基于ZY-102D卫星影像非光合/光合植被覆盖度同步估算方法

以河北林-草交错带为研究区,借助地物光谱数据库非光合植被(Non-Photosynthetic Vegetation,NPV)、裸土(Bare Soil,BS)和光合植被(Photosynthetic Vegetation,PV)反射光谱数据,基于PV、NPV和BS三者在可见光-近红外(Visible and Near-Infrared,VNIR)范围光谱曲线形态差异,利用“资源一号”02D卫星高光谱相机(Advanced Hyperspectral Imager,AHSI)两个窄近红外谱段、多光谱相机(Visible Near-Infrared Camera,VNIC)两个宽近红外谱段(B8和B9),分别构建了NPV、PV和BS三者的光谱分离指数(Normalized Spectral Separation Index,NSSI),进一步结合归一化植被指数(Normalized Difference Vegetation Index,NDVI)构建的三角特征空间进行混合像元分解,实现NPV、PV和BS三组分覆盖度同步估算,并结合纤维素/木质素光谱指数(Cellulose Absorption Index,CAI),与基于AHSI短波红外谱段(Shortwave Infrared spectral bands,SWIR)估算非光合植被覆盖度能力进行对比分析。研究表明,结合NSSI可用于摆脱易受水分影响的短波红外谱段参与,可广泛应用于干旱和湿润地区植被遥感覆盖度估算。

面向地质应用的ZY-102D高光谱数据大气校正方法对比

高光谱数据凭借其在光谱维的技术优势,在地物精细识别尤其是矿物信息精准识别方面应用广泛。高光谱反射率产品是开展矿物识别的基础数据依据,使用合适的大气校正方法获取能够满足应用需求的高精度的地表反射率产品至关重要。为此,采用ATCOR,FLAASH和QUAC这3种应用相对较广的大气校正模型,对资源一号02D(ZY-102D)卫星高光谱数据进行大气校正处理,并从目视效果、典型地物波谱分析和矿物信息提取3个方面开展了对比分析。分析结果表明:在目视效果上,3种大气校正模型均能有效提升影像清晰度,ATCOR模型略优于FLAASH和QUAC模型;3种模型典型地物光谱与ASD实测光谱相关系数平均值R 2达0.7以上,吻合度较好,精度较高,ATCOR模型反演结果的影像光谱更接近ASD实测光谱;对绿泥石识别结果三者一致性较好,绢云母一致性则稍差,对比发现FLAASH和QUAC模型在地表绢云母含量较低区域漏识率较高。综上所知,3种模型大气校正效果均比较理想,但在矿物识别应用中ATCOR模型较FLAASH和QUAC模型总体上有优势。

“资源一号”02D卫星多波段图像融合

图像融合方法同时保持全色图像空间细节和多光谱图像的光谱信息是一个挑战,特别是对于全色和多光谱图像光谱范围部分重合或不重合的波段,或者是波段数较多的多光谱图像,一些融合算法不能较好的支持。针对"资源一号"(ZY-1)02D卫星的全色图像和8波段多光谱图像,对结合光谱响应函数和全局方差匹配的遥感图像融合方法做了适度扩展,并将扩展后的融合方法首次用于ZY-1 02D卫星多个区域的图像融合,并与商业软件使用的效果较好的主流融合方法的结果进行了定性和定量的比较与评价,结果表明:该融合方法空间细节和光谱保持都较好,可用于ZY-1 02D卫星多波段图像融合。

基于“资源一号”02D数据的植被提取效果对比研究

基于“资源一号”02D卫星高光谱影像数据在可见光波段连续成像以及光谱信息丰富的特点,通过自适应波段选择的方法选取计算可见光植被指数的最佳波段,探究在经过波段优选后不同种可见光植被指数对植被的提取效果。利用Otsu’s阈值法对可见光植被指数计算结果中的植被覆盖区域进行提取,并利用同幅影像进行基于支持向量机的监督分类得到验证数据,建立混淆矩阵,利用提取结果与监督分类结果进行植被提取精度的量化评价。评价结果表明:文章研究选取的8种可见光植被指数中,以超红指数(EXR)的提取效果最佳,其制图精度为88.23%,用户精度为90.50%,总体精度为87.71%,Kappa系数为0.7482,像元错分漏分现象都处于较低水平,在研究区内提取植被的效果优于其他7种指数,然而超红指数无法正确区分研究区内的植被与水体,后续对其改进中应着重进行增大水体与植被区分度的研究。

资源一号02D在自然资源执法监测中的应用研究

以资源一号02D卫星数据为监测数据源,从自然资源执法监测常态化的业务工作需求出发,分别对其专题产品体系进行整理,对该数据源应用于自然资源执法监测业务中的效果和精度进行评价分析。结果表明,资源一号02D的几何纠正精度较好,光谱信息丰富,地物解译标志清晰,完全可以满足自然资源执法监测正射影像精度和地物解译精度的精度要求。

大气校正算法对高光谱反演水体叶绿素a浓度的影响

针对水体叶绿素a浓度监测时大气介质影响光谱真实性的问题,文章从影像外部大气产品校正、内部大气补偿参数校正和光谱均值校正等方面分别对资源1号02D(ZY-1 02D)高光谱卫星影像进行大气校正以突出水体信号,同时借助多维光谱指数和CatBoost机器学习算法进一步提高水体叶绿素a浓度的反演精度。结果表明:大气校正算法在独山湖的应用中,6S优于QUAC,而FLAASH最差;CatBoost模型能够更好地拟合预测误差,提高反演精度;6S算法-四波段参数-CatBoost模型的反演组合效果最好(R^(2)=0.80)。

高光谱遥感技术在耕地质量反演中的应用

本文基于高光谱影像对耕地质量相关指标进行反演估算,以河北省石家庄市东北部平原部分耕地区域为研究对象,基于辐射、几何校正预处理后的资源一号02D高光谱遥感影像,采集影像覆盖范围内地表土壤样本共110组,并完成理化分析等流程,获取样本的耕地质量相关指标含量数据。通过Hapke模型、CARS方法与SVM模型建立耕地质量相关指标的反演模型。结合70%的建模样本和30%的预测样本验证表明,水解性氮、有机质等指标达到较高的精度,证实了高光谱遥感技术针对土壤有机质和养分指标反演的应用价值。

一种联合空谱特征的高光谱影像分类胶囊网络

高效稳定的深度学习分类器有助于提升高光谱遥感影像的分类精度。针对卷积神经网络标量式神经元特征表达能力有限、无法有效建模特征之间空间层次结构关系的不足,设计了一种考虑数据图谱合一特性的端到端高光谱胶囊网络(H-CapsNet)。H-CapsNet主体由编码器(卷积层、PrimaryCaps层及DigitCats层)和解码器(全连接层)组成,通过在网络输入端嵌入通道和空间注意力模块,以此增强模型对空谱特征的抓取和识别,进而提升网络对特征的聚焦和表达能力。以资源一号02D卫星获取的张家港高光谱影像及公共数据集University of Pavia和University of Houston影像为例进行试验,将H-CapsNet网络与传统机器学习算法和多个深度学习网络进行对比。试验结果表明,在3景不同分辨率的高光谱影像上,H-CapsNet分类网络均取得了最优的分类效果,总体精度相较于其他方法分别提升了2.36%~7.67%、0.16%~11.8%和1.75%~15.58%。H-CapsNet网络对小像素邻域具有较好的适应性,当图像块尺寸有限时,仍可以取得相对理想的分类结果。

基于空谱融合与AlexNet算法的滨海湿地植被分类研究

为提高遥感影像融合质量,提升资源一号(ZY-102D)高光谱遥感影像滨海湿地植被分类精度,提出将ZY-102D高光谱影像与空间分辨率为10 m的哨兵2号(Sentinel-2)影像进行Brovey融合,并通过搭建AlexNet卷积神经网络对ZY-102D高光谱影像和Brovey融合影像的滨海湿地植被进行分类,与支持向量机、随机森林和BP神经网络分类算法进行精度对比。研究结果表明:经Brovey融合后,AlexNet、支持向量机、随机森林和BP神经网络算法的植被分类总体精度分别提高15.60%、7.00%、14.80%和10.00%,Kappa系数提高了21.35%、9.93%、18.97%、12.85%;基于Brovey影像融合与AlexNet算法的植被分类精度最高,总体精度为92.40%,Kappa系数为89.42%。空谱融合配合AlexNet卷积神经网络有效解决了高光谱遥感影像在滨海湿地植被分类应用中精度较低的问题,为滨海湿地植被资源动态监测提供技术和方法支撑。

基于资源一号数据的棋盘山水库水质信息提取

利用遥感技术对棋盘山水库进行水质信息提取,并根据水质状况进行相应的治理,对保证旅游区景观和水库内部生态环境稳定至关重要。利用资源一号02D卫星在短波红外谱段进行谱段细分的特点,在现有水质反演模型的基础上提取棋盘山水库的水质信息。为检验资源一号02D卫星数据的水质参数反演能力,将水质反演参数与主流卫星Sentinel-2的水质反演参数和实地水质检测报告进行对比分析。结果表明,资源一号02D卫星数据具备精准且高效的水质信息提取能力,且为同类内陆湖库水质信息提取提供了思路和借鉴。

基于多源遥感数据的扶绥县桉树识别研究

本研究基于获取时间相近的“珠海一号”高光谱数据(OHS)、高分一号(GF-1)多光谱数据和资源一号02D(ZY-102D)多光谱数据,采用支持向量机、随机森林和神经网络方法提取广西扶绥县桉树空间分布范围,评估其分类精度。结果表明:1)使用3种遥感数据进行分类均能取得较好的效果。2)3种分类方法中神经网络的分类效果最好。3)采用3种数据源和3种分类方法获得的扶绥县桉树空间分布格局一致,扶绥县桉树主要分布在北部、南部和东部的山区。本研究为扶绥县桉树经营管理提供科学的数据支持,对利用遥感技术快速准确获取桉树种植分布数据具有一定的指导作用。

资源一号02D卫星高光谱数据黄河三角洲湿地景观分类

资源一号02D卫星(ZY-1 02D)于2019年成功发射,2020年10月正式投入使用,是中国自主建造并成功运行的首颗民用高光谱业务卫星,具有广泛的应用前景。本研究以黄河三角洲湿地为研究区,以ZY-1 02D高光谱(AHSI)影像为数据源,结合无人机和地面调查数据,开展湿地景观分类研究。首先通过ZY-1 02D AHSI获取地物反射率波谱曲线,分析不同地物波谱曲线的差异,作为地物识别和分类的依据;充分考虑研究区植被覆盖度的差异,结合无人机影像制定研究区7类基本地物和9类精细地物两种湿地景观分类体系;利用随机森林算法进行分类,并引入Tree SHAP方法进行波段重要性排序和选择;探究影响ZY-1 02D AHSI分类的重要波段,选取与Landsat 8 OLI多光谱波段相重叠的波段进行分类,并与Landsat 8 OLI分类结果进行比较。结果表明:(1) ZY-1 02D AHSI数据能够较好地反映不同地物类型光谱曲线的差异;(2)对于两种分类体系,仅用前40个重要波段的总体分类精度达到最高,7类基本地物分类和9类精细地物分类的分类精度分别为92.18%和90.76%,这40个波段大多位于可见光、近红外波段;(3)对于两种分类体系,分别选取与Landsat 8 OLI多光谱波段重叠的24个和29个波段进行分类,分类精度达到90.01%和89.76%,均明显高于Landsat 8 OLI的分类精度;(4)蓝、绿波段对于识别高、低密度互花米草和芦苇较为重要,短波红外波段对于芦苇的识别较为重要,红波段对于识别高、低密度碱蓬较为重要。ZY-1 02D AHSI数据的波谱范围较窄,波谱连续,能够较好地体现地物光谱曲线的细微变化,在区分不同地物以及植被覆盖度差异上具有明显优势。本研究有利于及时有效地监测黄河三角洲湿地资源现状,为ZY-1 02D高光谱数据在湿地生态监测应用提供科学参考依据。

资源一号02D高光谱影像内陆水体叶绿素a浓度反演

2019-09-12成功发射的资源一号02D卫星(ZY-102D)搭载了新一代可见短波红外高光谱相机AHSI(Advanced Hyperspectral Imager),其丰富的细分波段和较高的空间分辨率在内陆湖库水质监测方面具有较大潜力,但数据可用性有待分析和验证。本研究以中国华东和华北平原的典型富营养湖库(太湖、于桥水库)和中营养湖库(小浪底水库)为研究区,开展基于ZY-102D高光谱影像的叶绿素a浓度反演研究。以3个研究区在46个采样点地面测量的叶绿素a浓度和同步获取影像的遥感反射率作为数据源,基于5种典型的叶绿素a半经验模型进行了模型参数优化和叶绿素a反演精度验证。结果表明,基于中心波长为705 nm和671 nm的波段比值模型叶绿素a反演精度最高,模型R^(2)为0.78,平均无偏相对误差(AURE)和均方根误差(RMSE)分别为13.5%和4.5 mg/m^(3)。研究表明,ZY-102D高光谱数据在内陆水体叶绿素a浓度高精度反演方面具有重要潜力,但未来需要通过多星组网提升监测能力,以及发展针对于ZY-102D水体图像的降噪和大气校正方法。

一种适合高光谱卫星云识别的Fmask改进算法

近年来,我国卫星高光谱技术发展迅猛,高分五号、高分五号02星、资源一号02D星、资源一号02E星等相继发射为遥感领域带来了丰富的高光谱数据源。但高光谱卫星在成像过程中不可避免地会受到云及云阴影的影响,如何准确识别成为保障后续应用的关键,Fmask算法作为国内外诸多算法中的典型代表,已被Landsat和Sentinel业务化产品生产系统采用。Fmask算法作为国内外诸多算法中的典型代表,已被Landsat和Sentinel业务化产品生产系统采用。但该算法对于缺少热红外波段的数据精度偏低,例如对Sentinel-2数据的云和云阴影识别精度分别为84.5%和50%左右。鉴于此,本文通过在原有算法中优化云及云阴影识别算法结构、增加高亮地物识别辅助判据等改进手段,提出了一种适合高光谱卫星的Fmask改进算法,并在含有城区、山地、平原等三类不同下垫面场景的20景高分五号和资源一号高光谱影像中进行检验,结果表明:云识别的用户精度和生产者精度可达91.26%和99.97%,云阴影识别精度达到78.66%和79.41%,明显优于原始算法。本文算法对于高光谱数据的云及云阴影识别具有精度高、效果稳定和易于工程化实现的特点,可用于支撑国产高光谱卫星数据的业务化处理。