高分六号宽幅多光谱数据人工林类型分类

高分六号(GF-6)卫星于2018年成功发射,2019-03正式投入使用。由于GF-6宽幅相机的WFV(Wide Field of View)影像较GF-1的同类影像新增2个红边波段,将会提高对农业、林业、草原等资源监测能力。为了分析GF-6的WFV影像在人工林分类方面的能力,促进高分数据在林业领域的应用,本文选取广西高峰林场为研究区,以最新的GF-6 WFV影像为数据源,结合地面实测类型数据,进行广西南宁高峰林场的桉树,杉木等人工林类型提取。主要运用随机森林(random forests)的分层分类法:首先计算6种植被指数,并利用随机森林法进行植被指数的特征优选,然后确定4种波段组合数据集的分类方案,4种数据集分别为(1)无红边的前4个波段,(2)有红边的8个波段,(3) 8个波段加上未优化的植被指数特征组合,(4) 8个波段加上优化的植被指数特征组合。再进行WFV影像4种数据集的随机森林分类,随机森林采用分类回归树(CART)算法来生成分类树,结合了bagging和随机选择特征变量的优点,是一种有效的分类方法。最后比较4个方案的分类结果并进行精度验证。结果表明:方案2比方案1精度提高了4.99%,Kappa系数提高了0.058。说明包含红边的8波段数据比4个波段数据精度有大幅提升。方案4的8波段加上优化植被指数特征组合的分类精度最高,达到了85.38%,比方案2包含红边波段组和方案1无红边波段组的精度分别提高了3.98%,8.97%,Kappa系数分别提高了0.046,0.104。说明WFV影像加入红边波段比无红边波段精度明显增高。由结果可知,红边指数的引入,增强了植被信息,能够较准确地反映人工林类型特征差异,明显提升了人工林的分类精度。本研究方法可以有效改善广西人工林类型信息提取效果,为GF-6影像质量的评价及其在林业应用潜力提供科学参考依据。     

利用KPCA法检测高分一号影像中的森林覆盖变化

为了研究利用高分一号宽幅影像(GF-1 WFV)监测森林覆盖变化的方法,选取四川省甘孜州雅江县为研究区,利用2014年和2016年2期GF-1WFV数据,采用迭代加权多元变化检测(iteration re-weight multivariate alteration detection,IR-MAD)法对数据进行辐射归一化;分别对2期影像进行核主成分分析(kernel principal component analysis,KPCA)方法变换,采用最大类间方差法(OTSU)确定自动识别阈值,对2期GF-1WFV影像中的森林覆盖变化区域进行检测和精度验证;并与变化矢量分析(change vector analysis,CVA)法检测结果进行对比分析。研究结果表明:所用2种变化检测算法的总体检测精度都超过了80%,其中,KPCA法的总体精度为89.27%,未变化区用户精度达93.88%,变化区用户精度为80.28%;基于KPCA法的精度均较优于传统CVA检测算法,说明KPCA算法通过数据变换后,可减少变量间的相关性、增强影像信噪比,从而提高了对变化区域的识别精度。     

高分一号影像融合及在水体信息提取中的应用

针对适用于GF-1卫星影像水体信息提取的影像融合方法展开研究,通过对高分影像的全色及多光谱数据进行融合实验,比较常用的5种影像融合方法,从主观定性评价和客观定量评价两方面分析,筛选出融合后影像质量较优的方法。采用较优融合方法进行水体信息提取,对比总体分类精度和Kappa系数,得出最适合GF-1影像的水体信息提取融合方法。结果表明,5种融合方法中Pansharp变换和GS变换融合质量较好。分别进行水体提取后,Pansharp变换的总体分类精度和Kappa系数的值均高于GS变换,故Pansharp变换更适用于GF-1卫星影像在水体信息提取中的应用。     

多源星载SAR地形干涉测量精度分析

星载InSAR技术具有高效率、高精度获取全球DEM数据及其他增值产品的优势，是地形测绘领域的研究热点。本文综合利用国内外多源星载SAR影像数据，开展地形干涉测量试验及精度对比分析，旨在为全球测绘提供技术参考。现有的X/C/L波段卫星SAR系统，如COSMO-SkyMed、GF-3、ALOS-2获取的干涉数据集，在青海典型复杂地形实验区均成功获取了DEM数据产品。分析结果表明，在3种典型数据源中，基于COSMO-SkyMed干涉测量DEM的精度与细节质量相对较高，GF-3干涉结果次之，ALOS-2数据也实现了较好的地形测图精度。相关结果从侧面论证了国产GF-3数据具备在空间基线合适的条件下获得高精度DEM数据产品的潜力。     

国产高分三号卫星干涉测量试验

主要利用国产高分三号(GF-3)卫星数据通过合成孔径雷达干涉测量(interferometric synthetic aperture radar,InSAR)技术提取试验区域数字高程模型(digital elevation model,DEM).首先介绍了GF-3卫星及其主要成像模式;然后介绍了InSAR数据处理过程及其关键技术,包括基线估计、影像配准、相位解缠等,并介绍其典型算法;最后利用GF-3试验数据提取DEM并对其进行精度评价.试验验证了目前国产SAR(synthetic aperture radar)卫星在干涉成像、干涉测量方面的能力.     

一种改进的全极化雷达影像分类

针对面向对象的PolSAR影像分类中"维数灾难"的问题,该文提出过滤式与封装式联合的特征选择方法.该方法利用ReliefF算法和增益率评估模型作为特征过滤器剔除与分类相关性小的特征,采用CART算法进一步对剩余特征进行筛选,获得最优特征子集进行分类,并和Wishart监督分类、不进行ReliefF算法与增益率评估模型特征提取的分类方法进行比较.以GF-3影像数据为例进行实验,结果表明,本方法在时间成本和分类精度上较其他两种方法都有显著提高,验证了该算法在面向对象土地利用分类中的可行性.     

基于北斗和GPS的高分二号全色影像正射精度验证与分析

高分二号(GF-2)卫星几何精纠正是其广泛应用的前提。以福州市作为实验区,选择北斗卫星导航系统(北斗)和GPS野外测量获取控制点和检查点,采用像方平移、像方漂移和像方仿射变换3种方法对有理函数模型进行误差补偿,验证分析控制点测量精度、分布、数目以及纠正方法对GF-2全色影像纠正的影响,并分析了北斗应用于GF-2全色影像正射纠正的潜力。实验结果表明:少量分布均匀的控制点就可以消除GF-2全色影像纠正后的系统几何误差;3种纠正方法中像方仿射变换方法精度最高,其中GPS控制测量下检查点平面均方根误差为1.49 m,北斗RTK控制测量下检查点平面均方根误差为1.51 m,GPS与北斗RTK控制测量下的影像纠正精度接近;北斗2种测量模式中,只有RTK模式能够满足GF-2全色影像纠正需求。上述研究表明,GF-2全色影像能够利用GPS和北斗RTK模式控制测量下的少量分布均匀高精度控制点达到较高纠正精度,满足实际应用需求。     

基于GF-1卫星数据岩性自动化识别方法试验

以青海省宗务隆地区为实验区, GF-1卫星PMS数据为数据源,重点从图像预处理、岩性标识体系建立、影像分割、影像分类等方面进行了基于面向对象的岩性自动分类方法实验,对实验结果进行了可靠性和稳定性评价。结果表明,利用高分一号卫星数据进行岩性自动化分类是可行的。     

高分辨率影像融合算法对滨海湿地土地利用分类精度的影响

针对融合算法对影像分类精度具有明显影响的问题,本文选择连云港海岸带埒子河口滨海湿地为研究区,以GF-1卫星影像为数据源,首先分别使用Gram-Schmidt算法、PCA算法及Brovey算法进行影像融合。然后在eCognition软件平台上,基于面向对象多尺度分割技术,利用随机森林算法对影像进行土地利用分类,并对分类结果进行精度评价。试验结果表明,不同融合算法影像融合效果明显不同,其中,Gram-Schmidt算法融合后的影像质量最好,且分类精度最高;Brovey融合算法对植被和水体有较好的光谱保真性,并且改变波段组合后分类精度有明显提高;PCA算法在3种融合算法中精度最低。     

资源卫星三号DEM数据在活动构造定量研究中的应用评价

为评价资源三号测绘卫星(ZY-3)DEM数据在地质领域的应用效果,结合ZY-3卫星的在轨测试工作,选择内蒙古大青山山前断裂为实验区,从数据精度和可用性2个方面对ZY-3 DEM数据在活动构造定量研究中的应用进行评估。参考1∶5万比例尺DEM和实验区野外实测高精度GPS数据,对比ASTER传感器立体像对生产的30 m分辨率GDEM数据,采用检查点法和剖面法对ZY-3立体像对生产的5 m分辨率DEM数据进行了精度评价。实验结果表明:ZY-3 DEM的高程精度略优于ASTER GDEM;ZY-3 DEM受地表形态因素影响更为显著。通过对大青山山前断裂呼和浩特段的地貌特征进行遥感数据统计分析与微地貌研究发现,该区域以中、低陡坡为主(约占该段山体的92%),发育有4级夷平面和1级山前沉积台地,越靠近东部断裂末段,断裂的活动性越弱;断裂呈线性展布,其活动性以张性为主,兼具左行水平滑移。研究结果表明,ZY-3提供的高分辨率光学影像、多光谱影像和DEM可有效地应用于活动构造的定量研究。     

联合多源遥感数据监测四川木里县森林火灾

森林火灾既严重影响森林生态系统的稳定,还威胁到人类生命财产安全。传统监测森林火灾方法,覆盖范围小,难以及时监测小面积火灾。遥感卫星能大范围精确监测火情,提高了监测方法的时效性,但使用单一卫星数据源很容易受到云雨等客观环境因素影响,降低监测的时效性。本文以四川木里藏族自治县"330森林火灾"区域为对象,开展多源卫星遥感数据对小范围火灾联合监测的研究。首先,充分挖掘高分四号高时空分辨率和中红外火烧敏感波段优势,联合烟幕、温度和植被指数时序变化确定火烧时间与位置;然后,使用Sentinel-2数据监测不同火烧区域光谱信息;接着,使用Sentinel-2数据提取dNBR(differenced Normalized Burn Ratio),提出了基于最大类间方差算法(OTSU)分步骤确定不同程度火烧迹地与面积的方法;最后,建立Sentinel-1A极化比值PR (Polarization Ratio)和NDVI之间关系,利用微波雷达突破云雨限制。结果表明:(1)高分四号联合IRS(InfraRed Scanner)和PMS(Panchromatic Multispectral Sensor)能够实时监测小范围火灾;(2)根据火点位置,确定火灾蔓延期间NDVI下降(由0.7降低至0.25),确定起火时间(3月30日);(3)火灾区域与未受灾区,以及不同类型火烧迹地之间的光谱在490—2200 nm范围存在差异;(4)基于OTSU算法自动确定阈值,确定林地损失面积41.56公顷(dNBR=0.35),精度达94.67%,提取林地过火未损失面积66.56公顷(dNBR=0.10),精度达90.94%,林地损失区域基本符合实际调查结果;(5)火灾前后极化比值由6.6 dB升高至10.8 dB,NDVI与PR经线性回归,R2=0.58,验证R2=0.50。联合多源卫星监测森林火灾,能提高森林火灾监测的时效性,避免了云雨等复杂环境的影响。研究成果能为小火点的及时识别和灾害评估提供参考,其应用可为林火应急响应提供技术支撑。     

Global operational land imager Landsat-8 reflectance-based active fire detection algorithm

A global operational land imager (GOLI) Landsat-8 daytime active fire detection algorithm is presented. It utilizes established contextual active fire detection approaches but takes advantage of the significant increase in fire reflectance in Landsat-8 band 7 (2.20?μm) relative to band 4 (0.66?μm). The detection thresholds are fixed and based on a statistical examination of 39 million non-burning Landsat-8 pixels. Multi-temporal tests based on band 7 reflectance and relative changes in normalized difference vegetation index in the previous six months are used to reduce commissions errors. The probabilities of active fire detection for the GOLI and two recent Landsat-8 active fire detection algorithms are simulated to provide insights into their performance with respect to the fire size and temperature. The algorithms are applied to 11 Landsat-8 images that encompass a range of burning conditions and environments. Commission and omission errors are assessed by visual interpretation of detected active fire locations and by examination of the Landsat-8 images and higher spatial resolution Google Earth imagery. The GOLI algorithm has lower omission and comparable commission errors than the recent Landsat-8 active fire detection algorithms. The GOLI algorithm has demonstrable potential for global application and is suitable for implementation with other Landsat-like reflective wavelength sensors.     

融合多尺度视网膜图像增强的动态云检测

云检测是气象卫星各类定量遥感产品的基础,无论是以云图为基础的天气分析还是以去云为前提的各类大气和地表参数反演、沙尘火情等灾害检测,都需要对遥感影像中的云进行准确识别,尤其是薄云和云边缘等细节识别。针对静止气象卫星(以Himawari-8为例)精细化云检测,本文提出了一种基于多尺度视网膜图像增强的动态云检测算法。该算法基于云层与背景信息辐射特征不同的原理,构建可见光和红外波段的晴空辐射背景场,通过多尺度图像增强和最大类间差方法对辐射差值进行云细节信息的增强和提取。利用2021-2022年的75景MODIS云检测产品作为验证数据进行算法精度验证,整体上算法精度达到91.13%,召回率为94.02%,精确率为86.71%,有较强的适用性和稳健性,且已经较好地支撑了近两年的定量遥感产品业务化应用。     

GF-4序列图像的云自动检测

以高分四号(GF-4)卫星L1级标准分幅数据产品提供高精度的云检测产品为目的,研究针对地球同步轨道卫星数据的云检测算法,改进自动阈值以适应同日不同时刻成像数据的辐射亮度与地表反射特性的变化差异。利用GF-4卫星凝视成像方式获取的同区域序列图像以及云在不同图像上的运动特性,结合自动阈值与SavitzkyGolay(SG)滤波修正检测结果中的误检。算法的两个关键预处理,一是通过自动的几何配准解决未经几何校正的分幅数据之间像素位置对应的问题,二是通过基于典型相关变换自动提取序列图像之间的伪不变特征点集,进而利用相对辐射归一减小了不同时刻成像数据之间的辐射差异。通过内蒙古自治区东部及长江中下游区域70余组数据对算法进行验证,整体上获得了稳定的结果与精度,并且基于序列图像的云检测算法在云边界、高亮地表及薄云区域的检测精度整体优于单幅自动阈值的检测结果。结果表明算法精度上满足GF-4云检测数据产品需求,且算法自动化程度高,便于工程化的数据生产。     

结合光谱和纹理特征的林地变更检测

开展林地变更调查，能够为森林执法督察、林地"一张图"更新等提供精准的空间信息和属性信息，对于林业资源的监测管理具有重要意义。针对大范围多时相遥感影像人工勾绘变化图斑耗时费力的现状，提出一种结合光谱和纹理特征的林地变更检测方法，并以灵山县东北部为例，利用20171209和20180201两个时期的高分二号遥感影像进行试验。结果表明，该方法在减少人力投入、降低时间成本的基础上，不仅将遥感影像的变化检测效率提高了一半以上，同时能达到77%以上的检测准确率，在森林资源普查中具有一定的应用价值。     

结合E-YOLO和水体指数约束的大面幅影像水利设施检测

水利设施对水资源与水量调度、自然湿地生态保护与修复、资源和生态功能的利用及经济效益发展有重要作用。传统方法统计水利设施位置、数量等依赖于汇编资料,存在耗时长、资料更新不够及时以及具体地理位置不详等缺点,遥感为大规模监测水利设施提供了新的可能。本文以YOLO v3网络为基础,结合水利设施的特点,提出了一种基于大面幅影像快速检测水利设施的算法,主要分为两个方面：（1）改进的YOLO算法（E-YOLO）。E-YOLO提出PPA特征融合方法和等比预测框与四特征图交叉预测方法,对小样本等问题进行优化;改进损失函数,突出置信度损失;同时使用迁移学习的方法,读取特征提取部分的预训练模型参数。（2）基于E-YOLO算法和水体指数约束的大面幅水利设施检测算法。通过水体指数约束滑动步幅来解决影像面幅大、目标尺度小的问题,同时降低漏检率和误检率,再结合轮廓合并方法,优化检测结果。本研究中采用高分二号影像数据实现大面幅影像水利设施检测,实验结果表明：E-YOLO算法可以明显提高水利设施检测效果,相比平均F2精度相比YOLO v3提高了1.25%。且有更好的稳定性;水体指数约束的大面幅检测方法可以在保证效率的情况下提高检测精度,其F2精度相比大步幅和小步幅方法分别提高了3.72%和2.70%,为遥感水利设施检测提供了良好方案。     

基于深度学习的高分辨率遥感影像光伏用地提取

近年来我国光伏产业发展迅猛,随之也产生了诸多用地问题,通过遥感技术提取光伏用地,监测光伏用地分布与用地状况,对于光伏产业健康发展具有重要意义。本文提出一套基于深度学习方法的高分辨率遥感影像光伏用地自动提取方法,该方法利用GF-1等卫星影像和Google Earth影像构建光伏用地样本,基于ResNeSt-50作为骨干网络的DeepLab V3+模型实现深度学习语义分割算法,并结合计算机图形学方法对深度学习结果进行后处理,实现了面向高分辨率遥感影像较通用的且高精度的光伏用地自动提取。该方法的深度学习模型验证精度mIoU值达0.899 2,提取结果具有良好的边缘精度且具有广泛的适用性,支持GF-1、ZY-3、GF-6、GF-2和Google Earth等影像。     

基于时间序列统计特性的森林变化监测

森林动态变化分析对揭示生态系统环境变化及植被恢复和布局重建等具有重要意义,时间序列的遥感数据为森林监测提供了基础数据。本文根据森林植被的统计学特性,在暗目标法的基础上,利用归一化植被指数NDVI实现森林样本自动选择;并融合NDVI构建了新的综合森林特征指数(Integrated Forest Z-Score,IFZ);以时间序列的IFZ分析森林动态信息,实现森林变化动态监测。以三峡大坝及周边区域森林为研究区,利用2001年至2012年每年生长季节(5月—10月)的Landsat TM影像检验本文算法。基于2002年、2006年和2010年三期7月—9月的Quick Bird影像的精度分析结果发现:研究区森林变化检测的总体精度可达96.53%,Kappa系数为0.9512。在添加NDVI指数后构建的IFZ提高了总体监测精度。其中,毁林类别的检测精度提高显著,漏检率和误检率分别为2.74%和3.64%;干扰后重建的森林类别的检测精度有一定提高,其漏检率和误检率分别为10.79%和10.51%。研究结果表明,改进暗目标法能提高森林样本的选样效率,添加NDVI的IFZ能提高森林动态变化的识别度。此外,本算法不仅能定性识别森林变化,而且能定量提供森林干扰发生时间和干扰强度。     

面向对象的库区高分一号影像土地利用信息提取

高分一号（GF-1）是我国自主研发的第一颗高分辨率遥感卫星，其包含地物信息较为丰富，已应用于土地利用信息提取，但在水利工程库区土地利用调查方面研究较少。本文以峡江水利枢纽工程库区为例，首先对库区影像进行了基于RPC模型的正射校正、几何精纠正等预处理；然后针对GF-1的传感器响应特性，采用基于多元线性波段拟合的方法对多光谱与全色影像进行融合，该方法相对于传统分量替换法具有更好的融合性能；最后综合利用影像的光谱、纹理及形状等特征，采用面向对象的方法对融合后的库区影像进行了地类信息提取与分类精度评价。试验结果表明，融合影像可以有效提取水利工程库区的土地利用信息，总体分类精度达到87.9%，Kappa系数为0.836，能够满足库区土地利用调查和变化监测的要求。