多时相高分辨率遥感影像的森林可燃物分类和变化分析

目的本文针对国内外利用多时相高分辨率遥感影像进行森林可燃物分类研究匮乏的情况,探索高分辨率影像的分类方法,并研究多时相森林可燃物分类结果的差异,以及与海拔、坡度变化的关系。方法以鹫峰林场为研究区,针对鹫峰林场内植被状况及以往研究成果,主要依据植物群落、林型和燃烧特性划分可燃物类别,研究对比不同森林可燃物类型的光谱特征曲线,建立遥感图像与森林可燃物的联系。选用GF-1号5、8、10月的遥感影像为原始数据,利用EnMAP-box中的支持向量机(SVM)算法、随机森林(RF)以及基于CART的决策树分类方法进行森林可燃物分类,将可燃物类别最终划分为:针叶林、阔叶林、针阔混交林、灌木林和非林地5种类别,并分别对其特征进行描述,之后将最优分类方法应用到多时相的遥感影像中,并使用变化检测算法来确定非防火期(5—10月)森林可燃物类型之间土地面积的变化情况。同时,我们将数字高程模型(DEM)分为4类(1类(< 250 m)、2类(250~500 m)、3类((500~750 m)和4类(>750 m)),坡度分3类:缓坡(< 15°)、斜坡(15°~35°)、陡坡(>35°),并使用Jenks方法分别对海拔和坡度每个类别土地面积变化计算百分比,研究随着海拔和坡度变化,森林可燃物面积的变化规律。结果划分的5种森林可燃物类别的光谱特征具有很好区分性,SVM分类最为准确,取得惩罚参数(C)为1 000和核参数(g)为10使得SVM分类模型达到最优,其总体分类精度为91.88%,Kappa系数为0.89,精度相对RF和CART分别提高了2.72%和9.36%。非防火期内(5—11月)森林可燃物类型变化有一定的规律,针叶林、混交林属于中等稳定类别,没有显著变化,分别保持93.74%和94.87%不变。相比之下,阔叶林和灌木林发生了较大变化,分别发生14.64%和13.36%。随着海拔的增加和坡度的变化,森林可燃物类型土地面积也发生了变化,海拔500~750 m和坡度16°~35°的土地上面积变化最大,达到了20%以上。结论多时相高分辨率遥感影像的森林可燃物分类中,基于SVM分类方法能够将可燃物更好地分类,且随着时间、海拔和坡度的变化,森林可燃物面积的变化有一定的规律,5—10月阔叶林和灌木林在海拔500~750 m和坡度16°~35°变化最大。      

多时相Sentinel-1影像反演玉溪典型烟区烤烟种植分布的方法

为准确识别烤烟种植分布特征,基于2020年玉溪烤烟大田生长期不同时相的11景Sentinel-1卫星影像,结合野外实地调研,分析不同土地利用类型合成孔径雷达（SAR）极化信息的可区分度,并结合70%样地训练随机森林分类方法提取不同土地利用的分布范围,最后用30%调研样地验证烤烟种植的提取精度。结果表明,垂直发射垂直接收（VV）相较于垂直发射水平接收（VH）更能区分不同土地利用类型,VH、VV、VV+VH和VV+VH+VV/VH四种极化信息组合方式中,地物分类精度最高的为VV+VH组合,总体分类精度为87.6%,Kappa系数为0.847,其中,烤烟种植识别的制图精度为96.3%,用户精度为89.4%。在玉溪典型烟区采用多时相SAR识别烤烟种植分布,识别准确率基本能满足区域烤烟种植识别的精度要求。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于多时相遥感影像的水稻种植信息提取

获取水稻种植信息对于指导水稻生产,监测作物生长及合理分配水资源具有重要意义。针对基于单时相影像提取水稻信息精度有限,以Sentinel-2A/B多时相影像为数据源,构建NDVI、EVI、NDWI和光谱特征4种时序特征数据集并设计6种试验方案,结合随机森林算法对水稻种植信息进行提取。结果表明,NDVI、EVI时序曲线可以较好反映出水稻生育期的物候特征,不同地类的光谱时序曲线和NDWI时序曲线可分离度较高,有利于提高分类精度;基于NDVI时序数据集的分类精度最低,基于光谱时序数据集的分类精度最高,总体精度达95.559 0%,Kappa系数为0.943 3,与基于NDVI的分类结果相比,总体精度、Kappa系数、水稻生产者精度和用户精度分别提高了3.530 4%、0.044 9、8.64%和3.36%,水稻与旱地的混分现象得到有效抑制。该研究为区域水稻种植信息精确提取在数据源选择、时序特征构建方面提供了一种新的思路和技术手段。     

基于多时相棉花长势遥感的棉田质量诊断

【目的】研究多时相遥感信息对棉田质量进行诊断的技术和方法,为棉花生产提供具有针对性的管理方案,促进棉田均衡增产、增效。【方法】研究分析多时相遥感数据对地物信息的动态分析与评判能力,以及棉花长势指标动态变化与棉田质量的关系,对棉花生长盛期多时相的LANDSAT-5多时相遥感数据进行融合,将棉田质量状况划分为健康棉田、有障碍棉田和疑似有障碍棉田三类。【结果】数据分析结果表明,棉花生长盛期（花铃期）单时相的LANDSAT-5反射率数据可以作为棉田生长状况的判断指标,划分健康生长与生长障碍的阈值为0.820;利用多时相遥感数据的棉田质量划分方法,可以将棉田质量分为健康、有障碍和疑似有障碍三类。依据此方法对新疆建设兵团148团约1 1705.3 ha的417块棉田进行分类,得出健康、有障碍和疑似有障碍三类棉田所占比例分别为36.4%、34.1%和29.5%;经过8块条田（426.5 ha）的地面同步调查证实了这种方法的准确性,造成该区棉田质量障碍的主要因素为耕地盐渍化、不平整、土壤质地不匀。【结论】研究表明棉田多时相遥感数据进行棉田质量诊断是可行的。利用这种方法,结合不同质量棉田形成机理,能够得到棉田质量状况及影响因素精细分布的信息,为进一步进行的棉田土壤改良与生产管理采取针对性的措施提供数据支撑。     

城市空间演变的多时相遥感数据研究

以泸定县为例,系统研究了遥感影像的统计学质量评价方法、几何校正和影像高分辨率融合,得到了泸定县1989、1994、1999和2002年4个年份的15 m地面分辨率遥感影像,时间跨度为13年;通过对比研究这4幅影像,阐述了改革开放以来泸定县城区发展演变的规律和今后城镇发展的趋势,从而为泸定县新一轮的城市规划工作提供宏观指导和辅助决策。     

山区高分辨率遥感影像地形辐射校正方法研究

高空间分辨率的卫星影像和航摄影像越来越广泛地应用于山区农、林业资源调查和山区生态环境监测等领域.但是由于山区地形起伏和侧视成像等原因,使得影像存在一定的阴影,从而严重影响这些高分辨率影像的应用.针对这一问题,本文借鉴在遥感影像条带噪声去除中非常有效的矩匹配方法基本原理,提出了基于矩匹配的山区高分辨率遥感影像辐射校正方法,同时对被验证TM影像地形辐射校正最佳的C校正方法作了相应的改进.并以北京市西部山区的1 m分辨率的航空影像为例,分别用矩匹配方法和C校正改进方法进行了地形辐射校正,并对处理结果进行了对比分析.结果表明,对于地形复杂的山区,图像较大的高分辨率影像,矩匹配方法优于C校正改进方法.     

利用多源多时相卫星影像对黑龙江省耕地水涝灾害的监测

为做好黑龙江省洪涝灾害防治,利用环境小卫星与TM8卫星数据对2013年黑龙江省耕地受灾区域进行监测。结果表明:受灾区主要集中在松花江、黑龙江流域及松嫩平原地区。松嫩平原地区多以内涝为主,松花江、黑龙江流域市县耕地受灾多因江水决口或漫延而致。因此,对于黑龙江洪涝灾害的防治应重点集中在这些市县,应加强对松花江流域防洪堤坝的加固及水利基础设施建设。     

应用U-Net模型和多时相Landsat-8影像对森林植被的分类

为了探讨深度学习全卷积神经网络模型(U-Net)在多时相Landsat-8影像上的森林植被分类效果,以黑龙江孟家岗林场为研究区,采用多时相的Landsat-8影像为数据源,根据各森林类别多时相的光谱曲线确定分类的最佳时相,并对优化后的U-Net模型进行训练并验证.同时,进一步构建多时相植被指数特征,训练分类模型并对森林植被进行分类,比较优化后的U-Net分类方法和最大似然分类法的分类精度.结果表明:加入多时相植被指数的U-Net模型分类精度为83.5％,比单一时相分类精度高6.1％;优化后的U-Net模型分类方法精度明显高于最大似然分类方法,说明加入多时相植被指数的U-Net模型分类方法可以有效的提高森林分类精度.     

基于缩影的多时相遥感语义变化检测方法

针对高分辨率遥感图像标签稀缺和标签技术增长缓慢限制了多时相语义变化检测发展的问题，提出了采用有噪声、低分辨率的弱标签替代高分辨率标签进行多时相语义变化检测的方法。首先，采用低分辨率卫星数据平滑高分辨率遥感图像输入的质量差异。其次，通过将缩影（epitomes）模型和标签超分辨率算法作为统计推理算法相结合的方法预估高分辨率遥感图像分类图，并拟合一个小型FCN网络对生成的遥感图像分类图进行后处理来改善其分类的效果。最后，通过对比不同时相土地覆盖分类图像之间的差异得出变化检测结果。结果表明，本研究提出的方法与其他多时相语义变化检测方法 FCN/all相比，平均交并比（mIoU）提高了8.9个百分点，能够有效检测土地覆盖分类变化。     

基于多时相HJ-1B CCD影像的玉米倒伏灾情遥感监测

【目的】通过对倒伏发生前后的多时相HJ-1B卫星CCD多光谱影像植被指数的变化分析,实现区域尺度下的玉米倒伏受灾范围监测和灾情评估。【方法】以2015年8月3日因大风暴雨导致大面积玉米倒伏的河北省藁城市为研究区,提取HJ-1B CCD多光谱影像的多种植被指数,根据多时相植被指数变化量与实测倒伏样本的关联分析,筛选玉米倒伏敏感植被指数,采用正态(偏正态)统计理论的双阈值划分策略划定阈值,构建基于植被指数变化分析的玉米倒伏灾情遥感监测模型,评价玉米倒伏灾情严重程度,并基于野外实测样本进行精度评价。【结果】基于城镇、水体、倒伏与未倒伏玉米的HJ-1B CCD2多光谱反射率曲线可得,玉米与城镇建筑物和水体的光谱反射率存在较大差异,在可见光波段,倒伏玉米要高于未倒伏玉米的反射率,然而在近红外波段(830 nm),未倒伏玉米略高于倒伏玉米的反射率。由已提取出玉米种植区域后的前后两期HJ星的差值影像分析可得其像元整体分布趋势基本符合正态(偏正态)分布。由相关性分析可得,倒伏前后的比值植被指数(RVI)差值与玉米倒伏比例具有最高的相关性(R=0.9377),而且倒伏越严重,其RVI差值越大;通过野外实测样本与模型验证结果进行混淆矩阵分析,总体分类精度达到85.7%,Kappa系数为0.804;研究区玉米倒伏遥感空间制图结果与当地农业技术推广站监测结果基本一致。【结论】倒伏发生后,其玉米长势以及灾后恢复程度均存在较大差异,因此,基于玉米倒伏前后RVI差值的遥感监测模型能有效反映不同倒伏程度的冠层群体变化信息以及长势恢复情况,能在区域尺度下实现玉米倒伏受灾范围监测和灾情等级评估。     

应用哨兵2A多时相遥感影像对树种的识别

森林树种类别的准确识别和专题图制作对于森林经营管理具有重要作用。以哨兵2A多时相遥感影像数据源,通过对单时相影像以及根据基尼系数(Gini系数)和信息熵进行的不同影像组合,利用随机森林算法对大孤家林场的树种类别进行识别和分类制图。结果表明:哨兵2A多时相影像组合能够显著改善树种分类的精度,多时相影像组合总体分度最高为87.45%,Kappa系数为0.825,比单时相遥感影像分类总体精度提升了4%~7%。     

基于随机森林模型的陆地卫星-8遥感影像森林植被分类

以黑龙江省漠河县为研究区域,采用陆地卫星-8遥感影像为数据源,结合影像的光谱信息和数字高程模型辅助数据,分别采用最大似然分类法(MLC)和随机森林模型法(RFM)对研究区森林植被进行分类,并分析和评价光谱特征变量对模型的重要性、2种分类方法对森林植被类型分类的适用性。结果表明:随机森林分类方法的总体分类精度为81.65%、卡帕(Kappa)系数为0.812。与传统的MLC方法相比,RFM法均提高了3种森林类型的生产者精度和使用者精度,其中针阔混交林精度提高最多。通过分析特征变量的重要性,发现高程、归一化植被指数、红光波段、近红外波段、短波红外波段对模型分类精度有较重要的影响。说明随机森林模型方法结合多源信息是森林植被类型遥感分类的一种有效手段。     

基于GF-2遥感影像的塑料大棚提取方法对比

为实现GF-2遥感影像在农业领域的有效利用,针对GF-2遥感影像提取塑料大棚,对比分析随机森林、CART决策树及支持向量机3种分类方法的应用,以GF-2遥感影像为数据源,以内蒙古赤峰市喀喇沁旗王爷府镇为研究区,通过潜在分割误差(PSE)、分割强度(NSR)、欧氏距离(ED)3个指标确定最优分割参数组合,利用随机森林(RF)算法筛选出参与分类的最优特征子集,采用随机森林、CART决策树、支持向量机3种分类器进行了塑料大棚提取对比分析。试验结果表明:1)基于PSE、NSR和ED最优分割参数选择方法,应用于面向对象连片塑料大棚特定地物提取的研究分割效果较好;2)通过RF算法分析包含光谱、纹理、形状及相邻关系等多种特征,得出特征个数与分类精度之间呈现先逐渐增大后减小的趋势,该方法在保证分类精度的同时,可有效删除冗余与不相关特征,以提高分类器性能;3)将采用最优特征子集的3种分类器进行对比,随机森林分类效果最好,分类正确率达到89.65%,表明该方法能有效提取GF-2遥感影像连片塑料大棚,为提取设施农业的应用提供参考。     

基于随机森林回归方法的水稻产量遥感估算

为寻求高效的水稻产量估算方法,以2017年长春市九台和德惠地区的采样点为样本,遥感数据和气象数据为特征变量,通过对产量与特征变量间的相关性分析与特征变量之间的主成分分析和袋外数据(out-of-data,OOB)变量的重要性分析对特征变量进行选择,以选择后的特征变量为输入变量建立水稻产量估算的随机森林回归(RFR)模型。结果表明:特征变量优选后的RFR模型对水稻产量估算的精度更高,决定系数R~2和平均相对误差MRE分别为0.950和0.060;并将该模型应用到农安地区,以多元逐步回归模型作为比较模型,表明RFR模型的水稻产量估算精度明显优于多元逐步回归模型,RFR模型的R~2和MRE分别为0.730和0.090,多元逐步回归模型的R~2和MRE分别为0.530和0.120。     

协同多源国产高分影像和面向对象方法的南方农作物遥感识别

【目的】中国南方地区云雨频繁且农业景观破碎，是我国农作物遥感监测最具挑战的区域之一。我国自主研发的高分系列卫星具有高时空分辨率和高质量成像的特点。本研究挖掘多源高分系列卫星的时间和空间双重优势，实现多云雨及景观异质区作物精细化识别。【方法】基于国产高空间分辨率高分二号（GF-2）影像表征农田空间几何特征，协同中空间分辨率高分一号（GF-1）和高分六号（GF-6）加密影像观测时间序列，充分表征农作物光谱季相节律。通过构建光谱-时相-空间三维分类特征，基于随机森林进行农作物分类并计算不同特征的重要性。同时，设置不同影像组合和不同分类单元下的多种分类场景，进一步分析不同高分数据协同利用在农作物识别上的表现差异。【结果】基于GF-1、GF-2和GF-6影像和面向对象的农作物分类在湖北省潜江市研究区的总体精度为95.49%,Kappa系数为0.94；在枣阳市的总体精度为93.78%,Kappa系数为0.92。协同GF-2和GF-6进行农作物分类精度优于协同GF-2和GF-1。此外，基于GF-2进行面向对象的农作物分类效果优于面向像元，其中潜江总体精度提升了1.4%，枣阳提升了1.32%。相比GF...