改进分数阶达尔文粒子群的多Renyi熵图像分割算法

针对智能优化图像分割算法易陷入局部最优、分割精度不高等问题,本文融合改进的分数阶达尔文粒子群算法和二维Renyi熵多阈值,提出了一种新的多阈值遥感图像分割算法。算法利用粒子自身进化信息来定义进化因子,结合进化因子并利用高斯图函数调整分数阶次a系数以实现精确计算和快速收敛;根据局部最优概率因子对局部最优位置进行Levy飞行随机扰动以提高算法跳出局部最优的能力;同时将二维Renyi熵单阈值扩展到多阈值分割上,并结合改进的分数阶达尔文粒子群算法,将二维Renyi熵多阈值应用于遥感图像分割中仿真结果表明,与其他2种智能优化分割算法相比,本文分割算法在细节处理和分割精度上均有明显优势,在PRI上至少提升7.27%、VOI至少降低6.5%、GCE至少降低10.4%.     

建筑物侧面轮廓线约束的高分辨率遥感影像建筑物高度估算方法

针对现有利用阴影长度法提取建筑物高度时存在的阴影间相互遮挡问题,提出了一种基于建筑物侧面轮廓线进行建筑物高度估算的新方法。首先,利用RPC模型计算建筑物像点位移的方向与卫星成像角度,再将遥感影像进行旋转,使建筑物像点位移沿水平方向;然后,利用Canny算法进行轮廓检测,并构建一定长度的矩形形态学结构元素,对轮廓图像进行形态学开运算,以提取侧面轮廓线,再利用Hough变换与建筑物角点约束,对所提取的轮廓线进一步筛选;最后,根据卫星侧视成像时建筑物高度与像点位移的几何关系进行建筑物的高度估算。利用实际的高分辨率卫星影像对本文方法进行了验证,并与阴影法估算建筑物高度进行了对比。试验结果证明,利用建筑物侧面轮廓线进行建筑物高度估算平均误差可以达到0.7 m,且实际精度优于使用阴影法进行建筑物高度估算。     

高分二号卫星影像自适应模糊阈值法小波去噪

高分二号卫星影像提供了丰富的图像信息,高分二号影像数据的发布打破了我国高分辨率对地观测数据长期依赖进口的局面。但是图像在传输和保存过程中会有噪声干扰,如果感兴趣区域受到污染,则会导致该区域内的影像信息不能被充分利用。为了解决高分二号遥感影像去噪这一难题,本文采用自适应模糊阈值法去噪方式,该方法根据各个尺度下噪声方差建立的自适应模糊阈值函数非线性处理后,重新构造作为新的小波系数,经小波逆变换后得到去噪图像。通过与均值滤波器滤波、高斯平滑滤波、中值滤波器滤波、小波全局阈值去噪和Birge-Massart策略阈值法去噪比较,结果表明,自适应模糊阈值去噪法充分结合软硬阈值处理方式的优点,既保留图像细节又使图像更加平滑,图像整体信息完好,去噪效果更为理想。     

加权空-谱联合保持嵌入的高光谱遥感影像降维方法

高光谱遥感影像数据量大、波段数多,容易导致“维数灾难”。传统流形学习方法一般仅考虑其光谱特征,忽略了空间信息。为此提出一种非监督的基于加权空-谱联合保持嵌入(WSCPE)的维数约简算法。首先采用加权均值滤波(WMF)方法对高光谱影像进行滤波,以消除噪点和背景点的干扰。然后根据遥感影像地物分布的空间一致性,通过采用加权空-谱联合距离(WSCD)来融合像素点的光谱信息和空间信息,有效选取各像素点的空-谱近邻,并根据像素点与其空-谱近邻点之间的坐标距离来有区别的利用其近邻点进行流形重构,提取低维鉴别特征进行地物分类。在PaviaU和Indian Pines数据集上的分类结果表明,总体分类精度分别达到了98.89%和95.47%。该方法在反映影像内部流形结构的同时,有效融合了影像的空间-光谱信息,故能提高影像特征的鉴别性,并提升分类性能。     

The spatial local accuracy of land cover datasets over the Qiangtang Plateau,High Asia

We analyzed the spatial local accuracy of land cover (LC) datasets for the Qiangtang Plateau, High Asia, incorporating 923 field sampling points and seven LC compilations including the International Geosphere Biosphere Programme Data and Information System (IGBPDIS), Global Land cover mapping at 30 m resolution (GlobeLand30), MODIS Land Cover Type product (MCD12Q1), Climate Change Initiative Land Cover (CCI-LC), Global Land Cover 2000 (GLC2000), University of Maryland (UMD), and GlobCover 2009 (Glob-Cover). We initially compared resultant similarities and differences in both area and spatial patterns and analyzed inherent relationships with data sources. We then applied a geographically weighted regression (GWR) approach to predict local accuracy variation. The results of this study reveal that distinct differences, even inverse time series trends, in LC data between CCI-LC and MCD12Q1 were present between 2001 and 2015, with the exception of category areal discordance between the seven datasets. We also show a series of evident discrepancies amongst the LC datasets sampled here in terms of spatial patterns, that is, high spatial congruence is mainly seen in the homogeneous southeastern region of the study area while a low degree of spatial congruence is widely distributed across heterogeneous northwestern and northeastern regions. The overall combined spatial accuracy of the seven LC datasets considered here is less than 70%, and the GlobeLand30 and CCI-LC datasets exhibit higher local accuracy than their counterparts, yielding maximum overall accuracy (OA) values of 77.39% and 61.43%, respectively. Finally, 5.63% of this area is characterized by both high assessment and accuracy (HH) values, mainly located in central and eastern regions of the Qiangtang Plateau, while most low accuracy regions are found in northern, northeastern, and western regions.

     

Greenness Index from Phenocams Performs Well in Linking Climatic Factors and Monitoring Grass Phenology in a Temperate Prairie Ecosystem

Near-surface remote sensing (e.g., digital cameras) has played an important role in capturing plant phenological metrics at either a focal or landscape scale. Exploring the relationship of the digital image-based greenness index (e.g., Gcc, green chromatic coordinate) with that derived from satellites is critical for land surface process research. Moreover, our understanding of how well Gcc time series associate with environmental variables at field stations in North American prairies remains limited. This paper investigated the response of grass Gcc to daily environmental factors in 2018, such as soil moisture (temperature), air temperature, and solar radiation. Thereafter, using a derivative-based phenology extraction method, we evaluated the correspondence between key phenological events (mainly including start, end and length of growing season, and date with maximum greenness value) derived from Gcc, MODIS and VIIRS NDVI (EVI) for the period 2015-2018. The results showed that daily Gcc was in good agreement with ground-level environmental variables. Additionally, multivariate regression analysis identified that the grass growth in the study area was mainly affected by soil temperature and solar radiation, but not by air temperature. High frequency Gcc time series can respond immediately to precipitation events. In the same year, the phenological metrics retrieved from digital cameras and multiple satellites are similar, with spring phenology having a larger relative difference. There are distinct divergences between changing rates in the greenup and senescence stages. Gcc also shows a close relationship with growing degree days (GDD) derived from air temperature. This study evaluated the performance of a digital camera for monitoring vegetation phenological metrics and related climatic factors. This research will enable multiscale modeling of plant phenology and grassland resource management of temperate prairie ecosystems.     

面向中国洪涝灾害应急监测的无人机空港布局

当前洪涝灾害对社会的经济发展和人民生命财产安全构成严重威胁。无人机机动、灵活,安全性高,可迅捷甚至实时获取灾区影像,对灾情的快速评估和应急救援决策意义重大。遥感无人机在洪涝灾害救援中能够发挥的重要作用已得到广泛共识,但是由于灾害的突发性,缺乏就近部署的资源制约了无人机遥感观测和救援作用的发挥。针对突发灾害,在区域和全国范围内建立起一定的无人机遥感应急体系成为国家面向未来正在考虑的选项。基于此,本研究提出了基于中国科学院的野外台站构建全国无人机遥感观测网的设想。本研究以中国防范洪涝灾害等级分布数据、行政区划数据、中国科学院野外台站分布数据和当前无人机性能数据库为数据源;以行政区划离散并提取的中心点作为需求点,台站作为设施点,不同洪涝等级区域内需要无人机进行应急观测的重要程度作为权重,利用最大覆盖选址模型进行空港选址布局;利用成本-效益曲线确定台站的最佳数量,最终从268个台站中选取出81个作为支撑全国洪涝灾害无人机遥感观测网络的无人机空港。无人机空港布局结果在理论上能够实现对中国绝大数突发洪涝灾害在2 h内初步完成洪涝观测,这对于构建中国空天地一体化的洪涝灾害监测体系具有重要意义。同时,本研究中的方法和成果对于进一步构建行业和综合性的全国无人机遥感观测网也具有一定借鉴和参照意义。     

高分六号遥感卫星新增波段下的树种分类精度分析

高分六号卫星具有覆盖广、多种分辨率、波段多的优势,能为遥感解译提供更丰富的信息。为探究高分六号卫星新增波段在森林树种识别上的应用,本文以覆盖根河市阿龙山林业局的一期高分六号宽幅影像为数据源,基于特征优化空间算法（Feature Space Optimization,FSO）和最大似然分类法,分别利用高分六号的前4个波段和所有波段（8波段）的光谱、纹理等特征进行了森林树种分类,并逐一添加新增波段特征确定了各波段的贡献率排名。结果表明：在加入了优选出的均匀性纹理、均值纹理和角二阶矩纹理3种纹理特征后,前4波段和8波段的分类精度比只基于光谱特征时的精度分别高出13.23%和24.63%;利用8波段信息比只利用前4波段在基于光谱特征上的精度高11.88%,在基于光谱+纹理特征上则高23.24%;基于8波段光谱+纹理特征的树种分类精度最高,达到68.74%,新增4波段的贡献率排名为B6>B5>B8>B7,说明新增红边波段对于本次树种分类试验的贡献率最高,能为北方树种识别提供有效帮助。     

基于卷积神经网络与条件随机场方法提取乡镇非正规固体废弃物

随着村镇经济建设发展,生活垃圾和工业固体废弃物造成的污染问题日益突出,已经成为制约新农村建设发展和生态文明建设的关键问题,而目前针对乡镇非正规固体废弃物的调查与统计主要依赖全国各乡镇相关部门逐级调查上报,工作量较大。本文基于高分辨率遥感影像,将深度学习模型和条件随机场模型相结合引入到乡镇固体废弃物的提取研究中,探索一种基于深度卷积神经网络的乡镇固体废弃物提取模型。由于固体废弃物在影像上表现为面积小,分布破碎等特点,为了提高工作效率,将模型特分为识别和提取2个部分：① 通过全连接卷积网络（CNN）对固体废弃物进行快速识别判断,筛选感兴趣区域影像块;② 在传统的全卷积神经网络(FCN)的基础上加入条件随机场模型(CRF)提取固体废弃物边界,提高整体分割精度。根据安徽、山西等地区相关部门上报固体废弃物堆放点以及住房与城乡建设部城乡规划管理中心进行野外检查的结果,实验最终识别精度达到86.87%以上;形状提取精度为89.84%,Kappa系数为0.7851,识别与提取精度均优于传统分类方法。同时,该方法已经逐步应用于住房和城乡建设部有关成都、兰州、河北等部分乡镇非正规固体废弃物的核查工作,取得了较为满意的结果。     

基于多源遥感数据的区域生态系统服务价值年际动态监测 ——以中原城市群为例

通过对多源遥感数据在生态系统服务价值（ESV）遥感模型中的尺度效应分析,选择满足最佳空间分辨率和长时间序列的遥感数据,对中原城市群区域2001~2013年的ESV实现了逐年逐像元水平的动态监测。结果表明：该区应用于遥感模型输入数据的最适空间分辨率为30~1 000 m,相对于30 m尺度,其他尺度估算结果的相对偏差均小于0.4%;结合年际动态监测的需求,选择了MODIS数据产品（空间分辨率500 m,时间尺度1 a）作为遥感模型的最佳数据源;研究区ESV总值在研究期内整体上呈显著增长趋势,增速约为8.6亿元/a,但在持续增长过程中经历了3次波动,且表现得越来越剧烈;在空间上,研究区ESV多年均值呈现出明显的不均衡性,表现为从西南向东部递减的趋势。研究表明此方法简单易行,初步实现了区域ESV年际动态监测遥感模型的准业务化运行。