基于高分影像特征优选的黄土高原撂荒耕地遥感监测方法

快速、准确地监测撂荒耕地对研究土地利用变化、保障国家粮食安全和制定农业政策有着重要意义,黄土高原地区复杂地貌和耕地破碎性对监测撂荒耕地颇具挑战性。该研究以国产高分卫星遥感影像为主要数据源,使用耦合遗传算法的离散二进制粒子群算法改进最佳指数因子法优选分类特征因子,采用随机森林分类和分类后变化检测方法,获得试验区2011—2022年撂荒耕地时空分布信息,通过影像目视判读和实地调查相结合的方式进行结果验证和精度评价,结果表明：1）经重要性评估发现NDVI平均精度减少（mean decrease accuracy,MDA）得分最高,经改进的优选特征方法优选特征为：绿波段、红波段、近红外波段、蓝绿波段比值指数、坡度、NDVI、方差、对比度,特征优选有效提高了高分影像的土地利用分类精度和效率;2）国产高分卫星数据可实现地块尺度撂荒耕地的精准识别,经验证,撂荒耕地识别总体精度达到92.48%;3）2011—2022年间研究区撂荒耕地总面积为5492.51 hm²,2011—2014年撂荒率最大,达21.09%,2020—2022年撂荒率最小,为0.99%。该研究构建了黄土高原地区地块尺度撂荒耕地遥感监测的方法,并进行验证和评价,对推动撂荒耕地相关研究和国产高分卫星数据的实践应用具有积极意义。     

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GF-1与Landsat-8多光谱遥感影像的玉米LAI反演比较

近年来,中国遥感事业已取得长足进步,高分一号(GF-1)卫星首次实现了中国自主研发的高分辨率对地观测。为探讨国产GF-1卫星影像在农业遥感长势监测中的适应性,以许昌地区为研究对象,选取同期Landsat-8卫星影像,结合地面采样数据LAI,从传感器光谱响应特征、经验回归模型监测精度以及LAI空间一致性等3方面进行2类遥感数据的对比评价。结果表明,GF-1影像近红外、红、蓝波段光谱响应与Landsat-8有差异,与绿波段光谱响应非常吻合,各波段光谱反射率与Landsat-8影像同类光谱间均存在显著线性关系。通过各波段组合多种归一化植被指数,采用经验回归模型反演LAI发现,GF-1影像反演的最优模型为NDVI的指数模型,R2为0.848,Landsat-8影像反演的最优模型为蓝红组合的归一化植被指数(blue-red NDVI,BRNDVI)的指数模型,R2为0.687,2类影像反演LAI与地面实测值均呈现较为一致的线性关系。由许昌地区玉米LAI值空间分布可见,GF-1影像反演的玉米LAI值与Landsat-8影像反演值过渡趋势一致,在许昌西部种植结构复杂地区,GF-1影像以其空间分辨率优势更能凸显LAI分布差异。通过该文研究表明,GF-1卫星的高时间分辨率以及高空间分辨率特征能够代替传统中分辨率数据成为农业遥感长势监测中的重要数据源,该数据在农业遥感其他领域的应用是今后研究的重点。     

基于GF-1/WFV数据的冬小麦条锈病遥感监测

条锈病是冬小麦常见病害,利用遥感影像对条锈病病害区域进行准确监测具有重要意义。该文利用GF-1/WFV影像,结合条锈病地面光谱数据分析,采用冬小麦条锈病遥感监测指数(wheat stripe rust index,WSRI)对河南西华县冬小麦条锈病发病范围进行了估测。首先,利用冬小麦NDVI加权指数(weighted NDVI index,WNDVI)获取冬小麦种植区域。其次,利用影像4个波段反射率之和提取不同冬小麦品种的分布范围,值较高的为条锈病高抗品种(郑麦系列),较低的则是条锈病易感品种(矮壮系列)。再次,构建冬小麦条锈病指数(wheat stripe rust index,WSRI),结合地面实地调查的条锈病分布数据,通过设定合理的WSRI指数划分阈值,提取条锈病染病区域并进行精度验证。结果表明,研究区内小麦条锈病空间分布识别的总体精度在84.0%以上,具有区域监测应用的潜力。该方法简单,可操作性强,表明宽波段GF-1影像结合WSRI指数的技术,是一种比较可行的小麦条锈病遥感监测方案。     

协同多时相国产GF-1和GF-6卫星影像的艾草遥感识别

艾叶具有巨大的食用和医用价值,近些年艾草种植面积在中国南方地区显著增加。掌握艾草空间分布信息对于区域作物种植结构调整、艾草产业布局优化具有重要现实意义。该研究以中国艾草主要生产地--湖北省蕲春县为例,探讨国产高分1号（GF-1）和高分6号（GF-6）卫星影像识别艾草的潜力。本文首先基于高分影像构建了20个光谱特征,然后采用随机森林分类器进行分类,最后分析了红边指数对识别艾草的贡献度。为了评估协同GF-1和GF-6影像识别艾草的潜力,研究还比较了不同影像组合情景识别艾草的精度。结果表明,协同GF-1和GF-6影像提取的蕲春县艾草的用户精度是92.73%,制图精度是88.74%,均显著高于基于单一GF-1或GF-6影像识别艾草的精度。各乡镇艾草遥感制图面积和统计面积拟合的相关性系数R2达到0.7,表明研究结果能够准确反映艾草的种植面积和空间分布。基于随机森林的重要性得分排名前50的特征中,红边波段以及红边植被指数的数量占比达54%,其中6月23日GF-6影像的红边波段I贡献度得分最高,是识别艾草的最优光谱特征。GF-6的另一新增的紫波段相较于其他传统波段,也对于区分艾草和其他作物做出了重要贡献。5月上旬和9月上旬分别为艾草第一茬和第二茬叶片快速繁殖生长阶段,是艾草的最佳识别时期,6月下旬和9月下旬也是区分艾草和其他作物的关键时期。研究表明,GF-6 WFV影像的新增波段以及基于红边波段构建的植被指数能够有效提高作物识别的准确性,协同GF-1和GF-6影像通过提高影像时间信息,能较好捕获作物的关键物候特征,从而提高作物识别精度。该研究为充分发挥多源国产高分卫星协同利用优势提供了典型应用示范,呈现的作物识别方法不仅适用于艾草,也适用于其他区域和其他农作物。     

重庆市典型县撂荒耕地图斑的提取与验证

耕地撂荒在国际和国内众多区域都有分布,而且近年来有愈演愈烈的趋势。撂荒地块的提取是进一步研究耕地撂荒状况的基础。该文详细阐述了重庆市典型县的撂荒耕地地块的提取过程,利用2期耕地图层叠加,剔除退耕还林和森林工程图斑,得到撂荒耕地分布图,在此基础上得出了重庆市典型县的耕地撂荒状况。将随机抽样提取的撂荒耕地图斑与Google Earth影像验证,撂荒耕地图斑提取的正确率达到85.3%,该方法用于提取山区的撂荒耕地是可行的。研究发现,2011年石柱、巫山和酉阳3县的耕地撂荒率分别为14.0%、19.9%和19.2%,整体上3县的平均撂荒率为18.0%,撂荒耕地总面积为5.6万hm2。撂荒耕地以旱地为主,占总撂荒地面积的82.4%,旱地撂荒率为20.4%,水田撂荒率为11.5%。3县中,巫山县和酉阳县的撂荒率高于石柱县;而且,在水田撂荒方面,巫山县和酉阳县的水田撂荒率也明显高于石柱县,3县的水田撂荒率分别为17.2%、13.9%与6.3%。     

基于GF-1影像的普达措国家公园森林地上生物量遥感估算

精确估算森林地上生物量有利于掌握森林资源碳储量的分布特征,该研究以普达措国家公园为研究区,基于国产高分一号（GF-1）全色多光谱（Panchromatic Multispectral Sensor,PMS）卫星影像和数字高程数据,提取波段信息、植被指数、纹理信息和地形因子,利用多元线性逐步回归、支持向量机、神经网络和随机森林模型,估算森林地上生物量。研究结果表明,基于GF-1影像构建的随机森林模型的精度效果最佳,决定系数为0.77,均方根误差为27.53 t/hm2;普达措国家公园森林地上生物量为7 085 614 t,平均生物量达136.01 t/hm2,表明公园内寒温性针叶林发育完好;海拔>3 500～4 000 m区域森林生物量平均值最高,为126.56 t/hm2,与生态保护目标分布范围相符;不同坡向生物量存在差异,阴坡和半阴坡平均生物量高出其他坡向20.48%,立地条件较优。研究结果证实基于GF-1优化的生物量经验模型具有对亚高山天然林地上生物量的估算潜力,对区域森林资源的有效科学管理和维护森林生态环境具有重要意义。     

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%。     

基于GF-1遥感数据预测区域森林土壤有机质含量

为探索国产卫星GF-1预测土壤有机质(SOM)的能力,本研究以广东省云浮市的罗定市为研究区,以GF-1多光谱遥感影像衍生的9个遥感变量和DEM提取的9个地形水文变量为预测因子,建立2种人工神经网络模型(A模型:地形水文;B模型:地形水文+遥感),对5个土壤深度(L1:0～20 cm,L2:20～40 cm,L3:40～...     

基于GF-1影像的东江流域面向对象土地利用分类

针对东江流域地物斑块破碎、湖泊河流众多等因素影响其地物分类精度的问题,该文以GF-1遥感影像为数据源,采用面向对象的分类方法,结合模糊分类和CART决策树分类法获取研究区土地利用分类信息。根据近红外波段均值的模糊范围(480~2 200)选择模糊小于隶属函数对水体与非水体进行区分,近红外波段均值小于480确定为水体,大于2 200确定为非水体;在水体类别中,采用长宽比指数模糊范围(1.53~4.32)调用模糊大于函数对河流与水库进行了区分,长宽比指数小于1.53确定为水库,大于4.32确定为河流;在非水体类别中,采用归一化植被指数NDVI(normalized difference vegetation index)特征值模糊范围(0.21~0.62)调用模糊大于函数区分植被与非植被,NDVI指数小于0.21确定为非植被,大于0.62确定为植被,最后采用面向对象的CART决策树分类法分出河流、水库、园地、林地、耕地、灌草地、未利用地、建设用地。与极大似然分类法、非监督分类法应用到GF-1遥感影像相比,基于面向对象的CART决策树分类方法的效果最好,总体分类精度高达93.27%,Kappa系数高达0.92。该方法可以作为东江流域获取较高土地利用信息的有效方法,为研究流域生态环境变化提供更准确的数据支持。     

基于多时相GF-6遥感影像的水稻种植面积提取

为获取高精度水稻种植面积提取方法和分析红边信息在作物识别能力上的优越性,该研究选取辽宁省盘锦市为研究区域,利用2020年水稻关键物候期的多时相高分6号宽幅相机（GF-6 WFV）遥感影像,构建归一化植被指数（Normalized Difference Vegetation Index,NDVI）、归一化水体指数（Normalized Difference Water Index,NDWI）、比值植被指数（Ratio Vegetation Index,RVI）和归一化差异红边1指数（Normalized Difference Red-Edge 1 Index,NDRE1）,根据各地物类型进行时序分析,在获得水稻面积粗提取结果的基础上对其他地类进行掩膜,准确提取水稻种植面积。对2020年盘锦市水稻提取结果进行精度分析,结果表明,基于实测数据进行精度验证的总体精度为94.44%,基于目视解译数据进行精度验证的总体精度和Kappa系数分别为95.60%和0.91。根据目视解译数据对有无红边波段参与的水稻提取结果进行对比分析可知,红边波段的引入使总体分类精度、水稻制图精度和Kappa系数分别提高了3.20个百分点、6.00个百分点和0.06。该研究证明红边波段可以有效降低作物的错分、漏分情况,对水稻精准估产和丰富农作物遥感监测方法具有重要作用,显示出国产红边卫星数据在作物分类、面积提取方面具有巨大应用潜力。     

基于Google Earth Engine的淮河流域越冬作物种植面积制图

越冬作物是中国重要的作物类型,其面积的变化不仅对中国粮食产量和经济产生直接的影响,还潜在地影响中国的粮食安全,因此有必要准确绘制越冬作物种植面积图来为决策制定者提供科学参考。该研究以淮河流域为例,基于Google Earth Engine云平台,融合时间序列Landsat-7/8和Sentinel-2A/B卫星影像,采用S-G（Savitzky-Golay）滤波器重构作物时间序列的归一化差异植被指数（Normalized Difference Vegetation Index,NDVI）,根据不同植被类型物候期的差异,选取越冬作物生长旺盛期NDVI最大值、越冬作物播种期和收获期中相应的NDVI最小值和中位数,在像元尺度上构建越冬作物提取算法,绘制淮河流域越冬作物的种植面积。研究结果表明,所构建算法能够精确提取淮河流域越冬作物的种植面积,总体精度为95.8%,Kappa系数为0.912,该研究可为作物面积的提取和监测提供方法参考。     

基于GF遥感数据纹理分析识别制种玉米

仅利用多时相遥感数据识别作物,其精度难以满足制种玉米识别的实际需求。该文针对制种玉米种植特点,利用国产GF遥感数据,构建了制种玉米遥感识别方法。首先利用多时相国产卫星GF-1 WFV数据,依据研究区作物的物候历,构建各地类EVI时序曲线,提取玉米种植区域;进一步利用抽雄期的GF-2 PAN数据,以田块为对象,通过Sobel边缘检测算子,提取作物纹理信息,并利用Hough变换检测制种玉米田块中的条带状纹理信息,最终提取出制种玉米。该文以新疆维吾尔自治区奇台县坎尔孜乡为研究区,对该文构建的方法进行试验验证,试验结果显示,制种玉米识别精度为90.0%,Kappa系数为0.80。该文不但拓宽了中国国产遥感数据的应用领域,同时也为中国玉米制种监管提供了新的技术支撑。     

基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测

为实现区域冬小麦种植面积变化的快速监测,减少监测难度,提高监测效率和精度,该文提出一种基于年际NDVI相关关系的监测方法(relationship analysis of normal difference vegetation index,rNDVI)。选择河北省黄骅市、孟村县、海兴县3个县市为研究区,基于2014年4月14日、2017年4月26日两个时期的GF-1/WFV数据,基于rNDVI方法,通过将样本点两年度的NDVI值构建二维空间,采用最小二乘法拟合的方法获得不变地物点的上下包络线方程,进而得到冬小麦变化区域的监测阈值,提取冬小麦种植增加和减少区域,实现对研究区域的变化监测。结果表明,采用rNDVI算法总体精度分别为90.60%,Kappa系数为0.84,相比传统的先最大似然分类后再提取冬小麦种植变化区域的方法,总体精度与Kappa系数分别提高了6.6个百分点和16.7%。对冬小麦增加区域、冬小麦减少区域的变化监测结果进行分析,发现基于rNDVI的变化监测方法可以有效提高裸地、线状道路、破碎的冬小麦地块等区域的变化识别能力,提高监测精度。同时分别利用2014年3月1日和2017年3月12日、2014年5月17日与2017年5月20日两对GF-1/WFV数据进行基于rNDVI的冬小麦变化区域监测,结果表明3月份的监测精度较低,主要是由于3月份冬小麦长势尚不明显,5月份与4月份的总体精度相近,主要是由于5月份冬小麦NDVI已较高,易于识别。上述研究结果表明,基于rNDVI的冬小麦变化快速监测方法可以有效监测区域冬小麦种植面积的变化情况,算法简单高效,且能够在种植结构相对单一的冬小麦分布区域保持较高精度,能够满足农情遥感监测信息快速获取的需要。     

基于GF-1遥感影像和relief-mRMR-GASVM模型的小麦白粉病监测

选择合适的建模和特征选择算法对提高作物病害的遥感监测水平有着重要的作用。研究以河北省小麦白粉病为研究对象,基于GF-1/WFV数据共提取了4个波段反射率数据和10个对作物长势和胁迫敏感的植被指数作为初选特征。针对常用的特征提取算法relief算法筛选出的特征存在冗余性的问题,提出了一种relief结合最小冗余最大相关(minimum redundancy maximum relevance,m RMR)的特征降维算法(relief-m RMR)。首先,通过relief算法计算出各特征的权重系数,对特征集进行加权;然后利用m RMR算法选出与类别具有最小冗余性的特征,利用支持向量机(support vector machine,SVM)对河北白粉病进行监测,并用遗传算法(genetic algorithm,GA)优化的SVM(GASVM)建立了白粉病的监测模型(relief-m RMR-GASVM),将监测结果分别与SVM和网格寻优(grid search,GS)算法优化的SVM(GSSVM)的监测结果进行对比分析,同时比较了该方法与Ada Boost、粒子群(Pso)优化的最小二乘支持向量机(least squares support vector machine,Pso-LSSVM)和随机森林(random forest,RF)3种方法的优越性。结果表明,relief-m RMR算法筛选出的特征与GASVM、SVM和GSSVM建立的监测模型精度比传统relief算法筛选特征所建模型的精度分别提高了14.3个百分点、7.2个百分点和7.1个百分点,比传统m RMR算法筛选特征所建模型的精度分别提高了14.3个百分点、14.3个百分点和14.2个百分点。relief-m RMR算法结合GASVM建立的监测模型精度为所有模型中最高,精度为85.7个百分点,分别比SVM和GSSVM所建监测模型精度提高了21.4个百分点和7.2个百分点。此外,GF-1数据结合relief-m RMR-GASVM模型的监测精度分别高出Ada Boost、Pso-LSSVM和RF方法21.4个百分点、14.3个百分点和7.1个百分点。说明GF-1数据结合relief-m RMR-GASVM模型可用于小麦白粉病的遥感监测。