基于 DTW 距离的时序 NDVI 数据植被信息提取--以秦巴山区为例

秦巴山区是我国重要的生态屏障,对该区的植被信息提取开展研究,可为区内生态服务功能及自然资源开发利用提供基础数据。通过加窗处理改进DTW距离相似性算法,结合临近度模糊分类方法对2005—2014年的MODIS NDVI时序数据进行植被信息提取。首先利用S-G滤波对MODIS NDVI时序数据进行重建;再利用2013年的采样数据构建各类植被的标准NDVI时序曲线,逐像元计算与标准NDVI时序曲线的加窗DTW距离,利用临近度模糊分类实现植被信息提取;最后验证提取精度。结果表明,算法具有较高的运行效率,可避免错误匹配,以较高的精度(总体精度83.8%,kappa系数0.77)实现长时间序列的植被信息提取。     

基于M-TWDTW模型的粤北山区耕地撂荒遥感监测研究

精准掌握耕地撂荒信息对保护耕地资源及国家粮食安全具有重要意义。本研究针对现有时间加权动态时间规整（TWDTW）模型在撂荒监测方面的局限性,提出基于均值校正策略的M-TWDTW模型的撂荒地遥感监测方法。基于Sentinel-2 NDVI时间序列数据,利用撂荒地样本构建撂荒地参考NDVI时序,基于M-TWDTW模型校正参考时序,并计算未知像元时序与校正后时序的相似性距离,基于决策树方法获取距离的最佳分割阈值,识别撂荒地并验证识别精度。研究结果表明,与常规TWDTW方法相比,M-TWDTW方法弱化了撂荒时长不一引起的NDVI绝对值差异的影响,重点捕捉NDVI时序曲线的形态特征,能大幅度提高撂荒地的识别精度（TWDTW:66.85%,M-TWDTW:90.45%）,在大范围撂荒地遥感监测中具有较大的应用潜力。     

植被指数时序数据距离测度方法评价

利用MODIS增强型植被指数(EVI)时序数据,基于中国陆地生态系统55种植被类型上的468个测试点和一个测试区进行了实验,综合比较欧氏距离、光谱信息离散度、光谱角余弦、核光谱角余弦、相关系数、光谱角余弦-欧氏距离6种距离测度方法对遥感植被指数时序数据聚类精度的影响,结果表明:相关系数方法的聚类精度最差;光谱角余弦-欧氏距离方法充分利用了植被指数时序数据的曲线幅度和形状特征,在这6种距离测度方法中表现出了最优的聚类效果;只对光谱亮度敏感的欧氏距离方法或只对曲线形状敏感的光谱角余弦方法,无论是在区分地物类型方面,还是在区域应用上,表现效果均较差;核光谱角余弦虽然在点数据测试上表现较差,但在区域应用上却有较好的表现;光谱信息离散度无论是在点数据测试上还是在区域应用上均表现出了较为适中的效果。     

融合时间序列环境卫星数据与物候特征的水稻种植区提取

获取高精度的区域水稻种植面积对于农业规划、配置与决策具有重要意义。区域尺度的水稻面积获取依赖于高时空分辨率影像,但受卫星回访周期和气候影响,难以获取足够时间序列的高时空分辨率影像,从而影响水稻种植面积遥感提取的精度。为此,提出适应于中国南方多雨云天气地区,基于国产环境卫星(HJ-1A/1B)与MODIS融合数据的水稻种植面积提取的新方法。以洞庭湖区为实验区,利用STARFM模型融合环境卫星NDVI数据与MODIS13Q1数据,获取时间序列的环境卫星NDVI数据,利用水稻关键期的NDVI数据结合物候特征参数对水稻种植区域进行提取。结果表明,该方法能有效提取区域水稻种植的面积,水稻种植面积提取的总体精度与Kappa系数分别达到91.71%与0.9024,分类结果明显优于仅采用多光谱影像或NDVI数据。该研究为中国南方多雨云天气地区水稻种植面积提取提供了有效的方法。     

基于光谱曲线整体相似性测度的匹配分类

高光谱影像具有丰富的空间、辐射和光谱信息,每一个像元都可以提取出连续的光谱曲线。因此,可以通过高光谱数据与已知的参考光谱曲线波形或特征相似性对比分析的方法识别地物类型。在整体相似性测度约束下,综合考虑数值指数和形状指数,利用光谱特征向量间的差异和曲线信息熵提出了一种新的匹配分类的方法。实验结果表明,该方法具有分类精度高、适应性强的特点。     

基于光谱曲线整体相似性测度的匹配分类

高光谱影像具有丰富的空间、辐射和光谱信息,每一个像元都可以提取出连续的光谱曲线.因此,可以通过高光谱数据与已知的参考光谱曲线波形或特征相似性对比分析的方法识别地物类型.在整体相似性测度约束下,综合考虑数值指数和形状指数,利用光谱特征向量间的差异和曲线信息熵提出了一种新的匹配分类的方法.实验结果表明,该方法具有分类精度高、适应性强的特点.     

多时相MODIS指数提取东北三省水稻种植面积

为准确提取水稻面积,以东北为研究区域,采用多时相16d合成MODIS增强型植被指数数据和8d合成MODIS地表反射率数据提取水稻种植分布。选取水稻代表样点利用IDL编程提取物候曲线,利用归一化植被指数(NDVI)将水稻与其他明显地类区分,然后建立水稻增强型植被指数(EVI)、地表水体指数(LSWI)之间的相关关系,结合最新2015年土地利用数据提取东北三省2015年水稻种植面积。同时运用运筹学理论建立省级尺度水稻判别条件最优化模型,分析其在空间分布上的差异性和相关性,并将结果与统计年鉴进行对比分析,分析表明MODIS数据适合大区域省级范围水稻面积的提取,精度可达90%以上。由此得出,MODIS数据在省级尺度提取水稻种植面积上有着较大的优势。     

基于MODIS时序影像的湖南省油菜种植面积遥感监测分析

基于时间序列影像数据的提取方法可实现快速监测大面积农作物的种植分布和面积估算.以湖南省为研究区,利用2017年500 m空间分辨率的MODIS NDVI时序数据,结合湖南省耕地分布数据和实地样点数据得到油菜物候标准曲线,采用最小二乘法与阈值法提取得到湖南省油菜种植分布.结果显示,遥感提取得到的湖南省油菜种植面积主要分布...     

基于时间序列Sentinel-1A数据的水稻识别

基于时间序列的Sentinel-1A数据,利用光谱相似性方法(SSM)对广东省台山县汶村镇和海宴镇进行了水稻识别。首先将SSM应用于时间序列SAR图像中,计算光谱相似度;再通过设置阈值获得初始水稻种植面积图;最后消除斑点噪声,获得水稻种植面积图。结果表明,基于VH极化图像,利用SSM和阈值法获得的水稻种植面积图的总体精度最高为97.34%,Kappa系数为0.94。因此,时间序列Sentinel-1A数据对于识别水稻或其他作物具有很大的潜力。     

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。