GEE平台下结合滤波算法和植被物候特征的互花米草遥感提取最优时间窗口确定

互花米草的快速入侵严重影响湿地生态系统平衡。因此，精确监测互花米草扩张的时空动态变化过程具有重要意义。尽管现有基于植被物候特征的互花米草遥感提取方法，避免了光谱特征相似性引起的分类误差，但受到云和潮汐的严重影响，难以获取大尺度湿地植被提取特征信息。本文提出一种结合最大值合成法和Savitzky-Golay(S-G)滤波算法提取互花米草关键物候特征，减弱大尺度云和潮汐对时序遥感信号特征的影响，精准重构符合植被生长趋势的NDVI时间序列数据。通过获取关键物候特征，确定互花米草提取的最优时间窗口，基于Google Earth Engine(GEE)平台精准获取互花米草空间分布状况并分析典型地区的互花米草空间分布特征。研究结果显示，生长季初期（6—7月）为互花米草提取的最优时间窗口，该时期总体分类精度为89.81%,Kappa系数为0.88，相比其他时期的总体分类精度提高10.09%,Kappa系数提高0.11。互花米草提取结果表明，2020年福建省互花米草入侵面积总计100.78 km2，主要分布在宁德、福州、泉州以及漳州等地。其中，宁德市互花米草分布面积最广，共计38.08 km2，占全省...     

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CMONOC GPS数据的SSA电离层预测模型研究

利用基于CMONOC的GPS观测数据反演中国大陆区域高精度的RIM，并将奇异谱分析(SSA)方法应用于TEC预报，判断不同序列长度对预测结果的影响，并根据w-correlation选取合适的RC迭代阶数和窗口长度。结果发现，当TEC时间序列长度为27 d，窗口长度为序列长度的1/3、迭代SSA分解的前5项时，预测效果最好。提取RIM中心网格点的TEC数据，分别以年积日1~27、101~127、201~227、301~327等4个时段的TEC序列为原始数据，基于SSA进行7 d的预测，同时建立ARMA预测模型。结果显示，相较于ARMA预测，SSA方法总体预测精度提高约10%，预测时段更长。进一步对4个时段RIM中2 911个网格点处的TEC进行预测，发现RMSE随着纬度减小而增大，预测相对精度呈现中纬度比高、低纬度略高的特点，但无论哪种精度指标，SSA预测模型均优于ARMA预测模型。     

多分辨率遥感土地覆被数据质量综合评价——以湖南省桃源县为例

评价土地覆被数据质量是正确、合理使用数据的前提和保障,有助于遥感制图方法的改进。本文以1：10万土地利用数据为参考数据,选取2010年RapidEye_5 m、FROM_GLC（30 m）、MODIS_V005（500 m）,以及2009年GlobCover 2009（300 m）土地覆被数据,以湖南省桃源县为例对4种不同分辨率的遥感土地覆被数据质量,引入窗口的分类类别统计方法,进行了综合评价,并分析了其误差和空间分布。结果表明：（1）RapidEye_5 m数据总体精度最高,MODIS_V005和FROM_GLC次之,GlobCover 2009数据相对最低。高分辨率土地覆被数据对于居民地、交通用地、水体等精细地物分类较好,具有一定优越性,各数据在一级类上的面积相关性和一致性总体高于二级类;（2）各数据在建筑用地和其他未利用地类型上的生产者精度均较低,FROM_GLC和MODIS_V005数据,在灌木草地上的空间一致性较差,4种数据在以耕地为主的平坦地区空间一致性较好,混淆主要发生在灌木草地、乔木林地和耕地之间;（3）随着土地覆被数据分辨率的提高,分出较多地物类型数的面积比例也随之增加,较高分辨率的RapidEye_5 m和FROM_GLC分出的类别数集中在7-16种较高水平上,低分辨率数据集中在1-5种较低水平上,在丘陵山区差异显著,而高分辨率数据对地物区分更好,集中于11-16种地物。     

基于优化随机森林回归模型的土壤盐渍化反演

当前应用于土壤盐分含量（Soil Salinity Content, SSC）反演的随机森林回归（Random Forests Regression, RFR）较少关注对模型精度影响较大的反演参数子集和模型参数的同步优化。本研究选择渭-库绿洲和奇台绿洲为实验区,基于Landsat-5 TM、SRTM、MOD11A2.006遥感数据构建反演参数。首先,利用弹性网络（Elastic Net, EN）筛选出反演参数子集,然后利用遗传算法（Genetic Algorithm, GA）和贝叶斯优化算法（Bayesian Optimization Algorithm, BOA）分别优化随机森林回归（Random Forests Regression, RFR）参数,建立反演参数子集和模型参数分步优化的RFR模型（EN-GA-RFR、EN-BOA-RFR）。建立利用GA和BOA分别同步优化反演参数子集和模型参数的RFR模型（GA-RFR、BOA-RFR）。在每个实验区,对比EN-GA-RFR、EN-BOA-RFR、GA-RFR、BOA-RFR的预测精度。最后分析每个实验区各类盐渍土的空间分布,并对2个实验区的反演参数进行对比分析。结果表明：每个实验区模型预测精度由高到低的排序均为BOA-RFR>GA-RFR>EN-BOA-RFR=EN-GA-RFR,整体上BOA的优化性能均好于GA;渭-库绿洲和奇台绿洲面积占比最大的盐渍土类型分别为盐渍土和中度盐渍土;反演参数对SSC的表征能力存在空间分异性。     

雅鲁藏布江中部流域土地沙化遥感识别

雅鲁藏布江中部流域长期遭受土地沙化侵蚀,采取有效手段进行沙化土地信息快速识别,跟踪土地沙化现状和动态发展,是土地沙化防治的基本前提。遥感数据因其快速、大范围、高精度监测等特点已被广泛应用于土地沙化监测。为降低该区域沙化土地破碎化分布特征以及广泛分布的稀疏植被地表对沙化土地遥感识别带来的不确定性,本文利用Google Earth Engine平台获取2019年秋季雅鲁藏布江中部流域Landsat无云遥感影像,基于面向对象的分类思想,充分提取沙化土地的光谱、几何和地形特征,根据不同的分类器构建4种分类方案,包括单一分类器（支持向量机、决策树、最近邻）分类以及组合分类法分类,提取雅江中游河谷地区沙化土地信息并验证不同方案的提取精度。结果表明：① 利用面向对象组合分类模型提取的沙化土地信息效果最佳,总体精度高达91.38 %,Kappa系数为0.82;② 相较于采用单一分类器（支持向量机、最近邻和决策树分类）的面向对象分类方法,组合分类模型能更有效地识别破碎化的小面积沙化土地,降低沙化土地与稀疏植被地表的混淆情况,提高分类可靠性;③ 基于面向对象组合分类模型反演得到雅鲁藏布江中部流域2019年沙化土地分布信息,土地沙化面积达299.61 km²,总体上呈现沿河谷的带状不连续分布,且集中分布于河流北岸以及靠近河道的阳坡、低海拔地区。本研究可为土地沙化遥感监测提供新思路,其应用可服务于雅鲁藏布江中部流域土地沙化预防和治理工作。     

基于地学知识的大尺度土地利用/土地覆盖精细化分类方法研究

人类活动对生态环境具有显著影响,大尺度土地利用/覆盖变化（Land Use/Cover Change,LUCC）作为人类活动最直接的表征,能够很好地反映这一过程,因此进行精确而迅速的大尺度土地利用/覆盖分类与提取方法研究尤为关键。全球覆盖产品GlobCover（2005/2006）数据已经具有良好的空间精度和数据准确度,但仍然存在一些分类误差。为提高地表覆被分类精度,本文以GlobCover（2005/2006）的巴西数据为例,以2005年Landsat TM/ETM影像为主要信息源,结合相应地学知识与辅助数据,利用人机交互逐栅格修改方法得到2005年土地利用数据产品。结果表明：通过对GlobCover数据和本次成果数据进行精度评价与对比分析,GlobCover数据巴西地区的总体精度为67.17%,Kappa系数为0.58,改进后产品总体精度为93.39%,Kappa系数为0.91。此外,改进后数据显示巴西常绿阔叶林面积最大,面积比例达45.67%;农地/自然植被镶嵌面积次之,比例为19.19%;封闭灌丛面积最小,比例为12.34%。农地/自然植被镶嵌和灌丛与草地2种地类的修改比例最大,其中混合像元地类比例减少3.54%,灌丛与草地比例增加3.81%。综上,改进方法可以有效地提高土地利用/覆盖分类的效率和精度,为后续大尺度LUCC产品的制作和以LUCC产品为基础的相关研究提供参考。     

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。     

亚像元制图适应性分析与评价——以天津市津南区和北京市海淀区土地覆被制图为例

亚像元制图作为一种降尺度分类方法,可利用低分辨率影像获取高分辨率分类图。本文旨在探讨亚像元制图的降尺度分类结果与高分辨率影像分类精度和分类特征上的一致性。实验以天津市津南区和北京市海淀区为研究区,分别对中空间分辨率影像（TM或HJ）进行亚像元制图和对高空间分辨率影像（ALOS或ZY）进行硬分类得到相同空间分辨率的分类结果,从绝对精度、相对精度、空间结构和空间格局上,对2幅分类结果进行分析和评价。实验结果显示：（1）分类精度上,TM和HJ影像的亚像元制图结果,以地面验证样本为参考的绝对总体精度分别为84%和82%,以高分辨率影像（ALOS和ZY影像）硬分类结果,为参考的相对总体精度分别为82%和77%;（2）分类特征上,中空间分辨率影像亚像元制图结果的空间相关性较强、斑块数量较少、聚集度较高,但与高分辨率影像分类结果的总体结构相似,各类别的面积比例基本一致。因此,亚像元制图结果在分类精度和分类特征上与高空间分辨率影像分类结果具有较强的一致性,在缺少高分辨率土地覆被制图时,可将亚像元制图获取的降尺度分类图作为替代数据。     

基于相似数据聚合与变K值KNN的短时交通流量预测

短时交通流量预测是交通控制和诱导涉及的关键技术问题,由于短时交通流量存在不确定性和时变性,其预测难度较大,是相关研究领域与工程实践中亟待解决的难题。为提高短时交通流量预测的准确性,本文设计与实现了基于相似数据聚合和变K值KNN(KNN-SDA)的短时交通流量预测算法。该算法首先采用互信息法在经过预处理的交通流量数据集提取交通流量序列最佳延迟时间信息,生成状态向量,并构建交通流量历史数据库;然后以本文所提出的相似数据聚合方法完成历史数据的聚合与清洗得到训练数据集;最后通过交叉验证确定每个时刻的最优K近邻数,完成算法实现。实验结果表明,本文提出的变K值KNN-SDA算法在保证执行效率的同时能明显提高短时交通流量的预测精度。     

太湖水质参数MODIS的遥感定量提取方法

本文利用MODIS数据的可见光、近红外波段和准实时的地面采样数据,分别利用线性回归模型和神经网络模型反演了太湖的叶绿素a和悬浮物浓度.结果表明,利用MODIS数据的波段组合(M2/M8)和(M2/M9)可估算太湖的叶绿素a浓度;而MODIS数据的波段组合(M12/M17)、(M13/M17)及MODIS(M4)波段能定量估算太湖的悬浮物浓度,但估算精度仍不能满足实际需要.因此,构建了一个以MODIS可见光及近红外波段为输入,以太湖水质参数为输出的2层BP神经网络模型反演太湖的水质参数,大大提高了反演精度.     

基于伪纯像元的精度评价策略及其应用

土地覆被是地球科学研究中的重要参量,评价土地覆被数据的制图精度是保障数据合理使用的前提。本文提出了一种基于伪纯像元的精度评价策略（伪纯像元策略）,即当低空间分辨率栅格窗口内对应的高空间分辨率数据中优势类别（面积最大的地类）的占比高于伪纯像元纯度阈值（代表像元纯度,取值范围：35%~100%,步长为5%）时,以此栅格窗口为基准生成土地覆被类型为优势类别的伪纯像元用于精度评价。以澜沧江-湄公河（澜湄）流域为试验区,选择GlobeLand30为参考数据,并基于混淆矩阵精度评价方法对比分析了伪纯像元策略与重采样法（最近邻法和众数法）在CCI-LC（300 m）和MCD12Q1（500 m） 2套全球土地覆被数据精度评价中的差异。结果表明：① 伪纯像元策略在35%~100%纯度阈值下对CCI-LC和MCD12Q1在澜湄流域评价的精度分别为72.76%~55.26%和71.44%~45.41%,比重采样法评价的单一精度（众数法：71.21%和70.54%、最近邻法：71.48和69.87%）能更好地反映像元纯度对土地覆被数据精度的影响;② CCI-LC的总体精度高于MCD12Q1,且2套数据的精度差随纯度阈值的增大而增加,CCI-LC和MCD12Q1在35%、100%纯度阈值下的精度差分别为1.32%和9.85%;③ 2套数据中耕地、有林地、草地和水体的分类精度均相对较高,而灌木林地（精度接近0）和裸地的分类精度均较低;④ 2套数据与GlobeLand30的空间不一致区域多出现在土地覆被类型高度异质化的混合像元区域,且随纯度阈值的增大,评价样本栅格更趋均质,混合像元对评价精度的影响也会递减。伪纯像元精度评价策略适用于跨空间分辨率土地覆被数据的精度对比,为评价全球土地覆被产品在区域尺度的适用性及适用范围提供了新的检验策略。     

融合高度特征的高分遥感影像多尺度城市建筑类型分类

城市区域建筑类型信息在城市功能区识别、城市环境变量反演等应用领域具有重要作用。本文提出一种融合高分辨率遥感影像高度特征的多尺度城市建筑类型分类方法。首先利用语义分割模型识别高分辨影像中建筑和阴影对象;然后借助建筑对象及其阴影信息在卫星成像时的几何关系估算建筑高度;最后基于多尺度图像分析思想,提取一系列表征建筑对象的高度、空间结构、几何等多尺度特征,利用机器学习方法进行建筑类型分类,并进一步分析不同粒度的建筑类型分析单元对分类结果的影响。选取福州市主城区国产高分二号高分辨率影像进行实验验证。结果表明：① 基于所提方法的建筑类型分类总体精度达到82.98%, kappa系数为0.77,分类精度优于本文中未加入高度信息的分类方法和单一尺度分类方法;② 引入高度特征有效提高了中低层居民楼和高层商住两用建筑类型的分类精度,较未加入高度特征的分类结果,总体精度提高了11.28%;③ 融合多个尺度的图像特征可有效减少粘连建筑误分为密集型建筑的情况,较单一尺度分类方法,总体精度提高了2.77%。在精细的数字表面模型数据缺失下,利用高分辨影像阴影信息可为建筑物高度估计提供一种有效的策略,提高城市建筑类型分类精度。此外,融合多粒度图像特征可提升城市区域复杂建筑类型的表征能力,进而提高分类精度。     

基于GNSS及探空仪数据的大气折射指数反演新方法

提出一种综合GNSS及探空仪数据的对流层折射指数剖面反演模型新方法,利用GNSS观测数据直接采用参数估计计算测站高精度ZTD（zenith troposphere delay）值,结合探空数据构建测站上空折射指数分层剖面反演模型。通过BJFS（北京站）、WUHN（武汉站）、WIND（Windhoek站）和DARW（Darwin站）的实测数据进行相应计算与验证。结果表明,该反演模型与基于探空数据的反演模型精度相当,二者均优于Hopfield模型。同时该方法计算简便,且在模型建立后可以大大减少探空仪观测。     

GM(1,1)模型的遗传算法优化及效果检验

对平稳的数据和非平稳数据两种数据序列建立的GM（1，1）模型，分别用加速遗传算法（AGA）和最小二乘法（LSM）对模型参数求解。结果表明：对平稳变化数据序列，两种方法建立的预测模型的拟合优度和预测精度无显著差异；对变化幅度较大的非平稳数据序列，基于AGA的GM（1，1）模型的拟合优度和预测精度高于基于LSM的GM（1，1）模型的拟合优度和预测精度。     

基于PSR-WSVM模型的边坡位移预测

为建立高精度的边坡位移预测模型，采用相空间重构（PSR）将边坡位移时间序列数据转换为多维数据，同时构造小波核函数改进的支持向量机模型，建立PSR-WSVM模型并应用于边坡位移预测。将PSR-WSVM模型预测结果与传统支持向量机（SVM）模型、小波支持向量机（WSVM）模型和基于相空间重构的支持向量机（PSR-SVM）模型预测结果进行对比，通过平均绝对误差（MAE）、平均绝对误差百分比（MAPE）和均方根误差（RMSE）3个精度评价指标验证PSR-WSVM模型的可行性。工程实例结果表明，PSR-WSVM模型预测结果的3个精度评价指标都优于另外3种模型，边坡位移预测的精度明显提升。     

鄱阳湖南矶湿地景观信息高分辨率遥感提取

鄱阳湖南矶湿地是亚热带典型过水性湿地,由于该区域水文情况复杂,且泥滩、沼泽和疫水（血吸虫）分布较广,导致野外考察验证工作困难,使用传统的遥感信息提取方法很难保证该地区湿地景观的提取精度。本文以高分一号影像为数据源,综合运用数字高程模型（DEM）、归一化植被指数（NDVI）、归一化水体指数（NDWI）等辅助数据,采用面向对象分类方法,对鄱阳湖南矶湿地景观信息进行提取研究,并取得了较好的分类效果。研究结果表明：（1）基于国产高分辨率影像的面向对象分类,既兼顾了国产高分辨率影像光谱、空间、结构、纹理信息,又综合利用多源辅助数据参与到分类计算中,分类精度得到明显的提升;（2）基于面向对象与多源数据分类方法对湿地混合像元有较好地识别能力,可获得较高的总体分类精度（94.3275%）和Kappa系数（0.9324）,说明利用多源数据的面向对象方法提取湿地信息是可行的,其分类结果具有较高的准确性和可信度,较好地解决了过水性湿地景观分类问题;（3）该分类方法弥补了单一遥感影像分类方法的不足,对研究国产高分卫星在提取过水性湿地景观信息方面具有重要的参考和实际意义。最后,分析了多源数据面向对象分类尚待解决的问题和下一步的研究方向。     

基于决策树的西山煤田土地利用分类

以山西省西山煤田为研究区域,以MODIS和Landsat遥感影像为数据源,利用决策树分类方法,分别得到了西山煤田2001、2008和2016年的土地利用分类结果。结果表明,利用决策树分类的总体精度大于90%,Kappa系数大于0.85,决策树分类方法可以可靠地用于土地利用分类。研究结果为土地利用/土地覆盖变化分析提供了基础数据。     

无人机影像的面向对象水稻种植面积快速提取

基于抽样技术的地面调查与遥感影像分类相结合的方法在大范围作物种植面积提取中得到广泛使用。无人机影像具有低成本、高时效、高分辨率的一系列优点,可以快速实现特定区域范围内的农情采样任务。本文以水稻样地为研究对象,采用便携式无人机Mavic Pro进行航拍。对所获取无人机影像进行预处理生成分辨率为3.95cm/pix的正射影像,采用面向对象的思想,目视评价和ESP工具相结合快速选择了最优分割尺度为300,应用了支持向量机、随机森林和最邻近监督分类方法对影像进行了地物分类和水稻面积快速提取。采用目视解译分类结果进行分类结果和面积精度评价,总体精度最高的方法为最邻近分类法,此时水稻分类用户精度为95%,面积一致性精度为99%。研究结果说明了无人机遥感和自动分类能够在平原水稻种植区快速获取样方内高分辨率影像并提取水稻种植面积,弥补了农田被遮挡时地面调查数据的缺失,为大范围水稻种植面积、产量等信息的计算提供样本和验证依据。     

基于自适应时序剖分与KNN的短时交通流量预测

在智能交通系统中,准确和高效的短时交通流量预测是交通诱导、管理和控制的前提。由于交通流量动态变化中表现出的时变性和非平稳性特征,其预测难度较大,是交通领域中亟待解决的难题。为提高短时交通流量的预测精度,本文设计与实现了基于自适应时序剖分与KNN（A-TS-KNN）的短时交通流量预测算法。① 基于动态时间规整（Dynamic Time Warping,DTW）动态剖分单日时序为不同的交通模式;② 在不同交通模式,采用互信息法求解每个预测时刻时间延迟的最大阈值,构造不同时间延迟的状态向量,生成交通流量历史数据库;③ 采用十次十折交叉验证的方法求解每个时刻不同时间延迟与不同K值的正交误差结果分布,提取误差最小的正交结果,得到自适应时间延迟与K值的参数组合;④ 采用K个最相似的近邻的距离倒数加权值作为预测结果。对比K近邻（K-nearest neighbors, KNN）、支持向量回归（Support vector regression,SVR）、长短期记忆神经网络（Long-short term memory neural network,LSTM）以及门控递归单元神经网络（Gate recurrent unit neural network,GRU）共4种主流预测模型,A-TS-KNN算法预测精度显著提升;将A-TS-KNN算法用于福州市城市路网中其他交叉路口的短时交通流量预测,结果表现出良好的泛化能力。