冬小麦区域遥感监测及识别中的方法研究

通过基于高时间分辨率的"环境一号"卫星数据的变化向量分析(CVA)冬小麦遥感识别方法,并以地理国情普查数据为调整单元对识别结果进行修正,达到提高冬小麦遥感识别精度的目的。结果表明,使用CVA方法可提高冬小麦遥感识别精度,以国情普查数据为调整单元可在一定程度上降低遥感影像配准误差影响,对其他农作物遥感识别具有一定的参考意义。     

一种基于概率潜在语义模型的高分辨率遥感影像分类方法

针对高分辨率遥感影像中"同谱异物","同物异谱"现象对影像分类过程造成的干扰,将文本分析中的概率潜在语义模型应用于高分辨率遥感影像分类,提出一种无监督的遥感影像分类新方法.该方法首先利用均值漂移分割方法对影像进行分割构建图像区域集合,然后提取集合各区域中每个像元的Gabor纹理特征,并对这些特征进行聚类形成视觉词汇,最...     

利用面向对象分类方法提取冬小麦种植面积的研究

应用陆地卫星TM数据和遥感图像处理软件eCognition5.0和ENVI4.3软件,以面向对象的方法和监督分类波谱角法分别提取泰安市2005年冬小麦种植面积及其分布信息。逐像素分类的结果存在"椒盐"效应,而且很难克服同物异谱、同谱异物现象,面向对象的分类方法可以有效的集成专家知识和各种辅助数据,克服逐像素分类的弊端。分类结果表明,利用面向对象的分类方法可以获得比传统的像素级分类方法更高的分类精度,为冬小麦种植面积的自动提取提供了广阔的前景。     

多特征多尺度相结合的高分辨率遥感影像建筑物提取

在高分辨率遥感影像中,建筑物通常表现为多尺度形态,且存在同谱异物和同物异谱现象。因此,本文提出了一种综合利用光谱特征、形状特征和纹理特征,并结合多尺度分割的建筑物分级提取方法。该方法首先对遥感影像进行形态学建筑物指数（MBI）计算,而后对其特征影像进行阈值分割,并借助形状特征参数实现建筑物初提取;然后引入面向对象思想完成遥感影像多尺度分割,并利用纹理特征实现单一尺度的建筑物对象识别;最后借助多尺度融合思想完成建筑物后提取。利用本文方法对冲绳某地区影像进行了建筑物提取试验。试验结果表明,该方法的识别查准率和查全率在对象级和像素级两方面均取得较高精度。     

知识引导的稀疏时间序列遥感数据拟合

在多云多雨的地区,光学遥感存在着获取无云数据困难的难题,这会导致时间序列应用中可用数据匮乏。因此,本文面向稀疏时间序列遥感数据,根据噪声造成遥感影像上归一化差分植被指数(NDVI)被低估的事实,提出了一种知识引导的拟合方法。首先,在遥感影像预处理的基础上,利用先验知识和时序差分法对噪声进行识别和剔除;然后,采用高斯二阶模型对原始数据进行拟合;最后,根据拟合残差更新权重,进行迭代拟合,重复上述过程直至获得稳定的结果。本文以Landsat 8 OLI作为数据源,对浙江省杭州地区的森林数据进行拟合,结果表明:在稀疏时间序列数据的情况下,本文方法与MODIS数据拟合结果的相关系数达到0.92,关键时点(如NDVI峰值点等)的时间误差在5 d;相比当前主流方法的0.88与8 d具有更高的精度。     

高分辨率遥感影像主干道路提取的感知编组方法

针对高分辨率遥感影像的道路提取受"同物异谱、同谱异物"干扰的问题,该文提出一种基于感知编组的高分辨率遥感影像主干道路自动提取方法:首先,使用Line Segment Detector算法提取影像中直线段信息。然后,利用高分辨率遥感影像上的道路几何特征对直线段进行感知编组;最后,经过长度约束得到道路信息。使用两景影像进行了主干道路提取实验。实验结果表明,两个实验中主干道路提取的完整率、正确率和检测质量都在96%以上。     

光谱特征扩展的时间序列Landsat数据地表覆盖分类

时间序列遥感影像常用于地表覆盖监测及其变化监测。然而,利用时序遥感数据—尤其是中分辨率遥感数据监测地表覆盖变化,其方法基本是先对多期影像分别进行监督分类然后对比分类结果。由于这种方法需要对每期遥感影像单独选择分类训练样本,而对于历史影像,常常难以获得可靠的样本数据。本文基于遥感数据定量化处理,尝试利用光谱特征扩展方法对时间序列Landsat数据进行分类:首先,结合一种新的大气校正方法和相对辐射归一化方法,对时间序列Landsat数据进行定量化处理,以消除各期影像之间的辐射差异,获得地表反射率数据。然后,论文选择一期易于获得分类训练样本的反射率数据作为"参考影像",并结合样本数据提取不同地表覆盖类型的光谱特征。最后,将"参考影像"中提取的地物光谱特征,扩展到所有时间序列反射率数据进行分类。论文利用青藏高原玛多地区的5景Landsat数据对本文的方法进行了验证,结果显示:基于光谱特征扩展的分类方法,可有效对定量化处理后的Landsat数据进行分类,分类总体精度为88.35%—94.25%,分类结果和传统的单景监督分类结果具有较好的一致性。此外,研究也发现,"参考影像"和待分类图像获取时间的季相差异会影响其分类的精度。     

基于特征知识的TM影像湿地信息提取方法研究

利用TM影像的丰富光谱特征,通过研究地理对象与影像对象之间的相互关系,建立规则集进行遥感影像信息的分类提取,并将地学特征知识,如形状、分布位置、空间拓扑关系等间接解译标志纳入分类过程中。试验结果表明,地学特征知识的引入减少了“同物异谱”和“异物同谱”现象对分类结果的影响,显著提升了分类精度,为单一数据源情况下提高分类精度提供了参考。     

一种基于DELSMA模型的城市不透水面提取方法

针对线性光谱混合分解(LSMA)模型在端元个数不变的情况下易造成不透水面被高估或低估的问题,该文提出了基于影像分层的变端元线性光谱混合分解(DELSMA)模型。以城市不透水面为研究目标,采用Landsat 8陆地成像仪(OLI)影像为实验数据,对比分析DELSMA模型和LSMA模型提取的不透水面精度。与LSMA模型分解结果进行对比,DELSMA模型相关系数从0.898 2提高到0.947 3,拟合优度从0.804 7提高到0.896 3,均方根误差从0.089 5减少到0.079 1,从精度验证结果可以看出,基于影像分层的DELSMA模型对混合像元的分解效果优于LSMA模型。实验结果表明:影像分层降低了场景复杂度,有效减少了同物异谱和异物同谱的干扰;采用变端元进行混合像元分解,有效减少了计算量和地物类内差异对分解精度的影响,一定程度上提高了不透水面的提取精度。     

黑河中游农作物MODIS叶面积指数产品时间序列精度验证与变化特征分析

叶面积指数LAI (Leaf Area Index)是表征植被生长状态的一个重要的冠层结构参数。MODIS LAI产品是全球常用的遥感LAI产品之一。然而,由于地表异质性、数据质量、模型精度等多方面的差异,MODIS LAI产品质量各有不同。基于无线传感器网络的LAINet仪器可以自动获取时间频率更密集的LAI实测数据,为验证卫星遥感LAI产品质量提供了有力支持。本文基于2018年和2019年黑河中游时间序列地面实测LAI数据与高空间分辨率卫星遥感植被指数数据,建立经验回归模型。将该模型反演高空间分辨率卫星遥感LAI作为参考LAI真值,对MODIS LAI产品进行了精度验证与稳定性评价,分析了MODIS LAI与LAINet地面测量的差异原因。结果表明：与Landsat 8参考真值相比,MODIS LAI生长季的质量（RMSE2018=1.17,RMSE2019=1.14）优于衰落季（RMSE2018=1.39,RMSE2019=1.84）,MODIS LAI总体低估,尤其是生长季后期。时间序列上,MODIS LAI产品能够刻画植被生长和凋落的季节特征,但生长前期波动性要强于后期。与L...     

从光谱到时谱——遥感时间序列变化检测研究进展

地物的光谱信息是遥感数据的重要特征,对遥感光谱信息的利用经历了从黑白全色影像到多光谱、高光谱再到时间序列的发展历程.近年来,随着卫星遥感技术的发展和历史数据的积累,大量的重复观测数据被获取.长时序的遥感数据包含光谱维、时间维和空间维4个维度的信息,这在一定程度上能够避免同谱异物、同物异谱的现象.目前还没有统一的概念对长...     

融合高时空分辨率数据估算植被净初级生产力

植被净初级生产力NPP(Net Primary Production)遥感估算与分析,有赖于高时空分辨率的遥感数据,但目前中高分辨率的遥感数据受卫星回访周期及天气的影响,在中国南方地区难以获取连续时间序列的数据,从而影响了高精度的区域植被净初级生产力的遥感估算。为此,提出一种基于多源遥感数据时空融合技术与CASA模型估算高时空分辨率NPP的方法。首先,利用多源遥感数据,即Landsat8 OLI数据与MODIS13Q1数据,采用遥感数据时空融合方法,获得了时间序列的Landsat8 OLI融合数据;然后,基于Landsat8 OLI时空融合数据,并采用CASA模型,以长株潭城市群核心区为例,进行区域植被NPP的遥感估算。研究结果表明,基于时间序列Landsat融合数据估算的30m分辨率的NPP具有良好的空间细节信息,且估算值与实测值的相关系数达0.825,与实测NPP数据保持了较好的一致性。     

多特征流形鉴别嵌入的高分辨率遥感影像分类

针对高分辨遥感影像同谱异物、同物异谱导致单一特征分类结果精度较差的问题,本文提出了多特征流形鉴别嵌入的高分辨率遥感影像分类方法。该方法首先提取高分辨率影像数据的光谱特征与LBP纹理特征;然后通过样本数据的联合光谱、纹理特征的空间距离及对应的类别信息,构建影像对象的类间图与类内图,用于学习高分辨率影像上的鉴别流形结构,保证在嵌入空间上尽可能不同地物特征分离、相同地物特征紧聚,确保相同地物光谱、纹理特征的相似性,完成光谱、纹理鉴别特征的有效提取,以充分挖掘影像特征,有效提高影像的分类精度。在GF-2遥感数据集上进行试验,结果表明本文算法可实现多特征的有效融合,分类精度均优于传统方法,可达93.41%。     

美洲地表覆盖分类信息规模化提取工艺研究

在遥感影像地表覆盖分类信息提取试验研究的基础上,按照美洲地区的生态地理分区,利用30 m分辨率的TM或ETM+影像,研究探讨美洲分区地表覆盖工程化分类采集方案与提取工艺,采用4级分类策略的单要素分层提取掩膜分类方法,制作美洲地区2000年与2010年30 m分辨率的地表覆盖产品。研究成果表明,分类信息规模化提取工艺极大地提高了大范围影像信息提取的精度,有效减少了同物异谱和异物同谱现象对分类造成的影响。     

3种时空融合算法在洪水监测中的适用性研究

洪水灾害的遥感监测依赖于高时空分辨率影像,但目前中高空间分辨率的遥感影像受卫星回访周期及天气的影响,限制了在洪水监测中的应用。为此,提出融合MODIS和Landsat影像生成高时空分辨率影像来监测洪水灾害。以Gwydir和New Orleans 2地区为研究区,利用时空自适应反射率融合模型(spatial and temporal adaptive reflectance fusion model,STARFM)、时空反射率解混模型(spatial and temporal reflectance unmixing model,STRUM)和灵活的时空融合模型(flexible spatiotemporal data fusion,FSDAF) 3种流行算法融合MODIS和Landsat影像,获得Landsat融合影像,采用支持向量机(support vector machine,SVM)对融合影像分类来提取洪水信息,并对其结果进行精度评估。实验结果表明,3种时空融合算法能够有效应用到洪水监测中,且FSDAF算法融合结果在2个研究区都优于STARFM和STRUM。在Gwydir研究区,STARFM,STRUM和FSDAF 3种算法洪水分类总体精度分别为0. 89,0. 90和0. 91,Kappa系数分别为0. 63,0. 64和0. 67;在New Orleans研究区,3种融合算法洪水分类精度为0. 90,0. 89和0. 91,Kappa系数分别为0. 77,0. 76和0. 81。此研究表明时空融合算法能够有效应用到洪水监测中。     

自适应区间二型模糊聚类的遥感影像变化检测

由于遥感影像变化检测面临"同物异谱"、"同谱异物"等诸多不确定的问题,传统一型模糊聚类算法不能描述其高阶不确定性,难以对差异影像进行准确建模分割出变化信息。针对上述问题,在引入区间二型模糊聚类的基础上,提出了一种自适应区间二型模糊聚类的遥感影像变化检测算法。通过构造自适应邻域加权距离度量的方式更新隶属度,不仅降低了传统区间二型模糊分析算法对参数的依赖,还可以有效利用邻域信息,最后通过迭代更新隶属度实现地物变化信息的提取。利用两组遥感影像数据验证了该方法的有效性。     

基于图像分割和NDVI时间序列曲线分类模型的冬小麦种植区域识别与提取

为自动获取大面积冬小麦种植区域,通常利用中等空间分辨率遥感影像中的物候信息,基于时间序列曲线进行识别与提取。但在实际工程项目中,只使用物候信息提取精度偏低。因此提出了一种基于时间序列曲线数据分类模型与图像分割相结合的冬小麦识别方法。首先,构建多源数据的归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线,采用时间序列谐波分析方法(harmonic analysis of time series,HANTS)对NDVI时间序列数据进行平滑和去噪;然后,对NDVI时间序列进行坐标转换,获取波段均值、标准差和均方根3个参数,构建新的分类模型,提升冬小麦与其他作物的差异值;最后,通过与高空间分辨率数据的分割结果相结合,利用图像的空间结构信息,提高地物边界的准确性。以南京市江宁区为例,利用2017年12月—2018年6月间高分一号、Landsat8和Sentinel-2A 3种类型的共21景多源数据进行实验,最终提取精度达到98. 74%,比其他方法有所提高,为农业管理部门提供了准确的冬小麦种植区域和分布的地理信息数据。     

MODIS与TM冬小麦种植面积遥感测量一致性研究——小区域实验研究

针对大范围冬小麦种植面积遥感测量业务化运行中所存在的不同空间分辨率遥感影像的获取能力、空间分辨率与测量精度之间相互制约的现实问题,选择典型实验区,采取全覆盖的多时相低分辨率MODIS数据与中高分辨率TM样区数据相结合的方法,以支持向量机（SVM）为主要技术手段,通过选取不同比例的TM样本量,对MODIS进行混合像元分解,并对MODIS冬小麦测量结果与TM测量结果进行一致性分析,进而提出了一套可用于大范围冬小麦种植面积遥感测量业务化推广的识别和精度检验方法。研究结果表明：当TM样本量大于5%时,相对于TM识别结果而言,MODIS像元精度可以稳定在82%以上;当TM样本量大于40%时,区域精度可以稳定在97%。因此,从理论上讲,在实际业务化运行中,只要能够获得监测区40%的中高分辨率的影像,采用本研究提出的多尺度冬小麦种植面积测量方法,基本上可以满足业务化运行的精度要求。     

多时相遥感影像农作物识别方法的分析

作物识别是农情监测的基础,能为农业和灌溉用水管理部门提供重要参考数据。利用单景影像进行作物识别容易出现异物同谱及同物异谱现象,基于多时相影像的作物识别则可结合作物物候特征进行分类,避免该问题。介绍多时相作物识别的两种基本方法,并且对国内外多时相遥感农作物识别研究现状和新进展进行论述。     

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。