滨海光谱混淆区面向对象的土地利用遥感分类

滨海光谱混淆区土地利用/覆盖信息获取是遥感信息提取的难点之一,该研究选择黄河三角洲垦利县为研究区,采用2007年3月11日陆地卫星TM遥感影像数据,利用面向对象的土地利用遥感分类技术,通过影像分割和采用支持向量机分类方法对研究区土地利用/覆盖信息进行提取,并将分类结果与传统的基于像元的分类方法进行对比分析。结果表明:面向对象支持向量机的分类精度达到84.83%,比基于像元的最大似然法和波谱角法分别提高了5.94%和19.53%,且有效避免了椒盐现象。说明面向对象的图像分类方法明显提高了遥感影像的分类精度和分类效率,为滨海光谱混淆区土地利用信息的快速、准确提取提供了有效技术手段。     

基于水稻物候参数及面向对象算法的稻田识别

水稻是中国主要的粮食作物之一,实时且准确获取稻田区域及其空间分布特征是指导和管理农业生产的基础,对于保障国家粮食安全具有重要意义。但传统遥感变量与基于像元的机器学习分类算法在准确识别破碎度较高的稻田方面存在较大挑战。物候参数能够反映不同植被的生长动态,在识别稻田方面具有较大的应用潜力。面向对象的随机森林分类可以有效避免“椒盐”现象,提高稻田的分类精度。鉴于此,该研究以中国南方典型山地丘陵区——福建省漳州市稻田为研究对象,基于归一化植被指数、改进归一化水体指数、土壤调节植被指数、垂直极化后向散射系数、交叉极化后向散射系数和物候参数等多个遥感变量,利用面向对象的随机森林分类算法识别稻田,验证和分析物候参数与面向对象的随机森林分类法在提高南方复杂地形区稻田识别精度方面的有效性。结果表明：1）福建省漳州市稻田的最高识别精度为94.47%,Kappa系数为0.92,传统遥感变量、物候参数及面向对象的随机森林分类算法在准确识别破碎度较高的稻田方面具有协同优势;2）物候参数在表征植被生长与植被类型差异等方面具有显著优势,相较于仅基于传统遥感变量的试验组,物候参数与传统遥感变量的组合能够将稻田识别总体精度提高8.78～9.36个百分点;3）对于复杂地形区破碎度较高的稻田,面向对象的随机森林分类方法能够清晰明确地勾勒出稻田的形状与边界信息,且能够有效避免“椒盐”现象,相较于基于像元的分类方法,面向对象的分类法可将稻田识别精度提高0.58～1.53个百分点,因此,更适用于复杂地形区破碎农田的遥感提取。该研究结果可提高福建省漳州市稻田制图产品的应用价值,也可为中国南方复杂地形区稻田识别精度的进一步提高提供参考。     

林农间作模式下和田绿洲特色林果结构遥感信息提取

实时准确地获取林农间作模式下的果树结构信息对推进新疆特色林果业的提质增效,增加农民收入,稳定脱贫攻坚成果,实现乡村振兴具有重要意义。该研究以新疆和田绿洲林农间作区为研究对象,提出一种综合高分遥感数据的纹理和光谱特征以及中分遥感数据的时序物候特征的果树提取方法。基于GF-2遥感数据利用面向对象方法提取高分辨率的林田地块空间信息;基于多时相Sentinel-2遥感数据构建植被归一化指数（Normalized Difference Vegetable Index,NDVI）时间序列产品,并依据果树物候特征建立决策树模型,提取间作核桃、纯核桃、枣树和葡萄4种类型;最后将多时相的分类结果与高分的林田地块叠加,获取和田绿洲特色林果作物分布信息。该方法对2020年和田绿洲核桃、枣树和葡萄提取结果的用户精度和总体分类精度均在90%以上,Kappa系数为94.95%,能够满足县市级尺度的林果遥感监测精度需求。基于遥感提取的和田绿洲主要林果作物面积为4.28×105 hm2,以核桃（间作和纯核桃）为主,间作核桃面积占比63.80%,该方法可为林农间作立体种植模式下的果树类型和面积精确信息提取研究提供参考和借鉴。     

基于空间信息的高光谱遥感植被分类技术

高光谱数据常带有噪声,传统的仅考虑光谱信息的遥感植被分类方法效果不佳,融入空间信息进行植被分类显得尤为重要。以NDVI阈值法提取植被信息后,采用最小噪声变换对Hyperion高光谱影像进行压缩处理,取前60个分量数据,并采用一种空间与光谱信息相结合的高光谱影像植被分类法,完成研究区植被分类。结果表明,对各植被类型的平均分类精度达90.3%,而最大似然法的平均分类精度仅为70.0%。融入空间信息的高光谱遥感植被分类方法能有效地削弱噪声,在一定程度上提高了分类精度,在实际应用中有一定的参考价值。     

基于SPOT/VEGETATION时间序列的冬小麦物候提取方法

农作物物候信息的获取十分重要。近年来,开展了大量利用时序遥感数据提取植被物候的研究,但这些研究中提出的方法主要应用于森林或草地等植被类型。由于冬小麦的光谱指数时间序列有着独特的特性,利用这些方法不能获取较好的冬小麦物候提取结果。研究提出了一种新的物候提取方法,能够从SPOT/VEGETATION NDVI S10产品时间序列中成功的提取出冬小麦的返青期等详细的物候信息。研究选取一个位于山东省济宁市的典型的冬小麦种植区对该方法进行验证。结果表明,这种方法能够有效的消除遥感数据中的噪音对提取结果造成的影响,可以达到较以往的物候提取方法更满意的拟合效果和更符合实际的物候提取结果。     

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。     

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。     

结合ZY-1 02D光谱与纹理特征的干旱区植被类型遥感分类

高光谱遥感技术已广泛应用于植被类型制图。然而,稀疏植被冠层覆盖和土壤背景影响仍然是干旱区植被类型遥感分类的主要挑战,单独利用遥感数据光谱或纹理特征难以获得可靠的分类精度和稳定性。广义正态分布优化算法（Generalized Normal Distribution Optimization,GNDO）的特征优选结果在质量和稳定性方面相较传统优化算法具有优势,但目前还未应用于高光谱波段选取研究。为探索结合ZY-1 02D光谱与纹理特征进行干旱区植被类型遥感分类的可行性,验证GNDO方法应用于高光谱波段选取的有效性,同时探讨不同数量训练像元条件下,各特征选取方法的选择结果差异和对植被类型分类精度的影响,该研究以青海省都兰县宗加镇为例,在随机选取各分类类别不同数量训练像元（30、50、100、150、200）基础上,分别利用遗传算法（Genetic Algorithm,GA）、粒子群优化算法（Particle Swarm Optimization,PSO）、灰狼优化算法（Grey Wolf Optimization,GWO）以及GNDO算法进行高光谱波段选取并对比结果,同时利用灰度共生矩阵（Gray-Level Co-occurrence Matrix,GLCM）方法提取纹理特征,将提取的光谱特征和纹理特征组合成30组分类数据集,利用随机森林（Random Forest,RF）方法完成植被类型自动分类,对比不同分类数据集的分类精度。结果显示：蓝波段（400～450 nm）、红边波段（700～750 nm）和红波段（600～650 nm）对区分植被类型最敏感;基于光谱特征的分类数据集中,使用200个训练像元和GNDO方法进行特征优选获取的分类数据集（GNDO200）获得了最高的总体分类精度（80.44%）;随着训练像元的增加,各分类数据集总体分类精度整体均呈上升趋势,不同的特征选择方法的分类精度对训练像元数量表现出不同的依赖程度;图像纹理特征的加入,明显提升了植被分类精度,将使用200个训练像元和GWO方法进行波段优选的结果与纹理特征结合的分类数据集（GWO200+TEX）获得了最高的总体分类精度（82.86%）。该研究验证了ZY1-02D国产高光谱卫星数据光谱纹理特征结合进行干旱区植被类型划分的潜力,证实了GNDO方法对高光谱波段选取的有效性,为高光谱植被类型制图中光谱、纹理特征选取提供了一种思路。     

基于HJ-1卫星数据的甘蔗种植面积调查方法探讨

以南宁市为研究区,利用手持GPS实地调查取样,获得甘蔗及其它作物训练样本区。通过分析甘蔗等作物年度内光谱特征变化规律,依据不同作物物候历不同的原理,利用多时相HJ-1CCD卫星数据,采用监督分类、决策树分类和逐步剔除相结合的遥感方法,提取研究区甘蔗种植信息。野外验证和分类精度分析表明,无论从空间分布趋势还是面积数据来看,其信息精确度均较高,分类精度达到92.3%。由此可见,环境减灾卫星数据结合分类方法能基本满足制糖企业对甘蔗种植面积提取精度的要求,可以在制糖企业中推广应用。     

基于面向对象的SPOT卫星影像梯田信息提取研究

梯田信息准确和快速提取是区域水土保持动态监测和评价的核心技术之一,运用遥感技术进行地物信息提取是一种有效手段。该研究以燕沟流域为研究区,采用高分辨率的SPOT5遥感影像数据,基于面向对象分类技术,通过影像分割构建影像对象,在分析影像对象的光谱特征、纹理特征和空间特征的基础上,建立了梯田信息的遥感提取规则,实现了梯田的自动提取。最后用手工勾绘结果对梯田的遥感提取结果进行精度评价,从田块边界的吻合度评价位置精度,并通过比较该结果与人工目视解译结果进行面积精度评价。结果表明,基于面向对象分类的遥感方法可以较好地从原始影像中提取复杂地貌区梯田的位置信息,面积提取正确率达到78.38%,该方法可为黄土高原地区梯田信息遥感提取提供借鉴。     

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。     

基于多时相Landsat数据融合的洞庭湖区水稻面积提取

洞庭湖区作为中国重要的商品粮基地,水稻种植面积的变化对国家粮食安全有重要的影响,准确获取水稻面积及其变化显得十分重要。为解决数据缺失问题,该文利用STARFM(spatial and temporal adaptive reflectance fusion model)模型融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat数据,得到时序Landsat NDVI数据,并利用时序Landsat NDVI数据对水稻种植面积进行提取。结果显示,该方法能够有效地提取水稻种植面积,总体分类精度94.52%,Kappa系数为0.9128。水稻分布几乎覆盖整个研究区,水稻种植总面积达7.88×105hm2。双季稻种植面积为7.75×105hm2,主要集中于湖区北部及西北部,且分布较连续。一季稻种植面积为1.3×104hm2,分布相对零散,有小范围集中于湖区中部及西北部。     

基于MODIS和Landsat的青藏高原两代GIMMS NDVI性能评价

由于AVHRR NDVI数据集本质上具有动态变化的特点,使得数据重叠时段(1981-2006年)的第1代GIMMS NDVIg(简称NDVIg)数据集与第3代GIMMS NDVI3g(简称NDVI3g)数据集也不完全相同。如何理解、对待这些差异,是综合利用两代数据集的研究成果、科学客观地评估地表植被历史变化状况、预测未来变化趋势、指导生态保护与建设工作的前提和基础。该文利用MODIS NDVI和Landsat数据,评估了青藏高原两代GIMMS数据集的性能,并对比分析了区域尺度和像元尺度两代数据集在监测植被长期动态变化方面的异同。结果表明,NDVI3g捕获植被物候变化的能力与NDVIg相当,但NDVI数值明显大于NDVIg,甚至大于MODIS NDVI;与NDVI3g相比,在NDVI分布格局和动态变化方面,NDVIg与MODIS NDVI和Landsat更为相似;尽管两代GIMMS数据集1982-2006年生长季NDVI变化趋势类似,但GIMMS NDVIg倾向于检测到更多的显著变化区域;夏季和秋季的结果与生长季类似,但春季GIMMS NDVI3g则检测到了更大范围的NDVI显著增加,与NDVIg结果的差异主要集中在青藏高原腹地。NDVI数据集是众多生态模型的基础数据,NDVI数据集之间的差异可能会导致模拟结果出现偏差。在使用NDVI数据之前,对NDVI数据的适用性进行评估,是获取更符合当地实际情况、更为客观真实结果的前提。     

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。     

基于改进最大值法合成NDVI的夏玉米物候期遥感监测

利用遥感技术监测农作物物候期,能够及时有效地评估作物生长趋势、提高农情信息化管理水平。本研究利用2016年MODIS 8天合成数据,提出改进的最大值合成法,结合S-G滤波和Logistic函数拟合重构夏玉米生长曲线,最后利用曲率法提取夏玉米的拔节期和成熟期,利用动态阈值法提取夏玉米的出苗期和抽雄期。结果表明:采用本文提取的夏玉米物候期与实测物候期相比,平均误差为2.76 d,其中在抽雄期的绝对误差为1.06 d,运用改进的最大值合成提取作物NDVI时序数据可有效去除连续云雾对植被指数的影响,提高监测作物物候期的准确性,为精准农业提供技术支撑。     

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。     

A comparison of multiple phenology data sources for estimating seasonal transitions in deciduous forest carbon exchange

There are currently numerous data sources available for estimating the timing of recurrent plant phenology transitions. We compared measurements from several phenology data sources to understand the relationship between phenology metrics derived from these data sources and the timing of seasonal transitions in net ecosystem exchange (NEE). We identified the timing of start, peak, end and the duration of the carbon uptake season, as well as the timing of the transitions from sink to source and source to sink using 11 years of NEE data from the University of Michigan Biological Station (UMBS). Using fitted logistic functions we identified proxy metrics for phenological transitions from the time series of Albedo, fraction of absorbed photosynthetically active radiation (fPAR), Plant Area Index (PAI), and MODIS normalized difference vegetation index (NDVI), enhanced vegetation index (EVI), and leaf area index (LAI) products of various spatial representations. We found that no single source of phenological data was able to accurately describe annual patterns of flux phenology. However, for each transition in NEE (e.g., start of season, transition to net sink), the metrics from one or more data sources were significantly (p < 0.05) correlated with the timing of these recurring events. A marginally significant trend toward a longer NEE carbon uptake period over 11 years was not detected by any of the metrics, primarily because none of the metrics were available for the full duration of the NEE data, and NEE did not show significant and consistent trends during the sub-sets of the time when proxy data were available. The results of our study highlight the relative strengths and weaknesses of each phenology data source for directly estimating seasonal transitions and interannual trends in carbon flux phenology of a deciduous forest.     

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...