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。     

空间分辨率与纹理特征对多光谱遥感分类的影响

多光谱遥感分类与影像空间分辨率有着密切的关系,在适宜空间分辨率影像上进行地物分类能够获得更高的精度。随着遥感影像空间分辨率的提高,纹理特征被广泛用于遥感分类,但由于不同地类空间尺度不同,纹理对不同地物分类的影响程度也有所差异。本文基于高分一号2 m全色和8 m多光谱影像融合后的高空间分辨率多光谱数据构建反射率空间序列,选用3种分类方法对序列分类,并分别计算2 m融合数据及8 m多光谱影像的纹理特征,选择特征波段与相应多光谱波段组合用以分类研究,最后计算混淆矩阵评价分类精度。研究结果表明,通过回归分析得到多光谱分类的最佳空间分辨率为5 m,与其他研究中利用全色波段分类的结论一致,这说明最佳空间分辨率的选择不受光谱信息影响;对多光谱分类精度随空间分辨率变化的变化趋势分析发现,分类精度在20~30 m分辨率范围区间内快速降低,这为多光谱遥感分类数据空间分辨率的选择提供了重要参考;此外,对光谱与纹理特征结合后不同地类分类精度的变化分析显示,加入纹理特征后,冬小麦、人工建筑、有林地和水体的分类精度在2 m分辨率下分别提高了1.49%、1.51%、4.94%、1.54%,8 m分辨率下分别提高了2.95%、10.95%、5.91%、5.14%,说明引入纹理特征有利于提高分类精度,但其对不同地物类型、不同分辨率影像的影响程度不同。     

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。     

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。     

河南省冬小麦快速遥感制图

在省域尺度上,冬小麦遥感识别中存在冬小麦物候不一致、地表环境复杂、数据处理复杂、遥感数据冗余、选择适当的分类样本困难、分类精度低等问题,而遥感数据云平台为解决这些问题提供了良好的数据基础和数据处理能力。以河南省为研究区,以谷歌地球引擎(Google Earth Engine)云平台为支撑,基于2015年和2002年前后年份河南省冬小麦识别关键期内的2296景Landsat遥感影像,采用NDVI重构增幅算法建立冬小麦大区域遥感快速制图模型,实现了2015年和2002年的河南省冬小麦分布制图。结果表明：2015年和2002年冬小麦种植面积分别为56 055.79 km²和47 296.11 km²,与统计数据比,精度达到97%;2002-2015年,河南省冬小麦种植分布存在明显变化,总体播种面积呈增加趋势,2015年比2002年增加8759.69 km²,增幅为18.52%。与传统计算机冬小麦制图方法相比,基于Google Earth Engine云平台的数据处理和制图效率均获得千倍以上的提升。     

基于多源异构数据的粮食作物种植面积提取

利用遥感影像进行农作物面积提取已经普遍应用到农作物种植面积提取工作中,但是普遍存在着提取效率低,精度达不到生产要求。随着高分辨率传感器的相继问世,融合多平台遥感数据有利于提高分类和动态监测的精度。本文以日照市莒县粮食种植面积提取为例,融合多时相和多源异构数据,利用深度学习算法提取粮食种植区域,深入挖掘多源数据的互补效应,提出了融合多时段、多源地理信息提取农作物种植面积的方法,为实现农作物种植面积快速高效的提取奠定了基础。     

新疆地区土地覆被遥感数据的一致性研究

鉴于新疆地区对中国乃至中亚有着特殊的战略意义,本文针对不同数据源及分类系统在土地覆被数据的空间分布上缺乏互通性问题,结合2010年目视解译土地利用现状遥感监测数据、GlobeLand30和GlobCover2009共3种土地覆被数据,采用类型相似分析、类型混淆分析、混淆矩阵分析、空间一致性分析4种方法开展精度评价及一致性分析,以期对土地覆被数据在中国西北干旱区的适用性及适用范围提供有效建议。结果表明,3种土地覆被数据对新疆地区土地覆被类型构成基本一致,且对裸地类型的辨识度最高;新疆地区中高度一致区域占新疆总面积的95%;3种数据两两对比时,总体精度在64.11%~72.57%之间,其中目视解译数据/GlobeLand 30组合表现出最高水平,且仍有提高空间,反映出目前相同卫星传感器是提升精度评价结果的重要因素之一,且不同分类系统、分类方法、空间分辨率及卫星过境时间等因素对精度评价结果也会产生巨大影响。为解决此类问题,利用多源土地覆被遥感数据的融合技术提高数据精度,或是利用深度学习对遥感影像资料进行精确地解译和判读,将是今后全球土地覆被制图及应用领域的主要发展趋势。     

罗布泊“大耳朵”地区多源遥感影像数据库的设计与实现

目前,由空间数据引擎管理遥感影像数据的技术已经非常成熟,但在对多源遥感影像数据的合理组织和有效管理以及数据共享方面,还需要寻求更有效的方法。本文在分析不同遥感影像类型的基础上,结合罗布泊“大耳朵”地区研究的需要,设计实现了该区多源遥感影像数据库。讨论了逻辑上设计相同空间分辨率和不同空间分辨率的多源遥感影像数据存储的方法。即根据遥感影像数据的空间分辨率进行分类,并通过遥感影像元数据表建立多源遥感影像数据之间的逻辑关联来组织和管理影像数据的设计方法。该方法的成功运用,为多源遥感影像数据库的设计与建设提供了参考。     

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。     

基于不确定性分析的遥感分类空间分层及评估方法

空间分层是准确度量遥感分类不确定性程度及其空间分布的基础与关键。本文提出了一种基于不确定性分析的遥感分类空间分层及评估方法,首先基于随机森林算法获取像元后验概率,确定分类不确定性度量指标;其次,采用模糊C均值进行空间分层;最后,对分层结果合理性进行定性与定量评估,并与同尺度数据产品精度评价结果及后验概率不确定性分层方法进行对比分析。以北京市顺义区Landsat 8 OLI遥感影像数据为例,研究结果表明：① 基于最大概率、模糊混淆指数和概率熵指标将顺义区分为不确定性大、中、小3层,相应的遥感数据层分类精度分别为62.28%、74.96%、79.31%;② 分类不确定性空间分层结果与度量指标大小的空间分布基本一致,错分地类图层与不确定性大层的地类空间分布基本一致;③ 遥感数据和数据产品的各层地类空间特征、层分类精度大小趋势一致,与总体分类精度相比,不确定性大层的层分类精度降低,不确定性小层的层分类精度提高;④ 与后验概率不确定性分层方法相比,本研究不确定性大层的层分类精度降低1.08%,不确定性中层提高3.58%,不确定性小层提高0.16%,q值由0.19提高到0.24,空间分异性更高。证实了研发的遥感分类不确定性空间分层结果的合理性。研究旨在提出适用于遥感分类的不确定性分层方案,用于优化遥感分类训练样本和精度评价验证样本的空间布设。     

基于Google Earth Engine和NDVI时序差异指数的作物种植区提取

为提高农作物种植信息遥感监测的效率,扩展数据适用范围,本文提出了一种基于时间序列NDVI差异指数的作物种植区提取方法。随着海量遥感与云计算的发展,Google Earth Engine作为一个全球尺度地理空间分析云平台,弥补了单机计算耗时长的不足,为快速遥感分类带来了新机遇。基于Google Earth Engine平台,以河南省开封市杞县为研究区,以2019—2020年杞县地区多时相Sentinel-2影像为数据源,结合物候信息,根据不同作物在时间序列NDVI曲线上的差异构建NDVI时序差异指数,从而提取作物种植区,区分不同作物类型,并与其他方法进行了精度验证和对比。结果表明：① NDVI时序差异指数法以作物物候信息为基础,与GEE高性能的计算能力相结合,形成了作物种植信息快速提取框架,可以方便快捷地进行作物种植区提取,较本地处理具有明显优势;② 杞县冬小麦和大蒜种植区有明显的空间分异性,冬小麦种植区主要集中在研究区西北部以及南部的农村居民点周围,而杞县大蒜则由于产品流通需要,主要集中在研究区中部以及东北部,居民点较为密集,交通便利的城市周边;③ 与时间序列支持向量机法和最大似然法相比较, NDVI时序差异指数进行作物种植区提取的总体精度达到83.72%, Kappa系数为0.67,分别比最大似然法提高了10.02%和0.21,比支持向量机法提高了4.18%和0.09,表明该方法能更高效率,更高精度地提取作物种植信息,实现区域作物种植信息的高效准确监测。总体来看,该方法在一定程度上可拓展遥感数据在农业领域的应用范围,具有推广价值。     

Google Earth Engine支持下的江苏省夏收作物遥感提取

江苏省是农作物种植大省,国家统计局统计数据显示,江苏省近10年冬小麦、冬油菜的总播种面积分列全国第五、第七,快速准确地获取冬小麦和冬油菜的空间分布对于该省的农业发展具有重意义。基于单机的传统遥感分类能够准确获取农作物的空间分布信息,但是耗时较长。随着地理大数据与云平台、云计算的发展,Google Earth Engine（GEE）作为一个基于云平台的全球尺度地理空间分析平台,为快速遥感分类带来了新的机遇。本文基于GEE,使用Sentinel-2数据快速提取了江苏省2017年冬小麦与冬油菜的空间分布。首先,利用GEE获得覆盖江苏省119景无云质优的Sentinel-2影像;其次,在此基础上分别计算了遥感指数、纹理特征、地形特征,并完成原始特征的构建与优化;最后,分别试验了朴素贝叶斯、支持向量机、分类回归树和随机森林4种分类器,比较了各分类器的分类精度,并提取了冬小麦与冬油菜的空间分布信息。得出以下结论：①GEE能够快速完成覆盖江苏省影像数据的去云、镶嵌、裁剪及特征构建等预处理,较本地处理具有明显优势;②J-M距离值位于前两位且大于1将特征数量从28个压缩到11个,有效压缩了原始特征空间;③光谱+纹理+地形特征组合训练,朴素贝叶斯、支持向量机、分类回归树、随机森林的平均验证精度分别为61%、87%、89%、92%。     

多分辨率协同遥感地块利用分类方法研究

遥感影像的获取受卫星、传感器设计、大气条件等限制,往往难以兼顾时间和空间分辨率,导致由单一来源数据提取遥感信息难度较大,难以满足各种应用对信息时空分辨率越来越的需求。由此出发考虑多源数据的不同优势及其随着周期运行不断积累的多时相数据,设计了基于地块协同多种分辨率甚至多源数据的分类方法。以高空间分辨率影像为地理基准构建稳定地块分布图,这些地块在一定时间内边界与基本属性相对稳定,由此可以协同利用高时相分辨率数据反映地块在不同时间点的光谱表现,分别计算形成地块的时相变化特征,根据地类各自特点选择不同方法与数据特征完成解译,总体上以地块级监督分类完成具体类别解译。在2014年夏季青海玛多的米级土地利用分类实验中,整个植被生长季的中分数据以及冬季无云高分数据被收集用于协同分类,在解决多数据匹配、合成的基础上充分利用各数据的优势,对建设用地、水体、植被等关键类别区别对待,整体上取得了较高的解译精度,不但有效克服传统视角下数据源不足、信息缺失等问题完成了全县解译,而且保证了土地信息的时空分辨率,为生态调查与保护提供了最新最全数据支持。     

面向对象的特色农作物种植遥感调查方法研究

宁夏自治区具有土地、光能、引黄灌溉等优势,为宁夏特色农作物（硒砂瓜、枸杞、大枣）的生长提供了先天条件。快速准确地获取特色农作物的种植信息不仅是宁夏特色农作物监测、估产和灾害评估的重要依据,同时也是分析特色农作物结构分布变化和评价区域特色农业生产影响的重要凭证。近年来,随着航天技术和卫星传感器的不断发展,越来越多的学者将遥感技术运用到农作物种植信息的提取研究中。但是传统的遥感调查模型都是基于中低分辨遥感数据建立的,对于新的高分数据没有完备的信息提取模型。此外,基于GF-1遥感影像对类似宁夏特色农作物（硒砂瓜、枸杞、大枣）的信息提取研究相对较少,决策条件和分类模型的选择也难以满足高分农业的需求。基于此,本文利用国产GF-1 PMS遥感影像,在分析3类特色农作物光谱特征和纹理特征的基础上,建立了面向对象的支持向量机（SVM）分类模型,总体分类精度达到94.94%,Kappa系数为0.9174。同时将分类结果与传统的SVM分类结果相比较,研究发现面向对象的SVM模型的精度更高,效果最好,纹理信息的引入使光谱特征差异较小的枸杞和大枣更容易区分,有效降低了模型错分和漏分误差,改善了模型分类结果。研究结果为实现宁夏特色农作物的快速自动化提取提供了有效途径,也为开展农作物承保和受灾定损评估体系建设提供技术支撑。     

基于MODIS GPP产品的冬小麦保险费率厘定方法研究

农作物保险是国内外减少灾害造成的种植户经济损失,保障农民基本生产收入的重要手段。国内传统的农作物保险费率是基于行政单元的统计数据厘定的,忽略了行政单元内部灾害的空间风险差异,因此如何获得行政单元内部农户级农作物纯保险费率,成为精细化农作物保险的关键问题。本文针对农户级的冬小麦纯保险费率,以河南省周口市为实验区,利用2005—2015年MODIS MOD17 A2 GPP总初级生产力数据产品生成2005—2015年冬小麦生长季的GPP数据,同时利用Landsat5/7/8 TM/ETM/OLI数据计算2005—2015年公里级的冬小麦种植面积比。通过Bühlmann-Straub模型和经验费率法厘定得到2016年实验区基于格网单元的冬小麦纯保险费率。研究表明：遥感数据可以为农作物保险空间精细费率厘定提供数据保障,利用遥感数据可以得到公里级格网单元的冬小麦纯保险费率。将利用遥感数据得到的农作物纯保险费率用于农作物保险中,提高了农作物保险的空间精细水平,可以进行基于地块的空间差异化农户投保,有利于政府针对不同农户制定合理的农作物保险政策,保险公司合理的收取保费。     

面向对象和DEM的ZY-1 02C影像湿地提取研究

本文运用面向对象分类与DEM数据相结合的方法,对资源卫星一号02C卫星遥感影像进行湿地提取。探索了基于对象与DEM信息的提取技术,在02C影像湿地的提取应用,对研究我国国产卫星在湿地监测和保护方面有重要的意义。研究结果表明：（1）面向对象的遥感影像信息提取方法,可同时兼顾影像光谱信息及空间信息,适用于02C影像的湿地提取,精度得到明显提高;（2）基于对象与DEM信息的提取方法,使沼泽地与草地相混淆的现象明显减轻,湿地分类精度进一步提高,该方法适用于高分辨率遥感影像的湿地提取研究;（3）基于对象与DEM信息提取的水田、水体、沼泽地及河滩的精度,分别为88.46%、97.44%、86.96%和83.33%,满足资源卫星一号02C遥感影像对湿地进行监测和保护的需要。     

鄱阳湖南矶湿地景观信息高分辨率遥感提取

鄱阳湖南矶湿地是亚热带典型过水性湿地,由于该区域水文情况复杂,且泥滩、沼泽和疫水（血吸虫）分布较广,导致野外考察验证工作困难,使用传统的遥感信息提取方法很难保证该地区湿地景观的提取精度。本文以高分一号影像为数据源,综合运用数字高程模型（DEM）、归一化植被指数（NDVI）、归一化水体指数（NDWI）等辅助数据,采用面向对象分类方法,对鄱阳湖南矶湿地景观信息进行提取研究,并取得了较好的分类效果。研究结果表明：（1）基于国产高分辨率影像的面向对象分类,既兼顾了国产高分辨率影像光谱、空间、结构、纹理信息,又综合利用多源辅助数据参与到分类计算中,分类精度得到明显的提升;（2）基于面向对象与多源数据分类方法对湿地混合像元有较好地识别能力,可获得较高的总体分类精度（94.3275%）和Kappa系数（0.9324）,说明利用多源数据的面向对象方法提取湿地信息是可行的,其分类结果具有较高的准确性和可信度,较好地解决了过水性湿地景观分类问题;（3）该分类方法弥补了单一遥感影像分类方法的不足,对研究国产高分卫星在提取过水性湿地景观信息方面具有重要的参考和实际意义。最后,分析了多源数据面向对象分类尚待解决的问题和下一步的研究方向。