高分卫星影像遥感指数批量处理系统设计与实现

针对日益增长的高分卫星影像数据文件量和批量化计算处理其遥感指数的需求,采用交互式数据语言IDL,基于分层架构和事件驱动模型,设计和开发具有图形用户界面、不依赖ENVI软件、可跨平台独立运行的高分卫星影像遥感指数批量处理系统,实现影像读取、指数计算、数据输出的批量化、可视化、流程化处理,简化从繁芜复杂的高分影像数据文件中提取多种遥感指数的手工操作过程。在农业遥感业务中的实践应用结果表明：本系统能够稳定运行,高效地处理大批量的高分卫星影像文件,精准计算多种遥感指数,避免了传统方法存在的操作繁琐、重复劳动、频繁等待等问题,不仅极大提升了农业遥感业务的工作效率,而且对遥感数据分析处理和相关软件的开发应用也具有重要的参考意义。本系统的成功设计实现与应用,显示出了分层架构、事件驱动模型与IDL语言的结合对农业遥感领域信息系统开发和实践的有效性。     

基于遥感技术的土壤质地空间预测方法研究进展

土壤质地影响土壤持水持肥性和透气性,进而驱动一系列与土壤有关的物理化学过程,结合高效快速的遥感技术预测土壤质地空间分布,对土壤质量评价与农业生产规划具有重要的理论和实践意义。本文从遥感预测土壤质地的数据、方法和模型的应用出发,介绍了用于土壤质地遥感预测的雷达、地形和植被指数等辅助数据,提出了光谱响应、特征波长选择和遥感解译这三种基于遥感特征预测土壤质地空间分布的方法,梳理了统计学、地统计学和机器学习这三类模型与遥感结合对土壤质地空间预测的应用效果,总结了几种典型方法的优缺点与适用情况,并分析了遥感预测土壤质地的应用条件和精度验证方法,最后提出未来研究需侧重于深入提取各种遥感光谱特征、利用遥感技术获取多类型环境变量和开发土壤物理属性与数据驱动机器学习特征相结合的多算法混合模型,旨在为开展不同区域尺度下土壤质地空间预测研究提供依据与技术支撑。     

1992—2015年呼伦贝尔草原区不同草地类型分布时空变化遥感分析

【背景】 呼伦贝尔草原作为我国温性草原的重要组成部分,其独特的地理位置、典型的生态及气候特点、代表性的生产方式决定其在草原畜牧业生产中的重要地位,同时也是我国北方的绿色生态屏障,发挥着生态缓冲区功能。草地作为重要的陆地生态系统之一,在农牧业生产、生态及环境保护、气候变化等方面具有重要的意义。【目的】 明确不同草地类型的空间分布及变化规律,为草地研究及管理提供依据。【方法】 以呼伦贝尔草原区不同草地及地物类型为研究对象,以1992年、2015年遥感影像为数据源,采用支持向量机、面对对象分类法获得研究区地物类型空间分布数据,以地统计方法分析时空变化特征,结合植物-生境学分类法划分地带性草地类型潜在分布、社会统计数据、地物类型转化过程分析气候变化、人类活动对草地类型分布的影响。【结果】 研究区耕地、林地、沙地碱地、人工表面4种地物类型面积增加,草地、水体面积减少。草地作为研究区最大的覆盖类型,1992年、2015年分布面积为7 601 258 hm²、7 148 085 hm²,减少幅度5.96%。研究区分布典型草原、草甸草原、低地草甸、山地草甸及沼泽,前3种草地类型分布面积较大,共占研究区总面积70%以上,后2种草地类型分布面积相对较少,占2%左右。除典型草原面积增加外,其他草地类型面积减少,典型草原面积增加283 790 hm²,增加幅度7.12%;草甸草原减少面积最大,减少563 439 hm²,减小幅度28.72%。研究区水分状况相对较湿润的草地类型向相对干旱的类型转换占据主导地位,1992—2015年转移面积466 687 hm²,水分状况相对较干的草地类型向相对湿润的类型转移面积212 330 hm²。【结论】 呼伦贝尔草原区不同草地及地物类型空间分布变化较为剧烈,气候变化的影响具有趋势性、长期性、难恢复性,人类活动的影响具有破碎性、可逆性、易恢复性。     

一种基于无人机遥感和卷积神经网络的梨树树龄梯度识别方法

梨树的树龄测定是古梨树保护监管以及开发其经济价值工作中最初也是最重要的一步,现有的古树树龄测定方法主要都是针对单棵古树,不适合对大量(超过上千棵)的梨树进行树龄测定。针对上述问题,提出了一种基于卷积神经网络的梨树树龄梯度识别方法,在确定梨树树龄梯度后,通过无人机获取梨树遥感图像,合成梨树图像后,进行分割,得到单棵梨树的图像,利用RESNET模型自动获取图像深层特征,从而实现对梨树树龄梯度的识别。实验结果表明:该方法目标识别准确率为85.56%,优于其他方法,时间效率则远胜传统树龄测定方法。因此,该方法具有较高的使用价值,可以大幅度降低梨树树龄测定成本开支,具有实际意义。     

升金湖湿地生态系统健康评价与越冬候鸟的响应

湿地生态环境及越冬水禽是升金湖自然保护区主要保护对象,其生态系统健康评价对生态系统修复及越冬水禽数量的恢复具有重要意义。利用ERDAS软件将1986、1990、1995、2000、2004、2008、2011及2015年共计8个年份冬季的TM影像数据解译划分为8种景观类型,用FRAGSTATS软件计算出各个年份的景观指标。根据升金湖湿地压力、状态、响应3方面选取10个指标,构建了升金湖湿地生态系统健康评价指标体系,利用逻辑斯蒂增长曲线模式(Logisticgrowthmodel)对这些单项指标进行评价,然后运用层次分析(AHP)的方法确定各个单项因子在指标体系中的权重,最后对1986到2015年升金湖湿地生态系统运用综合评价模型进行综合的评价分析。2015年升金湖生态系统健康综合评价值为0.430,属于亚健康的状态,应及时加强升金湖湿地生态保护措施。通过1995年与2015年对比得知人口密度增长10%以上,人类干扰指数增长了6.685,人类的干扰压力是导致湿地功能下降的主要因素;从状态分析与响应分析可以看出升金湖湿地修复功能处于不稳定的状态。通过越冬候鸟数量与湿地生态系统健康的关系可以看出越冬侯鸟数量的变化是随着湿地的生态系统健康评价状况变化而变化。     

北疆盐碱地空间分布特征分析

为了探究北疆盐碱地空间分布过程中盐碱化程度与经度、纬度及海拔高度之间的关系,基于1985年土壤调查结果,结合2015年Landest 8遥感解译去除人工绿洲结果,采用2 km×2 km网格单元,以盐碱地面积占总面积的比例作为检验区域盐碱化程度的指标,对盐碱地分布情况进行统计和分析。结果表明,北疆地区盐碱化程度受地形和降水的影响明显,特别是受土壤类型的影响更为密切;北疆地区盐碱化程度,由西向东呈增大趋势（P=0838）,主要集中分布在E90°～E96°范围内,盐碱土占总面积的比例为7562%;由南向北呈减小趋势（P=-0768）,主要集中分布在N40°～N43°范围内,盐碱土占总面积的比例为7782%;由低到高呈减小趋势（P=-0767）,主要集中分布在-160～500 m范围内,盐碱土占总面积的比例为4741%。北疆盐碱地空间分布特征的分析对于揭示北疆盐碱化程度的变化规律,促进北疆盐碱土资源的合理开发和维持地区生态安全具有重要的意义。     

江苏省水稻主产区水稻种植面积时空动态变化分析

【目的】揭示江苏省水稻种植时空格局及动态变化特征,评价其稳定生产水平和种 植结构的空间变化规律,为江苏省水稻生产空间布局的优化调整和可持续发展提供决策依 据。【方法】文章选择江苏省水稻主产区50 个1∶50 000 比例尺标准地形图图幅单元为研究 区域,基于江苏省5 m 空间分辨率耕地遥感数据库,利用2011—2019 年水稻生长期内多源 遥感卫星影像,提取研究区当年的水稻种植面积及空间分布信息。运用数理统计和GIS 空间 分析功能,研究水稻面积变化幅度、变异系数以及转非水稻面积的时空分布特征,继而分析 2011—2019 年水稻种植面积的时空动态变化。【结果】研究区内50% 的地区水稻种植面积 仍然保持相对稳定,42% 的地区水稻种植面积缓慢下降,仅8% 的地区水稻种植面积急剧下 降。2011 年以来,累计有11.6 万hm2 水稻田逐年转为非耕地或持续种植其他作物,占2011 年研究区内水稻种植面积的13.7%。【结论】2011—2019 年研究区内水稻种植面积变化趋势 线斜率为-0.88,总体呈下降趋势,水稻面积平均变化率为-1.03%,变异系数为2.99%。     

成都郊区农业乡镇的土地利用变化特征分析

【目的】定量分析成都郊区农业乡镇土地利用变化特征,对产业结构调整优化意义重大。 【方法】文章选择以农业为主导的乡镇,建立浅丘、平坝不同地形的土地利用现状调查样区各 2 个,通过 2013 年和 2018 年分辨率优于 1 m 的高分辨率遥感影像获取土地利用类型信息,计 算土地利用类型转移矩阵,分析该区土地利用时空变化特征。【结果】（1）2013—2018 年该地 区农业用地结构发生明显变化,园地、设施大棚和坑塘水面等占比上升,耕地和林地占比下 降。（2）主要土地利用类型转移为耕地转出与园地转入,其中耕地主要转为园地、设施大棚和 建设用地,分别占转出面积的 64.1%、15.3% 和 12.5%;园地主要来源于耕地和林地,分别占 转入面积的 83.2% 和 11.5%。（3）浅丘、平坝不同地形农区发展的主导产业不同,显著影响农 业土地利用类型转化,浅丘区以耕地和林地转为园地为主,平坝区以耕地转为设施大棚和果 园为主。【结论】成都郊区农业乡镇的农业产业类型、规模化趋势改变了该地区农业土地利 用格局、提高了土地集约化水平,研究结果可为农业产业结构优化调整、乡村振兴提供参考。     

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。     

基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究

为探讨利用无人机多光谱影像监测冬小麦叶绿素含量的可行性,基于北京市大兴区中国水科院试验基地的2019年冬小麦无人机多光谱影像和田间实测冠层叶绿素含量数据,选取16种光谱植被指数,确定对冬小麦冠层叶绿素含量显著相关的植被指数,采用一元二次线性回归和逐步回归分析方法建立各生育时期及全生育期的SPAD值估测模型,通过精度检验确定对冬小麦冠层叶绿素含量监测的最优模型。结果表明,两种分析方法中逐步回归建模效果最佳。拔节期选取4个植被指数(MSR、CARI、NGBDI、TVI)建模效果最好,模型率定的决定系数(r~2)为0.73,模型验证的r~2、相对误差(RE)和均方根误差(RMSE)分别为0.63、2.83%、1.68;抽穗期选取3个植被指数(GNDVI、GOSAVI、CARI)建模效果最好,模型率定的r~2为0.81,模型验证的r~2、RE、RMSE分别为0.63、2.83%、1.68;灌浆期选取2个植被指数(MSR、NGBDI)建模效果最好,模型率定的r~2为0.67,模型验证的r~2、RE、RMSE分别为0.65、2.83%、1.88。因此,无人机多光谱影像结合逐步回归模型可以很好地监测冬小麦SPAD值动态变化。