,在较小样本训练集下3D-2D CNN仍表现最优。该模型综合利用空间-光谱-时间特征并具有较高的分类精度和较强的鲁棒性,这为解决多时相遥感农作物分类问题提供了一个有效且可行的方案。     

基于特征优选决策树模型的河套灌区土地利用分类

为了提高土地利用遥感识别精度,探索不同识别期及不同特征变量对土地利用类型遥感识别精度的影响。该研究采用Landsat时间序列影像数据,考虑不同月份和不同特征变量(波段、光谱指数及纹理特征)组合方式建立土地利用决策树分类模型,并利用河套灌区永济灌域实测数据和Google earth影像对不同组合方式的土地利用模型进行数量结构和空间布局的验证,筛选出最优的土地利用遥感模型并确定最佳识别期。结果表明:在不同月份Green(绿波段)和Ent(熵Entropy)分别与波段和纹理特征变量中的因子所含有的信息重复率最高,需剔除,归一化植被指数(Normalized Differential Vegetation Index, NDVI)和增强型植被指数(Enhanced Vegetation Index,EVI)在今后的研究中可选其一应用;与单一特征变量相比,不同特征变量组合后能提高模型精度,平均总体精度和Kappa系数分别提高了6.72个百分点和0.09。采用8月影像数据构建的遥感模型精度最高,最优遥感模型的特征变量组合方式为波段+光谱指数+纹理特征,总体精度、Kappa系数、制图精度和用户精度分别为80.23%、0.74、80.95%和86.26%,且减少了未利用地和居民工况用地空间布局的错分。通过综合比较,该研究区土地利用最佳识别期为8月,其次为9月。利用8月最优遥感模型(最佳识别期和最优组合)识别的耕地、林地、草地、未利用地、水域和居民工矿用地的制图精度分别为96.83%、73.33%、70.00%、65.52%、100.00%和80.00%,用户精度分别为76.62%、100.00%、82.35%、82.61%、100.00%和80.00%。因此可选用8月最优模型应用于长时间序列的土地利用类型识别。     

基于合成孔径雷达的农作物识别研究进展

精准识别农作物对于及时准确估计农作物种植面积、产量等关键农情信息具有重要意义。合成孔径雷达（synthetic aperture radar,SAR）以其不受云雨天气影响,可全天时、全天候监测等优点已被广泛应用于农情遥感监测领域,为大区域尺度的农作物遥感识别提供了强有力的数据保障和技术支持。该文以雷达技术的发展进程为论述主线,对20余年来国内外农作物SAR识别研究与实践应用的新进展进行了系统总结,具体归纳为4个方面：早期研究（20世纪80年代末－2002年）,特征是以单波段、单极化、多时相SAR数据为主;基于多极化、多波段SAR数据进行农作物识别与面积监测研究;利用SAR与光学遥感相结合提高农作物的识别精度与效率研究;农作物SAR分类算法研究。在今后农作物SAR识别研究中,对于复杂种植结构背景下的旱地作物识别,如何优化组合SAR系统工作参数（极化方式、频率及入射角等）及与光学遥感融合来提高农作物识别精度与时效性,发展机理性的农作物SAR分类算法将是需要重点解决的3个问题。     

北京平原区粮菜林三地类时空转变特征

该文利用遥感与地理信息系统技术研究北京平原区农用地内部粮田、菜地和林地三大类农地利用类型的变化。结果表明:2004年至2014年这10 a间,粮田转变为林地与菜地是北京平原区农地利用变化主流。粮田转变为林地面积是969.97 km~2,其土地利用变化重要性指数高达72.11%,在各类农地利用变化类型中居首。而粮田转为菜地则主要是粮田转变为设施菜地,10 a间粮田转变为设施菜地面积是163.53 km~2,其土地利用变化重要性指数为12.16%,在各类农地利用变化类型中居次;同时,10 a间北京平原区农地利用变化存在空间分异特征。主城近郊区与远郊平原区农地利用变化主要是粮田转为林地,两大分区中该变化类型土地利用变化重要性指数分别为84.18%、76.21%,明显高于其他农地利用变化类型土地利用变化重要性指数。在城市新区,粮田则分别转为林地与设施菜地;10 a间北京平原区农地利用空间分布均具有圈层特征,由近郊向远郊,农地内部结构都呈现林地为主类型,到粮田、菜地与林地混合利用类型,再到粮田与林地组合利用类型的空间格局。而10 a间随着主城区的外扩,上述农地利用圈层特征出现了由近郊向远郊外移、且林地与蔬菜面积占比增加的现象。研究认为:农地内部粮、菜、林3地类的转变和农地利用圈层外移是农户追求经济效益最大化与政府为改善生态环境所致;而改善生态不应以牺牲粮田为代价,应充分利用粮田的生态系统服务功能以实现生态绿化目的。     

基于CA-Markov模型的黄土丘陵区土地利用变化

为探讨黄土丘陵区的土地利用变化规律以及驱动机制,以罗玉沟流域作为典型流域,基于1986、2001年的TM影像为数据源,对土地利用格局分布进行分析,并运用CA-Markov模型,以2001年的土地利用格局为基础,预测了2016年流域的土地利用的空间格局分布。结果表明,罗玉沟流域土地利用格局在1986年以前,以坡耕地为主,面积占59.67%,其次为梯田、草地和林地。从1986年到2001年林地和梯田的面积均有显著增加,坡耕地面积则显著减少,其余土地利用类型面积变化不大。从单一土地利用类型动态度来看,面积增加大     

基于GF-1 WFV数据的玉米与大豆种植面积提取方法

准确掌握农作物的空间种植分布情况,对于国家宏观指导农业生产、制定农业政策有重要意义。针对黑龙江省玉米与大豆生育期接近、光谱特征相似,较难区分的问题,以多时相16 m空间分辨率高分一号(GF-1)卫星宽覆盖(wide field of view,WFV)影像为数据源,选择归一化植被指数(normalized difference vegetation index,NDVI)、增强植被指数(enhanced vegetation index,EVI)、宽动态植被指数(wide dynamic range vegetation index,WDRVI)、归一化水指数(normalized difference water index,NDWI)4个特征,结合实地调查样本点,采用随机森林分类算法,提取黑龙江省黑河市嫩江县玉米与大豆种植面积。研究表明,区分玉米与大豆的最佳时段为9月下旬至10月上旬,即大豆已收获而玉米未收获的时段,在4个待选特征中,NDVI、NDWI与WDRVI指数组合表现最佳;随机森林算法与最大似然算法、支持向量机算法相比,分类精度更高,其总体分类精度为84.82%,Kappa系数为77.42%。玉米制图精度为91.49%,用户精度为93.48%;大豆制图精度为91.14%,用户精度为82.76%。该方法为大区域农作物的分类提供重要参考和借鉴价值。     

雷达遥测应用于台湾水利防灾可行性之探讨

由于雷达遥测技术的突飞猛进,利用其不受天候及昼夜影响之特性,除了早期应用于军事探测之外,已逐渐广泛应用于地球资源之探测,其数值影像与地理资讯系统（GIS）整合功能已日益增强,藉由 GIS整合遥测资料并将其应用于资源经营管理上,乃 GIS发展的趋势。有效的洪水管理及水利防灾系统为一套整合许多地理空间资讯的系统,此系统可用于更新防洪区之范围图、洪患区域评估与洪水消减之时间分析等的功能,可应用于水利防灾之工作上。本文旨在分析雷达遥测之原理、特性、种类、影像资料之获取分析及其应用范围,并探讨合成孔径雷达（SAR）影像与相关遥测资料如何与 GIS结合应用于水利防灾上。合成孔径雷达为测绘洪水区域范围较为理想可行的遥测工具;而SPOT卫星影像资料则是应用于土地利用分类上,以 GIS整合两种资料并计算出洪泛区域之总面积及其土地利用形态,期能将人文、社会及经济等资料纳入洪水管理体系之发展,有助于水利防灾整套系统之运作。     

基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析

作物种植结构监测和估产是精准农业遥感的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。该文以黑龙江省北安市为研究区,以2015年的Landsat8 OLI和多时相GF-1为遥感数据源,基于物候信息和光谱特征确定的农作物识别关键时期和特征参数,构建面向对象的决策树分类模型,开展作物种植结构监测研究;综合植被光谱指数和地面采样数据,采用逐步回归方法建立产量遥感估算模型。结果表明:多源与多时相的遥感数据可以反映不同农作物的季相特征,应用本文所构建的决策树分类模型,作物分类效果较好,总体精度达87.54%,Kappa系数为0.8115;2015年,北安市的主要作物类型为大豆、玉米、水稻和小麦,面积分别为2204、1955、122和19 km~2,其中大豆的种植面积最大,占作物种植面积的51.24%。基于NDVI、EVI和GNDVI构建的多元回归模型为北安市大豆和玉米产量估算最优模型(R~2=0.823 7,均方根误差135.45 g/m~2,精度80.55%);北安市玉米高产区集中分布在西部,大豆的高产区主要分布在东部;2015年北安市玉米和大豆的单产分别为8 659、2 846 kg/hm~2,总产量分别为16.93×10~8、6.27×10~8 kg。利用作物关键物候期的多源多时相遥感数据能够精确高效地提取作物种植结构,构建的产量估算多元回归模型,为精准农业科学发展提供参考。