基于哨兵影像与多特征优选的溧阳市上兴镇水稻识别

水稻是中国三大粮食作物之一,提供准确、及时的水稻种植信息对水稻生产管理、水稻种植保险赔偿以及国家粮食安全指导、政策制定和实施等具有重要意义。针对中国南方水稻种植地块破碎、种植结构复杂等造成的水稻识别难点,为提高水稻识别精度,本研究以哨兵一号(Sentinel-1)、哨兵二号(Sentinel-2)遥感影像为数据源,构建光谱特征、植被/水体指数特征、纹理特征和雷达特征等特征集,设置包括优选特征在内的7种特征组合,采用随机森林算法对江苏省常州市溧阳市上兴镇的水稻进行识别。结果表明,在光谱特征中,红边波段对于水稻识别精度有着较高的提升作用。光谱特征结合植被/水体指数特征、雷达特征后,水稻识别精度有所提高。基于优选特征进行分类的精度最高,总体分类精度、Kappa系数分别为93.26%、0.904 8。综上,结合遥感影像的光谱特征、植被/水体指数特征和雷达特征等并进行特征优选可以提高水稻识别精度。     

融合主被动遥感影像的冬小麦种植面积提取研究

为了快速、准确地获取作物分布信息,探索使用主动遥感影像（Sentinel-1A）和被动遥感影像（Sentinel-2）提取冬小麦空间分布的可行性。首先,根据冬小麦的物候特征,合成冬小麦全生育期的Sentinel-1A影像;并依据各类地物的NDVI（归一化植被指数）时序曲线合成一期高质量的冬小麦越冬后Sentinel-2影像。其次,设计Sentinel-1A影像、Sentinl-2影像和融合Sentinel-1A与Sentinl-2主被动遥感影像3种分类方案,然后在Google Earth Engine(GEE)云平台上基于随机森林算法对冬小麦进行分类。结果表明,基于全生育期Sentinel-1A影像的冬小麦用户精度和生产者精度分别为83.15%和86.44%,提取结果中存在较多的“椒盐”噪声;基于冬小麦越冬后Sentinl-2影像的冬小麦用户精度和生产者精度分别为87.98%和84.75%,提取精度较使用全生育期Sentinel-1A影像有所提高,但分类结果受“异物同谱”的影响,产生许多错分;融合主被动遥感影像的冬小麦用户精度和生产者精度分别为96.57%和95.48%,相较于仅使用单...     

基于Sentinel-1/2数据的中国南方单双季稻识别结果一致性分析

【目的】微波遥感因具有全天时、全天候数据获取的特点,在多云雨的中国南方水稻识别研究中表现出巨大潜力。本研究通过对比Sentinel-1SAR遥感数据和Sentinel-2光学遥感数据用于水稻遥感制图的效果,分析光学和SAR遥感数据对于单双季稻识别结果的一致性,并探索水稻识别的最优SAR影像特征。【方法】本研究使用Sentinel-1/2卫星数据,基于面向对象的随机森林分类算法和Google Earth Engine平台,提取洞庭湖平原4个典型水稻种植区的单双季稻空间分布。通过比较9种不同传感器和特征组合场景的分类精度和分类结果统计指标,并计算NDVI和SAR特征时序（VH、VV、VH/VV）的R²和DTW距离,分析识别单双季稻的最优SAR特征,评估光学和SAR遥感数据对于单双季稻识别结果的一致性。【结果】VH、VV和VH/VV时序识别单双季的总体精度分别为90.42%、82.08%和88.33%,而联合VH和VH/VV时序识别单双季稻的总体精度可达91.67%。VH（VH/VV、VV）时序与单双季稻NDVI时序的R²和DTW距离分别为0.870（0.915、0.986）、4.715（1.896、5.506）（单季稻）和0.597（0.783、0.673）、2.396（1.839、3.441）（双季稻）。较高的R²和较低的DTW距离说明单双季稻的VH/VV时序与NDVI时序相关度更高,可以较好地反映单双季稻的生长周期规律。同时,VH可以较好地反映单双季稻移栽期的淹水特征。基于光学数据和SAR数据在6个时间窗口的特征（S-2：NDVI、EVI、LSWI;S-1：VH、VH/VV）识别单双季稻的总体精度分别为91.25%和90.00%,识别结果面积相关性可达95.70%。【结论】SAR遥感数据与光学遥感数据水稻识别结果一致性较高。应用Sentinel-1在多云雨区识别单双季稻具有巨大潜力,VH和VH/VV后向散射系数时序是识别水稻的优质特征。研究结果为多云多雨区使用SAR数据进行特征优选以高精度识别单双季稻提供了重要技术支撑。     

多时相高分一号影像在丘陵地区大宗农作物提取中的应用

【目的】基于多时相的高分一号(GF-1)影像,利用面向地块对象分类法提取广西崇左市江州区大宗农作物种植面积,为南方多云雨丘陵地区提取作物信息提供参考。【方法】以2 m分辨率的GF-1影像为数据源,采用人机交互的方式准确识别地表覆盖的地块信息,基于对多时相GF-1影像进行云影检测,并处理生成影像的光谱、归一化植被指数(NDVI)、亮度等特征,采用面向地块对象的分类方法提取甘蔗、水稻和香蕉的作物信息。【结果】根据混淆矩阵评价分类的结果可知,提取大宗农作物的总体精度为90.08%,Kappa系数达0.85,满足农业成果应用的精度要求。【结论】利用有效影像数据,结合地块数据完成作物信息提取,该技术方法能够准确提取丘陵地区大宗农作物信息,为解决南方多云雨丘陵地区提取作物信息难题提供了有效途径。     

面向林地分类的GF-2影像融合算法评价

针对林业部门目前常用的遥感影像融合算法,探究适合于林地信息提取的GF-2影像融合算法。以GF-2卫星1 m全色/4 m多光谱分辨率平面影像为数据源,采用HSV变换(hue-saturation-value,颜色空间变换),Brovey变换(彩色标准化变换),PC变换(principle components,主成分变换),HPF变换(high-pass fusion,高通滤波变换),GS变换(gram-schmidt,正交化变换),Pansharp变换(超分辨率贝叶斯变换)等6种常用融合算法,通过目视和定量特征分析对融合效果进行评价,并结合面向对象分类方法对融合后影像进行地类信息提取和分析,探讨6种融合算法对GF-2影像在林区地类提取的适宜性。研究结果表明:基于Brovey和HSV算法的融合结果目视效果良好,清晰度与纹理增强明显;这2种融合算法影像在不同地类信息的提取上各有优势,HSV算法融合结果在不同地类的提取上效果最好,分类总精度可达85.14%,Brovey算法融合结果则在森林类型的提取上具有最高的分类总精度,为75.72%;其余4种融合算法在图像质量及其他地类提取中各有优势,具体融合算法的选取需根据应用目的和影区应用区域的实际情况而定。该研究可为林业部门提高GF-2卫星的适用性及大规模应用提供参考。     

Sentinel-1A与不同云量Sentinel-2A的融合尺度及分类研究

为了提高多云雾地区光学遥感影像利用率、探索不同云量的光学影像和SAR影像的最佳融合尺度,选取重庆市渝中地区为研究区,基于Sentinel-1A极化合成孔径雷达(SAR)影像与不同云量的Sen鄄tinel-2A(云量分别为0、10%、20%、30%)光学影像,进行小波变换融合、乘积变换融合、高通滤波融合,再利用图像评价方法评价影像融合以后的效果,最后利用面向对象的方法对融合前后的影像进行分类,利用混淆矩阵比较最终的分类精度。结果显示,无云情况下,小波变换融合效果最好,最大限度地保留了原多光谱影像的亮度、反差,有效防止了影像信息的丢失,对植被的解译能力有了明显改善,而融合后的影像保真度较差,其余两种融合效果相对次之,因此,在多云雾地区进行多源遥感数据融合时,尤其是异质数据融合时,优先推荐小波融合算法;当云量为10%以上时,3种融合算法虽然信息熵略有增加,但平均梯度、标准差减少了,造成解译困难,导致最终分类精度均略低于Sentinel-2A影像,远低于Sentinel-1A影像,基本不能满足使用要求,因此,在进行地表覆被解译时,推荐用SAR影像替代光学影像。     

基于卷积神经网络的高分二号影像林分类型分类

目的基于遥感影像的林分类型分类在现代林业中是一项重要的应用。本文试图构建一个基于高分二号（GF-2）影像林分类型分类的卷积神经网络（CNN）模型,探索CNN在遥感图像像素级分类这一领域的发展潜力。方法以GF-2卫星遥感影像为数据源,利用Tensorflow（一种开源用于机器学习的框架）构建4种不同图像斑块大小（m = 5,7,9,11）为输入的CNN,同时以传统的神经网络模型——多层感知器（MLP）为基准,比较不同图像斑块大小下的CNN分类图的分类效果和分类精度。结果实验分类结果表明:CNN（m = 9）得出最高的分类精确度,总体精度比MLP和CNN（m = 5,7,11）分别高出10.91%和6.55%、1.3%、2.54%。分类图的可视化结果也表明CNN（m = 9）更好地解决了“椒盐现象”与过度平滑后的边界不确定性问题。结论CNN能够在利用高分影像光谱特征的同时充分挖掘影像的空间特征,从而提高分类精度,同时在利用CNN基于遥感影像分类时,根据数据源以及地物的特点选择合适的图像斑块大小作为输入是提高分类精度与分类效果的关键措施。      

基于多特征融合的白鹿原地区土地利用分类研究

为了更高效地进行土地利用分类,以实现土地资源的可持续利用,本文以西安东南的白鹿原为研究区,采用具有丰富光谱信息的Sentinel-2 L2A数据生成多种特征变量,通过特征优选构建多特征融合的组合分类方案,基于随机森林(Random Forest, RF)、人工神经网络(Artificial Neural Network, ANN)、最小距离(Minimum Distance, MID)和马氏距离(Mahalanobis Distance, MAD)4种分类算法对比分析光谱特征和优选多特征融合分类方案在黄土台塬区土地利用分类中的精度及适用性。研究表明：优选多特征融合方法能够在一定程度上提升分类精度,与优选多特征融合的ANN、MID和MAD相比,优选多特征融合的RF分类方案精度分别提升了10.85%、26.22%及4.55%,优选多特征融合的RF算法土地利用分类效果最佳。该方法可为黄土台塬区土地资源监测、管理提供技术支持和方法参考。     

基于Sentinel-1A影像的原阳县玉米和水稻分类时间窗选择

使用遥感技术可以快速、准确地识别作物类型。本研究以河南省原阳县为试验区，基于Google Earth Engine(GEE)云平台，以玉米、水稻关键生育期的Sentinel-1A影像为数据源，分析各类地物的极化特征时序曲线。对6期Sentinel-1A影像进行穷举组合，使用随机森林算法对所有影像组合分类，分析各生育期影像对作物分类的重要性，选出玉米、水稻分类最佳时间窗。结果表明，作物生长中后期影像对作物分类更重要，其中玉米的乳熟期最重要，水稻的灌浆期最重要。全生育期影像组合中玉米的用户精度和生产者精度分别为90.43%和90.53%,水稻的用户精度和生产者精度分别为88.89%和89.01%。经过优选，大喇叭口期至成熟期为玉米分类最佳时间窗，相较于全生育期影像组合，此生育期影像组合的玉米用户精度和生产者精度分别提高了3.38个百分点和5.26个百分点；拔节期至成熟期为水稻分类最佳时间窗，相较于全生育期影像组合，此生育期影像组合的水稻用户精度和生产者精度分别提高了4.73个百分点和2.66个百分点。本研究结果可以为Sentinel-1A影像在原阳县及其附近区域的玉米、水稻种植结构监测研究...     

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。     

不同遥感数据融合方法在南方水稻面积监测中的应用研究

在南方水稻遥感监测中,单一传感器影像数据已不能满足监测精度的要求,需要将高空间分辨率全色影像与中高空间分辨率多光谱影像进行融合,得到新的高空间分辨率多光谱影像,有利于改善影像识别与分类精度.该文利用江苏省金湖地区HJ-1A卫星30m分辨率多波段影像与ALOS卫星2.5m分辨率全色影像进行水稻监测,采用4种融合方法(Brovey变换、IHS变换、高通滤波和小波变换)对2种影像进行融合处理.随后对各种融合影像结果进行了目视定性和融合评价指标定量说明与评价,结果表明小波变换在空间与光谱信息上具有最佳的融合效果.进一步利用小波变换的融合影像进行水稻识别与面积提取,统计表明融合影像相比HJ-1A多光谱影像,水稻面积估测精度从79.26%提高到91.65%.因此,利用多源遥感数据融合的方法对南方水稻面积进行监测,可显著提高其监测精度.     

基于特征优选的GF-6 WFV影像主要粮食作物提取

针对高分六号（GF-6）宽幅多光谱影像具有红边波段的特点,构建一种基于特征优选的GF-6 WFV影像主要粮食作物提取方法。首先从预处理后的GF-6影像中提取光谱特征、植被指数、水体指数和红边指数特征,然后利用递归特征消除算法进行特征优选来构建最优特征集,最后基于最优特征集和机器学习算法对影像进行分类从而提取主要粮食作物。以江苏省南通市如东县为研究区,采用6种方案进行粮食作物提取试验,并探讨不同特征、不同分类模型对小麦、水稻和玉米3种粮食作物提取精度的影响,结果表明,利用GF-6 WFV影像可以准确提取主要粮食作物,尤其在红边波段和红边指数上主要粮食作物与其他地物间具有较高的可分性;利用最优特征集和XGBoost算法对影像进行分类的精度最高,在小麦和水稻、玉米提取试验中比未采用红边特征时的分类精度分别提高了3.08、5.58个百分点。     

基于Sentinel-2和Landsat8 OLI数据融合的土地利用分类研究

以山东省平邑县为研究区,在随机选取的子研究区中,利用3种不同的融合模型,以Sentinel-2影像的红、绿、蓝、近红外4个波段作为高分辨率融合参考影像,获得12组融合影像,结果表明,利用小波变换(ATWT)算法并以红波段为高分辨率融合影像时,融合效果最好.采用最优模型和波段,对整个研究区进行数据融合,并利用随机森林算法对原始Sentinel-2影像、融合获得影像和Landsat影像进行土地利用分类,其中Sentinel-2影像总体分类精度为89.693 9%,Kappa系数为0.886 0,融合影像的总体分类精度为88.765 7%,Kappa系数为0.869 0,略低于前者,结果表明,"红波段+ATWT"融合影像在土地利用分类中可以获得接近原始影像分类精度的结果,能较好地保留原始影像的光谱信息并应用于较大区域的土地利用精细提取.     

耦合时序特征的林分类型遥感识别

【目的】结合多源遥感数据进行特征提取,获取最优分类策略并探究时间序列特征在林分类型识别中的重要性,为遥感林分类型识别提供技术途径。【方法】结合Sentinel-2光谱特征和时间序列特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征在Google Earth Engine中进行各特征变量的提取,构建不同特征组合使用随机森林分类器进行分类并对不同分类结果进行制图输出和精度评价。【结果】（1）使用Sentinel-2时间序列光谱特征、Sentinel-1雷达后向散射特征和SRTM DEM地形特征的方案分类效果最好,总体精度为84.62%,Kappa系数为0.82;(2)在构建的5个不同特征组合方案中,多特征组合的方案分类效果优于单一特征;（3）地形特征、后向散射特征和时间序列特征对于分类结果非常重要,尤其是时间序列特征的加入能大大提升林分类型识别精度。光谱特征中短红外波段B11和B12最重要,时间序列特征中4月份和10月份为最重要的时间节点。【结论】基于多源遥感数据提取的多特征分类方案能够有效进行研究区林分类型识别,地形特征、后向散射特征和Sentinel-2时间序列特征可...     

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...     

Landsat-8与GF-1遥感影像土地利用数据提取比较——以咸宁市为例

针对Landsat-8 OLI和GF-1 WFV传感器参数的特点,选择支持向量机(SVM)分类方法分别对咸宁市同一时段的Landsat-8遥感影像和GF-1遥感影像进行土地利用分类研究。结果表明,Landsat-8在耕地与林地、水域与裸地可分离性方面高于GF-1,提取的林地面积占比和耕地面积占比更接近于真实值;Landsat-8和GF-1的分类总精度分别为85.76%和88.38%,Kappa系数分别为0.807 1和0.820 4,说明GF-1的分类效果好于Landsat-8;GF-1具有较高的分辨率优势,对分布零散的地物识别效果优于Landsat-8。     

遥感监测适用性分析

【目的】验证GF-1 WFV(16 m分辨率)在不食草马先蒿遥感监测的适用性,了解巴音布鲁克草原不食草马先蒿的分布。【方法】利用校正后的GF-1 WFV遥感卫星影像,结合实测光谱数据,采用目视解译结合监督分类的方法,对研究区的不食草马先蒿进行识别,验证其分类精度,并对研究区马先蒿的分类精度和分布情况进行分析。【结果】影像解译整体精度为80.91%,Kappa系数为0.71,分类结果较好;得到了巴音布鲁克草原不食草马先蒿分布范围和影响分类精度的主要原因。【结论】利用16 m分辨率GF-1 WFV多光谱遥感数据对巴音布鲁克草原不食草马先蒿进行遥感监测是可行的。通过对研究区遥感解译的分类结果和实地踏查发现,不食草马先蒿危害面积较大,且多为连片分布、顺河流分布;危害较为严重的区域为巴音布鲁克总场巴音布鲁克分场、巴音郭楞乡哈尔萨拉村、巴音布鲁克镇巴西里克村。     

基于CART决策树的自然保护区植被类型分布研究

目的针对保护区监测需求，充分发挥GF-1 WFV影像的宽幅特点和面向对象、机器学习算法在遥感影像分类中的优势，提高保护区植被类型遥感监测的精度，为保护区管理决策提供依据。方法以甘肃省白水江国家级自然保护区为研究区，主要数据源包括GF-1 WFV多光谱数据、Landsat-8 OLI遥感数据、DEM数据、野外调查数据等。首先，对GF-1 WFV数据进行多尺度分割，将研究区划分为诸多区域性的分割对象；然后，以分割对象为基本单元，研究光谱特征、几何特征、纹理特征不同组合情况下，基于CART决策树分类的结果；最后，利用训练样本建立基于TTA的精度检验，并基于混淆矩阵对分类结果进行分析。结果在多尺度分割过程中，形状因子、紧致度分别设置为0.2和0.5时地物边界显示较好；当形状因子和紧致度固定时，研究区最佳分割尺度为40。精度检验结果表明，基于CART决策树的保护区植被类型分类结果整体精度均在83%以上，Kappa系数在0.80以上，优于最邻近分类法和支持向量机分类算法，其中基于光谱特征、几何特征、纹理特征的CART决策树分类结果精度最高，总体精度为85.18%，Kappa系数为0.832 2，优于光谱特征分类、光谱特征结合几何特征分类的方法。结论基于CART决策树算法和面向对象方法的GF-1遥感影像分类方法适用于保护区植被类型分布研究，可有效辅助保护区监测工作。      

一种改进深度卷积神经网络的海岛识别方法

受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s,分类精度分别达到89.75%、85.58%和90.25%,CNN对图像的分类精度达到92.41%,高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草,获取杂草的分布信息,生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高,生成的水稻田杂草分布图效果最好。