时空协同的精准农业遥感研究

高分辨率遥感对地观测为我们从空间与时间2个维度客观反演地表格局—过程提供了有效的技术支撑。本文遵循时空协同的研究思路,基于高分辨率遥感影像,开展了农业遥感领域2个典型的问题研究：① 提出了一种基于影像视觉特征的耕地分区分层提取方法,该方法在利用DEM数据进行分区的基础上,根据不同区域内耕地所呈现的几何特征和纹理特征差异,分别设计了不同的耕地提取模型;② 构建了一种地块尺度的作物生长参数反演方法,方法以地块为基本单元,在空间、时间及属性组合约束下进行作物理化参数反演。本研究以贵州省安顺市西秀区和广西扶绥县耕地提取进行了耕地地块提取示范,以扶绥县进行了基于耕地地块和中空间分辨率时间序列遥感数据的甘蔗叶面积指数反演。其中,对于安顺市西秀区的耕地地块提取结果而言,形态精度（IoU）大于0.7的地块超过60%,规则耕地、梯田以及林草地等的类型精度均超过了80%;对于扶绥县甘蔗叶面积指数反演的结果而言,其结果可以较为精确地反映出基地甘蔗与非基地甘蔗的差异,基地甘蔗在品质上要优于非基地甘蔗。西南山地区的耕地形态提取/类型判别和地块甘蔗叶面积指数应用验证均证明了方法的可行性。结果表明,协同使用多源高分辨率数据是实现精准农业遥感研究的有效途径。     

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。     

砖红壤速效磷3种测定方法的比较

用Ｏｌｓｅｎ、Ｂｒａｙ－１ 和Ｍｅｈｌｉｃｈ－３ 三种方法对不同植被下的砖红壤进行速效磷的测定比较。结果表明：种植橡胶的土壤磷，Ｂｒａｙ－１ 法和Ｍｅｈｌｉｃｈ－３ 法间有较好的一致性，且呈显著相关；种植甘蔗的土壤磷，三种方法间均呈极显著相关；而种植其它植物的土壤磷，方法间的一致性较差，相关也不显著。一般情况下，建议不要用Ｍｅｈｌｉｃｈ－３ 作为砖红壤速效磷的提取剂。     

砖红壤速效磷3种测定方法的比较

用Ｏｌｓｅｎ、Ｂｒａｙ－１和Ｍｅｈｌｉｃｈ－３三种方法对不同植被下的砖红壤进行速效磷的测定比较。结果表明：种植橡胶的土壤磷，Ｂｒａｙ－１法和Ｍｅｈｌｉｃｈ－３法间有较好的一致性，且呈显著相关；种植甘蔗的土壤磷，三种方法间均呈极显著相关；而种植其它植物的土壤磷，方法间的一致性较差，相关也不显著。一般情况下，建议不要用Ｍｅｈｌｉｃｈ－３作为砖红壤速效磷的提取剂。     

重力异常场云计算软件系统

针对重力异常场计算中存在的处理流程繁琐、参数和坐标系统不统一等问题，开发一种跨平台的重力异常场云计算软件系统OnGra。该软件按照区域重力调查规范和大比例尺重力勘查规范，设计、重构、集成现有重力异常场处理算法和自适应提取计算区域数字地形模型算法，可依据野外重力/GNSS观测，批量、自动计算自由空气异常、布格重力异常和均衡重力异常，也可依据卫星重力场模型，提取和计算特定区域的重力异常场。     

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。     

基于多时相中分辨率时间过程特征的江汉平原棉花种植面积变化监测

棉花是中国重要的经济作物,快速、准确地提取棉花的种植面积和分布信息,对于优化棉花种植空间格局、科学指导棉花生产及提高其管理水平具有十分重要的意义。为了探讨多时相中高分辨率影像在棉花种植面积监测中的可行性,本文以江汉平原为研究区,根据棉花物候特征,选取2012年、2014年江汉平原棉花生长关键期的多时相HJ-1A/1B卫星数据,通过分析研究区棉花不同生育期的光谱特征和归一化植被指数（NDVI）时序变化特征,对分类影像进行阈值分割、掩膜处理,最后利用决策树算法提取研究区2012年、2014年棉花种植面积。通过计算混淆矩阵评价分类精度的方法和提取面积精度方法对棉花提取结果进行评价,总体精度达到95.96%,Kappa系数为0.93,以农业局统计数据为参考,2012年、2014年HJ数据提取的棉花种植面积精度分别达到了97.91%、91.27%。因此,在不受云和降水等因素的影响下,基于江汉平原区域关键时相HJ卫星CCD影像数据,可利用该方法进行棉花种植面积监测。     

基于深度学习的城市建筑物阴影提取方法

城市建筑物阴影的存在增加了基于高分影像信息提取的复杂度,影响了高分影像的行业应用。以GF-2影像为数据源,以影像覆盖的两个典型阴影区域为实验区,设计了一种基于深度学习技术的城市建筑物阴影提取方法。借助于全卷积神经网络(FCN)对图像进行语义分割,获取阴影信息,通过建立光照方向相邻对象的空间关系,去除建筑物阴影信息中的干扰项。将提取的建筑物阴影结果与面向对象方法提取的结果进行对比,在实验区1和实验区2中,DBSE提取的总体精度分别为97.5%和98.1%,面向对象的总体精度分别为96.2%和97.2%。提升精度的同时,在视觉效果上,DBSE方法在阴影完整性与真实阴影一致性,以及减少阴影错分等方面明显优于OBSE方法。     

基于Res_AttentionUnet的高分辨率遥感影像建筑物提取方法

针对目前基于深度学习与高分辨率遥感影像的建筑物提取研究现状,本文提出了一种综合ResNet中的ResBlock残差模块和Attention注意力机制的改进型Unet网络（Res_AttentionUnet）,并将其应用于高分辨率遥感影像建筑物提取,有效地提高了建筑物的提取精度。具体优化方法为：在传统的Unet语义分割网络卷积层中加入针对初高级特征加强提取的ResBlock残差模块,并在网络阶跃连接部分加入Attention注意力机制模块。其中,ResBlock残差模块使卷积后的特征图获取更多的底层信息,增强卷积结构的鲁棒性,从而防止欠拟合;Attention注意力机制可增强对建筑物区域像素的特征学习,使特征提取更完善,从而提高建筑物提取的准确率。本研究采用武汉大学季顺平团队提供的开放数据集（WHU Building Dataset）作为实验数据,并从中选取3个具有不同建筑物特征和代表性的实验区域,然后分别对不同实验区域进行预处理（包括滑动裁剪和图像增强等）,最后分别使用Unet、ResUnet、AttentionUnet和Res_AttentionUnet 4种不同的网络模型对3个不同实验区进行建筑物提取实验,并对实验结果进行交叉对比分析。实验结果表明,与其他3种网络相比,本文所提出的Res_AttentionUnet在基于高分辨率遥感影像的建筑物提取中具有更高的精度,平均提取精度达到95.81%,相较于原始Unet网络提升17.94%,同时相较于仅加入残差模块的Unet网络（ResUnet）提升2.19%,能够显著地提升高分辨率遥感影像中建筑物提取的效果。     

基于深度卷积网络和分水岭分割的耕地地块识别方法

耕地地块作为精准农业的重要支撑,现有地块边界大多依靠人工勾绘。随着遥感技术的发展,基于遥感影像自动提取耕地地块成为研究主要方向,其中基于深度学习的方法能够克服传统检测方法难以适应复杂场景的局限而被广泛使用,但现有检测方法仍存在问题,基于深度卷积模型直接识别耕地区域会丢失内部边界、而基于边缘检测模型识别耕地边界时则会同时得到大量无关边界;此外,现有的基于阈值提取地块的策略所提取的地块不够规整,存在内陷的问题。针对上述问题,本研究提出一种基于深度卷积网络和分水岭分割的耕地地块提取方法,从信息检测和地块提取两方面进行改进：① 将耕地边界视作一种地物类别,在深度卷积网络中进行类别概率检测,帮助实现对耕地边界的语义识别。② 基于改进后的D-LinknetXt网络进行检测,其网络架构适合于对耕地边界这类线性目标的提取,同时更换原始D-Linknet网络的残差单元,帮助提高了网络的特征提取能力。③ 基于分水岭分割对耕地地块进行提取,利用了区域分割方法获取边界的封闭性,并且这种以区域为单元进行分割并合并的方式,解决了原有方法在像元尺度上基于阈值提取所遇到的提取地块存在内陷的问题,使地块更规整准确。在一景高分二号影像上进行检验,并设计两类精度指标,从全局边界精度和地块几何精度两方面进行方法性能评估。实验结果表明,本方法的精度优于3种对比方法,在代表边界精度的F1分数上达到了0.933,地块几何精度为0.829。本研究所提出的方法能够更加准确的对耕地地块进行提取,并适用于实际应用中。     

基于改进U-Net的壁画颜料层脱落病害区域提取

颜料层脱落区域的提取是壁画科学保护和修复的重要环节,由于标准U-Net在传播过程中低维的细节信息逐渐减弱,使得病害区域提取精度受到限制.因此,本文提出一种改进型U-Net网络,用于壁画颜料层脱落病害区域提取.首先,通过影像裁剪和预处理得到青海省瞿昙寺壁画图像数据集.其次,在编码层中引入空间金字塔池化层,构建一种低维特征...     

基于低频出租车轨迹的城市路网交叉口提取研究

出租车GPS轨迹数据获取成本低、周期短,且覆盖面广,具有实时性及大规模性,同时其包含大量的行车记录信息,对提取数字道路信息具有巨大贡献,适用于大范围城市交通路网信息的获取和快速更新。基于GPS轨迹数据进行交叉口提取是目前的研究热点,但现有研究方法大多适用于高频GPS数据,不能很好地提取稀疏区域的交叉口,难以适应出租车轨迹点采样频率低、定位精度低、噪声点多、数据分布不均匀的特性。因此,本文聚焦于城市路网的交叉口识别,为尽可能准确、全面地提取道路交叉口信息,兼顾密集与稀疏区域,提出了一种集成识别策略,分别在矢量空间和栅格空间,采用密度峰值聚类和数学形态学处理方法提取交叉口,并设计了一种融合机制探测交叉口,最后结合主成分分析法判断交叉口的真伪性,识别真实交叉口,并去除伪交叉口,从而得到基于低频出租车轨迹的城市道路交叉口。与已有的研究方法相比,本方法提取了更多的交叉口,并与遥感图像显示一致。本文提取结果准确率为92.23%、召回率为77.26%、F值为84.08%,很好地保证了交叉口的完整性和准确性,在智能交通系统中具有一定的应用价值。     

基于全卷积神经网络的建筑物屋顶自动提取

高分辨率遥感影像在地面自动目标提取中得到了广泛应用,然而利用传统算法,很难高精度地进行实时的建筑物屋顶绘图。本文使用深度学习方法探讨建筑物屋顶分割,由于卷积运算对形变、旋转、光照条件的不敏感,设计了一种用于建筑物屋顶提取的深度卷积神经网络,提出的网络为级联式全卷积神经网络,在深度卷积神经网络的设计中使用了特征复用和特征增强,实现建筑物的自动精确提取。以美国马萨诸塞州建筑物数据集为基础的实验结果表明,本文提出的网络结构取得了92.3%的总体预测精度,和其他方法相比,本文提出的方法具有更高的精度     

一种基于无人机影像提取滩涂DEM的方法

文章针对滩涂、海岛礁等测绘困难的区域,提供了一种获取这些区域高分辨率空间信息的新技术手段——无人机航测提取DEM的方法,并对其具体的实施方法及详细的技术流程进行了描述。     

关键生育期冬小麦和油菜遥感分类方法

农作物空间分布的遥感识别是地理学、生态学和农学等多学科研究的前沿和热点,多源遥感数据在其中发挥着重要的作用。本研究结合冬小麦和油菜的种植及生长特点,以安徽省合肥市为研究区域,利用ZY-3、Sentinel-2和GF-1等多源遥感影像数据,以高程、坡度等数据为辅助信息,结合以多尺度分割、最邻近法和阈值法等为主要步骤的面向对象的分类方法,提取研究区合肥市冬小麦和油菜种植的空间分布信息。结合来自于GVG农情采样系统和Google Earth高分辨率影像上获得的地面验证数据进行分类精度验证,计算得到分类结果的混淆矩阵,并根据混淆矩阵数据计算出分类的总体精度为94.43%,Kappa系数为0.914。结果表明,本研究提出的方法能够有效地区分在冬小麦和油菜的混种区域里两种作物种植区域的空间分布,且这种多种策略相结合的分类方法体系,能够适用于其它区域甚至是更加大尺度上的作物分类。     

基于DEM的黄土地貌类型提取与制图——以黄土高原丘陵沟壑实验样区为例

以陕北绥德县刘家沟流域为实验样区 ,从地貌成因、形态和土地利用角度出发 ,分析了黄土高原丘陵沟壑区 3种典型地貌类型的区域特征 ;以不同地貌类型的区域特征为基础 ,在地理信息系统平台软件 Arc View的支持下 ,利用数字高程模型 (DEM)自动提取黄土丘陵区 3种基本地貌类型的方法和技术。研究分析结果证明 :利用 DEM自动提取地貌类型是一种快速、高效的技术方法 ,对指导退耕还林、防治水土流失和进行土地利用动态监测都具有重要意义。     

基于轮廓小波变换的航空影像建筑物识别

在对航空影像中的建筑物进行识别提取时,建筑物顶部的轮廓信息是一个重要的判断依据。基于航空影像建筑物个数繁多、形状复杂,且存在较多的干扰信息,提出一种新颖有效的建筑物识别方法:首先,利用改进标记分水岭算法提取建筑物区域。然后,对每个分割得到的建筑物区域,提取其轮廓,对轮廓进行基于平稳小波变换的仿射不变量计算,并构造建筑物模型数据库,利用相关系数实现了建筑物的有效识别。     

结合Gabor小波和形态学的高分辨率图像树冠提取方法

树冠信息的遥感提取能有效辅助森林参数反演、林分长势监测、树种识别等森林调查活动。随着遥感信息自动化提取的需求不断加强,本文基于高空间分辨率遥感数据,以滁州市皇甫山林场为研究区域,设计了一种结合Gabor小波和形态学的树冠提取方法。该方法首先采用Gabor小波提取出纹理特征,其次结合K-means聚类分析方法,对PCA降维后的纹理特征向量提取出阔叶林区,最后基于形态学理论降低影像噪声,并利用前景后景标记的分水岭方法进行单木树冠提取。经过与人工解译的树冠信息结果对比发现,在郁闭度较高的阔叶林区,该自动化方法提取树冠精度较高,分割准确率A_d为79.59%,F测度达到了79.00%能有效提供精确的单木树冠信息,为林业经济调查技术的发展具有一定的实践意义。     

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。     

一种融合多维信息的城市建成区提取方法

夜间灯光数据是提取大区域尺度建成区的有效数据源,现有提取方法需要针对不同的研究区域独立设置阈值或选取样本,提取精度依赖于主观经验或辅助数据质量。融合多源遥感信息、空间信息以及时间序列信息,提出一种城市建成区自动提取方法。首先,融合多源数据,利用DMSP-OLS、MODIS EVI、NDWI计算归一化城区综合指数NUACI;在此基础上,利用结合时空信息改进的FCM算法初步提取建成区;最后,定义建成区界定规则并进行提取后处理。选取6个典型城市实验,结果表明本文算法的提取结果总体精度均大于90%,适用于不同环境下建成区提取。