基于GF-1的山地主要农作物种植信息提取研究

为探索GF-1 PMS多光谱数据影像在低山丘陵地貌破碎地区主要农作物遥感识别中的信息有效性,以重庆市永川区卫星湖街道为例,利用研究区多时相、多光谱特征影像,对研究区油菜、玉米、水稻等主要作物进行信息提取。提取结果显示,利用GF-1多时相多特影像,水稻作物信息提取生产精度与用户精度均达到90%以上,提取精度较低的旱地作物玉米提取效果也得到了提升,油菜作物信息提取生产精度大幅度高于用户精度,主要作物提取总体精度OA为80.93%,Kappa系数0.635,分类质量达到较好水平。基于多时相GF-1影像光谱、纹理等特征的面向对象分类方法,能够有效地提取南方低山丘陵破碎地貌地区主要农作物空间分布信息,提高主要农作物的遥感识别精度,为山地农作物遥感信息提取提供参考。     

遥感综合时空信息在土地利用动态监测中的应用概述

本文通过对北京顺义实验区农作物和土地利用动态监测遥感综合时空信息的应用研究和对TM、SPOT等遥感数据的精度分析,提出了应用多种遥感综合时空信息进行土地利用动态监测的技术方案,并在试验研究中取得较好的成果。     

单变量特征选择的苏北地区主要农作物遥感识别

遥感识别多源特征综合和特征优选是提高遥感影像分类精度的关键技术。农作物遥感识别中,识别特征的相对单一和数量过多均会导致作物识别精度不理想。随机森林(random forests)采用分类与回归树(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。单变量特征选择(univariate feature selection)能够对每一个待分类的特征进行测试,衡量该特征和响应变量之间的关系,根据得分舍弃不好的特征,优选得到的特征用于分类。本文基于随机森林和单变量特征选择,利用多时相光谱信息、植被指数信息、纹理信息及波段差值信息,设计多组分类实验方案,对江苏省泗洪县的高分一号(GF-1)和环境一号(HJ-1A)影像进行分类研究,旨在选择最佳的分类方案对实验区主要农作物进行识别和提取。实验结果表明:(1)多源信息综合的农作物分类精度明显高于单一的原始光谱特征分类,说明不同类型特征的引入能改善分类效果;(2)基于单变量特征选择算法的优选特征分类效果最佳,总体精度97.07%,Kappa系数0.96,表明了特征优选在降低维度的同时,也保证了较高的分类精度。随机森林和单变量特征选择结合的方法可以提高遥感影像的分类精度,为农作物的识别和提取研究提供了有效的方法。     

土地利用动态遥感监测图整饰方法的设计

土地利用动态遥感监测 ,主要是对耕地以及建设用地等土地利用变化情况进行定期监测 ,为国家宏观决策提供比较可靠、准确的土地利用变化依据 ;以土地变更调查数据、图件为本底 ,利用遥感图像的处理与识别技术 ,从遥感图像上提取变化信息 ,标注有关土地利用及其变化特征等要素 ,制作成动态遥感监测图。针对土地利用动态遥感监测项目要求 ,论述了具体的整饰方法     

作物病虫害高光谱遥感进展与展望

作物病虫害作为影响农作物品质、产量及威胁粮食安全的主要因素,仅依靠人工田间调查对其进行监测已不能满足当下农业生产精准高效的需求。高光谱遥感作为能够获取地表物体连续波谱信息的遥感技术,已经成为当下作物病虫害监测识别的重要手段。本文对作物病虫害高光谱遥感监测识别的研究进展进行综述,通过对该领域发表文献的统计以及对主要机构、团队、数据源的分析,明确了病虫害高光谱遥感监测的研究热点和趋势;在此基础上,分析高光谱技术及其作物病虫害的监测识别机理,从病虫害胁迫探测、分类识别、危害严重度定量分析及早期检测四个方面综述相关技术及研究现状;通过探讨当下高光谱遥感病虫害监测识别面临的挑战,提出作物病虫害标准图谱库的建立、星载高光谱传感器的完善以及星空地一体化监测平台的搭建是当前作物病虫害高光谱遥感监测识别技 术落到实处的关键,也是未来发展的重点方向。     

一种结合地理知识的遥感影像目标实体关联方法北大核心CSCD

遥感影像目标识别技术已广泛应用于目标动态监测与定位等领域。但影像目标识别的结果缺乏与目标属性信息的链接,导致分析人员只能依据影像特征进行分析,难以进行更复杂的目标数据关联分析与挖掘。针对遥感影像目标识别语义属性信息缺失的问题,本文利用知识图谱相关技术将影像判别的目标信息与知识语义网链接。首先,提出了一种遥感影像目标知识图谱构建框架;其次,针对遥感影像目标不同的数据类型,构建遥感影像目标知识抽取模型,提出了基于相似度目标实体识别和预定义模式的关系抽取方法;然后,基于多特征Logistic模型的影像目标实体链接方法,实现了遥感影像目标实体与百科知识库的知识关联;最后,针对预定试验区域进行试验,验证了本文方法的可行性。     

面向农作物监测的遥感信息处理技术研究

以区域性主要农作物种类识别、长势分析与产量估算及农业种植结构现状监测为主要研究对象,开展适于农业管理部门业务化运行的卫星遥感信息处理的关键技术研究。从分析主要作物类型识别的遥感物理依据入手,提出了卫星遥感数据处理及专题信息提取的基本技术框架、主要农作物类型及种植面积信息的提取方法以及主要粮食作物长势分析和产量估算模型,并对结果进行了简要的精度分析。     

利用无人机遥感监测农作物种植面积

南方平原耕地具有地块破碎、农作物种植品种多且空间分布混杂程度高等特点，运用传统的遥感技术方法精确监测农作物面积较为困难。无人机航拍具有拍摄时间灵活、空间分辨率高、成本低等优势，为解决这一难题提供了有利途径。本文通过地面样地调查，获取杭州市余杭区瓶窑镇农作物样地的位置及种植品种数据，利用面向对象的多尺度分割方法与随机森林的分类方法对无人机航拍数据进行分割、分类，深入挖掘高分辨率遥感数据信息，用于提取农作物种植品种及其空间分布信息，实现高精度的农作物种植面积遥感监测，推进无人机遥感在农业中的深入应用，提高农业遥感应用效益。     

基于机载多光谱遥感数据的溢油信息提取方法

为研究应用紫外-可见光-近红外-热红外遥感数据识别海上溢油的方法,利用机载多光谱溢油监测设备获取了舟山海域多光谱遥感数据,并利用野外地物光谱仪获取了水体和油膜的反射光谱。通过提取并分析机载多光谱遥感图像上多目标的影像特征和光谱响应特征,利用决策树分类法对海上油膜相对厚度的分布进行分类和制图。研究表明,基于机载多光谱遥感数据的溢油信息提取方法总体分类精度达93.7%,能够准确区分薄油膜和厚油膜,可有效提取海洋溢油污染信息,完全能够满足海洋溢油污染遥感监测需求。     

基于MODIS的黑龙江省农作物种植结构提取研究

基于2015年多时相MODIS数据,以黑龙江省主要农作物(大豆、玉米和水稻)为研究对象,利用黑龙江省主要作物的物候期特征、NDVI特征曲线信息和NDWI反映的耕地类型,采用决策树构建不同种类农作物的遥感提取模型,以提取大尺度农作物的空间分布格局信息。结果表明,构建的遥感提取模型有效地提取了主要农作物的空间分布信息,以东北实地调查数据为评价标准,玉米、水稻、大豆的分类精度分别为83.90%、84.71%和78.26%;以统计数据为评价标准,玉米、水稻、大豆的分类精度分别为84.463%、88.094%和81.485%。     

高精度作物分布图制作

中国自然条件复杂 ,农业种植结构多样 ,地块小而分散 ,利用遥感影像制作作物分布图的精度很难满足农业遥感估产的需求。该文利用目前最高分辨率的商用遥感卫星 (QuickBird)影像 ,采用面向对象的影像分析方法提取耕地种植地块图 ,结合详细的地面调查制作高精度的作物分布图 ,为农业遥感估产服务。     

基于高分辨率遥感影像数据的FNEA分割算法研究与应用分析

近年来,随着遥感技术和信息技术的发展,遥感影像空间分辨率也大大提高。基于像素的传统影像处理方式已经不能满足现实需求,面向对象的遥感影像分析已成趋势。因此,图像分割技术是进行其他图像处理与分析之前的关键步骤,分形网络演化多尺度分割算法（FNEA）是面向对象分析的核心。本文详细阐述了基于FNEA的多尺度分割算法的思想和流程,并结合遥感影像进行了分割实验与参数分析,对高分辨率遥感影像的研究与应用有一定指导意义。     

遥感图像空间分辨率改进值计算方法

为了克服超分辨重建后的遥感图像空间分辨率的界定还采用人工对比判读存在误差和结论不统一的缺点,利用调制传递函数、奈奎斯特采样定理和人眼极限频率,建立了一种新的空间分辨率客观评价方法。利用该方法计算超分辨率重建后的遥感图像相比原始遥感图像空间分辨率的提高倍数,从而推断出重建后遥感图像的空间分辨率的大小。在数值测试中,利用不同的超分辨率方法对分级变频矩形光栅图像进行重建,采用提出的空间分辨率评价方法,与归一化均方误差、峰值信噪比、信息熵、灰度平均梯度进行客观评价的结果一致。此方法为遥感图像空间分辨率改进值的计算提供了一种可行的量化模型。     

农情遥感信息与其他农情信息的对比分析

农情信息多种多样 ,来源不同 ,分散于各个部门或单位 ,缺乏相互交换与验证 ,综合分析与集成不够 ,特别是遥感信息为经济领域决策服务的渠道不通畅。为更好地应用各种信息 ,必须加强信息综合分析。对耕地面积、作物面积、作物单产、作物长势、粮食产量等几种农情信息中不同来源的信息进行了初步对比分析 ,肯定了遥感监测农情信息在客观性、时空连续性、可对比与可预测、低成本等几个方面的优势 ,同时也分析了遥感信息的不足和局限。认为遥感信息与其他信息不是互相替代的关系 ,而是互相补充、互相验证的关系。只有通过多源农情信息的综合分析和集成 ,才能更全面准确地反映农情。     

Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物

本文利用Wu等人提出的遥感数据时空融合方法 STDFA(Spatial Temporal Data Fusion Approach)以Landsat 8和MODIS为数据源构建高时间、空间分辨率的遥感影像数据。以此为基础,构建15种30 m分辨率分类数据集,然后利用支持向量机SVM(Support Vector Machine)进行秋粮作物识别,验证不同维度分类数据集进行秋粮作物识别的适用性。实验结果显示,不同分类数据集的秋粮作物分类结果均达到了较高的识别精度。综合各项精度指标分析,Red+Phenology数据组合对秋粮识别效果最好,水稻识别的制图精度和用户精度分别达到91.76%和82.49%,玉米识别的制图精度和用户精度分别达到85.80%和74.97%,水稻和玉米识别的总体精度达到86.90%。     

多源海量统计遥感数据集成管理技术研究

统计遥感业务是国家统计局基于统计业务对空间信息的发展和应用需求,将GIS、Rs和GPS空间信息技术全面应用于统计数据的获取、管理与分析中,从而提高统计效率和统计科技含量,构建新型国家统计业务体系。统计遥感业务数据具有多源、海量的特点,实现统计遥感数据的集成与管理是新型统计遥感业务成功运转的基础。针对统计遥感业务及数据应用需求,通过对各类空间数据集成与管理技术进行研究,提出在建立统计遥感空间数据库基础上,将影像以县级为单位进行拼接、然后压缩存储到统计遥感空间数据库,同时结合影像编目技术实现海量遥感影像的管理;提出将元数据管理和数据转换、数据直接访问以及数据互操作方式,实现多源统计遥感数据的集成与管理。通过多种方式,从应用层面较好地解决了海量、多源统计遥感数据的集成与管理,提升了统计遥感数据的应用范围。     

统计数据总量约束下全局优化阈值的冬小麦分布制图

大范围、长时间和高精度农作物空间分布基础农业科学数据的准确获取对资源、环境、生态、气候变化和国家粮食安全等问题研究具有重要现实意义和科学意义。本文针对传统阈值法农作物识别过程中阈值设置存在灵巧性差和自动化程度低等弱点,以中国粮食主产区黄淮海平原内河北省衡水市景县为典型实验区,首次将全局优化算法应用于阈值模型中阈值优化选取,开展了利用全局优化算法改进基于阈值检测的农作物分布制图方法创新研究。以冬小麦为研究对象,国产高分一号(GF-1)为主要遥感数据源,在作物面积统计数据为总量控制参考标准和全局参数优化的复合型混合演化算法SCE-UA (Shuffled Complex Evolution-University of Arizona)支持下,提出利用时序NDVI数据开展阈值模型阈值参数自动优化的冬小麦空间分布制图方法。最终,获得实验区冬小麦阈值模型最优参数,并利用优化后的阈值参数对冬小麦空间分布进行提取。通过地面验证表明,利用本研究所提方法获取的冬小麦识别结果分类精度均达到较高水平。其中冬小麦识别结果总量精度达到了99.99%,证明本研究所提阈值模型参数优化方法冬小麦提取分类结果总量控制效果良好;同时,与传统的阈值法、最大似然和支持向量机等分类方法相比,本研究所提阈值模型参数优化法区域冬小麦作物分类总体精度和Kappa系数分别都有所提高,其中,总体精度分别提高4.55%、2.43%和0.15%,Kappa系数分别提高0.12、0.06和0.01,这体现出SCE-UA全局优化算法对提高阈值模型冬小麦空间分布识别精度具有一定优势。以上研究结果证明了利用本研究所提基于作物面积统计数据总量控制以及SCE-UA全局优化算法支持下阈值模型参数优化作物分布制图方法的有效性和可行性,可获得高精度冬小麦作物空间分布制图结果,这对提高中国冬小麦空间分布制图精度和自动化水平具有一定意义,也可为农作物面积农业统计数据降尺度恢复重建和大范围区域作物空间分布制图研究提供一定技术参考。     

遥感模式分类中的空间统计学应用——以面向对象的遥感影像农田提取为例

如何有效地从遥感图像中提取所需信息,是遥感图像处理和应用的关键,而尺度选择问题一直是影响遥感信息提取精度的关键问题之一。本文论述了利用空间统计学方法解决遥感影像模式分类中的尺度问题的理论基础。针对面向对象影像分析问题,将影响遥感影像多尺度分割的尺度分割参数概括为空间属性分割参数、光谱属性分割参数和影像对象面积阈值参数,并分别提出了基于统计学的尺度参数估计方法。以SPOT-5影像面向对象农田提取为例,基于变异函数方法进行了尺度优选试验,系列尺度分类试验结果表明基于空间统计学尺度估计得到的尺度分割结果进行分类能得到最高的精度,进而证明了基于空间统计学方法进行面向对象信息提取尺度估计的有效性。该方法是完全数据驱动的方法,基本不需要先验知识参与。不同于以往分割后评价的尺度选择方法会占用大量计算资源且耗费大量时间,本文提出的方法不仅能在一定程度上保证面向对象信息提取的精度,而且在一定程度上也提高了面向对象信息提取的效率和自动化程度。     

构建地块二维表征及CNN模型的作物遥感分类

本文旨在研究基于地块数据约束的深度学习模型的分类特征表示方法,以识别不同作物在不同时相上光谱差异从而对作物类型进行分类。通过Google Earth Engine平台获取作物生育期内全部Landsat 8影像,利用其质量评定波段完成研究区无云时相及区域上的地块统计,提取地块级别的各波段反射率均值按照时相顺序及波长进行排列,构建波谱、时相二维特征图作为该地块的抽象表示。通过构建相对最优的卷积神经网络CNN（Convolutional Neural Network）结构完成对特征图的分类,从而完成对地块的分类。构建CNN模型并不需要手工特征和预定义功能的需求,可完成提取特征并遵循端到端原则进行分类。将该模型的分类结果与其他最为常用机器学习分类器进行了比较,获得了优于常用遥感分类算法的分类精度。结果表明地块数据的加入可以有效的缩减计算规模并提供了准确的分类边界。所提出得方法在地块特征表示及作物分类中具有突出的应用潜力,应视为基于地块的多时相影像分类任务的优选方法。