基于空间抽样的上海市GlobeLand302020数据精度评估

针对上海GlobeLand302020土地覆盖产品,应用顾及空间异质性的类别-异质性分层抽样方法进行抽样,将研究区各地图类别划分为匀质区和异质区子类,按照内曼分配方法布设验证样本,在研究区域内抽取2500个验证像素,并参考同时期多源Google Earth高分遥感影像数据进行样本判读,获得参考分类即真实类别信息,对区域...     

全球地表覆盖数据辅助多源影像融合提取城市不透水面

本文提出了一种利用GlobeLand30数据辅助多源数据融合进行城市不透水面自动提取的方法。首先基于波段映射和小波变换的影像融合方法,融合哨兵二号和高分二号影像,获得同时具有较高空间分辨率和光谱分辨率的融合影像,其具有丰富的光谱特征和空间特征,有利于提升复杂城市区域的不透水面和非不透水面区分能力。然后利用GlobeLand30数据的类别信息自动获取初始分类样本,基于融合影像的丰富光谱信息构建多种植被指数、水体指数和建成区指数,对初始分类样本进行优化。最后利用优化后的训练样本,使用光谱、地物指数等特征训练分类器,实现城市不透水面的自动准确提取。本文以济南市2019年的高分二号和哨兵二号影像为试验数据,在时相、分辨率与影像均不同的GlobeLand30全球地表覆盖数据辅助下获得了总体精度优于92%的不透水面提取结果,验证了本文方法的有效性。     

地理国情监测绿化指数调查的技术方法研究

主要阐述位于城市中心城区内开展绿化覆盖的调查,研究如何运用遥感反演调查技术方法,调查出中心城区内绿化覆盖状况,通过分类精度评价能符合精度要求后,进一步开展城市绿地景观格局的分析,计算出中心城区内的绿化覆盖率、绿地廊道的指数等多项城市的绿地景观指数,为自然资源管理的宏观分析及各级政府部门提供了地理国情数据支撑。     

全球地表覆盖领域服务计算的研究进展——以GlobeLand 30为例

将服务计算技术与领域需求相结合,为信息共享和协同服务提供高效技术手段,是当前互联网+地理信息的一个重要发展方向。本文以GlobeLand 30为例,分析了地表覆盖信息处理与服务计算相结合的基本问题,介绍了领域服务建模、在线计算方法和动态服务技术等方面的最新研究进展,以及所研发的GlobeLand 30信息服务平台。本文还讨论了GlobeLand 30领域服务计算的发展方向。     

面向线性光谱混合分解的邻域像元集螺线型构建方法

高时间分辨率遥感影像在地表景观破碎区域易形成混合像元,难以发挥其高时间维度优势。现有方式多是基于线性光谱混合模型,借助邻域像元所构成的像元集合组成线性方程组,求出组分光谱值的最小二乘解,提高其空间分辨率。然而,现有方法依赖窗口形式来构建邻域像元集合,在某些区域易造成方程组无解的欠定问题。本文在分析其问题原因的基础上,引入阿基米德螺线代替传统的矩形窗口,对邻域各像元依次遍历,构建空间邻近、组分相近的邻域像元集合来解决该问题。在GlobeLand 30数据上的试验表明,螺线型构建方法对5种混合尺度上多种类型地物均具有稳定的精度,与传统窗口构建方法相比,可从构建邻域像元集合方面将总体理论精度提高2%,分解结果精度提高近1个数量级。     

SPOT4-VEGETATION中国西北地区土地覆盖制图与验证

利用SPOT4 VEGETATION的遥感数据产品生成的NDVI与NDWI植被指数时间序列图像集 ,通过ISODATA非监督分类方法 ,编制中国西北地区土地覆盖图。以TM影像人工解译结果作为真实值 ,通过对西北五省共计 47个均匀分布且异质性强的 2 5km× 2 5km样本区内的土地覆盖类型及其面积进行统计分析 ,修正了SPOT4 VEGETATION的土地覆盖分类系统 ,建立了各省验证结果的样本统计直方图并计算其回归系数。结果表明SPOT4 VEGETATION中国西北地区土地覆盖图在总体上具有较高的准确性。影响遥感数据自动分类精度 ,造成土地覆盖误判的原因主要来源于两个方面 :即异物同谱和混合像元问题。对于前者通过叠加各种辅助数据如DEM等可以降低误判的机率 ;对于后者运用混合像元分解的各种算法可以提高分类精度     

30m全球地表覆盖遥感制图生产体系与实践

在以"多源影像最优化处理、参考资料服务化整合、覆盖类型精细化提取、产品质量多元检核"为主线的总体研究基础上,依托生产技术规范体系、全过程质量控制手段和支持环境,通过30m地表覆盖产品和技术设计、多源影像资料收集整合处理、分区按类型地表覆盖数据提取组织实施及数据产品集成与优化,构建了工程化的30m全球地表覆盖遥感制图生产体系,实现了预期的产品指标,完成了2000和2010两个基准年的30m地表覆盖数据产品研制。通过精度评价,该套数据产品分类精度达到80%以上。该生产体系的构建为开展较高分辨率全球地表覆盖数据产品研制、细化、更新奠定了基础,为开展大规模遥感影像信息提取、表达和应用起到了示范作用。     

面向制图的GlobeLand30数据小图斑综合方法

针对当前的小图斑综合方法无法满足基于GlobeLand30数据制作地表景观图需要的问题,该文通过建立变化分界尺度计算模型、改进图斑处理方法,并基于层次格网划分综合区进行小图斑综合,最后将此方法应用于郑州市地区地表覆盖数据的综合并生成了地表景观图。实验结果表明,该方法在保持地表覆盖的整体结构特征和各类型地表覆盖的空间分布特征方面效果显著。     

近15年新疆逐日无云积雪覆盖产品生成及精度验证

为降低云对MODIS逐日积雪覆盖产品MOD10A1和MYD10A1在新疆积雪实时监测与研究中的影响,引入交互式多传感器雪冰制图系统(interactive multi-sensor snow ice mapping system,IMS)等多源遥感数据和地面实测资料,综合时间滤波法、空间滤波法及多传感器融合法等不同的去云技术,建立基于多源数据的去云方法,生成新疆地区2002—2016年近15 a间逐日无云积雪覆盖产品数据,并利用实测资料对生成的产品数据进行精度评价及结果验证。结果表明,去云后积雪覆盖产品在新疆积雪覆盖的总体监测精度为90.61%,接近于去云前MODIS晴空积雪覆盖产品在新疆的总体监测精度(93.3%)。     

基于知识的GlobeLand30耕地数据质量检查方法与工程实践

全球地表覆盖数据产品GlobeLand30研制的一项重要任务是设计和研发数据质量检查方法,降低地表覆盖10大类型分类提取的错判率与漏判率.本文以耕地为例,分析了影响全球耕地信息提取的主要质量因素,凝练了耕地的地域分布、人文相关知识、时空稳定性、物候特征等方面的知识,构建了基于知识的数据质量检查规则,设计了由整体到局部、分区域检查与修改交互式处理的策略,形成了一种基于知识的全球耕地数据质量检查方法;并利用该方法开展了GlobeLand30耕地数据质量检查,将耕地数据精度提高到了83.06%.该方法对地理国情及其他地表覆盖研究具有借鉴意义.     

中国版大洋洲地表覆盖产品研制

针对全球变化研究对大洋洲地表覆盖产品的需求,该文以2000年和2010年的Landsat卫星影像为数据源,提出了对大洋洲影像按照月份分组并进行样本采集与规则训练的方法,采用GLC树分类器进行自动分类,经过分类后处理和数据集成,完成了2000年和2010年两期、30m分辨率的大洋洲地表覆盖产品研制工作。利用高分辨率影像、实地采集照片等进行室内精度评定,该大洋洲地表覆盖产品的精度达到90%以上。     

空间粒度变化对景观格局指数的影响——以徐州地区为例

以TM遥感图像为数据源,选择徐州地区一块441km2的研究区,应用地理信息系统技术处理得到该研究区的景观遥感类型图,选取10个景观水平的景观格局指数,利用景观格局分析软件FRAGSTATS3.3进行计算,分析了不同粒度对景观格局指数计算结果的影响。结果表明:随着粒度值由30m到480m的逐渐增加,除丰富度外的景观指数均具有明显的粒度效应。从而对该地区景观格局特征的评价提供了可靠的依据。     

高分辨率遥感影像城中村提取的景观语义指数方法

城中村是中国一类特殊的非正式居民区。本文从城中村的物理特点出发,采用景观语义指数描述复杂的城中村场景,提出基于景观语义指数的高分辨率遥感影像城中村提取方法,并采用“分类置信度-反馈”机制进行实际可操作的大范围城中村制图。以广州市核心城区为例,城中村检测的总体精度达到了90%以上。试验结果表明相对于传统的光谱、纹理特征,景观语义指数能够更好地描述城中村的根本形态特点,更准确的城中村提取。此外,“分类置信度-反馈”机制能够充分参考机器学习的分类概率,以有限的人工干预生产更加准确的城中村制图产品。因此,本文方法能够有效应用于大范围的城中村提取与制图。     

基于综合景观指数的城乡结合部边界划分

总结单一景观指数模型提取城乡结合部边界存在的问题,提出综合景观指数模型。同时指出,唯有将城市扩展方向信息与指数模型相结合,才能提高城乡结合部的提取精度。以成都市为例,应用遥感和GIS技术,根据建立的模型,计算出各判别单元的综合景观指数,并将综合景观指数在0~22之间的判别单元划分为城乡结合部。     

顾及城乡差异的大区域人口密度估算——以山东省为例

现有大区域人口密度估算结果大多是在千米级尺度上,仅能宏观地反映城乡人口分布的范围,无法准确地刻画城乡人口空间分布的细节特征。本文将首套30m全球地表覆盖数据(GlobeLand30)引入城乡人口密度估算中,基于实现城乡划分的GlobeLand30人造地表数据,在城镇区域运用夜间灯光强度与人口的相关性将城镇人口细划到30m尺度上来估算城镇人口密度;在乡村区域引入样方估算的方法修正乡村居民地面积以估算乡村人口密度。以山东省为试验区的研究表明,本文方法无论在城乡居民地刻画还是人口空间分布的表达上均优于参考数据,所使用的GlobeLand30的全球性也保证了该方法推广的可行性。     

互联网+地表覆盖验证及应用

为有效地组织大范围地表覆盖数据验证,需要发动和组织来自不同地域、不同机构的专家,但往往缺少网络化环境下的协同验证方法和工具。针对这一问题,将互联网+、服务计算技术等与地表覆盖验证业务相融合,提出了互联网+地表覆盖验证服务模型,构建了面向互联网+的地表覆盖验证业务流程和方法,研制了基于景观形状指数（landscape shape index,LSI）抽样算法的在线验证系统GLCVal（global land cover validation）,为大范围、高分辨率地表覆盖数据验证提供了新思路、新方法。利用所提出的方法与系统,与GEO（Group of Earth Observation）、UN-GGIM（the United Nations Initiative on Global Geospatial Information Management）等组织合作开展了GlobeLand30的全球验证,有效支持了跨区域专家的主动参与、多角色协同,促进了验证资源联通和共享,提高了验证效率。     

融合多尺度影像数据的杞麓湖流域景观格局分析

景观格局是景观斑块秩序和规律的具体体现,分析景观格局特征能够在空间结构上推进流域生态保护红线的划定和管控工作,维持可持续发展的底线。基于不同遥感数据源测算的景观格局可能存在计算结果差异,以及对景观格局描述不一致的问题。本文以杞麓湖流域为研究区,选取最新的Sentinel-2、GF-1和Landsat 8卫星遥感影像,基于斑块尺度、类型尺度和景观尺度的7个景观指数,从景观类型分布和整体格局两个方面探讨了杞麓湖流域景观格局现状,并分析不同数据源对景观格局评价结果的异同。结果表明：①杞麓湖流域的景观格局以林地和耕地为基底,零碎分散着建设用地和其他用地;②不同卫星遥感影像对流域景观格局的描述存在差异,影像分辨率与斑块数目、最大斑块指数、形状指数、分离度指数存在显著的正相关关系,而对于测度整体的香农多样性指数、香农均匀度指数、优势度指数的影响相对较小。     

2000—2020年亚马孙流域地表覆盖时空变化分析

针对亚马孙流域地表覆盖变化对当地生态系统以及全球气候变化具有重要意义这一问题，该文基于国家基础地理信息中心牵头研制的、经一致性处理的全球30 m地表覆盖产品(GlobeLand30)三期地表覆盖数据产品，采用景观格局指数和转移矩阵，分析了2000—2020年亚马孙流域地表覆盖的空间格局分布以及时空变化，并对其变化原因做出分析。结果表明：2000—2020年亚马孙流域林地和湿地面积逐渐减少，耕地、草地和人造地表的面积逐渐增加，水体先减少后增加。亚马孙流域2000—2010年和2010—2020年的地表覆盖类型转变方向基本保持一致；人造地表在地表覆盖类别中破碎现象最为显著，但其破碎化指数持续降低。亚马孙流域地表覆盖的变化主要受人类活动的影响，其中城市扩张和人口增加是林地减少的最主要因素。相关研究成果可为亚马孙流域未来的社会经济发展和生态系统保护提供重要支撑。     

深度学习农作物分类的弱样本适用性

基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略：以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN (Deep Convolutional Neural Networks),获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示：测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。     

土地利用景观格局核心指数提取:以中国广州市为例

景观格局是研究景观功能和动态的基础。景观指数分析在土地利用/土地覆盖、生态系统服务、森林监控、城市蔓生以及生物多样性等方面应用广泛。现有许多景观指数之间存在不同程度的相关性,不仅导致信息冗余,还将影响结果解译的清晰性和准确性。同时,已有研究主要针对栅格数据,针对矢量数据的景观指数分析研究较少。为解决上述问题,以广州市土地利用景观格局为例,在矢量数据格式下计算了44个常用的景观指数,并运用相关分析和因子分析相结合的多元统计分析法,提取了6个核心景观指数,这些指数描述了广州市土地利用景观格局的6个维度:景观破碎度、平均斑块面积、平均形状复杂度、空间分散度、形状复杂度差异和土地类型的相似性。