Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取

遥感卫星的波段设置、信噪比及传感器观测角度等因素都会影响作物提取精度。为充分挖掘与发挥Sentinel-2卫星多光谱成像仪(MSI)与Landsat 8陆地成像仪(OLI)在冬小麦信息提取方面的优势,本文以商河县为研究区,基于两数据源的光谱特征、纹理特征、植被指数特征组合数据,利用随机森林(RF)与支持向量机(SVM)对冬小麦进行提取。结果表明:基于单一影像的最优Kappa系数与最优OA分别为0.89和95.13%,基于组合数据源的最优Kappa系数为0.92,最优OA为95.28%,两数据源组合的精度优于单一数据源提取精度;数据组合效果与分类器的性能有关,RF的Kappa系数相对于SVM分别提升0.04、0.20和0.11,OA分别提升2.41%、11.31%和6%,RF对冬小麦提取精度优于SVM。本文研究结果对于构建中高分辨率影像组合的典型农作物分类提取体系具有重要意义。     

FY-3250m分辨率数据的华北平原冬小麦提取

冬小麦是中国最主要的粮食作物之一,利用遥感技术提取冬小麦种植区是遥感应用研究的一个重要方向。2008年以来发射的系列风云三号(FY-3)卫星均携带着中分辨率光谱成像仪(MERSI),该传感器有5个250 m分辨率的波段,波段范围包括可见光、近红外和热红外,观测数据包含丰富的地表信息,为大范围冬小麦种植区提取提供了新的数据源。首先,选取生长季前期多幅高质量的MERSI数据,采用分层提取的方法,对于不同的层次选用与待提取类别最为敏感的特征波段来构建相应的决策树,从而将每一幅影像中冬小麦种植区提取出来,然后,将多幅数据融合为一幅生长季内的冬小麦种植区图。最后,使用野外实地调查的数据进行精度验证,面积提取精度为90.8%。结果表明,在春季返青后,即可做出当季冬小麦种植分布图,为农情监测提供及时的信息支撑。     

结合特征分量构建和面向对象方法提取高分辨率卫星影像阴影

针对高分辨率卫星影像,提出一种特征分量构建与面向对象结合的阴影提取方法。分析遥感阴影光谱特性,构建彩色不变特征C3、亮度特征I、主成分第一特征量PC1以及蓝色波段和近红外波段归一化比率特征RATIOb_nir,增强阴影信息。采用线性变换将几个特征分量Digital Number(DN)值归一化到相同范围,对这几个分量进行综合分析。以I和PC1分量为输入对影像进行多尺度分割,建立包括波段均值、标准差、最大差异等特征的规则集,实现面向对象的阴影信息提取。选取20幅QuickBird影像为例进行阴影提取实验,平均总体精度为97%,平均用户精度为96%,平均Kappa系数为0.94。实验结果表明,相对传统基于像素信息提取方法,本文方法提取阴影斑块完整,无破碎图斑;相对基于原始光谱的面向对象方法,本文方法提取精度更高。     

基于MODIS影像多特征的CART决策树分类

以山东省为研究区域,利用2009年9月MODIS的8 d合成波段反射率产品MOD09,选择特征变量植被指数(NDVI、EVI)、NDWI、NDMI、NDSI及辅助信息DEM,通过选取其中的影像特征组合来确定分类方案,构建各波段组合的CART决策树,对MODIS影像进行分类,得到CART决策树的最优波段组合。结果表明,特征变量DEM、NDVI、EVI对分类结果贡献较大;将CART决策树的分类结果与其相对应的最大似然分类结果进行比较可知,基于影像多特征的CART决策树分类方法能明显提高分类精度。     

基于时序Sentinel-2影像的农作物分类研究

特征选择是提高农作物分类精度的一个重要手段.本文基于时序Sentinel-2影像提取影像的波段特征、植被指数、纹理特征,以这三类特征构建分类特征集,使用随机森林算法对分类特征集进行特征选择和分类实验.根据分类混淆计算的研究区总体分类精度为92.5％,Kappa系数为0.904,高精度地提取了研究区内冬小麦、大蒜等主要冬季作物的种植信息,这表明随机森林算法在对特征降维的同时,也能保证较高的分类精度.     

基于Landsat-8 OLI影像的植被信息提取方法研究

植被是地理环境的重要组成部分,在城市生态环境系统中扮演着非常重要的角色。本文以池州市2014年OLI遥感影像为基础,结合30 m空间分辨率的DEM数据,在ENVI 5.1和ArcGIS 10.2软件的支撑下,对该区植被信息进行提取。通过对比原始波段组合、主成分分量组合和衍生波段组合的分类精度,确定植被信息提取的最佳波段组合,并对植被提取结果进行精度验证。结果表明:考虑NDVI、绿度指数和第一主成分的衍生波段组合植被提取精度最高,与该区已知的土地利用类型中的植被覆盖度进行比较,精度达到89.16%。这说明该波段组合方案对于Landsat-8影像提取植被信息效果较好,可以为其他地区植被信息的提取提供参考。     

基于MODIS EVI时序数据的江汉平原油菜种植分布信息提取

油菜是我国主要的食用油料作物。及时、准确地获取油菜种植分布信息对油菜长势监测、估产以及灾情评估具有十分重要的意义。以江汉平原为研究区,利用250 m空间分辨率的MODIS EVI时序数据,以TM数据作为野外采样数据与MODIS EVI数据之间的过渡数据,间接提取MODIS EVI数据农作物的训练样本;通过分析江汉平原油菜和冬小麦的EVI光谱特征及物候信息,建立油菜种植面积提取模型;采用多次阈值比较法提取2014—2015年间江汉平原油菜种植分布信息。研究结果表明,2014年和2015年油菜面积遥感提取结果与农业局统计数据相比,总体提取精度分别达到95.22%和91.29%;2014年MODIS数据与TM数据提取的油菜面积一致性为88.61%;基于时间序列MODIS EVI数据,结合EVI光谱特征和物候信息,利用该方法可以有效提取江汉平原油菜种植分布信息。     

基于多时相Sentinel-2数据的成都平原主要农作物分类

针对成都平原落实最严格的耕地保护制度对耕地“非农化”“非粮化”快速、动态监测的需求,本文研究了基于多时相Sentinel-2数据的农作物分类方法,利用主成分分析,降低了冗余信息,提高了分类精度。以2021年成都平原崇州市的7景Sentinel-2多光谱影像为数据源,构建了时序多光谱、时序主成分波段、时序植被指数、典型时相多光谱+时序植被指数等4种分类数据集,开展基于支持向量机的主要农作物分类研究。研究表明：利用主成分分析,能有效提高主要农作物的用户精度,降低农作物分类的错分率;基于典型时相多光谱+时序植被指数的数据集取得了最高的总体精度。     

时序Sentinel-2A影像光谱特征的茶园提取应用

针对当前茶园遥感识别研究未充分分析利用光谱特征提取茶园的问题,该文详细探讨了光谱时间变化特征在茶园遥感识别中的应用潜力。研究利用时序Sentinel-2A影像,分析7种典型地物的时序光谱变化与NDVI变化,发掘出可用于区分茶园与其他地物的特征波段——红边2、红边3、近红外、红边4、短波红外1、短波红外2。基于上述波段或NDVI构造18个茶园提取特征,最终确定14个茶园提取特征,并基于每种特征分别构建决策树,实现茶园提取,并验证每种特征的可行性。结果表明,分类精度较高的前3个特征分别为SR-SWIR2-NIR_(_May)、SD-NIR-SWIR2_(_May)、SR-NDVI_(_MayDec);总体精度依次为96.71%、94.24%、93.43%。     

结合多光谱影像降维与深度学习的城市单木树冠检测

多光谱数据的降维处理对基于深度学习的单木树冠检测研究有重要意义,如何使用合适的降维方法以提高单木检测的精度却少有研究讨论。本文使用无人机搭载多光谱相机进行航拍作业,采集研究区内银杏树种多光谱影像。将原始多光谱影像通过特征波段选择、特征提取、波段组合的方法生成5种不同的数据集用于训练3种经典的深度学习网络FPN-Faster-R-CNN,YOLOv3,Faster R-CNN。其中由波段组合方法得到的近红外、红色、绿色波段组合在不同类型的目标检测网络中都有最好的检测结果,其中FPN-Faster-R-CNN网络对银杏树冠的检测精度最高为88.4%,由OIF指标得到的蓝色、红色、近红外波段组合信息量最高,但在所有网络中的平均检测精度最低,仅为79.3%。实验结果表明：在不同波段降维方法中,若降维后的影像中目标物体的色彩与背景差异较明显,且轮廓清晰,则深度学习网络对树冠的检测可获得较好的结果。而影像自身的信息量则对深度学习网络的树冠检测能力的提升作用有限。本研究中针对多光谱影像的降维方法分析,为基于深度学习的单木树冠检测研究提供了重要的实验参考。     

一种基于Landsat 8的多波段组合水体指数模型

本文通过分析水体在Landsat 8数据中可见光波段和近红外波段的波谱差异,将Landsat 8数据中可见光波段作为一组,近红外波段和中红外波段作为另一组,构建了多波段组合水体指数(MBCWI)模型。基于Landsat 8数据在合肥、安康和康定地区共3景数据5种不同场景进行水体提取试验。结果表明,该模型不仅能够抑制云层、阴影、裸土、亮色地物和建筑物等对水体提取的影响,还能较好地提取出含有大量蓝藻的水体,且阈值稳定,Kappa系数优于0.968 5,总体精度高达99.69%,总体误差小于8.92%。相较于其他水体指数而言,提取精度显著提高。     

基于波段选择的MODIS全国土地覆盖分类

以MODIS多光谱和多时相数据为输入参数进行了全国土地覆盖分类研究。从试验区2007年MODIS 8 d数据的合成影像(MOD 09)中提取EVI、NDWI和NDSI 3个指数,并将其作为特征波段与原有的7波段(B1～B7)形成10波段影像。以统计分类J-M距离平均值和SVM分类总精度为标准评价不同波段对土地覆盖分类的贡献。在全国范围内,选择贡献最大的EVI、B7和B4这3个波段的月合成值,并分别对其作PCA变换,选取各PCA变换后的前3个波段进行分类运算。研究结果表明,在没有其他辅助信息的境况下,基于MODIS贡献最大的前3个波段结合多时相信息能够在中分辨率区域土地覆盖分类中取得较好的分类结果,其精度为78.04%。     

典型植被指数识别火烧迹地潜力分析

植被指数法是利用卫星遥感影像识别火烧迹地的常用方法之一。植被因受火的干扰会形成火烧迹地,其光谱特征易与裸地、水体、道路、阴影和耕地等地物光谱混淆,使用遥感影像采用合适的植被指数提高过火区遥感监测精度仍是亟待解决的问题。以四川省2014年和内蒙古自治区2017年发生的4次森林火灾形成的火烧迹地作为研究区,利用高分一号16 m宽幅(GF-1 WFV)数据和Landsat8数据的波谱特性,选取归一化植被指数(normalized difference vegetation index,NDVI)、增强型植被指数(enhanced vegetation index,EVI)、全球环境监测植被指数(global environment monitoring index,GEMI)、过火区识别指数(burned area index,BAI)和归一化火烧指数(normalized burn ration,NBR)等5种典型植被指数,通过构建不同植被指数的分离指数M来定量评价这些植被指数识别火烧迹地的潜力。研究结果表明,基于近红外—短波红外波段的NBR和基于可见光—近红外波段的BAI对过火区的分离性较好,NDVI的分离性次之,EVI和GEMI的分离效果较差;基于GF-1 WFV和Landsat8数据采用BAI和NBR指数对内蒙古鄂伦春自治旗火烧迹地进行了识别(其中GF-1 WFV数据只用于BAI识别),并利用高分二号(GF-2)数据进行了精度验证,两者火烧迹地识别总体精度均大于87%,Kappa系数均大于0. 7。     

应用时间序列EVI的MERSI多光谱混合像元分解

针对风云3数据的特点,本文将EVI生长曲线引入多光谱混合像元的分解。首先,利用Landsat8 OLI影像,采用支持向量机的分类方法,提取研究区域的耕地信息,利用该信息对风云MERSI数据进行掩膜处理,获得研究区域的耕地影像。接着,利用MERSI时序影像,计算像元EVI值,通过SG滤波,构建农作物(端元)和混合像元的EVI生长曲线。通过实地调查,获取研究区的农作物端元,尤其对主要的农作物玉米,在空间上均匀选取了14个端元。然后,采用传统的方法,将14种玉米端元生长曲线分别与其它端元组合,进行混合像元分解。发现分解的效果差异很大,提取的玉米种植面积从191.90 km2到574.83 km2不等。为提高分解精度,借用光谱匹配(光谱夹角最小)的方法(用生长曲线代替光谱曲线)自适应选择与混合像元EVI曲线最相似的玉米端元作为组合端元,进行混合像元分解。结果得到玉米的种植面积为589.95 km2,比传统方法的最好(相对)精度提高了2%。     

考虑植被红边信息的多时相Sentinel-2大范围冬小麦提取研究

冬小麦是中国的主要粮食作物且种植面积年际变化较大,及时准确掌握冬小麦种植面积变化有利于国家和相关部门科学决策。遥感技术是获取大范围冬小麦种植面积数据的最有效手段。前期研究多利用多时相中低分辨率影像（如MODIS）的归一化植被指数NDVI（Normalized Difference Vegetation Index）开展大范围冬小麦种植区提取,因分辨率低导致精度难以令人满意。Sentinel-2卫星是唯一能获取3个红边波段影像的米级分辨率传感器,但应用其红边波段进行大范围冬小麦提取的研究几乎没有。本文分析了红边位置指数REPI（Red-Edge Position Index）与NDVI各自在冬小麦提取中的优势,并基于冬小麦物候特征与JM距离研究关键时相,提出一种综合多时相Sentinel-2 PERI、NDVI的大范围冬小麦提取方法,将其应用于2020年京津冀地区的冬小麦种植区提取,冬小麦总面积提取误差为-2.57%。提取结果与Google Earth高分辨率光学影像的解译结果进行比较,总体精度为94.24%,Kappa系数为0.88,相较于已有大范围冬小麦提取研究精度有明显提升,表明了本文方法的有效性。     

结合多尺度纹理特征的遥感影像面向对象分类

地物具有多尺度的特点,单一尺度难以准确描述遥感影像包含的地物纹理信息。利用我国自行研发的高分一号遥感影像数据,采用灰度共生矩阵对第一主成分进行纹理特征提取,利用Jeffries-Matusit距离选择多尺度组合,并通过单一纹理结合多光谱数据的分类精度,以及纹理特征间的相关性,最终选择多尺度纹理特征组合进行面向对象分类。研究结果表明:结合多尺度纹理特征组合的面向对象GF-1影像分类能有效提取地物信息,总体分类精度达到81.75%,Kappa系数0.78。     

基于GF-1遥感数据的城市水体信息提取方法研究

水体信息的高精度提取是水资源监测、调查与管理等研究领域的关键问题。本文选取国产GF-1卫星影像作为数据源,根据影像中典型地物光谱特征采用归一化水体指数法(NDWI)、多波段谱间关系法对研究区进行了水体提取,并通过结果分析提出了基于主成分分析与多尺度分割技术的综合水体信息提取方法。对以上4种方法进行对比分析,验证结果表明:归一化水体指数法易受阴影信息影响;改进的多波段谱间关系法能较为完整地提取水体信息,但受小范围阴影信息影响;主成分分析综合法总体精度较高;多尺度分割提取法能有效地分离水体信息与非水体信息,水体信息提取的效果最佳。     

高光谱影像的引导滤波多尺度特征提取

为了解决高光谱遥感影像分类中单一尺度特征无法有效表达地物类间差异和区分地物边界的不足,提高影像分类精度和改善分类目视解译效果,提出了采用引导滤波提取多尺度的空间特征的方法。首先,利用主成分分析对高光谱影像进行降维,移除噪声并突出主要特征;然后,将第1主成分作为引导影像,将包含信息量最多的若干主成分分别作为输入影像,应用依次增加的滤波半径分别进行引导滤波处理提取多个尺度的特征,获得影像不同尺度的结构信息;最后,将多尺度特征输入分类器中进行影像监督分类。采用仿真数据和帕维亚大学(Pavia University)、帕维亚城区(Pavia Centre)等3幅高光谱实验数据,提取了基于引导滤波的多尺度特征、多尺度形态特征和多尺度纹理特征,输入到支持向量机、随机森林和K近邻分类器中,进行了实验。实验结果表明:采用支持向量机分类Pavia University数据,相对于采用多尺度形态特征的分类结果,引导滤波特征的总体精度提高了6.5%;Pavia Centre和Salinas两幅影像最高分类精度均由引导滤波特征实现,分别达到98.51%和98.39%。实验证实基于引导滤波提取的多尺度特征能有效地描述地物结构,进而获得更高的分类精度和改善目视解译效果。     

WorldView-3短波红外影像分类性能研究

WorldView-3卫星在8个可见光-近红外(VNIR)波段的基础上,新增了8个短波红外(SWIR)波段,大大提高了对地物信息的提取能力。利用随机森林分类方法分别对可见光-近红外8个波段影像和可见光-近红外-短波红外16个波段的影像进行实验验证;采用基于多尺度分割技术的面向对象方法对合理的特征空间进行实验与挑选。结果表明,引入SWIR波段后分类性能总体精度提升了3.78%,人工地物制图精度提升了5.65%,自然地物制图精度提升了2.88%;且允许识别特定类别(村镇中的红色低矮砖瓦房居民区),能保持地物较为完整的形状信息,可提高多光谱遥感影像的分类精度。     

结合随机森林的高分一号分类最优组合研究

选取高分一号(GF-1)PMS多光谱影像,提取该数据的指数、共生矩阵纹理等特征与原始多光谱影像叠加,对叠加后影像进行随机森林分类并提取各波段重要性系数。根据重要性系数进行最优波段组合初选择,在此基础上利用最佳指数法(OIF)选取土地覆盖分类最优波段组合,利用随机森林分类器对该组合进行土地覆盖分类,与传统的OIF最优波段选取结果进行分类精度对比。结果表明,提出的方法能够有效提取最优波段组合,最优波段组合为B2-B5-CON,与传统方法相比,在随机森林分类中总精度要高出20.49%。