棉花遥感识别的混合像元分解

为了进一步提高棉花遥感识别精度,以新疆玛纳斯县为研究区,运用线性光谱混合模型（LSMM）,对TM遥感数据的混合像元分解技术与方法进行了研究。将棉花、玉米、番茄和土壤4类典型的端元组分光谱值代入线性模型,在非约束条件下,用最小二乘法估计混合系数,得到每种地物类型的丰度及RMS误差图,以实地测量的棉花种植面积对模型分解效果进行评估,结果表明：线性光谱混合模型构模简单、计算量小,棉花线性光谱混合像元分解精度达到90%以上,可用于新疆棉花的遥感识别。     

综合季相节律和特征光谱的冬小麦种植面积遥感估算

及时准确地获取区域和国家尺度的作物种植面积和空间分布具有重要意义。针对目前中低分辨率遥感数据相结合方法的局限,提出一种新的作物类型识别方法。首先基于MODIS NDVI数据的时间优势,提取研究区各类植被的NDVI时间序列曲线,从而分析冬小麦在季相节律上的识别特征,构建冬小麦识别模型。再将MODIS像元分类处理,纯耕地像元利用冬小麦的季相节律特征识别;耕地与其他植被的混合像元利用混合像元分解的思想提取耕地组分的NDVI时间序列,从而进行识别,进一步根据空间关系将识别结果重新定位到中分辨率尺度上;冬小麦与其他作物的混合像元覆盖区则利用TM遥感影像的光谱差异加以区分。在伊洛河流域主要农业区,以冬小麦为识别对象,结果表明识别精度达到96.3%。该方法为作物种植信息的提取提供了新的解决问题的途径,也对其他类型作物的识别也具有重要的参考价值。     

定位尺度和像元空间关系对GF-1亚像元定位精度影响分析

亚像元定位技术对地表遥感信息提取及农业遥感定量化发展具有重要意义。针对当前国内外亚像元定位研究多集中于亚像元定位模型而缺少模型定位精度影响因素分析的现状,该文开展了定位尺度因素(如重建尺度、影像空间分辨率)和像元空间关系等对农业区域多光谱遥感影像亚像元定位模型精度影响的定量分析。以中国吉林省白城地区洮南市和内蒙古自治区兴安盟突泉县交界农业区为研究区域,以典型的空间引力模型为核心模型,以具有相同光谱分辨率的高分一号(GF-1)卫星8、16 m空间分辨率多光谱遥感影像为基础数据,对重建尺度、影像空间分辨率和像元空间关系等因素对遥感亚像元定位精度的影响进行了探讨。结果表明,对于8 m空间分辨率GF-1遥感影像,当重建尺度为5时,在邻接空间关系下的亚像元定位可达到最佳效果,即由40 m空间分辨率遥感影像重建8 m空间分辨率遥感影像的总体精度为74.67%,Kappa系数为0.604;对于16 m空间分辨率GF-1遥感影像,当重建尺度为4时在象限空间关系下的亚像元定位可达到最佳效果,即由64 m空间分辨率重建16 m空间分辨率遥感影像的总体精度为74.65%,Kappa系数为0.623。此外,重建尺度、影像空间分辨率和像元空间关系对亚像元定位精度具有波动影响,3个因素对应的亚像元定位总体精度最大变幅分别为18.08%、4.39%和0.08%,对应Kappa系数变化最大幅度分别为0.268、0.049和0.006。因此,在不同精度影响因素下,基于空间引力模型的GF-1亚像元定位精度影响因素轻重等级依次为重建尺度影像空间分辨率像元空间关系,这可为遥感亚像元定位模型选取、模型参数设置以及适宜的遥感数据选择提供一定参考。     

基于参数型指数混合熵模型的农业遥感分类不确定性评价

针对对像元尺度上独立于分类方法的不确定性评价的需要和对数混合熵函数在评价遥感影像分类不确定性中存在的不足,该文提出了一种基于参数型指数混合熵模型的农业遥感影像分类不确定性评价方法。研究首先对指数混合熵函数进行改进,推导出参数型指数混合熵函数并确定出适合于评价农作区遥感影像分类的参数;然后,使用该函数建立一种像元尺度上独立于分类的不确定性评价模型;最后,将该模型应用于空间分辨率退化10倍的SPOT-5影像中,并使用原始影像对评价结果进行验证。试验结果表明,当模型中参数型指数混合熵函数的参数分别为4和1时,该函数比对数混合熵函数更好地统一了模糊性和随机性,熵值范围提高了2.11倍。该模型不确定性评价结果与原始影像3种分类的不确定像元比例相关系数分别为0.60、0.66、0.70,评价结果较为准确。因此,该模型可以在像元尺度上独立于分类方法将地物类别相对复杂的农业遥感影像分类不确定性更为精确地表达出来,为确保农作物种植面积提取、区域产量遥感估测精度提供了有力支撑。     

水稻遥感识别偏差修正的地统计学方法

为了进一步提高农作物遥感识别精度,充分利用高分辨率遥感影像上不同地物之间的邻域空间关系,提出农作物遥感识别偏差修正的地统计学方法。该方法综合考虑目标地物的光谱特征与空间信息,以类别隶属度偏差为研究对象,首先利用类别指示向量和类别后验概率向量之间的差异实现目标地物的类别隶属度偏差量化,然后对训练样本的类别隶属度偏差进行变异函数建模,并采用带局部均值的简单克里格插值方法预测总体类别隶属度偏差,之后用总体偏差的预测值对光谱分类所得的类别后验概率进行修正,重新确定识别结果,实现农作物遥感识别的偏差修正。以安徽省南部的一景 SPOT-5影像覆盖范围为研究区,选择2块典型区域分别作为试验区和验证区,以一季稻和晚稻为目标农作物,以支持向量机作为光谱分类的分类器,建立了水稻遥感识别的偏差修正流程;采用地面实测数据对修正效果进行评估,并与最大似然分类、模糊分类和支持向量机分类的结果进行比较。试验结果表明,该方法的总体分类精度能够达到90%以上,与传统分类方法相比,总体精度提高了近14%;且该方法能够大幅提高一季稻和晚稻的生产者精度和用户精度,有效改善了研究区的水稻识别结果,可以为中国南方复杂种植条件下的水稻识别提供参考。     

水稻种植面积遥感估算的不确定性研究

利用研究区地物类别亚米级GPS详查数据及TM影像光谱数据,模拟生成1m分辨率的遥感模拟影像。用3种非参数分类法(最临近法KNN、误差后向传播神经网络BPN,模糊自适应网络FUZZY ARTMAP)和一种参数分类法(最大似然法MLC)对研究区TM影像进行硬分类估算水稻面积;还采用BPN全模糊分类、BPN和KNN模糊分类、抽象级结合和测量级结合的多分类器结合方法对遥感影像进行分类估算水稻面积;采用最多数法则的尺度扩展算法,实现由3m空间分辨率参考图提取30m空间分辨率影像像元纯度信息,讨论混合像元问题对遥感影像分类精度的影响。结果表明:非参数分类法精度均高于参数分类法,3种非参数分类法之间的差异较小,用最大似然法估算水稻面积的用户精度最高,用K最临近值分类法估算水稻面积的生产者精度最高;水稻类全模糊分类法的面积和真实面积最为接近,水稻类像元内的面积估测和真实面积无极显著差异;多分类器结合的分类法无论采用投票法还是测量级方法都能提高分类的总精度,能够提高水稻类面积提取的精度;研究区在30m空间分辨率的情况下,各类别分类总精度、Kappa系数随像元纯度升高而升高,4种硬分类方法没有对混合像元的分类表现出特别强的能力。本研究最终制作出分类影像像元的分类结果图、分类最大概率值、熵值图和水稻类概率值等4张图层,构成了对研究区分类结果不确定性的空间分布图不确定性图层,为采取进一步降低不确定性的措施提供了线索。     

基于分层多端元混合像元分解的水稻面积信息提取

为了解决中低分辨率遥感影像混合像元问题以提高水稻种植信息的提取精度,该文提出了一种基于层次分类与多端元混合像元分解相结合提取水稻面积信息的方法(stratified multiple endmember spectral mixture analysis,SMESMA)。层次分类有效降低了地物复杂度,而多端元混合像元分解通过对每一类地物选取多个端元光谱参与解混,克服了"同物异谱"造成的光谱变异问题,两者结合可有效提高分类精度。以江苏如皋市为研究区,基于HJ-1B CCD影像,分3个层次,当某类地物信息被提取后便将其从影像中去除,进行下一层次分类,各层次均采用多端元混合像元分解方法,综合EARMSE、MASA、CoB等算法以选取最佳端元,实现了如皋市水稻种植面积信息有效提取。结果显示SMESMA法分类精度达85.78%,kappa系数为0.85,基于最大似然分类法(MLC)的分类精度为79.1%,kappa系数为0.78。表明SMESMA是一种适合基于中低分辨率影像进行作物分类和面积提取的有效方法。     

冬小麦面积遥感识别精度与空间分辨率的关系

不同空间分辨率农作物面积识别精度是农情遥感监测数据源选择的依据。该文采用WFV(wide field view)、MODIS(moderate-resolution imaging spectroradiometer)、OLI(operational land imager)、Google Earth影像,在天津市武清区选择了12 km×14 km的冬小麦种植区作为研究区域,采用目视识别的方法,分析了2、5、10、15、30、100、250 m共7个空间分辨率尺度下冬小麦面积识别精度与遥感数据分辨率、农田景观破碎度之间的关系。结果表明,随着空间分辨率由2 m变化到250 m,冬小麦面积识别的总体精度逐步由98.6%降低到70.1%,精度降低28.5%;面积数量比例由5.5%扩大到110.6%,误差增加105.1个百分点;面积精度呈明显下降趋势,数量误差呈明显增加趋势,数量误差的增加速度高于精度下降的趋势。高、中、低3个景观破碎度条件下,随着分辨率由2 m降低到250 m,作物识别精度分别降低了72.8、63.2和47.0个百分点,破碎度的增加导致面积识别精度下降速度更快;同等分辨率下,破碎度越高的地区面积识别精度越低。像元内冬小麦占比与可识别能力密切相关,像元占比达到45.0%以上时才能够被正确识别为冬小麦类型,像元尺度降低导致细小斑块丢失是造成面积识别与数量精度降低的主要原因。像元空间分辨率越高,冬小麦像元的光谱一致性越强,越有利于冬小麦分类精度的提高。针对农情遥感监测业务运行的需要,上述研究结果可以作为区域范围不同用户精度要求前提下遥感数据源选择的依据。     

融合光谱混合分解与面向对象的土地利用/覆被分类

错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。     

基于改进空间引力模型的农作区遥感影像亚像元定位

针对空间引力模型在遥感影像亚像元定位中存在的不足,该文提出了一种基于改进空间引力模型的农作区遥感影像亚像元定位方法。研究首先分析了原始空间引力模型运行速度慢、定位精度低的原因。然后,分别改进了空间引力模型的初始化算法和优化算法,改进后的初始化算法使亚像元更具空间相关性;改进后的优化算法在初始化的基础上显著提高了模型的运行速度和定位精度。最后,以吉林省镇赉县农作区SPOT-5影像为例,在原图像空间分辨率退化4倍的尺度下进行遥感影像亚像元定位试验。结果表明,改进模型与原始模型相比亚像元定位精度提高了6.67个百分点,运行速度提高了10.69倍。因此,改进空间引力模型在地物类别相对复杂的农作区遥感影像亚像元定位中,可以更好的突破空间分辨率的限制,为确保农作物种植面积提取、区域产量遥感估测提供有力支撑。     

基于SegNet语义模型的高分辨率遥感影像农村建设用地提取

针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。     

深度学习自编码结合混合蛙跳算法提取农田高光谱影像端元

针对农田高光谱遥感影像端元提取和混合像元分解精度不高的问题,该文提出了利用深度学习自编码结合混合蛙跳算法的农田高光谱影像端元提取方法。首先,利用深度学习的栈式自编码模型对高光谱影像进行光谱特征提取,优选出备选端元集合;然后将影像端元提取问题转化为组合优化问题,设计了待优化的目标函数,通过混合蛙跳算法对目标函数进行优化从而实现对最佳端元组合的搜索;最后利用人工合成的不同信噪比农田高光谱数据和真实的农田高光谱影像,将该算法与3种现有的主要端元提取方法进行对比。试验结果表明,本文提出的端元提取算法对20、30和40 dB信噪比影像提取结果的平均光谱角分别达到0.106 88、0.030 32、0.009 94。对20、30和40 dB信噪比影像和真实影像提取结果的均方根误差分别达到0.050 8、0.015 9、0.005 1、0.006 7。与现有的主要端元提取方法相比,该方法具有端元提取精度高、对不同等级噪声鲁棒性好等优势,在农田高光谱遥感监测中具有广阔的应用前景。     

基于改进HRNet的遥感影像冬小麦语义分割方法

冬小麦在影像中呈现田块碎小且分布零散等空间特征,同时影像包含的复杂地物对冬小麦识别造成干扰,易出现识别精度低且边界分割模糊等问题。为及时准确获取大范围冬小麦空间分布信息,该研究以高分二号卫星影像作为数据源,提出一种CAHRNet(change attention high-resolution Net)语义分割模型。采用HRNet(high-resolution Net)替换ResNet作为模型的主干网络,网络的并行交互方式易获取高分辨率的特征信息;联合OCR(object-contextual representations)模块聚合上下文信息,以增强像素点与目标对象区域的关联性;3）引入坐标注意力（coordinate attention）机制,使网络模型充分利用有效的空间位置信息,以保留分割区域的边缘细节,提高对分布零散、形状多变的冬小麦田块的特征提取能力。试验结果表明,在自制的高分辨率遥感数据集上,CAHRNet模型的平均交并比（mean intersection over union,MIoU）和像素准确率（pixel accuracy, PA）分别达到81.72%和97.0...     

低空无人机高光谱影像失真评价指标构建

为定量分析无人机高光谱成像系统数据获取时因航线变换及太阳辐照度变化而产生的白噪声、运动模糊、条带噪声等导致的影像失真,该研究利用地物光谱仪和机载成像光谱仪获取研究区内棉花冠层光谱数据,基于典型植被光谱特征分析验证数据质量,配合使用数字图像处理方法完成白噪声、散焦模糊、运动模糊、光谱平滑以及条带噪声的模拟样本集构建,并结合设备采集噪声（条带噪声混合白噪声）构建真实样本集,建立影像波段信息、光谱信息以及空间-光谱总体信息质量的评价指标,通过相关性分析评价指标有效性。结果表明：对模拟样本集,除百分比最大绝对差,本文建立的指标均与影像质量显著相关（P<0.01）,在实际噪声样本内各指标相关性均产生不同程度下降,仅平均绝对误差（0.609,P<0.01）、均方误差（0.459,P<0.01）、相对均方根误差（0.502,P<0.01）以及总体信息保真度（-0.471,P<0.01）满足相关性要求。研究结果可为低空机载高光谱影像质量分析及失真指标的选取提供借鉴和参考。     

滨海光谱混淆区面向对象的土地利用遥感分类

滨海光谱混淆区土地利用/覆盖信息获取是遥感信息提取的难点之一,该研究选择黄河三角洲垦利县为研究区,采用2007年3月11日陆地卫星TM遥感影像数据,利用面向对象的土地利用遥感分类技术,通过影像分割和采用支持向量机分类方法对研究区土地利用/覆盖信息进行提取,并将分类结果与传统的基于像元的分类方法进行对比分析。结果表明:面向对象支持向量机的分类精度达到84.83%,比基于像元的最大似然法和波谱角法分别提高了5.94%和19.53%,且有效避免了椒盐现象。说明面向对象的图像分类方法明显提高了遥感影像的分类精度和分类效率,为滨海光谱混淆区土地利用信息的快速、准确提取提供了有效技术手段。     

基于薄云雾去除的ETM+影像大气校正

中国南方农业遥感监测中,遥感影像常常受到薄云雾影响,大气的散射与吸收作用会使传感器接收到的地物反射率与真实值之间存在差距,是导致数据质量下降的主要原因,薄云雾去除和大气校正处理是十分必要的。该研究利用LandSat-7/ETM+影像,结合背景抑制云雾厚度因子（BSHTI）云检测方法和虚拟云点（VCP）云去除方法进行薄云雾去除,并与暗元法去云处理结果对比分析,然后将去云处理后的影像进行FLAASH大气校正,选取校正前后典型地物的光谱特征和NDVI值进行分析评价。结果表明,BSHTI-VCP法可有效消除薄云雾对遥感数据的影响,提高了云雾覆盖范围的影像质量;FLAASH大气校正较好地消除了大气影响,获得了地物真实地表反射率。该研究为南方作物遥感监测中定量反演与信息解译提供了良好理论支持。     

基于波段增强的DeepLabv3+多光谱影像葡萄种植区识别

精准获取葡萄种植区分布信息对其精细化管理和优质基地建设具有重要意义，通常大区域种植区识别主要基于遥感影像完成，但葡萄种植区空间位置的分散性和背景环境的复杂性，使得种植区识别的精度不高。该研究基于DeepLabv3+网络，改进网络输入通道数使其能够接受更多的光谱信息，同时构建波段信息增强模块（Band Information Enhancement，BIE），利用各波段特征图之间的相关性生成综合特征，提出了波段信息增强的葡萄种植区识别方法（BIE-DeepLabv3+）。在2016和2019年高分二号影像葡萄种植区数据集上训练网络，在2020年影像上测试其性能，结果表明，改进模型输出结果的平均像素精度和平均交并比分别为98.58%和90.27%，识别效果好于机器学习SVM算法，在深度学习DeepLabv3+模型的基础上分别提高了0.38和2.01个百分点，比SegNet分别提高了0.71和4.65个百分点。BIE-DeepLabv3+模型拥有更大的感受野和捕获多尺度信息特征的同时放大了地物间的差异，能够解决影像中葡萄种植区存在类间纹理相似性、背景和环境复杂等问题，在减少模型参数的同时预测出的葡萄种植区更加完整，且边缘识别效果良好，为较大区域内背景复杂的遥感图像葡萄种植区识别提供了有效方法。     

内蒙古灌丛化草原分布特征的遥感辨识

灌丛化草原在中国内蒙古干旱、半干旱草原区广为分布。为了探究灌丛化草原的分布状况,该文利用高空间分辨率(5.8 m)卫星资源三号遥感影像,结合地面调查,研究了内蒙古镶黄旗境内灌丛化草原的分布特征。以归一化植被指数(normalized differential vegetation index,NDVI)阈值法提取植被覆盖区域后,分别采用基于像元的监督分类方法(支持向量机、最大似然和马氏距离)和面向对象方法进行灌草镶嵌斑块和草地斑块的辨识,并对分类结果进行对比分析。结果表明:在3种基于像元光谱信息的监督分类算法中,支持向量机算法对灌丛化草地的识别精度相对较高,表现在这一类型的生产者精度和用户精度均大于另外2种算法,并且,该算法的总体分类精度也最高(81.15%),明显优于最大似然(73.33%)和马氏距离(61.77%)。然而,融入了空间信息进行分类的面向对象方法(合并尺度97)的总体识别精度高达89.24%,并且随着对象合并尺度的增大,灌丛化草地的错分和漏分比例明显降低。这一结果表明利用草本与灌丛像元的空间纹理属性差异,能够有效削弱噪声,提高识别精度。     

基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选

为寻找适宜分类的空间尺度,该文提出一种基于小波包的空间尺度选择方法。该文以无人机航拍农作物影像为数据源,针对高空间分辨率遥感影像农作物分类问题,基于小波包变换对影像分类特征进行多尺度定量分析。将七种农作物影像样本进行小波包分解,从高频部分获取均值,方差,能量,能量差四种纹理信息,从低频部分获取光谱信息,构建分类特征矢量,通过作物样本之间的J-M距离,分析在不同小波包分解层样本之间的可分性,并进一步通过农作物面向对象分类精度和分割耗时评价适宜尺度。该文选择位于河北的涿州农场为研究区,利用无人机航空影像,对提出的方法进行试验验证,结果显示:小波包分解到第三、四层级时,即空间分辨率为0.32~0.64 m时,适宜农作物面向对象分类;在适宜尺度下,基于小波包分解的面向对象分类总体分类精度可达到89%,Kappa系数可达到0.85。研究结果可为高空间分辨率遥感农作物精细识别提供支撑。