面向对象的GF-1卫星影像苹果树种植面积遥感提取研究——以山地丘陵地区的栖霞市为例

国产高分卫星1号(简称GF-1)可提供高空间分辨率遥感数据,这为实现精准农业提供良好的数据保障。但是,其在复杂地形作物遥感提取方面的适用性仍需要进一步探索和分析。因此,以山地丘陵地形为主的栖霞市为研究区,基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息。研究结果表明:引入植被覆盖度和坡度信息的面向对象决策树分类方法(简称优化分类方法)能够有效提高苹果树种植面积的遥感提取精度为94.1%,生产精度和用户精度分别为87.3%和90.3%。相比于最大似然监督分类和无辅助信息的面向对象决策树分类方法,优化分类方法遥感提取面积精度分别提高了17.4%和0.3%,生产精度分别提高了10.1%和2.6%,用户精度分别提高了10.1%和2.8%。该研究成果以期为GF-1卫星数据在山地丘陵地区的果园信息遥感提取提供基本的技术支撑和实践经验。     

面向对象的GF-1卫星影像苹果树遥感提取研究-以山地丘陵地区的栖霞市为例

国产高分卫星1号（简称GF-1）可提供高空间分辨率遥感数据，这为实现精准农业提供良好的数据保障。但是，其在复杂地形作物遥感提取方面的适用性仍需要进一步探索和分析。因此，以山地丘陵地形为主的栖霞市为研究区，基于GF-1影像数据利用面向对象分类法提取苹果树的种植面积和空间分布信息。研究结果表明：引入植被覆盖度和坡度信息的面向对象决策树分类方法（简称优化分类方法）能够有效提高苹果种植面积的遥感提取精度为94.1%，生产精度和用户精度分别为87.3%和90.3%。相比于最大似然监督分类和无辅助信息的面向对象决策树分类方法，本研究的优化方法遥感提取面积精度分别提高了17.4%和0.3%，生产精度分别提高了10.1%和2.6%，用户精度分别提高了10.1%和2.8%。该研究成果以期为GF-1卫星数据在山地丘陵地区的果园信息遥感提取提供基本的技术支撑和实践经验。     

基于Sentinel-1 SAR数据的锡林浩特市典型草原土壤水分反演

土壤水分是影响植被生长发育的重要因子,为快速、有效了解典型草原植被生长状况及评估草原干旱灾害,以Sentinel-1合成孔径雷达(SAR)数据和地面实测数据为基础,利用雷达后向散射系数快速监测和反演锡林浩特市典型草原土壤水分并与地面实测数据进行对比。结果表明:SAR后向散射系数与实测土壤含水量存在显著相关关系,相关系数R~2达0.8;在不同地面粗糙度条件下,雷达后向散射系数与实测土壤水分相关系数达0.9。说明利用Sentinel-1 SAR数据能够快速、准确地对研究区进行土壤水分动态监测,这也将可能成为一种新的典型草原干旱监测方法。     

基于MODIS数据的水稻种植面积提取研究进展

概述了水稻种植面积监测遥感数据源的应用变化、特征指数和时相选取以及遥感分类方法的发展,分析了MODIS影像在水稻种植面积遥感提取技术方面的研究进展及发展方向。结果表明：MODIS具有高光谱、高时间分辨率、多时相等特点,在大尺度上提取水稻种植面积上,可提高作物识别和监测的精确度与工作效率,节约成本,有着其他遥感数据无法相比的优势,应用MODIS数据提取水稻种植面积,取得了较好的效果。水稻遥感的最佳时相可以选择移栽期和孕穗期,利用对水体和植被较为敏感的波段或植被指数（如NDVI、LSWI和EVI）进行水稻识别,并提取种植面积。传统的遥感图像分类方法如监督分类和非监督分类,算法成熟、操作简单,是目前应用较多的方法;近年来发展起来的分类新方法,如决策树分类法、专家系统分类法、神经网络分类法,支持向量机法等,能够更准确地提取目标地物,对图像分类有不同程度的改进,在实际应用中通常和传统分类方法结合起来使用;多时相分析法与高时间、高分辨率多光谱影像的结合可以获取较高精度的作物种植面积数据,与传统分类方法相比有较大提高。利用MODIS对单一的或大面积的水稻种植面积提取效果较好,但对于地块破碎的种植面积估算尚难达到满意的结果,添加其他的辅佐数据如高程、坡度等,并结合MODIS数据的多时相特点分类等方法,可提高遥感影像分类的精度。     

基于MODIS数据的水稻种植面积提取研究进展

概述了水稻种植面积监测遥感数据源的应用变化、特征指数和时相选取以及遥感分类方法的发展,分析了MODIS影像在水稻种植面积遥感提取技术方面的研究进展及发展方向。结果表明：MODIS具有高光谱、高时间分辨率和多时相等特点,在大尺度上提取水稻种植面积上,可提高作物识别和监测的精确度与工作效率,节约成本,有着其他遥感数据无法相比的优势,应用MODIS数据提取水稻种植面积,取得了较好的效果。水稻遥感的最佳时相可以选择移栽期和孕穗期,利用对水体和植被较为敏感的波段或植被指数（如NDVI、LSWI和EVI）进行水稻识别,并提取种植面积。传统的遥感图像分类方法如监督分类和非监督分类,算法成熟、操作简单,是目前应用较多的方法。近年来发展起来的分类新方法,如决策树分类法、专家系统分类法、神经网络分类法,支持向量机法等,能够更准确地提取目标地物,对图像分类有不同程度的改进,在实际应用中通常和传统分类方法结合起来使用;多时相分析法与高时间、高分辨率多光谱影像的结合可以获取较高精度的作物种植面积数据,与传统分类方法相比有较大提高。利用MODIS对单一的或大面积的水稻种植面积提取效果较好,但对于地块破碎的种植面积估算尚难达到满意的结果,添加其他的辅佐数据如高程、坡度等,并结合MODIS数据的多时相特点分类等方法,可提高遥感影像分类的精度。     

南方丘陵地区水稻种植面积遥感信息提取的试验

以浙江省为试验区, 针对水稻种植面积遥感信息提取的业务化运行问题, 进行了以下试验:(1) 以传统的单象元统计分类识别方法为分类器, 在地理信息系统支持下, 提取丘陵地区大范围水稻种植面积信息的可行性; (2) 在遥感资料的基础上, 结合地形数据综合提取水稻种植面积专题信息的可行性和有效性; (3) 混合象元分解方法在丘陵地区的有效性和适用性.结果表明, 用最大似然法提取大范围水稻种植面积信息的精度可满足业务化运行的要求; 模糊监督分类有较高的分类精度和较好的稳定性, 具有较强的适应性; 坡度数据作为遥感影像分类的辅助数据层, 可以有效地提高丘陵地区水稻种植面积信息的提取精度, 还可以提高分类的稳定性和空间位置精度.     

ENVISAT ASAR数据用于大区域稻田识别研究

应用高级合成孔径雷达(ASAR)获取的中等分辨率宽幅模式(Wide-Swath Mode)数据提取了江苏省中北部地区的稻田分布信息.通过分析和比较稻田与其他地物的VV极化后向散射时域变化特征,选择合适的阈值和条件,利用阈值分类算法从多时相宽幅模式影像中提取稻田,并结合地面水稻样方,对稻田识别结果进行验证.结果表明,利用ASAR宽幅模式数据进行大区域范围的稻田识别,其精度达到73.68%,为利用中等分辨率雷达数据进行大区域水稻长势监测提供了重要的保障.     

基于Radarsat-2 SAR数据反演定西裸露地表土壤水分

利用Radarsat-2 SAR数据和定西地区野外土钻法及WET仪器观测的土壤水分数据,分析了同极化后向散射系数与不同土层深度土壤水分之间的关系,采用交叉极化(VV/VH)组合模型反演土壤水分并进行对比验证。结果表明:水平、垂直同极化后向散射系数均与10~20 cm土壤含水量相关性最好,相关系数R均为0.74;受地表粗糙度和土壤质地等影响,同极化后向散射系数与0~10 cm土壤水分相关性均较低。交叉极化组合模型的反演值与10~20 cm实测土壤水分相关性较高,R值达0.75,而与0~10 cm和20~30 cm实测值的相关性较低(R值分别为0.47和0.52),但均通过α=0.05的显著性检验;WET仪器实测0~6 cm土壤水分经校正后与反演值的相关系数为0.46(通过α=0.01的显著性检验),校正后的结果有效提高了WET仪器测量精度。交叉极化组合模型可用于裸露地表土壤水分的反演,更适用于提取10~20 cm土壤含水量信息。     

基于哨兵2A数据的北京松柏分布及花粉致敏风险评估初步研究

开展北京松柏植被的高分辨率空间信息提取及其花粉致敏风险评估对花粉浓度监测及预报具有重要意义。本文利用2019—2020年冬季304景高分辨率哨兵2A号（Sentinel 2A）卫星影像,引入新型增强型归一化植被指数（Enhanced normalized Vegetation Index,EVI）和地表水分指数（Land Surface Water Index,LSWI）,开展了10 m空间分辨率的北京松柏植被分布制图研究;同时依据风险评估原理,结合2020年北京松柏花粉浓度观测数据,建立了基于松柏植被分布的花粉致敏风险空间评估方法,并初步开展了影响松柏花粉浓度范围与花粉致敏风险空间评估研究。结果表明：①基于冬季合成晴空Sentinel 2A卫星影像,利用EVI和LSWI可有效提取北京10 m空间分辨率的松柏植被分布,用户精度可达80%以上;②松柏花粉观测站14 km范围内松柏植被对该站花粉浓度具有正贡献,其中6 km范围内的松柏植被贡献最大;③松柏花粉致敏相对高风险区主要分布在西北部山区、昌平北部以及门头沟东部、石景山西北和海淀西南等地区。     

基于数据融合的土地遥感分类技术研究

以吐鲁番主要农区为试验区，运用多源遥感数据融合图像进行土地利用现状调查及葡萄种植面积遥感调查。运用IHS变换方法进行了研究区多光谱与全色高分辨率图像的融合工作，生成了质量较好的图像。用于土地分类及葡萄面积提取。在对研究区土地利用类型的分类中，本文采用的分类方法是结合目视判读的经验，在无监分类法和有监分类法的基础上，辅以地面数据，在遥感图像处理常规分类方法的范畴内，采取最大程度的有利于提高分类精度的措施，得到了全试验区相对最高的计算机自动分类精度65％；然后采取分区分类或人工解译改进分类结果，可使研究区的土地利用分类精度超过90％。因此，此方法在土地利用现状调查及作物面积监测中是可行的。     

基于MODIS时序植被指数和线性光谱混合模型的水稻面积提取

水稻是中国的主要粮食作物,及时获取水稻种植面积和空间分布信息对指导水稻生产、调整区域供需平衡等具有重要的意义。以江苏省为例,利用2009—2011年连续三年的MODIS 8 d合成地表反射率数据(MODIS09A1),计算了归一化差值植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)和陆表水指数(land surface water index,LSWI)。结合水稻在不同生长发育期EVI的时间序列变化特征,确定了水稻面积提取的关键生育期。根据水稻移栽期稻田土壤含水量高的特征,利用NDVI、EVI和LSWI三种指数构建判别条件,确定可能种植水稻的区域。利用线性光谱混合像元分解模型对包含水稻的混合像元进行分解,得到江苏省三年水稻种植空间分布。最后,选取研究区内的水稻典型样区,利用与MODIS同时期的较高分辨率的环境小卫星HJ-1 CCD(30 m)数据提取水稻种植面积和空间分布,以此作为参考数据进行精度验证,同时利用统计部门的江苏省水稻种植面积统计数据对江苏省水稻面积进行验证,两种方法验证后表明误差均在10%以内。研究表明,采用MODIS09A1数据结合线性光谱混合模型可以更高精度地提取大范围的水稻种植面积。     

基于MODIS数据光谱突变法提取冬小麦种植面积研究

利用2004—2005年MODIS 16天合成的NDVI最大值植被指数数据,基于NDVI光谱突变方法对山西省运城地区冬小麦种植面积提取。冬小麦有两个生育阶段其绿度—时相曲线与其他大宗作物、植被有明显差异：一是10—11月,为冬小麦秋播至分蘖阶段;二是5—6月,为冬小麦孕穗至收获期。通过分析得出：2005年5—6月（2005161～2005129）提取的冬小麦面积与实测面积相关性最高,估测的冬小麦面积与实测面积的误差最小,准确性最高。     

基于作物双时相遥感特征的花生种植区提取

基于花生生长中后期2020年8月1日和15日两个时相高分多光谱数据,构建40个作物分类遥感特征,采用ReliefF-Pearson方法优选出15个特征,构造作物可分的4种特征空间.采用最大似然分类法、支持向量机和随机森林分类器,分别耦合4种特征空间,开展作物分类对比试验,进行分类精度和景观评价提出作物双时相遥感分类模型...     

基于星载SAR数据和模式资料的海面风场变分融合方法研究

为实现合成孔径雷达数据与数值预报模式资料融合,提高海面风场精度和业务化运用水平,提出了一种基于星载SAR数据与模式资料的变分融合方法。其研究思路是采用二维连续小波变换提取SAR图像中高精度风条纹风向,结合地球物理模型函数求解海面风场的经向分量和纬向分量,然后采用Kriging插值方法将数值预报模式风速插值到SAR海面风场覆盖区域,得到SAR风速观测算子,由此构建SAR风场与模式风场融合的代价函数,并采用变分方法求解分析风场,最终得到融合后的海面风场结果。仿真分析结果表明,变分融合后的海面风速和风向结果更接近于理想值,尤其在SAR海面风场覆盖区域更为明显。选取ENVISAT/ASAR资料和与其时空匹配的欧洲中期天气预报中心模式风场资料开展实例验证,结果表明融合后的海面风场结果比模式风场更加接近于浮标观测结果。     

基于交叉极化数据的海面风速反演研究

全极化数据可以获取比单极化数据更多的目标信息,研究发现C波段交叉极化数据同样可用于海面风速反演。针对RADARSAT-2 Fine Quad模式具有全极化成像的特点,以我国东部海域为研究区,结合同极化数据和交叉极化数据反演海面风速模型,探究各种极化数据的最优风速反演方法。对于同极化数据采用地球物理模型函数(GMF)和极化率模型(PR)组合的方式进行海面风速反演,对交叉极化数据采用C波段交叉极化海面散射模型(C-2PO)进行海面风速反演,反演结果与ERA-Interim风场数据进行比较分析;此外,对Scan SAR模式交叉极化数据的后向散射系数与海面风速的关系进行探索分析。研究结果表明,RADARSAT-2 Fine Quad模式四种极化数据选用合适的模型均可反演出高精度的海面风速,其中VH和HV极化数据的反演结果基本相同,交叉极化数据反演风速效果好于同极化数据,同时,Scan SAR模式交叉极化数据的后向散射系数随海面风速的增大表现出一定的线性变化趋势。全极化模式数据在海面风速反演上表现出比单极化模式数据较为明显的优势,将成为未来海面风速反演的发展方向。     

安徽省油菜越冬期低温冻害时空分布特征及风险评估

低温冻害特征及其风险评估可为油菜种植布局等决策提供理论依据。利用1960—2017年安徽省66个国家地面气象观测站逐日气象数据,以油菜越冬期低温强度将冻害等级划分为轻、中、重3级冻害并构建低温风险指数。采用ArcGIS 9.3工具、及Morlet小波分析法等分析近57 a安徽省油菜越冬期低温冻害的多时间尺度变化特征,并进行越冬期低温冻害风险区划。结果表明：①安徽省油菜越冬期不同等级低温冻害空间分布特征基本相似,呈现由南到北的带状分布特征,年平均发生总冻害的高值区多集中在淮北地区、沿淮地区和大别山区。②近57 a来油菜越冬期轻度、中度、重度及总冻害分别以1.0 d/10a、1.0 d/10a、1.1 d/10a和3.2 d/10a的倾向率呈现明显的下降趋势,表明全球气候变暖在一定程度上有利于油菜安全越冬。③轻度风险区位于霍山—六安—合肥—全椒以南地区,该区纬度较低,油菜越冬期低温冻害风险指数较小,适宜大面积种植油菜。研究结论可作为安徽省油菜种植布局和气象灾害防御对策制定的依据。     

基于HJ-1A卫星数据的衡水地区冬小麦面积遥感估算应用

采用HJ-1A遥感数据,研究了衡水市冬小麦种植面积提取的分类方法。分别运用最大似然法、最小距离法、马氏距离法和ISODATA算法对2010年、2012年和2013年衡水市冬小麦种植面积进行提取,并与实际种植面积进行比较分析。结果表明,最大似然法、马氏距离法、最小距离法和ISODATA法提取的冬小麦种植面积的平均误差分别为6.1%、25.9%、24.9%和17.2%。因此,最大似然法具有较高的估算精度,能够满足研究区域冬小麦种植面积估算要求。     

基于GIS贵州省法国特细青刀豆适生种植区划

根据法国特细青刀豆生长发育特性及其气象条件的要求,在不同的生育期,结合贵州特殊的山地立体气候,利用气候相似性原理,运用贵州省1：25万地形数据和84个台站30a的气候资料,以GIS为技术手段,划分出适宜区、次适宜区、不适宜区3种不同等级、不同时段的分布范围,得出每年4—6月贵州的适宜种植面积较为广泛,西部局地可以延续到8—10月;有7个月的采收加工期（4月中下旬-11月中下旬）;3—10月,适宜区的分布由南部边缘的河谷地带向西部高海拔地区逐渐推移等结论,为法国特细青刀豆在贵州的种植提供科学依据。     

山西夏季气溶胶散射特征的飞机观测研究

利用3个架次的积分浊度仪和PCASP-100X（Passive Cavity Aerosol Spectrometer Probe）机载观测资料,分析了2013年山西夏季空中有云、无云和少云3种不同条件下气溶胶散射系数的分布特征,讨论了气溶胶散射系数垂直变化与气溶胶数浓度、气象条件的关系,并结合HYSPLIT（Hybrid of Single Particle Lagrangian Integrated Trajectory model）后向轨迹模型研究气溶胶的运动轨迹和可能的污染来源。结果表明:山西夏季空中气溶胶总散射系数变化范围为0～499 Mm-1,晴空气溶胶数浓度和总散射系数明显大于有云和少云时。气溶胶总散射系数一般随高度的增加而递减。造成气溶胶总散射系数、数浓度偏高的原因有下垫面污染源多、风速小、相对湿度高以及逆温层的存在。550 nm波段气溶胶后向散射比大于0.1,粒径0.1～0.5 μm的气溶胶粒子对散射影响最大,说明山西空中细粒子污染比较严重。气溶胶总散射系数与数浓度有一定的相关性。引起气溶胶总散射系数、数浓度较高的气团传输路径主要为西南路径,局地排放的气溶胶大于远距离传输的气溶胶对散射系数的贡献。     

荆州市农田植被净初级生产力时空特征分析

基于MODIS数据和光能利用率模型估算的植被净初级生产力(NPP)数据,辅以气候和土地利用数据,利用趋势分析、GIS分析和统计分析方法,探讨了2000—2015年荆州农田NPP的时空特征。结果表明:1)2000—2015年荆州农田年NPP均值略有下降趋势,但整体上趋于平稳。年NPP总量呈增加趋势,2000—2005年呈增加趋势,2005—2009年呈波动性下降趋势,2009—2016年呈增加趋势。2)空间分布上,2000—2015年荆州市农田NPP存在时空异质性,NPP年均最大值为江陵县,最低的地区是沙市区和洪湖市。3)荆州农田NPP有64.32%为无显著变化,显著上升和显著下降区域分别为3.82%和31.86%。农田NPP呈显著上升的区域主要分布在江陵县、沙市区、监利县以及零星分布在洪湖市和松滋市,农田NPP呈显著下降的区域主要分布在荆州市西南部的松滋市、公安县和石首市,东北部的洪湖市,以及西北部的荆州区。