应用Sentinel-2A NDVI时间序列和面向对象决策树方法的农作物分类

农作物种植结构是农业生产活动对土地利用的表现形式。及时精确地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。目前农作物信息提取研究大多局限于中低分辨率遥感影像的NDVI时间序列,影响了作物空间分布信息提取的准确性。随着Sentinel-2A卫星成功发射,为高分辨率NDVI时间序列的构建提供了可能。本文以黑龙江省北安市为研究区,基于覆盖完整生育期的Sentinel-2A多光谱数据,构建10 m分辨率的NDVI时间序列数据集,利用 Savitzky Golay (S-G) 滤波器对 Sentinel-2A NDVI时间序列数据进行平滑。基于典型时相的多光谱数据和NDVI时间序列构建面向对象决策树分类模型进行作物类型遥感识别。通过对样本的NDVI时间序列曲线分析,可以得出NDVI时间序列能够清晰地区分作物物候差异。此外,本文还利用面向对象分类和支持向量机（Support Vector Machine, SVM）分类两种方法,对典型时相的多光谱数据进行了作物分类对比实验,并对结果进行了对比分析。研究结果表明：① 典型时相多光谱数据引入平滑重构后的NDVI时间序列能够更好地描述作物的物候特性,能够准确刻画研究区作物发育情况,有效区分各类作物;② 通过对比分类实验发现,典型时相多光谱数据引入NDVI时间序列特征,增强了不同作物之间的光谱差异,提高了作物分类精度,总体精度和kappa系数较典型时相多光谱数据进行分类的结果分别提高了7.7% 和0.055;③ 基于面向对象的决策树分类模型在作物分类的结果中精度最高,总体精度为96.2%,kappa系数为0.892。本研究的方法为其他大区域农作物的分类提供了重要参考和借鉴价值。     

ENVISAT ASAR数据与CBERS-02数据的融合与应用

本文首次利用ENVISAT ASAR交叉极化模式数据与中巴地球资源卫星02星(CBERS 02)CCD数据进行融合,对融合后的图像进行分析和讨论。通过对IHS变换融合、主成分分析融合和小波变换融合比较分析发现,采用IHS变换融合具有更好的目视判读效果,但是由于ASAR数据受到相干斑噪声的影响,在滤波去噪后,使融合图的空间分辨率变低。另外,该融合图包含了地物的VV极化和HH极化后向散射特征,使地物结构形态、复介电常数和地物的光谱信息等重要的地物参数信息都包含在融合图中,增强了区别地物的能力,就农作物的目视解译和分类而言,精度得到了较大的提高。     

多极化SAR数据反演额济纳冲积扇地表参数

本文采用遗传算法和后向散射模型相结合的方法,探讨了多极化SAR(Synthetic Aperture Radar)数据反演冲积扇地表参数(地表粗糙度和土壤湿度)的可行性.通过理论模拟和实地地表测量对比,表明该方法在反演冲积扇地表参数方面是切实可行的.该方法可以根据获取数据情况不同,灵活调整反演的代价函数式,并且用于反演的SAR图像必须大于(或等于)两景,数据越多,反演结果越精确.在此基础上,利用ENVISAT ASAR数据和ALOS PALSAR数据,对内蒙古额济纳冲积扇的地表参数进行了反演计算.结果表明,额济纳冲积扇地面相对比较平坦,粗糙度参数变化较小,大部分地区均方根高度小于1.0cm.黑河沿岸地区粗糙度参数较大,而远离黑河的戈壁滩地表粗糙度较小.该地区的土壤湿度反演结果表明,该地区属于极端干旱区域,大部分地区土壤体积含水量低于10%.     

多星数据协同的地块尺度作物分类与面积估算方法研究

为了解决多云雨地区遥感数据时空覆盖缺失的问题,以满足对地块尺度作物种植信息日益迫切的应用需求,本文在遥感图谱认知理论框架下发展了一种基于多星数据协同的地块尺度作物识别与面积估算方法。首先,基于米级高分辨率影像提取农田地块对象;其次,通过对多源中分辨率时序影像的有效化处理和指数计算,获取“碎片化”的高时空覆盖有效数据,并以地块对象为单元构建时间序列;然后,在时序分析基础上,建立多维特征空间,结合作物生长物候特征,构建决策树模型进行作物分类识别与面积计算;最后,以湖南省宁远县为研究区开展了水稻种植信息的提取实验。结果表明：本文方法可在农田地块尺度下实现不同水稻类型的准确识别及其种植面积的精细提取,早、中、晚稻的用户精度分别可达94.33%、90.76%和95.95%,总体分类精度为92.51%,Kappa系数为0.90;早、中、晚稻面积提取精度分别为93.37%、91.23%和95.42%。试验结果证明了本文方法的有效性,为其他作物种植信息的精细提取提供了借鉴。     

基于时序遥感影像的西南山区地块尺度作物类型识别

西南山区地块破碎且复杂,种植类型多样,且该地区多云多雨,可利用遥感数据有限,利用单一的光谱特征或植被指数难以实现作物的有效识别。物候特征能够反映作物的生长周期规律,可用于复杂地区作物的精细监测。本研究以重庆市潼南区为例,基于多时相中分辨率的Sentinel-2和Landsat8遥感影像,对地块尺度的NDVI、EVI等6个植被指数进行时间序列构建并提取其物候特征,通过特征优选构建多维数据,利用随机森林分类模型对柠檬、油菜、水稻、玉米等作物进行识别。结合植被指数与物候特征进行作物分类,总体精度达94.52%,Kappa系数为0.90,柠檬、油菜、玉米、水稻的精度分别为89.88%、87.30%、84.98%和95.57%。研究表明,利用时序遥感数据的植被指数与物候特征能够有效进行地块尺度的作物识别,为复杂种植结构地区获取大范围作物分布制图提供参考。     

基于时序遥感数据的农作物种植制度研究进展与展望

及时准确掌握农作物种植制度时空分布信息,对于确保国家粮食安全与农业结构合理具有重要意义。随着时序遥感影像质量的不断提高,基于时序遥感数据的农作物种植制度研究备受关注。本文从研究框架、遥感特征参数以及数据产品等角度,分析了基于时序遥感数据的农作物种植制度最新研究进展。研究发现:① 前农作物种植制度研究框架,主要包括耕地复种指数和农作物制图等相关内容,其问题在于需要高质量耕地分布数据支撑以及易将热带亚热带湿润区撂荒地误判为农作物等;② 于红边和短波红外的新型多维度光谱指数,有助于更好地揭示农作物生长发育过程,大尺度农作物时序遥感制图取得了系列研究成果,但需要应对不同作物光谱差异细微、同种作物在不同区域和年份存在明显类内异质性的挑战;③ 尺度中高分辨率耕地复种指数产品不断丰富,但其时效性和时空连续性有待加强;④ 欧美少数国家外,目前农作物分布数据产品覆盖的作物类型有限,我国大尺度农作物种植制度数据产品欠缺,特别是复杂多熟制农业区。随着多源遥感数据时空谱分辨率的不断提高以及云计算平台性能的不断发展,我们对以下方面进行了研究展望:① 新研究框架,建立直接提取耕作区、农作物种植模式的农作物种植制度一体化遥感监测技术框架;② 一步加强新型多维度遥感指数及其物候特征指标设计,拓展农作物种植制度监测的遥感特征参数;③ 立作物种植制度变化遥感监测技术,实现多年信息连续自动提取。     

Sentinel-1 SAR在洪水范围提取与极化分析中的应用研究

在洪水灾情监测中,快速准确的获取淹没区域和洪灾面积,对防汛救灾和灾后重建工作具有重要价值。本文以2017年美国圣路易斯洪水为例,基于Sentinel-1 SAR数据,利用变化检测和阈值相结合的方法实现大范围洪水淹没提取,将VV/VH极化数据分别与从同期Sentinel-2光学影像中获取的洪水淹没范围进行比较,评定极化方式的洪水适用性优劣程度。不同的SAR极化数据对洪水监测的适用性不同,通过绘制各极化不同时期的后向散射横断面线来分析多极化中的散射响应特征。研究表明：Sentinel-1 VV/VH极化数据均能以超过82%的高精度识别出洪水,VV极化洪水提取时产生的误判更少;在同样的区域,相较于VH,Sentinel-1 VV极化信号的散射程度小了约28%,在洪水中的信息敏感,更适用于洪水灾害的淹没范围监测。     

基于多层神经网络与Sentinel-2数据的大豆种植区识别方法

大豆作为全球最重要的油料作物,是中国进口的大宗农产品,对其种植区的精准识别是决策制定、种植结构调整基础,对国家粮食安全有重要意义。本文利用Sentinel-2作为数据源,利用多层神经网络方法与对大豆进行提取,并与随机森林、决策树、支持向量机等机器学习进行对比,发现F1-Socre指标显示多层神经网络的分类精度最高,为93.53%,其次为随机森林、支持向量机、决策树。将神经网络分类结果与SLIC面向对象分割聚合之后,结果既忽略了同一地块的微小差别,又区分出了不同地块的作物差异,很好的体现了大豆的分布。Sentinel-2数据是进行大尺度大豆种植监测的绝佳数据源,大豆与玉米等其他作物在第二个红边波段的反射率有较为明显的差异。多层神经网络方法在图像分类任务中表现出色,结合图像分割算法精度可达到95.51%,可以满足大豆种植面积监测的需求。     

利用物候差异与面向对象决策树提取油菜种植面积

及时、准确地获取农作物种植信息,对于农业生产管理和国家粮食安全有重要意义。目前越来越多的免费卫星数据可以用于作物分类及生理参数反演。Sentinel-2卫星于2015年6月发射,提供了13个光谱波段,具有较高的时间分辨率、空间分辨率和光谱分辨率,为不同作物特征区分以及大范围作物种植面积快速提取业务化运行的精度与效率提高带来了契机。随着Sentinel-2数据的免费下载,这就为大面积生产下一代区域或者国家尺度的高分辨率（10~30 m）农情遥感产品提供了可能。物候信息包含了作物随着季节不断变化的特征,利用如NDVI等时间序列植被指数找出不同作物的特征进而开展作物分类得到了广泛应用。本文以油菜为主要研究对象,以长江中下游地区的江汉平原为实验区,基于作物物候差异与面向对象决策树的方法,对Sentinel-2卫星影像用于油菜种植区提取的效果进行了评估与分析。首先利用作物不同生长时期各波段光谱信息以及归一化植被指数等信息的差异分析并找出油菜种植区提取的最佳时相,然后对影像进行多尺度分割,根据对象特征建立决策树逐一去除非植被、林地等干扰类型,进而提取出油菜种植区域。通过分析发现,基于Sentinel-2影像的图像分割可以有效生成不同作物类型的对象;油菜开花期的特征是其区分于其他作物的关键因素,利用该特征可以有效消除分类时其他地物类型对油菜的影响,提高作物分类信息提取的精度和效率。研究表明：在区分油菜的决策树分类特征信息中,贡献最大的是归一化植被指数（NDVI）,近红外波段（NIR）和亮度（Brightness）信息。用162个油菜验证样本点计算混淆矩阵,油菜种植面积提取的总体分类精度为98%以上,Kappa系数为0.95。说明结合物候信息利用Sentinel-2数据进行大范围作物种植面积提取具有巨大潜力,可以提高大范围油菜种植区域快速提取的精度和效率。     

基于微波数据与光学数据集成的机器学习技术在作物产量估算中的应用

各类光学植被指数已成功地应用于各种植被监测与作物产量估算中,但这些指数易受大气状况的影响。由星载微波辐射计得到的植被光学厚度数据（VOD）与植被密度、含水量密切相关,数据可全天候获得,在农业遥感监测中呈现着巨大的潜力。作为来自不同传感器的遥感数据,微波遥感数据与光学遥感数据可以提供不同波长范围内的植被信息。为了更准确地进行作物产量估算,本研究提出将微波遥感数据与光学遥感数据共同应用于冬小麦单产估算中。研究选择L波段微波辐射计SMAP卫星的VOD数据与MODIS的标准归一化植被指数NDVI、增强型植被指数EVI、叶面积指数LAI、光合有效辐射分量FPAR数据作为研究变量,分别使用BP神经网络、GA-BP神经网络和PSO-BP神经网络建立冬小麦产量估算模型。结果表明： 3种神经网络回归模型的P值均小于0.001,通过了显著性检验。GA-BP神经网络回归模型的估算值与真实值在3种神经网络回归模型中表现了最高的相关性（R=0.755）与最低的均方根误差（RMSE=529.145 kg/hm²）,平均绝对误差(MAE=425.168 kg/hm²)和平均相对误差（MRE=6.530%）。为了分析多源遥感数据的结合在作物产量估算中的优势,研究同时构建了仅使用NDVI和LAI,使用NDVI、EVI、LAI、FPAR等光学数据进行冬小麦产量估算的3种GA-BP神经网络回归模型作为对比。结果表明,使用微波遥感数据与光学遥感数建立的GA-BP神经网络回归模型较上述3种作为对比的GA-BP神经网络回归模型的相关系数R值分别提高了0.163,0.229与0.056,均方根误差RMSE分别降低了122.334、158.462和46.923 kg/hm²,使用多源遥感数据的组合可以很好地提高作物产量估算的准确性。     

无控制点数据的无人机影像快速处理

本文以四川地震灾区作为典型研究区,尝试在无其他控制点数据时,仅利用小型无人机影像和无人机系统自身记录的辅助数据,进行无人机影像的快速匹配、拼接和纠正处理。首先,对小型无人机获取的影像数据和辅助数据进行了详细分析,然后,将小区域原始影像利用影像匹配算法进行自动拼接,拼接后的分块区域再根据辅助数据进行纠正处理。SIFT算法被运用到无人机影像的匹配中,达到了较好的速度和精度;分块拼接后的成果利用辅助数据的伪中心点进行纠正,相对精度较高,镶嵌结果无视觉错位。最后,将纠正结果和GoogleEarth影像数据叠加进行精度检查,主要标志性地物重叠良好。     

基于SAR影像后向散射特性的中俄黑龙江流域洪水监测

黑龙江（又称为阿穆尔河）是中国和俄罗斯之间的国际界河,近年来洪水事件频发,给流域内中俄两国带来巨大的人口伤亡和经济损失,加强该流域的洪水监测是两国面临的共同紧迫需求。传统的光学遥感影像受制于洪水期间多云多雨的天气状况,难以及时获得无云影像。本文充分利用全天候雷达数据的优势,提出了一种基于哨兵1号（Sentinel-1）合成孔径雷达数据监测大面积区域洪水的方法。通过Gamma分布和高斯分布拟合SAR影像后向散射系数的概率密度分布,迭代后验概率差值,自动获得全局阈值来分割初始的水体,基于辅助数据细化去除了初始水体中与水体相似的误分类型,并由形态学操作后处理提高了提取的洪水的均匀性。结果表明：① 与传统的分割算法相比,本文提出的方法基于SAR影像后向散射系数的分布规律进行概率密度函数分段拟合,将全局统计划分为局部关系,显著地改善了常规分割算法在水体和非水体像素量级相差过大而表现不佳的情况;② 研究获得了2017—2020年逐年的洪水分布,结果总体精度在87.78%~94.89%之间,Kappa系数在0.76~0.89之间;③ 特别是对于大面积半干旱地区,本文结合了后向散射特性、地形和其他辅助信息的关系,使得能够有效地保留水体并去除与水体后向散射系数相似的地物;④ 结果显示黑龙江（阿穆尔河）中下游沿岸城市哈巴罗夫斯克、阿穆尔斯克等地区为经常性泛洪区域,洪水面积整体呈增加趋势。研究表明,基于雷达数据对洪水空间范围进行时间序列监测,可以为中俄黑龙江流域洪水发展动态监测提供科学支撑。     

一种面向对象的像元级遥感图像分类方法

本文提出一种面向对象的像元级分类方法(混合模型),并将其与单纯的以像元和面向对象的两种方法同时应用于分辨率分别为30m和0.5m的环境星CCD数据和航空影像进行对比分析。分类结果中不同地物类别之间光谱可分性的大小,很大程度上可反映分类结果的可靠性。若地物类型之间的光谱差异大,说明分类方法能将光谱差异大的地物很好地划分,显示出较可靠的分类结果;相反,如果分类结果中地物类型光谱差异小,则反映分类方法不够可靠。鉴此,本文通过计算分类结果中不同类别所对应的原始遥感影像像元之间的J-M(Jeffries-Matusita Distance)距离来度量分类结果中地物之间的光谱可分性,并用J-M距离比较分析了3种图像分类方法对2种不同分辨率影像的分类结果中各个类别之间的光谱可分性的变化。分析结果表明,混合模型不但能够得到较连续的分类结果,同时能够保持分类结果中类别之间的可分性。本文对分类结果进行了精度验证,结果发现混合模型的分类精度较其他2种方法要高。2种不同分辨率的遥感影像分析结果得到相同的结论,表明该模型适用于中分辨率和高分辨率影像。     

综合多层优选尺度的高分辨率影像分割

采用面向对象方法处理高空间分辨率遥感影像时,影像分割质量对后续影像的信息提取结果影响很大。本文主要针对高分辨率影像分割中地物多尺度的问题,提出了一种基于多层优选尺度的高分辨率影像分割算法。该算法首先采用一系列规律变化的尺度对高分辨率影像进行多尺度分割,然后通过单分割层全局标准差的变化与尺度的关系确定一组最优分割尺度。在此基础上,通过各优选分割层之间的包含关系,局部建立多层次对象树,从整体上形成影像森林;通过局部同质性异质性综合评价指数的比较及父层光谱特征的限制来选取多层次对象树中的优势对象,从而获得最终的高分辨率影像分割结果。最后,本文分别采用了Geoeye和ZY3多光谱影像进行了2组分割实验,结果表明本文算法能有效地提高正常分割影像对象的比例。     

CBERS-1林被信息挖掘的GIS多元分析

本文论述了基于知识的CBERS-1 CCD图像分割的波段优化组合方案.以及组合运算生成非线性波段比图像和筛选分析与应用。同时运用地学多元分析原理探讨了影响森林植被中灌木林、灌丛等类型影像特征的地形、地质岩性、成土母质等因素。讨论了基于地理信息系统(GIS)及其背景数据库,通过分类重编码的分析处理,以及与地学信息的融合挖掘分析,利用建模工具二次开发模型,分层提取和人机交互系统综合分析与制图,取得理想的效果。     

利用小波变换进行遥感多光谱图像融合的算法及实现

在分析了小波变换的分解与重建方法后,提出了一种基于区域的图像增强算法。先提取出源图的边缘,以图像的边缘为参考,围绕边缘建立融合窗口,然后结合区域内的图像信息,应用基于窗口的融合规则进行融合处理。实验结果显示,融合后的图像综合了3幅源图像的不同特征,处理后的图像变得容易识别了。表明该方法保持了尽可能多的原始信息,算法简单,稳定性好,适合于多光谱遥感图像识别、医学成像等领域。     

多时相HJ-1数据补充的水体分布时序变化监测

由于地域、天气等原因造成的云影问题,导致了水体时序分析困难。本文以资源三号（ZY-3）影像作为辅助数据,以环境与灾害监测预报小卫星影像（HJ-1）作为研究数据,通过提取一个时间段内多景时相相近HJ-1数据中有效水体信息,迭代补充成完整的水体提取结果,将不同时间段内影像水体提取的完整结果形成时序监测数据,以达到对某地区水体时序变化监测的目的。通过对淮河流域安徽段研究区水体分布监测表明,该方法能充分利用每个时间段内质量不理想的源数据,对相近时相数据迭代补充,完整提取该时间段内的水体信息。多个时间段迭代补充形成的时序数据可有效支持时序监测。本文在研究区共选取了8295个查找点,结果表明：2013年该研究区洪季（7、8月）水体信息比旱季（3、4月）更丰富,特别是东南部在洪季形成了许多零散水体;相较于旱季,洪季研究区水域面积增长了22.1%。     

微波与光学遥感协同反演旱区地表土壤水分研究

土壤水分是水文循环中的关键因素,尤其对旱区的生态环境具有十分重要的意义。微波遥感是反演土壤水分的有效手段,而植被是影响土壤水分反演精度的重要因素。因此,对土壤水分的反演需要考虑植被的影响。本文以内蒙古乌审旗为研究区,利用Radarsat-2雷达数据与TM光学数据,对旱区稀疏植被覆盖地表土壤水分反演进行研究。利用TM数据,分别选取NDVI和NDWI指数对植被含水量进行反演,通过水云模型消除植被层对土壤后向散射系数的影响;在此基础上,根据研究区地表植被特性,提出一种基于AIEM 模型的反演土壤水分的改进算法,反演了不同粗糙度参数、不同极化（VV极化和HH极化）条件下的研究区土壤水分。反演结果与野外实测数据的对比结果表明,本文提出的基于地表植被特性的土壤水分改进算法,具有更好的适应性;土壤水分反演模式\begin{array}{c}M{v}_{\mathit{\sigma vv}\left(1\right)}^{\mathit{lh}}\end{array}（VV极化方式下采用NDVI去除植被影响的反演模式）更适合于旱区考虑稀疏植被覆盖影响的地表土壤水分的反演。