GF-1、GF-2与Landsat-8卫星多光谱数据的交互对比

基于两组敦煌定标场的GF-1 PMS2、GF-2 PMS1与Landsat-8 OLI(operational land imager)同步影像,对3种传感器之间表观反射率数据的一致性进行交互对比。结果表明,两颗国产高分卫星的表观反射率数据具有很高的一致性,但它们与Landsat-8数据之间存在着一定的差异,其中尤以近红外波段的差异最为明显。在可见光波段,3种传感器的信号强度关系为:GF-2 PMS1GF-1 PMS2Landsat-8 OLI,在近红外波段的关系为:Landsat-8 OLIGF-1 PMS2GF-2 PMS1。试验结果表明,所提出的数据转换模型能够有效地降低两种国产高分卫星传感器与Landsat-8 OLI在近红外波段的明显差异,且当选择与被转换影像地物比例一致性较高的模型进行转换时,转换精度能够进一步提高。     

基于GF-1 WFV和Landsat-8 OLI提取植被信息方法比较研究

针对GF-1 WFV和Landsat-8 OLI两种传感器的参数特点,选取归一化植被指数(NDVI)、增强型植被指数(EVI)、大气阻抗植被指数(ARVI)、土壤调整植被指数(SAVI)和修正的土壤调整植被指数(MSAVI)5种植被指数,采用同一时期的两种传感器数据对四川省茂县进行植被信息提取,并结合像元二分模型估算植被覆盖度,计算分析两种数据源下不同植被指数的差异性。结果表明:GF-1数据提取的NDVI植被效果最好,其中2013年分类总精度为94.55%,Kappa系数为0.88;2015年分类总精度为90.47%,Kappa系数为0.85。对于Landsat-8数据提取的SAVI的结果最佳,其中2013年分类总精度为94.38%,Kappa系数为0.86;2015年分类总精度为95.83%,Kappa系数为0.88。根据统计指标分析表明:在高原山区地形环境下,利用植被指数估算植被覆盖度,GF-1卫星采用NDVI、Landsat-8卫星采用SAVI比较合适,且GF-1数据的估算精度要高于Landsat-8数据。     

基于不同分辨率遥感影像的分类方法对比研究

基于4种不同分辨率的遥感影像数据,分别为30 m分辨率的Landsat-8数据,融合Landsat-8多光谱波段和全色波段的15 m分辨率数据,5.8 m分辨率的资源3号卫星数据以及融合后2.1 m分辨率的资源3号卫星数据。采用ISO-DATA、最大似然分类法和面向对象分类法对影像进行分类,对分类方法的效果以及分辨率变化对面向对象分类方法的精度影响进行分析。结果显示在低分辨率影像中,面向对象方法受到限制,分类效果相比传统方法没有太大改善;而在高分辨率影像中,面向对象方法分类效果很好,并且随着分辨率提高分类精度也相应的提高。     

GF-1与Landsat-8影像土地利用遥感解译对比分析

以黑龙江省嫩江县为研究区,以GF-1和Landsat-8遥感影像为数据源,运用ENVI软件,采用最大似然分类法,对研究区进行土地利用遥感解译,利用混淆矩阵对解译结果进行精度检验,并进行对比分析。结果表明:Landsat-8用地类型之间的可分离性除了草地与耕地的区分度小于1.6以外,其他用地类型的区分度都在1.6之上,而GF-1的用地类型之间可分离性都大于1.6。对于不同的用地类型,GF-1与Landsat-8的分类精度存在一定的差异。在复杂用地类型分布的地区,GF-1具有更高的精度,而在大片相同用地类型的区域,Landsat-8更接近真实值。     

高分一号卫星影像谐波模型模拟方法研究

随着遥感技术的发展,遥感应用的广度和深度得到了大幅度提升,遥感用户对遥感数据的空间分辨率及时间分辨率的需求也越来越高。遥感影像空间分辨率与时间分辨率之间的矛盾难以调和,再加上云、雾、雪和云阴影等因素的影响,限制了高时空分辨率干净遥感影像的获取,为此尝试研发一种影像模拟方法,以便拓展高空间分辨率遥感影像的时间分辨率。利用无云、雾、雪和云阴影的高分一号(GF-1)卫星时间序列影像为每个波段每个像元构建以日期为参数的谐波模型,进而建立基于谐波模型的影像模拟方法,实现指定日期GF-1卫星影像的模拟。基于谐波模型的影像模拟方法生成的模拟影像与真实影像在视觉上十分接近,在定量评估方面也取得了较好的效果,两者之间各波段大多数像元差值处于-0. 03~0. 03间,均方根误差保持在0. 02~0. 05间,表明基于谐波模型的影像模拟方法具有较高的精度与稳定性,可有效提升GF-1卫星影像的时间分辨率,具有一定的实用价值。     

基于多源国产高分卫星时空信息的米级分辨率耕地提取

及时准确地获取耕地空间分布数据对于农业生产管理、产量估算、种植结构调整等具有重要意义。目前的耕地提取多基于多时相中低分辨率影像或单时相高分辨率影像,难以满足耕地破碎,农作物种植模式复杂的区域精度需求。基于此,本研究通过协同国产高分一号（GF-1）、高分二号（GF-2）和高分六号（GF-6）卫星影像,探索米级分辨率尺度下的耕地高精度提取方法。该方法以深度神经网络UNet为基础,通过协同GF-1/6的多时相优势和GF-2影像的高空间分辨率构建了CEUNet（Cropland Extraction UNet）模型,以充分挖掘耕地的时相特征和空间几何特征。同时,将基于CEUNet模型提取的米级耕地结果分别与基于UNet和多源不同分辨率遥感影像的语义分割（UNet_m）、基于UNet和单时相高分辨率影像的语义分割（UNet_s）、基于对象的随机森林分类（OBIA）、基于像元的随机森林分类（RF）提取的耕地结果展开对比,分析所提出的方法在不同区域的适宜性。结果表明,基于CEUNet模型提取的米级耕地总体精度达到92.92%,且基于CEUNet提取的耕地的逐像元验证结果在平均F1-Score值上相较于基于对象和基于像元的随机森林分类分别提升了0.21和0.21,相较于UNet_m和UNet_s分别提升了0.04和0.11,其中针对地块破碎,景观异质性高等区域,CEUNet相较于UNet_m和UNet_s提升了0.09和0.26。本研究提出的CEUNet模型能够充分发挥多源国产高分卫星数据的空间和时间优势,两者结合能够快速、高效地提取不同农业景观及不同种植模式的耕地空间分布信息。     

基于多源遥感数据的植被覆盖度反演方法比较研究

采用GF-1号、ZY-3号以及Landsat-8卫星数据,利用回归模型和像元二分模型,通过对建立的四类植被指数NDVI、MSAVI、MVI和RVI,结合野外调查数据,提出NSD的概念来评价模型及方法的精度。实测数据与各类遥感影像的4种植被指数间均存在着显著的相关关系;通过NSD精度验证,说明空间分辨率较低的遥感数据,在一定程度上提高了反演精度;在4类植被指数中,RVI与MSAVI对于三类数据反演精度较高,且MSAVI对于较低分辨率遥感数据可能具有更好的消除土壤背景影响的作用。     

耦合WorldView-2和珠海一号影像的红树林物种分布

红树林物种遥感分类受影像分辨率、波段信息、分类策略、影像特征选择方法等因素影响。现有的红树林物种遥感分类研究大多关注于分类精度的比较,较少报道商业高分与国产高光谱卫星的结合在物种分类的应用。基于湛江高桥红树林保护区的高分（WorldView-2）和高光谱（珠海一号）卫星影像,本文旨在利用随机森林分类方法,比较不同特征选择算法（极端梯度提升（XGBoost）、极端随机树（ERT）、连续投影算法（SPA））和不同空间分辨率（WorldView-2影像从0.5 m的分辨率重采样为1 m、2 m、4 m、8 m、10 m）对红树林物种分类精度的影响,并耦合WorldView-2与珠海一号影像研究红树林物种空间分布格局及影响因素。每种空间分辨率的WorldView-2影像提取248个特征（52个光谱特征及196个纹理特征）,珠海一号影像提取117个光谱特征。结果表明,XGBoost方法优于ERT和SPA,在影像特征选择中具有巨大优势;与其他空间分辨率相比,2 m分辨率的WorldView-2影像具有更高的分类精度;耦合WorldView-2和珠海一号影像的分类精度（分辨率：2 m,总体精度：88.98%,kappa系数：0.846）高于单一的WorldView-2影像（分辨率：2 m,总体精度：83.47%,kappa系数：0.768）和珠海一号影像（分辨率：10 m,总体精度：78.50%,kappa系数：0.703）;另外,林窗、高程、离岸距离一定程度上影响红树林物种分布格局。本文表明WorldView-2与珠海一号高光谱影像的结合在景观及区域尺度上精确提取红树林物种信息具有巨大潜力,有利于红树林生物多样性保护及科学管理。     

基于高分一号与Landsat-8影像的水体浊度反演比较

为分析高分一号WFV传感器16 m遥感影像在水质反演方面的能力,本文选取南四湖为研究区,以高分一号卫星影像与Landsat-8卫星OLI影像为数据源,结合地面同步实测水体浊度数据,建立反演水体浊度的原始光谱反射率模型、归一化反射率模型和波段比值模型,并对各模型进行精度评价,分别比较两个传感器在浊度反演能力方面的差异。结果表明:利用高分一号WFV 16m遥感影像进行水质反演具有较高的精度,且具备更高的空间分辨率和更短的重访周期,可以替代Landsat-8多光谱数据。     

结合高分遥感和多源数据的高原湖泊流域土地利用分析

高分一号卫星是为提升我国高分辨率数据自给率自主发射的卫星，在土地利用监测方面具有重要的应用价值。将GF-1卫星影像与多源数据影像进行对比能够挖掘各数据源在土地利用动态监测方面的差异性。本文以云南省杞麓湖流域为研究区，选取最新的Sentinel-2、GF-1和Landsat 8卫星遥感影像进行土地利用分类，以第二次全国土地利用调查数据为基期数据，结合野外实地调研和土地利用转移矩阵开展土地利用现状和演变分析，得出以下结论：①杞麓湖流域的水域、建设用地、耕地和林地自中心向外呈现出圈层分布的特征，与第二次全国土地调查结果相比，水域、耕地、林地3种类型的自然景观面积减少，而建设用地和其他用地受人类活动的影响，面积大幅增加，变化主要集中在杞麓湖周边的纳古镇和河西镇。②Sentinel-2卫星影像与GF-1卫星影像均具有较高的空间分辨率，二者对土地利用变化评估的结果相近，均优于Landsat 8卫星影像，其中GF-1卫星影像具有较高的应用价值。     

Phenological metrics-based crop classification using HJ-1 CCD images and Landsat 8 imagery

Crop type data are an important piece of information for many applications in agriculture. Extracting crop type using remote sensing is not easy because multiple crops are usually planted into small parcels with limited availability of satellite images due to weather conditions. In this research, we aim at producing crop maps for areas with abundant rainfall and small-sized parcels by making full use of Landsat 8 and HJ-1 charge-coupled device (CCD) data. We masked out non-vegetation areas by using Landsat 8 images and then extracted a crop map from a long-term time-series of HJ-1 CCD satellite images acquired at 30-m spatial resolution and two-day temporal resolution. To increase accuracy, four key phenological metrics of crops were extracted from time-series Normalized Difference Vegetation Index curves plotted from the HJ-1 CCD images. These phenological metrics were used to further identify each of the crop types with less, but easier to access, ancillary field survey data. We used crop area data from the Jingzhou statistical yearbook and 5.8-m spatial resolution ZY-3 satellite images to perform an accuracy assessment. The results show that our classification accuracy was 92% when compared with the highly accurate but limited ZY-3 images and matched up to 80% to the statistical crop areas.     

基于GF-1号影像的南方水稻种植信息提取

针对南方复杂地区水稻遥感信息提取研究中机器自动学习分类研究较少、分类精度不高的问题,以福建省三明市建宁县溪口镇为研究区,基于GF-1号卫星影像,采用面向对象的随机森林遥感分类算法对研究区内水稻田信息进行提取。首先通过优化面向对象分割参数和随机森林分类模型参数,提取并调用了影像中的多种特征;再对光谱特征、植被指数特征、纹理特征、几何特征进行特征空间优选;最后通过设置4种特征优选试验进行对比,得到最优分类模型。实验结果显示,基于特征空间优选的面向对象随机森林分类算法的水稻提取精度高达90%,分类总体精度可达87%,Kappa系数为0.85;与其他试验结果相比,漏分和误分现象较少,实现了南方地区水稻信息高精度自动识别。该方法计算特征少、实现简便,对于国产高分卫星影像在南方复杂地区作物自动提取中的应用具有参考性。     

基于SVM的高分一号卫星影像分类

以辽宁阜新为研究区,运用支持向量机(SVM)的方法对高分一号8 m,16 m和Landsat8多光谱影像进行土地利用分类对比研究。实验表明,SVM的分类精度高于最小距离和最大似然方法,高分一号多光谱数据的分类精度高于Landsat8数据,可以应用于土地利用的分类。     

1995—2019年北莉岛人工水产养殖遥感监测

有效监测人工水产养殖水面的分布变化对于海洋资源管理、生态环境保护、防灾减灾具有重要意义。本文以Landsat 5、SPOT 5和GF-1卫星影像为数据源,选择广东省北莉岛为研究区,使用线性光谱解混方法获取中等空间分辨率卫星影像的人工水产养殖水面面积,通过面向对象多尺度分割的方法结合支持向量机分类算法提取高空间分辨率卫星影像的人工水产养殖水面分布。研究结果表明,与单一卫星影像相比,综合多源中高空间分辨率卫星数据延长了人工水产养殖水面变化分析可追溯的时间跨度,提高了监测精度;联合光谱解混和面向对象分类方法开展人工水产养殖长时序遥感监测是可行的。近20多年来,北莉岛人工水产养殖水面的面积经历了先增加后缓慢减少的变化过程,1995—2000年平均增速为23.39 hm²/a,2000—2006年平均增速为23.95 hm²/a,2006—2019年平均减少速度为1.96 hm²/a。     

基于高分二号卫星数据的农作物分类方法研究

针对目前高分二号卫星数据(GF-2)有较高的空间分辨率而在农业领域应用较少和农作物分类普遍存在"同谱异物"和"同物异谱"的现象,以辽宁省沈阳市苏家屯区以西的新开河村周边为试验基地,利用最佳波段组合指数法(OIF)对所选取的高分二号(GF-2)卫星数据的纹理特征和植被指数以及波段信息进行筛选,选取最佳的波段组合,以增加分类信息、减少数据冗余。最后,针对筛选后的数据,使用最大似然法进行分类,得到农作物的分类结果。结果表明,利用该方法对农作物进行分类,分类精度得到了一定程度的提高,为目前大规模农作物种植面积的精确、迅速统计提供了一套可行的方案。     

基于卫星遥感的输油管廊沿线的地物识别研究

基于eCognition软件进行研究区域面向对象的信息提取,对研究区进行多尺度影像分割的实验,找到适合影像地物信息提取的尺度及参数、分类规则,并对研究区的影像数据进行验证,通过eCognition分类结果与传统分类和基于GBDT分类算法结果的对比,说明面向对象的特征提取算法更适用于几何信息和结构信息丰富的高分辨率图像.     

基于卷积神经网络的高分遥感影像内陆盐沼湿地信息提取

本文以宁夏盐池Landsat 8影像、高分二号影像、LiDAR数据插值生成的DEM数据、地理国情普查数据等为数据源,首先利用一年多期的Landsat 8影像确定提取内陆盐沼湿地的最佳时相;然后对最佳时相的高分二号（GF-2）融合影像等数据进行多尺度叠置分割,获取NDVI、DEM、穗帽变换等特征,采用最邻近分类器提取内陆盐沼湿地信息,构建内陆盐沼湿地样本库;最后在此基础上探讨卷积神经网络用于高分卫星影像提取内陆盐沼湿地方法。试验结果表明,设计的卷积神经方法适用于内陆盐沼湿地提取,与最近邻分类法提取的结果相比,内陆盐沼湿地边界的提取效果有明显提高。     

面向对象和GURLS结合的高空间分辨率遥感数据云检测

遥感信息获取过程中云是重要的干扰因素，随着国产高空间分辨率卫星数据的应用，实现数据的准确云检测对有效获取地面信息具有重要意义。本文以高分一号、高分二号多光谱影像为数据源，利用图像分割获取了同质对象，基于对象光谱、纹理和几何8种属性特征建立了规则集，以规则集为输入，利用阈值法和GURLS分类器结合进行了云检测。针对不同时相和场景的高分数据，将该方法与基于像素的最大似然法和SVM法进行了对比，结果表明该方法云提取精度均在95%以上，Kappa系数在0.9以上。