基于多源光学雷达数据融合的黄淮海平原冬小麦识别

遥感技术能够快速准确地获取农作物空间分布信息,为探究2021年黄淮海平原冬小麦空间分布信息,基于Google Earth Engine（GEE）云平台,以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源,通过计算极化特征、光谱特征和纹理特征,运用随机森林等4种机器学习方法和深度循环神经网络模型,对研究区冬小麦空间分布信息进行提取,并对比各分类器和网络架构的分类精度。结果表明,黄淮海平原冬小麦总面积约为16226667hm2,占研究区总面积的49.17%,其中冬小麦种植面积最大的是河南省,约为4647334hm2,研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势;随机森林是4种机器学习方法中识别精度最高的分类器,总体分类精度为94.30%;在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%,仅使用Sentinel-2光学数据总体精度为93.95%,而融合时序Sentinel主被动遥感数据总体精度为94.30%;在大范围的冬小麦分类上,深度学习模型的泛化性高于机器学习方法。     

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于DeepLab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法.通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播.基于2018-2019年连续2年内蒙古自治区河...     

土地利用/覆被深度学习遥感分类研究综述

基于遥感分类实现高精度的土地利用和土地覆被制图是研究热点问题.近年来,以卷积神经网络为代表的深度学习在计算机视觉领域取得了长足发展,同时也被引入到土地利用/覆被遥感制图领域.相比于经典机器学习,深度学习的优势表现为能够自适应提取与分类任务最相关的特征,其缺陷表现为分类精度的提高依赖于海量标签样本.基于深度学习在土地利用...     

基于深度学习的多源遥感反演麦田土壤墒情研究

土壤墒情是影响农作物生长发育的主要因素和干旱监测的重要指标。为提高农作物覆盖下地表土壤墒情反演精度,基于Sentinel-1雷达数据和Sentinel-2光学数据,基于深度学习理论,采用全连接深度神经网络的监督学习模型反演研究区麦田的土壤墒情。结果表明：当隐含层层数为6,隐含层节点数为80,迭代次数为450时,获得模型的最优解。反演结果与实测数据的决定系数为0.925 2,均方误差为0.000 8,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

基于多源遥感数据的输电线走廊树种分类

针对目前树冠提取中受背景影响和易出现过度分割的问题,首先,采用可见光差异植被指数和双边滤波对传统的单木树冠分割方法进行了改进;然后,以单木树冠为对象提取多维特征,并利用XGBoost算法进行特征重要性排序和特征选择;最后,使用随机森林、支持向量机、人工神经网络3种非参数分类器,设计了 12种分类方案,进行了单木树种分类...     

融合多源时空数据的冬小麦产量预测模型研究

为提高大尺度冬小麦产量预测精度,以2005—2019年河南省遥感数据、气象数据、土壤含水率等多源时空数据为特征变量,分析其与小麦单产的相关性,并基于随机森林算法对特征变量进行了重要性分析,构建了融合多源时空数据的冬小麦产量预测模型。结果表明:增强型植被指数（Enhanced vegetation index, EVI）、日光诱导叶绿素荧光（Solar-induced chlorophyll fluorescence, SIF）与高程为小麦产量预测的重要因子,与小麦产量呈高度正相关,对小麦产量预测的重要性指标均超过0.45,远大于土壤含水率、降水量、最高温度、最低温度等因子;基于随机森林算法构建的小麦不同生长阶段产量预测模型中,以10月—次年5月和10月—次年4月为特征变量的产量预测模型精度较高,R²分别为0.85和0.84,RMSE分别为821.55、832.01 kg/hm²,在空间尺度上,豫西和豫南丘陵山地模型预测相对误差高于平原地区。该研究结果可为大尺度作物产量预测提供参考。     

基于多源遥感数据的淮河流域城镇扩张研究

城镇是人类社会发展过程在空间上的重要表现形式,其空间格局与演变是城镇研究的热点问题。淮河流域是中国城镇体系的南北过渡地区,研究这一自然地理单元内城镇扩张过程,视角独特。为客观、快速、准确地重建不同时间序列上淮河流域城镇扩张过程,在DMSP/OLS数据、SPOT-VGT数据、Landsat ETM+数据等多源遥感数据的基础上,提出DMSP/OLS夜间灯光数据相互校正—NDVI数据重建—流域城镇信息提取—流域城镇扩张分析的研究思路,并运用该思路分析淮河流域从1998年至2013年16年间的城镇扩张过程。从城市面积、扩张强度、扩张动态度、扩张形态4方面分析了城市扩张规律。研究发现:淮河流域整体与各省扩张基本属于低速扩张型与中速扩张型;淮河流域城镇分布仍较为分散,未形成完整的城市群或城镇体系;这一时期城市扩张时空发展不均衡。     

基于无人机遥感的灌区土地利用与覆被分类方法

为研究无人机可见光遥感技术在灌区土地利用和覆被分类中的有效性,以河套灌区五原县塔尔湖镇为试验区域,用TEZ固定翼无人机搭载索尼A5100型相机进行航拍试验。应用Agisoft Photo Scan软件对无人机遥感系统获取的可见光高分辨率原始单张影像数据进行拼接处理。除目视提取的特殊用地与水域及水利设施用地外,通过试误法确定分割尺度300、形状权重0.4、紧致度权重0.5为无人机遥感影像数据的最佳分割参数。通过对剩余各地物在光谱、形状、纹理特征参量中表现的特异性,分别建立决策树、支持向量机、K-最近邻分类规则集提取土地利用类型试验。结果表明,支持向量机能较准确地提取各地物的特征,总体精度为82.20%,Kappa系数为0.765 9;决策树分类方法的总体精度为74.00%,Kappa系数为0.667 5;K-最近邻分类方法的总体精度为71.40%,Kappa系数为0.610 7。采用支持向量机结合决策树分类法创建的决策树模型,可以将总体精度提高到84.20%,Kappa系数达到0.790 0。因此无人机可见光遥感技术可以用于提取灌区土地利用类型,但存在农、毛渠错分为交通运输用地的情况,渠系的提取还需进一步研究。     

基于多源遥感数据的夏玉米冠层氮素遥感监测研究

氮素是玉米生长发育过程中必不可少的关键性因素,能够直接影响到玉米作物的生长情况。过去传统的玉米种植信息采集工作大多由人工作业完成,在实际工作中具有费时费力的缺点,难以大范围快速开展,且人工采集的信息数据质量无法得到有效保障,还会对玉米田地造成一定程度的影响和破坏。随着现代化技术的快速发展,无人机和计算机等技术的普及应用促使农业监测方法日新月异。基于此,笔者以实际案例为例并进行深入分析,探究多源遥感技术在夏玉米冠层氮素监测中的应用情况。结果表明,多源遥感技术在实际应用中能够实现高效精准的空间数据监测,实现了多角度的信息采集分析。本研究具有良好的发展前景,能够为其他农业监测研究提供参考。     

基于多源遥感数据反演土壤墒情方法研究

土壤墒情是影响农作物生长状况重要参数之一,为提高农作物覆盖下地表土壤墒情反演精度,基于Sentinel-1雷达数据和Landsat8光学数据,利用改进的水云模型得到拔节期玉米覆盖下的地表土壤后向散射系数,并采用SAE深度学习的方法建立遥感影像与土壤水分之间的隐式映射,对玉米覆盖下的土壤墒情进行反演。结果表明:通过改进的水云模型去除植被影响后的反演精度有所提高,R~2达到0.657 7,比传统的水云模型提高了0.150 6;RMSE为0.038 7 cm~3/cm~3,误差降低0.002 5 cm~3/cm~3,为利用多源遥感数据反演农田地表土壤水分提供了参考。     

基于RNMU的多源星载SAR影像融合与土地覆盖分类

为充分利用多时相、多极化SAR数据在不同土地覆盖类型中的后向散射特性,将递归非负矩阵下近似(Recursive nonnegative matrix underapproximation,RNMU)算法引入多源SAR数据的融合,并利用融合后的SAR影像实现较高精度的土地覆盖分类。融合过程中,在根据不同模式SAR影像特点进行多源SAR影像预处理的基础上,基于RNMU算法通过对多个输入SAR影像进行矩阵分解及迭代最优矩阵求解,得到融合影像。为验证融合后SAR影像在土地覆盖分类中的应用效果,以吉林省大安市为研究区,对多时相Sentinel-1的VV/VH双极化SAR数据和高分三号(GF-3)的HH/HV双极化SAR数据进行了基于RNMU的影像融合,并利用融合后的SAR影像进行研究区主要土地覆盖类型分类。实验结果表明,基于RNMU融合影像的土地覆盖分类总体精度达93. 11%,Kappa系数为0. 86,与Gram-Schmid(G-S)融合方法相比,分类总体精度提高了6. 83个百分点,Kappa系数提高0. 12。多源SAR融合为SAR影像融合提供了有效手段,为土地覆盖分类提供了更多高精度的数据资源。     

基于多源数据融合模型的水稻面积提取

中高空间分辨率影像数据缺失是高空间分辨率作物空间分布提取的主要限制因素,针对部分地区的中高空间分辨率遥感影像缺失使得作物提取的关键生育期无卫星覆盖的问题,提出了一种基于模糊C聚类算法的多源遥感植被指数数据融合方法,融合Landsat和MODIS数据生成高时空分辨率的植被指数数据,对融合生成的多时相植被指数数据进行聚类后获取各类的时序植被指数曲线。通过与水稻标准时序植被指数曲线进行光谱相似性分析来提取水稻的空间分布。经测试表明,该方法能够获得相对较高的精度,可应用于中高分辨率遥感数据缺失地区的高空间分辨率作物空间分布信息提取。     

基于半监督主动学习的菊花表型分类研究

鉴于人工和专家分类模式的局限性,基于表型的菊花分类存在效率低下的问题。本文采用基于半监督主动学习技术,在已分类菊花数据的基础上,利用未标号菊花样本数据提供的信息,建立了菊花表型分类模型,提升了分类质量和效率。该模型可以不依赖外界交互,利用未标号样本来自动提升菊花分类的质量。为了训练学习模型,本文收集了菊花的表型特征数据,标注了菊花表型类别,并研究了菊花分类属性特征的编码技术。在此数据集上,采用基于图标号传播的半监督学习技术对未标号的菊花数据进行建模,为了提升半监督分类的有效性,在标号传播的基础上使用主动学习技术,采用熵最大策略来选择难以识别的样本,以改进分类质量。在该数据集上进行了试验验证,并进行了试验对比和分析,试验结果表明,本文方法能够较好地利用未标号菊花样本提升分类的精度,随着标号百分比从6.25%升至23%,识别精度达到0.7以上,标号百分比在81.25%时,平均识别精度和召回率分别达到0.91和0.88。     

基于多源数据的松嫩平原黑土区亚像元雪盖率算法研究

为了解决积雪反演研究中常用的二值积雪分类法存在误差较大的问题,根据松嫩平原黑土区的独特地理环境,并在充分考虑地表类型的情况下,将中分辨率成像光谱仪(Moderate-resolution imaging spectroradiometer,MODIS)影像作为数据源、陆地成像仪(Operational land imager,OLI)影像视为真值数据,建立松嫩平原黑土区MODIS像元积雪覆盖率与归一化雪盖指数(Normalized difference snow index,NDSI)值之间的线性回归关系模型。结果表明,与MOD10A1积雪面积比例数据(Fractional snow cover,FSC)相比,反演模型雪盖率的误差分析结果得到改善,能够更好地满足当前积雪反演研究的现实要求。亚像元雪盖率估算模型在一定程度上提高了松嫩平原黑土区雪盖面积监测的精度,为该地区春季墒情预报、农业耕种提供了科学依据。     

基于多源遥感协同反演的区域性土壤盐渍化监测

为进一步推动多源遥感技术在农业生产与管理中的应用,以内蒙古河套灌区解放闸灌域为试验区,利用地面实测光谱和地表组合粗糙度数据,联合C波段微波雷达SAR四极化后向散射系数数据,分别利用主成分回归(PCR)、多元逐步回归(MSR)和偏最小二乘回归(PLSR)选取盐分特征波段,并建模评价土壤盐渍化分布。首先,对光谱反射率及其对数、一阶与二阶导数4种光谱数据进行相关性分析,发现相较于原始光谱和对数变换,光谱的一、二阶导数具有更好的相关性,二阶导数变换的618~622 nm、1 802~1 806 nm、2 169~2 173 nm、2 344~2 348 nm这4个特征波段的相关系数分别为0.37、0.28、0.39和0.27;PLSR筛选的波段相较MSR选取的波段延后,但其二阶导数变换模型拟合度小于MSR。其次,在对比二阶导数变换的PCR、MSR和PLSR土壤盐分模型基础上,最终确定了协同光谱特征波段中心反射率二阶导数和雷达后向散射特性、地表组合粗糙度的BP人工神经网络(BPANN)模型为最佳预测模型,其预测模型的R~2为0.890 8,稳定性和预测精度均优于前述经验回归模型。融合多源遥感数据的神经网络模型可快速精准监测土壤盐渍化分布,为灌区土壤退化防治提供基础信息指导。     

基于稀疏非负最小二乘编码的高光谱遥感数据分类方法

为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。