基于Sentinel-2和Landsat卫星时序数据的耕地撂荒识别

充足的粮食供应是当下经济发展和社会稳定的重要保障之一，撂荒作为耕地边际化的极端表现，对其开展监测对保障耕地数量和质量至关重要。本文以四川省南充市营山县为研究区域，通过GEE平台，使用Sentinel-2和Landsat 7、8数据构建时序数据集，计算NDVI、EVI、NDWI、BSI、MSI等指数，分别利用支持向量机和随机森林法提取耕地撂荒，总分类精度为73.76%,Kappa系数为0.68,针对耕地撂荒最佳提取效果，F₁得分为0.691 1。本文方法对山地丘陵地区耕地撂荒监测有较大的借鉴意义。     

采用6S模型的多时相MODIS植被指数NDVI归一化方法

基于6S辐射传输模型,对连续6个时相的MODIS影像进行逐像元大气校正获取地表反射率,以此实现MODIS NDVI的时相归一化。归一化后,地物NDVI的时相趋势与校正前相比差异显著,能更加准确地描述地物随时间变化的规律,在浓密植被区域表现更为明显。开展对NDVI时相归一化的研究,对全球变化、作物物候监测等遥感时序分析相关应用具有着重要的意义和实用价值。     

NDVI时序曲线形状相似性模型的水稻提取方法

基于土地利用现状图与经验观测,提取标准水稻NDVI时序曲线,利用傅立叶形状描述子计算MODIS-NDVI时序曲线与标准的水稻NDVI时序曲线形状相似性距离,通过样例数据探测未知像元与样本的相似性距离阈值,从而判别双季水稻种植区域。以江汉平原2010年的数据进行实验,证明此方法识别的双季水稻种植区域面积误差为8.6%,总体精度为80%,较为理想。该方法将遥感光谱信息与几何形状的识别相结合,有效减少了个别时段光谱信息误差引起的识别错误,提高了识别水稻种植区域的有效性。     

基于Sentinel-2A时序谐波分析的山区林草资源遥感自动分类

文章提出了基于Sentinel-2A密集时序的山区林草资源自动分类方法。在GEE云计算平台支持下,首先基于Sentinel-2A影像计算年度NDVI密集时间序列;然后利用HANTS谐波分析对年度NDVI进行时序重构,获得年度完整的NDVI时序特征谱;在此基础上构建随机森林分类模型,通过特征计算和优选,完成影像分类和精度评价;并以大别山西麓麻城市为研究区开展了实验研究。实验结果表明:时序谐波分析方法能够有效地区分林草资源及森林亚类,时序谐波特征支持下Sentinel-2A密集时序林草资源遥感分类总体精度较高,相比传统多期分类、现有的全球30 m GLC_FCS30-2020分类产品,OA和Kappa均有了一定的提高。     

融合多源遥感影像的城市扩展识别与空间驱动分析

鉴于当前较难获取最新高精度长时序遥感城市土地监测图,现有城市扩展空间驱动分析实践识别主要驱动因子时未检验因子集的全局解释性且较少关注空间溢出效应。以东莞为实验对象,集合Landsat影像和MODIS归一化植被指数（normalized differential vegetation index,NDVI）时序产品,构建深度学习分类器,获取高精度土地覆盖分类图,识别城市扩展,使用基于logistic回归的探索性回归识别解释东莞全局城市扩展的最优因子集,进而使用auto logistic回归测度空间溢出效应的影响并进行驱动分析。研究发现：(1)基于深度学习分类器,融合Landsat光谱、纹理和MODIS NDVI时序变化信息可获取高精度（Kappa>93%）土地覆盖分类图;(2)基于探索性回归可良好识别解释全局城市扩展的最优因子集,受试者工作特征曲线（receiver operating characteristic curve,ROC）>0.85;(3)2000—2020年,最优解释东莞全局城市扩展的主要空间驱动因子有城市规划方案、距建成区距离、空间加权城市密度、城市扩展的空...     

基于多源遥感数据的玛纳斯河流域荒漠化监测

利用遥感手段对玛纳斯河流域绿洲-荒漠带的荒漠化状况进行监测。利用不同时期TM数据,在小尺度上分析该区域2000~2008年荒漠化土地的分布特征;基于MODIS陆地遥感产品(NDVI、Albedo及LST),利用多源信息复合法计算荒漠化程度指数;基于TM荒漠化监测结果对该指数进行分级处理,初步建立并验证基于MODIS数据的荒漠化监测评价模型。结果表明:近10 a来,绿洲外围荒漠化土地变化较小,大部分变化发生在绿洲内部,主要为局部荒漠化被开发或因盐碱化过重导致的撂荒;荒漠化监测评价模型对研究区荒漠化程度定量评价精度可达91.25%。     

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。     

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%。     

遥感定量反演地表参数对于气候变化的响应研究

遥感定量反演地表参数时间序列产品已被广泛应用于植被动态变化、全球气候变化、防灾减灾及环境保护等领域。由于卫星观测往往受到大气条件（如云、气溶胶、水汽等）以及传感器自身稳定性的影响等,许多由卫星观测反演得到的陆表产品,如归一化差值植被指数（NDVI）、叶面积指数（LAI）、地表温度（LST）、微波极化亮温（PDBT）等存在严重的时空不连续问题。为了获取时间序列上连续、空间上完整的地表参数遥感产品以满足长时序的陆面过程分析与建模的需求,目前已发展多种遥感时间序列重建模型。本文介绍了基于傅里叶变换的时间序列谐波分析（HANTS）方法,能够识别并去除受到云和大气影响的像元（噪声）,对原始时序数据进行时间插值来重建连续时间序列的数据,并针对其面向多种不同时空尺度的遥感反演地表参数以及在非洲、南美洲、欧洲、中国及印度等全球不同地区的应用研究进行了综述,包括植被动态变化对于气候变化及流域水循环过程的响应、干旱监测、基于土壤含水量饱和度时间序列分析的洪涝灾害易发区监测、遥感估算地表蒸散发时间尺度扩展等方面的研究,充分阐释了遥感时间序列产品在地气相互作用的各类研究领域的应用。     

不同分辨率影像的撂荒地提取方法

撂荒地对土地利用有很大的影响,利用遥感影像识别并提取撂荒地可以进一步加强对其保护和利用,故撂荒地的影像特征提取具有极大的意义。本文着重研究基于不同分辨率影像的撂荒地信息的提取方法,对于高分辨率遥感影像直接采用目视解译的方法,中分辨率影像采用决策树分析法,低分辨率则是采用时间序列的生命周期法及归一化差分植被指数来提取撂荒地。针对不同分辨率影像选择不同方法来进行撂荒地的提取,并分析不同方法的优缺点,可为以后的研究提供思路。     

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...     

时序Sentinel-1A数据支持的长江中下游汛情动态监测

合成孔径雷达（SAR）因其对地观测全天候、全天时优势,成为多云多雨天气限制下洪水动态监测中不可或缺的数据来源之一。由于GEE（Google Earth Engine）云计算平台的兴起和短重访Sentinel-1数据的可获取性,洪水监测与灾害评估目前正面向动态化、广域化快速发展。顾及洪水淹没区土地覆盖变化的复杂性和发生时间的不确定性,基于时序Sentinel-1A卫星数据提出了针对大尺度范围、连续长期的汛情自动检测及动态监测方法。该方法首先,利用图像二值化分割时序SAR数据实现水体时空分布粗制图,逐像素计算时间序列中被识别为水体候选点的频率。然后,利用Sentinel-2光学影像对精度较粗的初期SAR水体提取结果进行校正,得到精细的水体分布图。最后,针对不同频率区间的淹没特点,采用差异化的时序异常检测策略识别淹没范围：对低频覆水区利用欧氏距离检测时序断点,以提取扰动强度大、淹没时间短的洪涝灾害区;对高频覆水区利用标准分数（Z-Score）检测时序断点,以提取季节性水体覆盖区。在GEE平台上利用该方法,实现了2020-05—10长江中下游地区全域洪水淹没范围时空信息的自动、快速、有效监测,揭示了不同区域汛情发展模式的差异性。本文提出的洪水快速监测方法对大尺度下的汛情动态监测、灾害定量评估和快速预警响应具有重要的现实意义。     

基于时间序列统计特性的森林变化监测

森林动态变化分析对揭示生态系统环境变化及植被恢复和布局重建等具有重要意义,时间序列的遥感数据为森林监测提供了基础数据。本文根据森林植被的统计学特性,在暗目标法的基础上,利用归一化植被指数NDVI实现森林样本自动选择;并融合NDVI构建了新的综合森林特征指数(Integrated Forest Z-Score,IFZ);以时间序列的IFZ分析森林动态信息,实现森林变化动态监测。以三峡大坝及周边区域森林为研究区,利用2001年至2012年每年生长季节(5月—10月)的Landsat TM影像检验本文算法。基于2002年、2006年和2010年三期7月—9月的Quick Bird影像的精度分析结果发现:研究区森林变化检测的总体精度可达96.53%,Kappa系数为0.9512。在添加NDVI指数后构建的IFZ提高了总体监测精度。其中,毁林类别的检测精度提高显著,漏检率和误检率分别为2.74%和3.64%;干扰后重建的森林类别的检测精度有一定提高,其漏检率和误检率分别为10.79%和10.51%。研究结果表明,改进暗目标法能提高森林样本的选样效率,添加NDVI的IFZ能提高森林动态变化的识别度。此外,本算法不仅能定性识别森林变化,而且能定量提供森林干扰发生时间和干扰强度。     

基于InSAR技术和光学遥感的贵州省滑坡早期识别与监测

贵州省因其复杂的地形地貌和强降水等气候特征,滑坡灾害频繁发生。亟需一种可靠的滑坡早期识别和监测方法。传统的滑坡识别和监测方法存在局限性,而InSAR技术在大规模地质灾害监测中具有独特的优势。但是,基于单一地表形变值的滑坡识别结果存在一定的不确定性。因此,本文联合InSAR技术和光学遥感,利用Sentinel-1A雷达卫星影像数据对贵州省六盘水市、铜仁市、贵阳市等地区进行大规模地表形变监测和危险形变区识别;并采用基于NDVI时间序列分析和基于滑坡发育要素的滑坡识别方法对研究区潜在滑坡灾害进行调查。利用InSAR技术对研究区域内重点滑坡（鸡场镇）进行监测,及时掌握滑坡的运动状态。本文方法对贵州省的灾害防治和管理具有重要意义。     

MODIS植被指数的美国玉米单产遥感估测

针对中国开展的国外农作物产量遥感估测大多依靠中低分辨率耕地信息、省级(州级)或国家级作物产量统计数据的现状,本文以美国玉米为例,探讨利用多年中高分辨率作物分布信息、时序遥感植被指数和县级作物产量统计数据开展国外重点地区作物单产遥感估测技术研究,以期进一步提高中国对国外农作物产量监测精度和精细化水平。首先,利用美国农业部国家农业统计局(NASS/USDA)生产的作物分布数据(CDL)获得多个年份玉米空间分布图,并对相应年份250 m分辨率16天合成的MODIS-NDVI时序数据进行掩膜处理,统计获得每年各县域内玉米主要生育期NDVI均值;其次,以各州为估产区,以多年县级玉米统计单产和县域内玉米主要生育期NDVI均值为基础,建立各州玉米主要生育期NDVI与玉米单产间关系模型;然后,通过主要生育期玉米单产和玉米植被指数间拟合程度,筛选确定各州玉米最佳估产期和最佳估产模型。最终,利用最佳估产模型实现美国各州玉米单产估测和全国玉米单产推算。其中,建模数据覆盖时间为2007年—2010年,验证数据为2011年。结果表明,应用最佳估产模型的2011年美国各州玉米单产估测相对误差在-4.16%—4.92%,均方根误差在148.75—820.93 kg/ha,各州估测结果计算获得全国玉米单产的相对误差仅为2.12%,均方根误差为285.57 kg/ha。可见,本研究的作物单产遥感估测技术方法具有一定可行性,可准确估测全球重点地区作物单产信息。     

未种植耕地动态变化遥感识别——以阿根廷为例

连续多年的高强度耕作会导致耕地层土壤养分、土壤有机质等逐渐下降,在作物收获之后作物秸秆还田量较少的情况下尤其突出,而对耕地利用状况动态变化(种植耕地与未种植耕地的动态变化)的识别,能够有效地反映出不同作物的轮作模式以及耕地种植强度的变化。本文以阿根廷3大农业主产省份(布宜诺斯艾利斯省、科尔多瓦省以及圣太菲省)为研究区,利用中分辨率成像光谱仪(MODIS)16天合成的归一化植被指数(NDVI)数据产品,在分析不同地物类型、不同耕作模式下的NDVI动态变化过程的基础上,结合地面样本数据统计获得有作物种植农田与无作物种植农田的识别阈值,综合利用阈值法和植被指数动态变化过程分析法对阿根廷3大主产省份开展了耕地利用状况动态变化遥感识别,实现了不同年份的耕地利用状况动态变化识别。地面观测数据验证结果表明,在阿根廷3大主产省内有作物种植耕地和未种植耕地的总体识别精度高于97%,但在不同的作物生长阶段,未种植耕地识别结果的精度差异较明显,在作物生长季内作物生长较为茂盛的时期,有作物种植耕地和未种植耕地的识别精度几乎达到99%,但在双季或多季作物种植区,作物轮作期间的耕地利用状况识别精度相对偏低,总体精度在95%左右,主要是受16天合成NDVI数据的最大值合成法限制。     

GPS反射信号信噪比与NDVI相关性研究

归一化植被指数（normalized difference vegetation index,NDVI）作为重要的植被生长状况植被指数,对其进行有效实时监测具有重要科学意义。选择4个大陆板块边界观测网（plate boundary observatory,PBO）观测站的GPS信噪比观测值,提取反射信号信噪比并计算归一化振幅,通过与MODIS（moderate resolution imaging spectroradiometer）NDVI产品时序频谱特征的相关性分析,建立GPS反射信号植被指数线性反演模型和BP神经网络反演模型。分析发现:GPS反射信号信噪比归一化振幅与NDVI指数存在显著年周期性和季候特性,NDVI线性反演模型相关系数均约为0.7,均方根误差处于0.05~0.09之间,BP神经网络反演模型相关系数提高了约5%。利用GPS反射信号反演NDVI变化趋势具有可行性,为获取高时间分辨率、低成本的NDVI指数提供了一种新思路。     

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GF1-NDVI时序影像对春小麦进行提取研究

利用传统方法对农作物种类、分布和种植面积等调查,需要耗费大量的人力、物力和财力。该研究以西宁市为研究区域,采用高分一号影像,对西宁市春小麦进行分类和提取模型设计。在全生育期波谱特征曲线分析基础上,提取春小麦的NDVI(归一化植被指数)曲线特征。采用基于NDVI阈值的决策分类技术,进行作物识别与提取。最后设计精度自检方案,通过混淆矩阵得出其总体精度达到93.8%,kappa系数为0.875。其用户精度和制图精度分别为93.7%和94.9%。从分类精度可以看出,利用中高分辨率遥感卫星影像,在作物NDVI时间序列变换规律分析的基础上,可以准确的进行大面积农作物的分类与提取。在全国农作物面积与农作物种类等资源调查中具有非常大的应用潜能。     

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。