结合Sentinel-2影像和特征优选模型提取大豆种植区

准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道.该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法.该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田...     

基于Sentinel-2卫星影像的黑龙江绥化市土壤全氮定量遥感反演

为及时准确评估黑土区土壤全氮（soil total nitrogen,STN）含量的空间分布,以指导作物精准施肥和提高农作物产量,该研究基于绥化市实测STN数据和Sentinel-2卫星Level-2A遥感影像反射率,构建光谱指数结合环境变量的STN预测模型,包括随机森林（random forest,RF）、自适应增强（adaptive boosting,AdaBoost）、梯度提升（gradient boosting categorical features,CatBoost）等集成学习算法和多元逐步线性回归（simple linear regression,SLR）、支持向量机（support vector regression,SVR）、神经网络（back propagation neural network,BPNN）等监督学习算法,并考虑波段1～12遥感反射率、波段1~12遥感反射率联合光谱指数和环境变量作为算法输入变量的2种情景。结果表明：1）绥化市实测STN平均含量为1904.06 mg/kg,变异系数为17.93%;2）以波段1～12遥感反射率作为输入变量时,6种STN模型验证集拟合决定系数（coefficient of determination,R²）小于 0.6,模型验证集决定系数精度由大到小顺序为：RF、CatBoost、AdaBoost、BPNN、SLR、SVR;3）结合波段1～12遥感反射率、光谱指数和环境变量优选方法,构建STN含量预测模型,模型验证集决定系数精度由大到小顺序为：RF、CatBoost、BPNN、AdaBoost、SLR、SVR,验证集模型决定系数精度提升幅度从大到小依次为RF、SVR、BPNN、AdaBoost、CatBoost、SLR,其中RF模型验证集决定系数预测精度提升最大,决定系数增加0.22,均方根误差（root mean square error,RMSE）降低了35.30 mg/kg;4）基于光谱指数和环境变量优选的机器学习算法具有强大的非线性拟合能力,RF能够更好地模拟STN与遥感光谱信息及地形因子之间复杂的多元非线性关系,并获得较高的实测和反演模型拟合结果;5）结合模型,绥化市STN的空间分布呈现东北高西南低、由北向南逐渐降低及中部略高的空间分布特点。研究结果为东北黑土区STN含量实时动态监测、土地肥力评价和农业可持续发展提供技术支持,为开展黑土地保护与利用及农田生态系统保护提供决策依据。     

基于Sentinel-2数据的豫北平原耕作层土壤有机碳估算研究

为精准掌握平原区耕作层土壤有机碳（SOC）含量及其空间分布。本文利用滑县实测SOC数据,融合Sentinel-2反射率光谱及光谱指数、气象、土壤、地形和人类活动等因子数据,定量评估弹性网络（EN）、偏最小二乘（PLS）和随机森林（RF）在不同因子组合下的精度,揭示影响SOC估算的最佳因子、关键变量及其空间变异规律。结果显示：在模型精确度和稳定性方面,RF>EN>PLS。特别是在反射率光谱、光谱指数、气象和土壤等最佳因子组合下,RF模型达到了最高精度,决定系数（R2）为0.63,四分位数间隔（RPIQ）为2.75,平均绝对误差百分比（MAPE）为5.86。此外,中心波长2190nm的第12波段（）、潜在蒸散发、土壤容重和归一化土壤指数（NDSI）累积重要性达到了69.63%,成为RF模型的关键变量,在SOC估算中起到了决定性作用。研究区SOC范围在6.15至11.08 g/kg之间,平均值为8.16 g/kg,低于全国平均水平（22.28 g/kg）。从空间分布来看,SOC含量较高的区域主要集中在东北部,而含量较低的区域则主要位于西南部。     

基于GF-1和Sentinel-2时序数据的茶园识别

由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MO...     

基于特征优选随机森林算法的农耕区土地利用分类

为了提高农耕区土地利用分类精度,该文采用较高空间分辨率和丰富光谱信息的Sentinel-2数据生成光谱特征、无红边波段的植被指数、红边指数和纹理特征4种基本特征变量,并对以上特征变量优选后进行特征重要性排序,进而构建7种特征组合方案,基于随机森林算法和支持向量机对农耕区土地利用信息进行提取并对比验证分类精度。研究结果表明:通过特征优选的随机森林算法进行土地利用信息提取效果最佳,总体精度达到88.24%,Kappa系数为0.84,精度优于相同特征变量下的支持向量机分类方法。该方法能够有效提高农耕区土地利用分类精度,可为土地资源监测、管理提供技术支持和理论参考。     

基于Sentinel-1数据时序特征的热带地区水稻种植结构提取方法

由于热带地区的雨季时间较长,云覆盖严重,基于光学影像难以准确提取区域内的水稻种植模式。该文以泰国湄南河流域中部平原水稻种植区为例,基于Sentinel-1SAR时间序列数据,提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻种植结构提取方法。首先利用年内所有可获取的Sentinel-1SAR数据,分别基于像元和基于对象构建后向散射系数时间序列曲线,提取时序特征参数;利用动态时间规整(Dynamic Time Warping,DTW)算法,计算后向散射系数时序曲线与地物标准曲线间的隶属度;将时序特征参数、时序曲线隶属度相结合,利用随机森林模型进行机器学习监督分类,提取研究区的水稻种植信息并评价分类精度。结果表明,基于Sentinel-1SAR时序特征融合的算法可以较好地提高水稻种植结构分类精度。其中,基于对象的分类算法的单季稻提取用户精度为81.46%,生产者精度为82.00%;双季稻用户精度为88.0%,生产者精度为84.08%,均优于基于像元的分类算法。研究结果可为多云多雨的热带地区水稻种植信息提取提供一种新的思路。     

Sentinel-2影像和BP神经网络结合的小麦条锈病监测方法

选用包含红边等多种不同波段信息的多光谱卫星数据,为区域尺度上展开作物病害监测研究提供更加丰富有效的信息,相比于常规的宽波段卫星遥感影像,搭载红边波段的Sentinel-2影像对作物病害胁迫更加敏感,能显著提高模型精度。该文以陕西省宁强县小麦条锈病为研究对象,基于Sentinel-2影像共提取了26个初选特征因子:3个可见光波段反射率(红、绿、蓝)、1个近红外波段反射率、3个红边波段反射率、14个对病害敏感的宽波段植被指数和5个红边植被指数。结合K-Means和ReliefF算法筛选病害敏感特征,最终筛选出3个宽波段植被指数,包括:增强型植被指数(enhanced vegetation index,EVI)、结构加强色素指数(structure intensive pigment index,SIPI)、简单比值植被指数(simple ratio index,SR),2个红边波段植被指数:归一化红边2植被指数(normalized red-edge2 index,NREDI2)、归一化红边3植被指数(normalized red-edge3 index,NREDI3)。利用BP神经网络方法(back propagation neural network,BPNN),分别以宽波段植被指数和宽波段植被指数结合红边波段指数作为输入变量构建小麦条锈病严重度监测模型,对比2种模型的监测精度。结果显示,基于宽波段植被指数结合红边波段植被指数的监测模型的总体精度达到83.3%,Kappa系数0.73,优于仅基于宽波段植被指数特征所建监测模型的精度73.3%,Kappa系数0.58。说明红边波段能够为病害监测提供有效信息,采用宽波段植被指数和红边波段植被指数相结合的方法能够有效提高作物病虫害监测模型精度。     

基于Sentinel-2影像的平寨水库水体透明度遥感反演

[目的]研究水体透明度的变化规律及其空间分异驱动因素,为管理湖库及恢复湖库生态系统提供科学依据。[方法]基于2020年5月18日,8月26日,11月14日的Sentinel-2 MSI卫星影像及准同步实测透明度数据构建平寨水库透明度遥感反演模型,利用地理探测器定量分析影响透明度空间分异的驱动因素。[结果](1)平寨水库水体透明度与Sentinel-2 MSI的B₃波段最为敏感,利用波段组合B₃×B₄作为最佳敏感因子构建出的透明度反演模型具有较高的精度(R²=0.81,RMSE=0.11 m, MRE=16.91%)。(2)平寨水库水体透明度呈现出中心库区高而各支流上游低,近水体两岸低的空间分布趋势,且水体透明度11月>8月>5月。[结论]总悬浮物、叶绿素a及总有机碳含量是平寨水库水体透明度空间分异的主要因素。总磷、总氮、水温及风速通过影响水体中的总悬浮物、叶绿素a及总有机碳含量进而影响水体透明度空间分布。     

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。     

基于Sentinel-1/2数据融合的县域农业大棚提取

农业大棚作为一种特殊的地物类型,在高空间分辨率遥感影像上识别相对容易,且精度高,但高分影像大多需商业购买,可获取性受限。为提高县域农业大棚精确提取的经济性和便捷性,该研究利用免费、方便获取的非高分Sentinel-1（雷达）和Sentinel-2（光学）遥感数据进行融合,结合光谱指数、纹理提取和主成分分析等方法,构建了多维特征集空间,采取多种分类识别方法（案）,对县域农业大棚进行识别提取。研究结果表明：1）仅使用Sentinel-1/2（10 m分辨率）遥感影像,在适当分类方法（案）的支持下,可实现县域农业大棚的高精度提取;2）利用Sentinel-1（雷达）和Sentinel-2（光学）遥感数据的融合有助于提升农业大棚的识别精度。Sentinel-1/2数据融合相较于仅使用Sentinel-2（光学）遥感数据,总体精度平均提升1.72个百分点,最大提升3.29 个百分点;3）文中所用识别方法（案）中,面向对象方法在大棚密度高的区域表现良好;但在大棚密度较低的区域,精度一般,表现出较强的区域（或场景）依赖性。而光学与雷达信息融合后基于像素的递归特征消除随机森林（random forest - recursive feature elimination,RF-RFE）方法（案）平均精度可达96.45%,精度高且稳定,区域适应性强,适合非高分影像县域农业大棚的精确、高效提取。研究提出的基于Sentinel-1/2影像县域农业大棚提取方案,可为广大县域农业大棚经济、快速、高效提取,提供技术支持。     

基于多源数据的南方丘陵山地土地利用随机森林分类

针对南方丘陵山地因地形破碎和山体阴影而导致的分类精度低问题,该研究以东江源地区为例,通过结合多源数据,以Sentinel-1、Sentinel-2A卫星影像和DEM作为数据源提取27个指标,构建了6种特征变量集,并设计了9种方案,探讨加入红边特征、雷达特征和地形特征对南方丘陵山地土地利用分类信息提取的作用.同时结合随机...     

基于MODIS指数和随机森林的江西省早稻种植信息提取

尽早获取双季早稻的种植信息,对政府部门掌握全省水稻生产形势及制定粮食安全保障的相关政策方针具有重要意义。传统业务服务中,通常将水稻生长早期的多时相MODIS指数与阈值法相结合,对种植信息进行提取,但该方法主观性强,受人为及不同地区水稻物候期差异影响大,且存在混合像元等限制,机器学习算法可以较好解决此问题。因此,该研究提出一种结合水稻生长早期MODIS指数和随机森林的种植信息提取方法,基于江西省早稻生长早期多时相MODIS增强型植被指数（Enhanced Vegetation Index,EVI）、归一化植被指数（Normalized Difference Vegetation Index,NDVI）和地表水分指数（Land Surface Water Index,LSWI）的变化特征,利用随机森林算法构建早稻种植区域提取模型与丰度反演模型,提取全省早稻种植信息,并利用Sentinel-1A提取的验证样区与统计资料验证。结果表明,早稻种植区域及丰度的空间分布特征与Sentinel-1A提取的验证样区的空间特征基本一致,提取模型的分类精度为93.18%,丰度反演模型与样本数据的平均绝对误差、均方根误差和决定系数分别为0.07、0.10与0.86,且在高丰度种植区反演效果更优。与统计资料相比,全省早稻面积识别精度为92.33%。该研究解决了水稻种植信息提取中阈值选取合理性、混合像元与时效性限制等问题,为水稻生长早期种植信息的业务化提取提供一种参考方法,具有一定应用价值。     

多光谱遥感结合随机森林算法反演耕作土壤有机质含量

土壤有机质（Soil Organic Matter,SOM）遥感反演一般以单期影像作为输入量,为研究多时相影像遥感结合随机森林提高SOM遥感反演精度的可能性,该研究以黑龙江省农垦总局胜利农场耕地范围为研究区,以Sentinel-2A和Landsat 8影像作为数据源,获取两期裸土遥感影像,构建光谱指数,以随机森林算法筛选波段和光谱指数作为输入量,构建SOM反演模型。结果表明：1）两期影像的SOM反射光谱响应波段包括二者共有的中心波长：约560、660、850 nm,以及Sentinel-2A特有的中心波长740 nm 4个波段;2）基于单期影像最佳波段和光谱指数,Sentinel-2A影像SOM最优反演模型R2为0.913,均方根误差为0.860 g/kg,精度高于Landsat 8影像反演模型;3）单期影像最佳波段引入光谱指数,相比以最佳波段作为输入量,使SOM最优反演模型的均方根误差分别提高了28.867%和8.722%;4）引入时相信息,基于单期和两期影像波段和光谱指数,SOM最优反演模型精度由高到低为两期影像（R2为0.938,均方根误差1.329 g/kg）、Sentinel-2A影像（R2为0.935,均方根误差为1.944 g/kg）、Landsat 8影像（R2为0.922,均方根误差2.022 g/kg）,两期影像SOM最优反演模型的稳定性和精度略高于单期影像。研究结果证明了Sentinel-2A影像数据以及多时相裸土影像反演SOM的优势。     

基于星载ICESat-2/ATLAS数据的森林地上生物量估测

为探讨星载激光雷达数据ICESat-2（Ice,Cloud,and land Elevation Satellite-2）在山地森林地上生物量（Aboveground Biomass,AGB）的估测可行性和方法。以ATLAS（Advanced Terrain Laser Altimeter System）光子点云数据为主要信息源,以滇西北典型山地香格里拉为研究区,结合地面54块实测生物量遥感样地,在前期进行点云数据去噪、分类预处理基础上,对研究区74 873个林地光斑进行冠层参数及地形因子的提取（共计53个变量）,采用非参数模型随机森林回归和超参数优化后的随机森林进行建模,以均方根误差（Root Mean Square Error,RMSE）、决定系数（R2）、总体估测精度（P1）作为模型的评价指标,建立研究区AGB模型。研究结果表明：1）分析以ICESat-2/ATLAS提取的冠层参数、地形因子与生物量的相关性可知,冠层光子总数与生物量具有极显著相关性（P<0.01）,基于陆地卫星的乔木冠层百分比、冠层光子比率、坡度、光子总数、表观反射率与生物量具有显著相关性（0.01 < P <0.05）,可作为山地森林生物量遥感模型参数变量;2）地形因子对ICESat-2/ATLAS光斑遥感建模具有一定的影响,地形坡度因子对模型的贡献率为13.97%,小于基于陆地卫星的乔木冠层百分比、表观反射率与冠层光子总数对模型的贡献率。未加入地形坡度因子的传统的随机森林回归模型R2=0.90、RMSE=11.90 t/hm2、P1为80.06%;加入地形坡度因子后模型精度为：R2=0.91、RMSE=11.01 t/hm2、P1=81.30%;3）进行超参数优化的随机森林回归模型精度明显高于传统的随机森林回归模型,优化后的随机森林模型精度R2为0.93、RMSE为10.13 t/hm2、P1为83.31%,可用来进行山地森林生物量估测。估测的光斑点总生物量为1.32×105 t,光斑点平均生物量为77.41 t/hm2。参数优化后的随机森林构建的山地森林地上生物量模型拟合度精度较高,模型决定系数在0.9以上,估测精度在82%以上,表明ICESat-2在山地提取的光斑参数进行AGB反演具有可行性;ICESat-2光斑点生物量的空间分布表明,高生物量的光斑点主要分布在研究区北部,存在分布不均、区域差异较大的现象,与2021年研究区蓄积量空间分布具有一致性,可用来进行森林地上生物量估测。     

典型黑土区耕作土壤质地遥感时间窗口及影响因素分析

了解黑土区耕作土壤质地的空间分布对于黑土区农业精准管理以及耕地保护至关重要。遥感技术是快速获取土壤质地空间分布的有效方法。该研究以黑龙江省友谊农场耕地为研究对象,评估研究区土壤质地遥感反演的最佳时间窗口并分析其影响因素。筛选覆盖研究区的2019-2021年25幅Sentinel-2影像,将每幅影像的波段和构建的光谱指数输入随机森林模型,建立土壤质地遥感反演模型,比较不同时期影像反演土壤质地的模型精度,确定土壤质地遥感反演的最适宜影像,并分析造成反演土壤质地精度变化的原因,获取友谊农场土壤质地空间分布。结果表明：1）友谊农场反演土壤质地的最佳时间窗口为4月下旬至5月中旬;2）在25幅Sentinel-2影像中,2020年5月7日反演粉粒和砂粒的模型精度最高（粉粒的R2为0.785,均方根误差为6.697%;砂粒的R2为0.776,均方根误差为8.296%）;2019年5月3日反演黏粒的模型精度最高（R2为0.776,均方根误差为1.600%）;3）不同时期的Sentinel-2影像对土壤质地反演的准确性有很大的影响,而土壤含水率和秸秆覆盖是造成不同时期土壤质地预测精度差异的重要原因。研究为确定土壤质地遥感反演的最佳时间窗口、实现区域尺度土壤质地制图提供关键技术。     

高寒地区粳稻穗颈瘟的无人机高光谱遥感识别

水稻穗颈瘟作为稻瘟病的一种发病形式常以褐色斑点性状出现在水稻穗颈节部位,对稻穗颈瘟病害快速、无损的识别与分级评估一直是备受关注的研究课题。该研究以高寒地区粳稻大田试验为基础,利用无人机高光谱平台获取不同病害等级的水稻穗颈瘟冠层数据;分别以不同处理的光谱数据作为输入量,使用随机森林（Random Forest,RF）的方法进行建模,并结合水稻生理对各输入量的特征关联加以解释。结果表明：随着穗颈瘟病害等级的提升,水稻冠层反射率整体呈现下降的趋势;植被指数组合（Combination of Vegetation Indices,CVIs）作为输入量建立起来的预测模型具有最高的精度,预测集精度达到90%,Kappa系数为0.86,能够解释穗颈瘟所引起的植株整体生理参数综合变化过程。该研究结果可为无人机高光谱遥感实现穗颈瘟病定量遥感监测与预警分级提供支持。