基于高时空分辨率可见光遥感数据的热带山地橡胶林识别

20世纪90年代以来橡胶林种植面积在西双版纳地区迅猛扩大,对该区域橡胶林种植面积、种植结构变化的精确监测是客观评价该地区橡胶林种植与生态环境变化关系的关键。针对西双版纳热带山地地区植被光谱特征的相似性及地形和气候条件的复杂性问题,结合该地区橡胶林冬季落叶的物候特征,采用时空数据融合算法,分别选取中分辨率的ETM+、OLI、Sentinel-2A数据与高时间分辨率的MODIS数据融合,建立高时空分辨率可见光遥感数据集,并分析不同融合数据源对热带山地环境下橡胶林识别精度的差异。结果表明:(1)基于时空融合数据提取的橡胶林物候变化特征能够实现较高精度的橡胶林识别,识别精度可以达到89%以上,Kappa高于0.83;(2)运用10m分辨率的Sentinel-2A数据进行分类时,能够获取比Landsat数据更高精度的分类结果,表明Sentinel-2A数据在高时空数据融合及热带植被遥感应用中有较好前景。     

Sentinel-2A与Landsat-8影像在油菜识别中的差异性研究

油菜是中国最重要的农作物之一,准确、及时掌握高精度的油菜面积具有重要意义。与Landsat-8数据相比,新一代光学卫星Sentinel-2A数据具有众多优点,但是Sentinel-2A数据在农作物识别方面的应用效果是否一定优于Landsat-8数据仍然是个未知的问题。因此,以油菜最佳识别期内的Sentinel-2A和Landsat-8影像各一景为数据源,选取种植结构复杂的小尺度都市农业区为研究区,基于影像的光谱特征与植被指数信息利用不同分类方法提取油菜种植面积。通过比较不同分类条件、不同方法下的两种影像的油菜识别精度,结果表明:(1)Sentinel-2A影像中不同地物的光谱特征差异与植被指数可分离性高于Landsat-8影像;(2)支持向量机(SVM)分类器下,Sentinel-2A数据的光谱特征获得的油菜制图精度与用户精度最高,分别为89.7%和91.3%,比同等条件下的Landsat-8油菜识别精度分别高7.0%和6.2%;(3)加入纹理信息后,两种数据的总体精度和Kappa系数明显提高,但油菜的制图精度与用户精度并无明显提升。以上结果表明:与Landsat-8数据相比,Sentinel-2A数据能够在种植结构复杂的小尺度区域提取更高精度的作物分布信息。研究结果可以为Sentinel-2A数据的农作物识别与应用提供理论基础。     

基于HJ-1B卫星遥感数据的水稻识别技术研究

为快速、准确地在遥感图像上识别水稻作物的信息,满足县级尺度水稻遥感监测的需要,以野外实地调查资料、1∶5万地形图数据为辅助,通过光谱分析法,分析研究HJ-1B星CCD数据的水稻作物的光谱反射特性,建立水稻作物遥感信息识别模型。采用决策树分类方法提取水稻作物信息,并将该技术方法应用于广西宾阳县水稻作物信息提取研究。采用实测样地数据,利用混淆矩阵进行精度评价验证,总精度为94.9%,Kappa系数为0.8533。研究表明,该水稻作物的识别技术,可以为了解我国水稻种植情况,进行水稻长势监测和产量估测提供技术参考。     

Sentinel-2数据的小型湖泊水生植被类群自动提取方法——以翠屏湖为例

针对传统的水生植被遥感监测研究大多是面向大型浅水湖泊,利用Landsat和MODIS数据开展,且很少关注水生植被主要类群的细分,该文以小型湖泊-翠屏湖为例,利用欧空局Sentinel-2高分卫星数据,基于不同水生植被类群及水体间的光谱特征差异,构建了浮叶类植被指数(floating-leaved aquatic vegetation index,FAVI)和沉水植被指数(submerged aquatic vegetation index,SAVI)2个新的植被指数作为分类特征,结合Otsu算法,实现翠屏湖浮叶类植被类群、沉水植被类群和水体的自动提取。经验证,总体分类精度为88.57%,Kappa系数为83.78%,并通过多期影像开展了算法的普适性检验。本研究为快速获取小型浅水湖泊的水生植被类群提供了高效的方法,可为湖泊管理和生态修复提供科学依据。     

基于面向对象的多源卫星遥感影像玉米倒伏面积提取

风灾引起的玉米倒伏可能导致玉米大量减产,利用遥感技术准确监测玉米倒伏面积与空间分布信息对灾情的评估非常重要。利用Planet和Sentinel-2影像分别结合面向对象与基于像元方法提取研究区玉米倒伏,同时评估了不同影像特征（光谱特征、植被指数和纹理特征）与不同分类方法（支持向量机法SVM、随机森林法RF和最大似然法MLC）对玉米倒伏提取精度的影响。结果表明：①使用高空间分辨率的Planet影像进行玉米倒伏提取的精度普遍高于Sentinel-2影像;②从分类精度和面积精度来看,Planet影像的光谱特征+植被指数+均值特征结合面向对象RF分类,总体精度和Kappa系数分别为93.77%和0.87,面积的平均误差最低为4.76%;③采用Planet和Sentinel-2影像结合面向对象分类提取玉米倒伏精度高于基于像元分类。研究不仅分析了面向对象方法的优势,还评估了使用不用影像数据结合面向对象方法的适用性,可以为遥感提取作物倒伏相关研究提供一定的借鉴。     

南方地区复杂条件下的耕地面积遥感提取方法

针对我国南方地区植被类型复杂、地形复杂和地块破碎等原因导致耕地信息提取精度较低问题,提出了一种面向对象和CART决策树结合的复杂条件下耕地面积提取方法。以广西南宁市隆安县与武鸣县地区为研究区,采用Sentinel-2A影像,结合数字高程数据（Digital Elevation Model,DEM）及归一化植被指数（Normalized Difference Vegetation Index,NDVI）等多源数据,利用面向对象分割技术识别地块信息,然后以地块为单位采用CART（Classification And Regression Tree,CART）决策树分类法,依据不同地类的形状、光谱特征,提取研究区的耕地。结果表明：面向对象的CART决策树分类方法分类总体精度和Kappa系数分别为96.1%和0.94,相比较于未加入面向对象分割的CART决策树耕地信息提取总体精度提高Kappa系数提高0.54,面向对象的分割方法有利于减少复杂背景对耕地提取的影响。基于面向对象的CART决策树分类方法相比较于传统方法对研究区耕地信息的提取有较好的精确性,能够提高耕地信息的提取精度。     

基于波段反射率日均增量的花生干旱灾情遥感评估

干旱是影响花生产量的主要气象因素之一。开展花生干旱灾情遥感评估对于产量估算、防灾减灾和保险理赔具有重要意义。当前花生旱灾遥感评估主要依赖于光谱指数变化信息,容易受不同地区生育进程干扰,限制了光谱指数方法的普适性。研究在多时相Sentinel-2遥感影像和野外实测样本的支持下,分析时序波段反射率日均增量信息与花生干旱受灾程度之间的内在联系,利用决策树、随机森林、逻辑回归等方法对花生干旱等级进行分类,并以总体精度和Kappa系数评价各种方法的精度。结果表明：单一波段的近红外反射率日均增量对花生受灾情况的指示性较强。多光谱波段组合方式对花生旱灾程度的指示性均优于单个波段,其中红波段、蓝波段、近红外光谱波段反射率日均增量组合的指示性最强,整体精度达到89.93%,Kappa系数0.847 1。与逻辑回归和决策树算法相比,随机森林算法对花生旱灾评估精度最高。在旱情等级最优时相组合分析中,利用花生生长旺盛期（7月~8月）的多波段反射率日均增量信息,灾情等级遥感识别的总体精度可达88.62%,Kappa系数为0.827 4。说明基于生长旺盛期时序多波段反射率日均增量的干旱灾情遥感评估方法能有效提取花生受灾范围与灾情严重程度。     

基于GF-1影像的冬小麦和油菜种植信息提取

高分(GF)系列卫星的相继发射为国产高分辨率遥感数据的应用创造了新的机遇。为探索GF数据在中小尺度农作物遥感监测领域中的可行性和建立相适应的技术体系,以扬州市为例,运用决策树模型和面向对象分类方法,研究GF-1卫星的宽视场(wide field of view,WFV)数据在农作物种植信息提取中的可行性,并探索提高其提取精度的处理方法。结果表明:分区处理可以降低作物空间分布对种植区提取的不利影响;冬小麦总体精度为97%,Kappa系数为0.93;油菜总体精度为96%,Kappa系数为0.84。综上所述,国产GF-1 WFV影像可以应用于农作物种植信息的提取,并为粮区农作物种植空间调整和优化管理提供重要参考和决策支持。     

实测光谱和欧氏距离在GF2卫星海冰提取中的应用

由于卫星受载荷分辨率和混合光谱限制,海冰遥感监测存在很大不确定性。为提高海冰提取精度,本文将实测光谱与高分辨率卫星数据有效结合,利用光谱数据进行GF2卫星等效反射率转换;基于欧式距离确定16种海冰判识指标的可分性;从而提出一种GF2卫星海冰快速提取方法,为中低分辨率卫星大范围的海冰监测提供基准订正数据。结果表明：①经过光谱曲线分析初步确定B2和B4波段是GF2卫星海冰遥感监测的敏感波段;②欧式距离计算结果反映16种判识指标中,B2/B4指标欧氏距离最大,海冰与雪、冰水混合物、海水等相似地物的可分性最强,是海冰最佳判识指标③根据判识指标采用阈值法能快速提取海冰分布信息,实现海冰与其他相似地物的分离;④比较本文提出的新指标（B2/B4）与其他4种指标海冰提取的精度,在冰水两种地物分类中,B2/B4判识指标略好;在多种地物分类中,B2/B4判识指标总体分类精度为96.48%,Kappa系数大于0.5,比其他指标高出3.89～4.85%。     

协同Sentinel合成孔径雷达和光学影像多特征的不透水面随机森林提取方法

不透水面的精确提取对区域人口密度估计、环境评估、灾害预测、水文模型构建、城市热岛效应研究以及气候变化分析等具有重要意义。传统大尺度不透水面提取方法主要受限于遥感数据质量和提取特征的选择，提取的不透水面空间分辨率较低，难以满足现阶段不透水面的精细化需求。以Sentinel-1 SAR和Sentinel-2 MSI为遥感数据源，从光谱、纹理、时序等3个维度选取不透水面的多个提取特征，构建了基于随机森林的不透水面提取模型，并利用GEE平台开展了2020年长三角地区的10 m空间分辨率不透水面提取实验。结果表明：在不同类型实验区，与仅用光谱特征、光谱特征和时序特征相比，该方法的总体精度、Kappa系数分别提升5%、9%和2%、6%，且针对不透水面覆盖水平不同的各类城市，均具有较好的提取效果；长三角地区全域尺度不透水面提取的总体精度和Kappa系数分别达93.75%和0.88，不透水面面积为61 591.38 km²，占全域总面积的比例约为17%，主要分布在长三角的东部区域，西、北部不透水面占比较低且呈放射性分布。该方法针对10 m分辨率遥感影像提出的，适用于山区、乡村、城...     

PlantingInformation Extraction of Winter Wheatand Rape based on GF-1 Images

Successive emission of high resolution satellite has created new opportunities for the application of domestic high resolution remote sensing data.In order to explore the feasibility of GF data in the field of small and medium scale crop remote sensing monitoring and to establish a suitable technical system,with Yangzhou as an example,using decision tree model and object oriented classification method to research the feasibilityon crop planting information extraction of GF wide field viewdata.And explore the method to improve the accuracy.The results showed that,sub\|regionpretreatmentcan reduce the adverse effects of crop spatial distribution on the extraction of the planting area.The overall accuracy of winter wheat was 97%,the Kappa coefficient was 0.93;the overall accuracy of rape was 96%,the Kappa coefficient was 0.84.Research shows thatdomestic GF\|1 WFV images can be applied to the crop planting informationextraction,and toprovide an important reference and decision support for adjusting crop spatial and optimizing management of gain producing areas.     

HJ星数据在关中冬小麦种植面积遥感监测中的应用 

应用冬小麦抽穗期的环境小卫星影像对关中地区依据行政区划划分,采用多种遥感监测方法进行冬小麦种植面积提取,提取精度达95.64%。结果表明:抽穗期是关中地区提取冬小麦种植面积的最佳时相,同时也表明环境小卫星可以用来监测大范围的冬小麦种植面积,并得到很高的精度。在未来的研究中,对于地形差异较大的地区,可依据地形和冬小麦的种植结构对研究区进行划分,针对每个子研究区采用不同的遥感监测方法以提高提取精度。     

Early Estimation of Winter Wheat Planting Area in Qingyang City by Decision Tree and Pixel UnmixingMethods based on GF-1 Satellite Data

In Northwest China,there are many mixed pixels in the winter wheat area,so the combination of decision tree and mixed pixel decomposition is of great significance to improve the interpretation accuracy.The data source of this result is GF-1 satellite data which excellent in the high temporal resolution and high spatial resolution.Based on the difference about variation characteristics and NDVI value for winter wheat and the other crops in different phase data,we build decision tree to extract winter wheat pixels preliminary.Then selected linear spectral mixture model,further analysis the previous data by mixed pixel decomposition,get the final planting area data more exactly.Compared with the winter wheat samples measurement data,calculate the extraction accuracy eventually.The result shows that the extraction accuracy of winter wheat planting area in the study area was more than 90%,Kappa coefficient is close to 0.8,can reflect the distribution of winter wheat in the region accurately.This study found that the method which combined with decision tree classification and pixel unmixing based on high resolution remote sensing image can extract the winter wheat planting area precisely,This is helpful for the development of crop area remote sensing monitoring.     

基于多时相Landsat8 OLI影像的作物种植结构提取

针对基于多时相遥感影像、多种特征量提取多种作物种植结构在我国研究较少的现状,利用多时相Landsat8OLI影像数据,根据温宿县不同作物的农事历,通过分析主要地物的光谱特征和归一化植被指数的时间变化信息,构建不同作物种植结构提取的决策树模型,实现了对温宿县多种作物种植结构信息的提取。结果表明:1水稻的最佳识别依据是5月20日影像的近红外波段和7月23日影像的NDVI值;棉花和春玉米的最佳识别依据是5月20日~9月9日影像的NDVI变化值;冬小麦—夏玉米和林果的最佳识别依据是5月20日~7月23日影像的NDVI变化值;2与单时相监督分类相比,多时相决策树法对多种作物种植结构的提取效果更理想,总体精度提高了7.90%,Kappa系数提高了0.10;3Landsat8OLI影像数据分辨率高、成本低、获取方便,是农作物遥感的良好数据源。     

基于WorldView-2影像和语义分割模型的小麦分类提取

为使用高分辨率遥感影像和深度学习语义分割模型实现快速准确的小麦种植空间信息提取,以WorldView-2遥感影像为数据源,制作尺度分别为128×128、256×256、512×512的样本数据集,对U-net和DeepLab3+语义分割模型的参数进行训练,建立小麦遥感分类模型;通过与极大似然和随机森林方法比较,检验深度学习分类效果。结果显示：①不同尺度样本训练得到的模型总体精度、Kappa系数分别在94%和0.82以上,模型精度稳定,样本尺度大小对小麦分类提取模型影响较小;②深度学习方法的小麦分类总精度和Kappa系数分别在94%和0.89以上,极大似然和随机森林则在92%和0.85以下,表明该研究建立的小麦遥感分类模型优于传统分类方法。研究结果可为高分辨率遥感影像作物种植信息的深度学习方法提取提供参考。     

基于Sentinel-2的UNVI植被指数及性能对比研究

作物精准识别和分类是农业遥感检测的重要内容,对作物长势监测以及估产十分重要。以美国混合农业带为研究区,基于Sentinel-2时间序列影像,根据其传感器响应函数计算了针对Sentinel-2的通用归一化植被指数（Universal Normalized Vegetation Index,UNVI）,并通过两个对比实验,分析UNVI等6个指数在作物精准分类中的性能。实验一以JM（Jeffries-Matusita）距离为指标对不同作物类别之间的可分性进行分析,结果表明UNVI优于NDVI、EVI、WDRVI、NDre1和NDWI指数,在玉米和棉花、玉米和水稻、玉米和水稻的区分上,UNVI优于其他指数区分能力相当,但在其余的作物组合上如棉花和水稻,NDVI等指数则无法将其很好的区分,此时UNVI指数依然可以表现出较好的区分能力;实验二对6种时间序列指数特征分别使用随机森林和支持向量机进行作物分类,结果表明UNVI指数的总体精度和Kappa系数最高,其次是NDre1指数和WDRVI指数,EVI的总体精度和Kappa系数最低,这表明UNVI比其他6个指数更好地区分了研究区大豆、玉米、棉花和水稻等4种主要作物。综上,基于Sentinel-2时间序列的UNVI指数在进行作物分类时与其他5种遥感植被指数相比,具有较大的优势,UNVI可为农作物长势分析和作物估产研究等农业研究和应用的可选植被指数。     

用高分一号数据提取玉米面积及精度分析

由于受到时间分辨率的影响，长期以来国内遥感技术在面积监测、作物长势监测等方面受到限制。针对此问题，该文利用“高分一号”卫星高空间和高时间分辨率的特点，应用其宽幅16m分辨率数据，结合Landsat 8和RapidEye数据，采用支持向量机（SVM）和光谱角法（SAM）在许昌进行农作物（玉米）的识别和面积提取及其精度分析。结果表明，“高分一号”4个宽幅传感器的影像应用精度差别较大，其中WFV3数据的作物识别与种植面积提取精度最高，高于Landsat 8，与RapidEye接近；而WFV1和WFV4数据的应用效果较差，不太适用于试验区内复杂的秋季作物类型的识别。总体上讲，SVM分类器的分类精度和Kappa系数都要好于SAM分类器，相比之下SVM更适合于农作物的识别和种植面积提取。     

The area extraction of winter wheat in mixed planting area based on Sentinel-2 a remote sensing satellite images

ABSTRACT

The traditional area extraction method mainly depends on manual field survey methods, it is workload, slow and high cost. While remote sensing technology has the advantages of accuracy, rapidity, macroscopic and dynamic, which has become an effective means to extract crop growing area. In this paper, we took Kaifeng City in Henan Province as the study area. Firstly, we explored the advantages of Sentinel-2A RENDVI in crop identification. Then used the supervised classification SVM, object-oriented classification method and assisted with field measured data to extract the winter wheat planting area, the characteristics of the two methods were compared and analysed. Finally, we combined the above two classification methods and proposed a new classification method V2OAE to remove unnecessary influencing factors. The experiment results showed that RENDVI has better recognition ability than the NDVI (Normalized Difference Vegetation Index) in distinguishing vegetation with similar spectrum, the classification effect of object-oriented classification is better than supervised classification SVM, and our classification method removes unnecessary influence factors in the results of object-oriented classification, which is further improve the monitoring accuracy.

Firstly, we have preprocessed the Sentinel-2A image data, its steps are: (1) In the first step, we made radiation calibration for remote sensing images to eliminate the image distortion caused by external factors, data acquisition and transmission systems and so on; (2) In the second step, we made atmospheric correction to eliminate changes in the spectral feature of remote sensing images caused by atmospheric absorption or scattering; (3) In the third step, we made band resampling to unify the resolution of remote sensing images and facilitate the mathematical combination operation of vegetation index; (4) In the fourth step, we made mosaic and cutting to get preprocessed remote sensing images of Kaifeng City. Secondly, we analysed the spectral features of each object and established the interpretation mark with the field measured data. then we explored the ability to identify the ground objects based on NDVI(Normalized Difference Vegetation Index) and RENDVI. Third, we used the rule-based object-oriented classification method and SVM classification to extract the planting area of the study area, the input definition of SVM is spectral feature images of ground objects and the output definition of SVM is the recognition result of ground objects in the process of data training. Then the advantages and disadvantages of the two methods in classification results were analysed. Finally, In order to extract winter wheat information more accurately, we combined the above two classification methods and proposed a new classification method V2OAE (Vector Object Oriented Area Extraction) to remove unnecessary influencing factors, then the winter wheat planting area in Kaifeng City was statistically obtained.     

多源卫星绿潮遥感信息提取易混淆因素分析

针对绿潮遥感信息提取过程中容易出现的几种易混淆因素,开展了多源卫星绿潮遥感信息提取易混淆因素分析研究。基于多源遥感卫星图像,分析了光学和微波遥感数据在提取绿潮过程中常见的几种易混淆因素。结果发现：（1）HJ 1卫星CCD遥感影像上,岛屿、船只、堤坝、云都是易混淆因素。在信息提取中,需结合基础地理资料或“天地图”,将岛屿识别出来,此方法同样适用于MODIS和SAR数据。对于堤坝、船只和有云覆盖的绿潮区域,则需要通过人机交互的方式进行识别。（2）MODIS遥感影像中散布的小面积云和条带噪声是易混淆因素,因此需在MODIS数据预处理中进行云掩膜和条带噪声去除。（3）ENVISAT ASAR遥感影像中船只是易混淆因素,需通过人机交互的方式进行区分。