基于深度学习的高分辨率遥感影像光伏用地提取

近年来我国光伏产业发展迅猛,随之也产生了诸多用地问题,通过遥感技术提取光伏用地,监测光伏用地分布与用地状况,对于光伏产业健康发展具有重要意义。本文提出一套基于深度学习方法的高分辨率遥感影像光伏用地自动提取方法,该方法利用GF-1等卫星影像和Google Earth影像构建光伏用地样本,基于ResNeSt-50作为骨干网络的DeepLab V3+模型实现深度学习语义分割算法,并结合计算机图形学方法对深度学习结果进行后处理,实现了面向高分辨率遥感影像较通用的且高精度的光伏用地自动提取。该方法的深度学习模型验证精度mIoU值达0.899 2,提取结果具有良好的边缘精度且具有广泛的适用性,支持GF-1、ZY-3、GF-6、GF-2和Google Earth等影像。     

Google Earth控制点自动提取技术

控制点在遥感影像纠正等应用中有着非常重要的作用。本文针对人工选取控制点效率低、精度差的问题,提出了Google Earth高分辨率遥感影像控制点自动提取方法,说明了基于线特征确定稳定控制点的方法,并通过遥感图像纠正以及航拍图像定位实验验证了方法的有效性。     

基于Google Earth管线巡检系统地图数据的制作方法研究

本文简明介绍了Google Earth的基本状况,阐述了其优缺点。为了弥补Google Earth的缺点以满足管线巡检系统的要求,本文提出了向Google Earth叠加影像数据和基础地理数据的思想,文中详细介绍了叠加影像数据和基础地理数据的原理和技术,以及如何利用这些数据,并以德阳市为例进行实现。最后提出了在Google Earth进行商业开发存在的几点问题。     

Google Earth辅助下的高分辨率遥感影像区域网平差

针对国产卫星境外定位的实际需要,提出利用Google Earth数据量测控制点辅助高分辨率遥感影像区域网平差的方法。首先统一坐标系,将所量测的控制点高程坐标转换为大地高;然后将其视为精度较低的控制点参与平差。试验分为无地面控制点和布设稀少地面控制点两种情况,对于每种情况分别设计不同的试验方案分析Google Earth数据对于定位精度的影响。结果表明利用Google Earth数据辅助区域网平差可以明显提高定位精度,可为缺少地面控制点的境外地区的光学线阵遥感影像几何定位提供新的思路。     

基于ArcEngine的ArcGIS矢量数据到KML文件转换方法研究

ESRI是GIS领域的拓荒者和领导者，Google Earth则提供了全球范围的影像数据库，将二者结合起来进行商业开发具有很强的现实意义。本文介绍了基于ArcEngine的ArcGIS矢量数据到KML转换的主要思想，提出了转换方法，并进行了程序实现。     

困难地区大型工程预选址新方法探讨

利用遥感技术进行工程预选址,能够克服困难地区交通不便、环境恶劣等困难,但使用商业遥感影像成本较高,借助Google Earth提供的坐标信息,以及开放网络资源提供的高分辨率遥感影像进行工程预选址能够达到事半功倍的效果。文中利用Google Earth进行二次开发,获取某区域的三维坐标点集,建立数字高程模型。在此基础上,叠加影像制作该区域三维场景,并结合该区域遥感地质解译等相关资料,在三维场景中进行综合分析,实现工程预选址。实验表明,在三维场景中进行选址分析更直观、真实,选址工作更具有针对性,可缩小感兴区范围,节省大量时间。     

Google Earth在道路工程前期规划设计中的应用研究

Google Earth数据具备免费、直观、时效性强等特点,在道路工程设计中具有巨大的应用前景。本文以乌拉泊饮水源保护工程吐乌大高速公路段项目为例,提取项目区Google Earth最新卫星影像图和高程点数据,通过ArcGIS地统计学工具和Sufer克里金差值法进行项目区前期设计分析,获得最优路线和蓄水池的设置点,从而使前期项目设计节约劳动时间,降低劳动强度,提高工作效率。具有较强的实用性和可操作性。     

基于Google软件的农地区高程获取及精度评价

相比于传统大比例尺测绘,高分遥感和雷达技术可以快速高效地获取农地地形边界和特征点位高程,因而可为农地整理和机械化前期研究提供决策依据。本研究基于Google Maps高分辨率遥感影像数字化农地特征点位和边界,开发了在Google Earth(谷歌地球)软件上获取坐标点位高程的程序,实现了农地特征点位数字化和高程获取;使用国家1:1万数字地形图对该方法进行了精度评估,并且与直接基于SRTM3和ASTER数字高程模型插值方法进行了比较。结果表明,本研究实现了高分辨率遥感影像和数字地形模型的整合应用,在农地边界和特征点位获取、影像校正方面比直接通过SRTM3数据插值获取高程有优势,有较好的应用潜力。     

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。     

利用Google Earth和SRTMGL1进行高分辨率遥感影像正射校正

在无实测地面控制点情况下,本文提出了一套基于Google Earth和SRTMGL1的遥感影像正射校正流程。首先在ENVI5.3中,将待校正影像与参考影像(即Google Earth影像)进行同名地物点自动匹配,获得同名点文件(PTS);然后在Arc GIS 10.2平台下,根据参考点的X、Y坐标,将校正控制点表数据转换为Arc GIS点文件(SHP);最后将该点文件与SRTMGL1高程数据进行空间叠加,获得高程值,得到带有高程值的地面控制点文件,进而进行有控制点的正射校正。相较于无控制点的正射校正,本研究所采用的处理流程可以有效提高校正精度,为后续影像镶嵌奠定良好基础;镶嵌中误差为2.13 m,可满足1∶5000土地利用现状调查的技术要求。     

Google Earth Engine平台下秦岭地区植被覆盖时空变化分析

秦岭地区植被覆盖动态变化对其生态环境有重要影响。本文利用Google Earth Engine云平台,选取1986—2019年Landsat TM/OLI地表反射率数据,结合像元二分模型估算秦岭地区植被覆盖度(FVC);通过年际变化斜率、变异系数、Hurst指数等评价指标,对FVC的时空变化、稳定性和持续性变化进行分析。此外,探究FVC与气温、降雨的耦合关系,并分析土地利用变化对FVC的影响。结果表明:34年间,秦岭地区FVC整体上呈现良好的状况,中高等及以上植被覆盖区达73.11%;FVC由1986年的62.86%增长到2019年的70.01%,植被活动在不断增强;FVC的变异系数均值为0.34,标准差为0.45,其稳定性与其空间分布呈高度自相关性;秦岭地区的植被覆盖变化受气候变化和人为因素的共同影响。     

基于CryoSat-2数据的纳木那尼冰川冰面高程变化方法研究

随着全球气候变暖,中亚地区大部分冰川逐渐变薄。高海拔山地冰川的变化会影响到周边地区的水资源和海平面变化,因此,我们需要高精度的地表高程观测数据来监测冰面高程变化。本文以喜马拉雅山脉西段的纳木那尼冰川为例,基于CryoSat-2卫星雷达高度计SARIn模式数据,修改了伪重复轨平面拟合方法,并计算了从2010年8月至2016年7月的冰面高程变化。纳木那尼冰面平均高程变化率为-0.47±0.44 m/year,整体呈现变薄趋势,与前人文献的结果基本一致,表明CryoSat-2数据在山地冰川使用伪重复轨平面方法估算高程变化有效可行。     

高山冰川多时相多角度遥感信息提取方法

提出一种多角度遥感影像的冰川信息提取方法。通过"全域—局部"的阈值分割方法获取短时期内不同时相的遥感影像的冰雪边界,结合地形信息和多时相遥感影像的太阳角度信息,联合消除山体阴影对冰川的遮挡,并以多期影像的最小冰雪边界作为最佳冰川边界。以托木尔峰西侧冰川为研究对象,采用2009—2010年4个时相的遥感影像提取冰川信息。结果表明多角度遥感提取的冰川边界效果好,能有效地排除积雪与山体阴影的干扰。     

基于CBERS-02B星HR与CCD数据的喀斯特山区影像融合研究

喀斯特山区海拔高且相对高差大,地块破碎,地表覆盖类型多样,常年多云多雨,卫星遥感数据质量因此常受到严重影响.国产自主卫星CBERS-02B获取的高分辨率全色影像(HR)和多光谱(CCD)影像能更快捷.更方便地提供喀斯特山区遥感影像.采用HIS变换、PCA变换、HPF等图像融合方法,对CBERS-02B星HR和CCD影像...     

Production of global land cover data – GLCNMO

Abstract

Global land cover is one of the fundamental contents of Digital Earth. The Global Mapping project coordinated by the International Steering Committee for Global Mapping has produced a 1-km global land cover dataset – Global Land Cover by National Mapping Organizations. It has 20 land cover classes defined using the Land Cover Classification System. Of them, 14 classes were derived using supervised classification. The remaining six were classified independently: urban, tree open, mangrove, wetland, snow/ice, and water. Primary source data of this land cover mapping were eight periods of 16-day composite 7-band 1-km MODIS data of 2003. Training data for supervised classification were collected using Landsat images, MODIS NDVI seasonal change patterns, Google Earth, Virtual Earth, existing regional maps, and expert's comments. The overall accuracy is 76.5% and the overall accuracy with the weight of the mapped area coverage is 81.2%. The data are available from the Global Mapping project website (http://www.iscgm.org/). The MODIS data used, land cover training data, and a list of existing regional maps are also available from the CEReS website. This mapping attempt demonstrates that training/validation data accumulation from different mapping projects must be promoted to support future global land cover mapping.     

GEE环境下联合Sentinel主被动遥感数据的国家公园土地覆盖分类

国家公园的土地覆盖分类对于掌握自然资源现状、查明存在的生态安全威胁并快速应对具有基础性数据支撑作用。基于谷歌地球引擎（Google Earth Engine,GEE）平台,结合哨兵（Sentinel）主被动遥感数据及其导出的光谱指数、纹理特征和地形特征,分别采用基于像元的随机森林（random forest,RF）算法和面向对象的简单非迭代聚类（simple noniterative clustering,SNIC）+RF算法实现了钱江源国家公园异质性景观的土地覆盖（耕地、森林、草地、水体、人造地表和裸地）分类。地面实验表明,在多种输入数据组合中,基于像元和面向对象方法分类获得的最高总体精度分别为92.37%和93.98%。合成孔径雷达（synthetic aperture radar,SAR）数据的纳入能够提高基于像元方法的分类精度,但在面向对象方法中未能体现精度提升效果。通过SNIC+RF算法生成的土地覆盖分类图完整性更好,所需特征数量较少,并且算法能够在GEE环境下快速执行,适用于国家公园管理实践。     

星载SAR影像解译研究——以横断山脉地区为例

雷达遥感具有全天时、全天候的特点,在测绘中能够很好地弥补光学遥感的不足。随着SAR技术的不断发展,雷达影像得到了广泛的应用。然而受SAR相干侧视成像机制的影响,山区SAR影像的判读解译依然面临着巨大的挑战,制约着SAR在高山区测图、土地利用、地表覆盖等制图中的应用。本文以横断山脉地区为例,综合利用TerraSAR高分辨率升降轨影像,运用影像融合和镶嵌技术,结合实地调绘成果,对山区高分辨率星载SAR影像判读解译进行了深入研究,并最终形成了一套高效、可靠的解译流程。该判读解译流程对山区SAR影像在高山区测图、土地利用、土地覆盖制图中应用的推广具有重要的意义。     

Land cover dynamics monitoring with Landsat data in Kunming,China: a cost-effective sampling and modelling scheme using Google Earth imagery and random forests

Changes in forest composition impact ecological services, and are considered important factors driving global climate change. A hybrid sampling method along with a modelling approach to map current and past land cover in Kunming, China is reported. MODIS land cover (2001–2011) data-sets were used to detect pixels with no apparent change. Around 3000 ‘no change points’ were systematically selected and sampled using Google Earth’s high-resolution imagery. Thirty-five per cent of these points were verified and used for training and validation. We used Random forests to classify multi-temporal Landsat imagery. Results show that forest cover has had a net decrease of 14385?ha (1.3% of forest area), which was primary converted to shrublands (11%), urban and barren land (2.7%) and agriculture (2.5%). Our validation indicates an overall accuracy (Kappa) of 82%. Our methodology can be used to consistently map the dynamics of land cover change in similar areas with minimum costs.     

SketchUp在虚拟山地建模中的应用

基于SketchUp软件快速高效的三维建模方法,直观便捷的三维观察方法再配合实地照片及Google Earth相关卫星图片,可以准确有效地模拟及再现山地场景。通过举例,探究了用SketchUp软件及ArcGIS3D分析模块对大面积山体进行快速建模的技术。     

Accuracy assessment of the global forest watch tree cover 2000 in China

Inaccurate information on forest resources could hamper forest conservation, reforestation and sustainable management. Remote-sensing products have emerged as key tools in forest cover monitoring. The Global Forest Watch (GFW) dataset as an interactive remote sensing product, is now applied by more than 2 million users including researchers, conservationists and local communities for analyzing forest cover changes. The quality of this product varies spatially, and local validations are recommended before using the data for inventory and management tasks. Our study evaluated the accuracy and suitability of the GFW dataset for analyzing China’s forest cover. We conducted a validation based on a streamlined visual interpretation procedure using high-resolution optical imagery on Google Earth to map the uncertainties and inaccuracies of GFW Tree Cover 2000 in China. We then estimated China’s forest area after considering the data uncertainty, made a comparison with the data reported by the National Forest Inventory of China (CNFI) to understand where and how the land-based inventory differs from the presence/absence-based remote sensing data. The results showed that the overall accuracy of the GFW Tree Cover 2000 data reached 94.5 %. The user’s and producer’s accuracy of forest classification was 89.26 % and 82.13 %. The sample-based area estimation using GFW showed a larger forest area than the figure reported by CNFI in mainland China, while data discrepancy varied at provincial levels. The study provides a detailed performance assessment of GFW in terms of accuracy of defining forest, and we advise the consideration of data uncertainty in forest cover estimates for future forest management.