基于GF-1与Sentinel-2融合数据的地膜识别方法研究

随着我国地膜使用面积的增加和人们对土壤微塑料污染问题的日益关注,大尺度的地膜遥感识别已成为农业生产管理、土壤污染防治的必要手段。针对地膜光谱反射特征的复杂性以及基于单一遥感影像光谱特征识别方法错分率高等问题,该文以河北省邯郸市邱县为试验区,利用GF-1数据的空间细节与Sentinel-2数据的光谱信息进行NN Diffuse Pan Sharpening融合,据此建立地膜识别的特征矩阵(NDVI、MNDWI、NDBI、IBI、PSI),基于该特征矩阵可实现自动阈值地膜分层分类识别。多种方法的地膜识别结果精度对比表明:多源光学遥感数据融合方法的总体精度为94.87%,Kappa系数达0.89,显著优于基于单一数据源的深度学习法的精度(93.14%)以及基于传统机器学习分类方法的支持向量机(85.91%)和随机森林分类法(86.78%)的精度;通过与Sentinel-2多光谱影像融合,弥补了GF-1数据光谱分辨率低的缺陷,实现了多源数据在地膜识别中的优势互补,可为相关部门农业规划与管理以及生态环境保护等研究提供大尺度、高精度的地膜分布参考数据。     

基于Sentinel-2数据的不透水面识别方法与应用研究

快速、准确获取不透水面的空间分布信息对揭示城市发展与生态环境的关系具有重要意义.该文提出一种基于Sentinel-2数据的不透水面识别方法(Impervious Surface Identification Method,ISIM-S2),首先基于分层分类思想,利用多种指数算法剔除裸土和不透水面以外的地物,得到不透水面靶区,然后采用主成分分析对裸土和不透水面进行分离.为验证ISIM-S2的普适性,将其应用于北京、长春、广州和昆明4个不同地理环境下的研究区,并与生物物理综合指数、不透水面综合指数、比值居民地指数的提取结果进行对比,结果表明:ISIM-S2方法降低了云、水体对不透水面的影响,能有效改善不透水面提取中与裸土的混淆,在上述4个研究区不透水面总体识别精度分别为92.56％ 、95.78％ 、92.70％ 和91.68％,优于其他3种指数,且该方法操作简单、易实现,可为不透水面有效识别提供一种新途径.     

草地退化杂类草入侵遥感监测方法研究进展

近年来,受全球气候变暖及日趋频繁的人类活动的共同影响,我国草地生态系统出现了不同程度的退化,成为草地生态学界的研究热点。本文较系统总结了草地退化、杂类草入侵遥感监测方法的应用进展,指出了常规草地退化遥感监测方法的不足,并展望了今后的发展方向。研究发现草地退化在群落尺度上往往表现为优质牧草种类减少,杂类草种类增加。在草地退化过程中,杂类草侵入,往往导致植被覆盖度增加,因而传统的基于植被覆盖度、生产力和产草量下降的草地退化遥感监测方法,无法反映草地退化在植被种群方面的变化特征,尤其是杂类草入侵的草地退化过程。而目前基于高光谱数据的草地退化杂类草入侵监测方法,结合地面光谱测定和对退化草地物种特征微弱光谱差异的定量分析,能有效识别群落中杂类草种类,并反演出占群落的面积比例、高度和盖度等,可为草地退化监测及其治理提供群落演替过程及其态势的重要指标,为草地退化监测提供新的遥感技术方法。