基于多源光学雷达数据融合的黄淮海平原冬小麦识别

遥感技术能够快速准确地获取农作物空间分布信息,为探究2021年黄淮海平原冬小麦空间分布信息,基于Google Earth Engine(GEE)云平台,以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源,通过计算极化特征、光谱特征和纹理特征,运用随机森林等4种机器学习方法和深度循环神经网络模型,对研究区冬小麦空间分布信息进行提取,并对比各分类器和网络架构的分类精度。结果表明,黄淮海平原冬小麦总面积约为16226667 hm^(2),占研究区总面积的49.17%,其中冬小麦种植面积最大的是河南省,约为4647334 hm^(2),研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势;随机森林是4种机器学习方法中识别精度最高的分类器,总体分类精度为94.30%;在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%,仅使用Sentinel-2光学数据总体精度为93.95%,而融合时序Sentinel主被动遥感数据总体精度为94.30%;在大范围的冬小麦分类上,深度学习模型的泛化性高于机器学习方法。

黄河三角洲滨海盐碱地可持续利用的水土资源约束与均衡配置策略

基于现有耕地优势并开发利用好各类后备耕地资源,对确保国家粮食与生态安全意义重大。黄河三角洲(黄三角)盐碱地后备耕地资源丰富,农业开发利用潜力巨大,但因水资源短缺、水土资源配置不平衡而制约了高效可持续利用。本文梳理了黄三角滨海盐碱地治理利用与种植业发展现状,详细分析了地区水土资源条件,从水资源供应、地下水位调控、治理利用体系、科技创新及运行管理等方面明晰了发展挑战。提出的水土资源高效可持续利用与均衡配置策略为:适度增加引黄配额并实施滨海入海河道水系联通工程以优化调配区域水资源,启动高标准灌排体系完善与配套建设工程以促进耕地提质增效,加快盐碱地治理利用关键技术集成示范推广以发挥科技支撑作用。相关成果可为我国滨海盐碱地综合治理与高效利用、农业可持续发展等研究提供启发和参考。

基于改进UNet的输电通道沿线易漂浮物遥感识别

输电通道沿线的易漂浮物(塑料大棚、地膜和防尘绿网)是输电线路主要外破隐患之一,开展对易漂浮物的遥感识别对外破隐患治理具有重要意义。现有的相关遥感识别研究大多仅针对易漂浮物中的一种,且较少在输电通道沿线区域开展。该文提出了一个基于改进UNet的语义分割模型,包含空洞空间卷积池化金字塔模块(Atrous spatial pyramid pooling,ASPP)、非局部特征提取模块(Non-local)和亚像素卷积(Sub-pixel convolution)策略。选取江苏省内4条输电通道沿线区域作为研究区,实验总体精度为94.86%,平均交并比为0.6805,优于传统语义分割模型,消融实验证明了以上3个模块的有效性。研究表明,基于高分辨率卫星遥感影像,利用该文模型在输电通道沿线区域开展易漂浮物识别是可行且有效的,可为外破隐患综合治理提供决策依据。

2022年克鲁伦河流域土壤全氮含量与土壤全磷含量数据集

克鲁伦河流域生态环境安全在中蒙两国受到越来越多关注,掌握流域土壤全氮(STN)和土壤全磷(STP)含量对于准确估算流域面源污染(NPS)负荷、研究流域资源环境状况与可持续发展具有重要意义。传统采样方法在获取大范围的STN和STP含量时耗时耗力、STN与STP存在空间异质性、STN和STP与辅助变量间的关系也存在空间异质性等。单一的全局模型无法拟合复杂的异质性关系,而局部建模方法难以克服维度灾难问题,因此本文引入了两点机器学习(TPML)方法。该方法首先基于点对差异建立全局模型,然后基于全局模型的预测差异构建局部模型,能够将样本量从n扩充至n2,可利用有限的采样点数据实现高精度大范围的STN和STP含量预测。本文结合地形、气候、土壤属性、植被及空间位置等共18个辅助变量,采用TPML方法,制作了流域STN和STP含量分布数据集。并基于十折交叉验证方法证实了TPML方法相较于普通克里格(OK)方法,预测精度提高超过10%。TPML方法预测STN含量的平均绝对误差(MAE)均值和平均均方根误差(RMSE)分别为0.309%、0.456%,随机森林(RF)、反距离加权(IDW)与OK方法预测STN含量的平均MAE分别为0.329%、0.247%与1.864%,平均RMSE分别为0.468%、0.387%、1.976%。TPML方法预测STP含量的平均MAE和平均RMSE分别为0.640%和0.861%,RF、IDW与OK方法预测STP含量的平均MAE分别为0.643%、0.396%与1.357%,平均RMSE分别为0.862%、0.523%与1.651%。

面向GIS的扶贫开发信息分类与编码

针对国务院扶贫纲要中有关扶贫开发的内容,利用线分类法,将扶贫开发信息分为3个大类、21个中类。利用顺序编码法,采用面向GIS的思想,对分类结果进行编码。新的扶贫开发信息分类编码标准解决了各地区信息分类不统一和原有编码体系零散的问题。该标准已应用到全国扶贫开发信息服务系统中,实现了地理空间信息与扶贫开发信息的无缝集成,为扶贫开发工作的空间信息化建设奠定了坚实的基础。

基于多尺度扩张卷积神经网络的城中村遥感识别

城中村是我国快速城市化进程中的一个特殊产物,通常存在人口密集、建筑私自改造等问题。开展城中村的识别和监测对城乡统筹规划以及精细化治理等具有重要意义。基于深度学习提出了一种新的城中村遥感识别模型,该模型包括一个多尺度扩张卷积模块和一个非局部特征提取模块,前者能够聚合多层级空间特征以适应城中村形状、尺度的变异性;后者用于提取全局语义特征以提高城中村的类间可分性。选取北京市二环与六环之间的区域作为研究区,实验结果表明本文模型取得了较好的识别效果,总体精度可达94.27%,Kappa系数为0.8839,且效果优于传统模型。本文研究表明,基于多尺度扩张卷积神经网络进行城中村遥感识别是可行且有效的,可为城乡统筹规划提供精确的城中村空间分布数据。

土地利用/覆被深度学习遥感分类研究综述

基于遥感分类实现高精度的土地利用和土地覆被制图是研究热点问题。近年来,以卷积神经网络为代表的深度学习在计算机视觉领域取得了长足发展,同时也被引入到土地利用/覆被遥感制图领域。相比于经典机器学习,深度学习的优势表现为能够自适应提取与分类任务最相关的特征,其缺陷表现为分类精度的提高依赖于海量标签样本。基于深度学习在土地利用/覆被分类中日益增多的研究成果,本文从样本、模型、算法3个角度对其研究进展进行综述。在样本方面,归纳总结了常用的土地利用/覆被样本集,并分析了上述样本集的学术影响力;在模型方面,综述了土地利用/覆被分类中常用的深度学习模型,包括卷积神经网络、循环神经网络、全卷积神经网络等的最新研究成果;在算法方面,综述了样本稀疏条件下的土地利用/覆被分类算法的最新研究进展,具体包括主动学习、半监督学习、弱监督学习、自监督学习、迁移学习等。最后从样本、模型、算法3个角度对未来研究方向进行展望,通过构建大规模遥感样本数据集、持续优化深度学习模型结构、提升样本稀疏条件下深度学习模型的时空泛化能力等研究,可以进一步改善土地利用/覆被分类效果和精度。

基于多核主动学习和多源数据融合的农田塑料覆被分类

通过引入多源多时相卫星遥感数据,提出了一种基于多核主动学习的农田塑料覆被分类算法,实现农业塑料大棚和地膜的精准分类。首先基于多时相Sentinel1雷达和Sentinel2光学遥感影像,提取其光谱特征、纹理特征等,以构建多维特征空间。然后构建多核学习模型,实现多源、多时相特征的自适应融合。最后构建基于池的主动学习策略,通过引入训练样本的淘汰机制,进一步提升分类模型的泛化能力。试验结果表明,本文所提分类方法的总体精度为95.6%,Kappa系数为0.922,相较经典支持向量机、随机森林、K近邻、决策树、AdaBoost模型,多核学习模型精度提高5.7、12.1、11.4、22.3、10.3个百分点;且在相同分类精度下,主动学习较被动学习可减少一半以上的标签数据;同时相较仅使用单时相及单传感器遥感影像而言,精度分别提高3.7、12.7个百分点。结果表明,多核主动学习能够有效进行多传感器、多时相数据融合,并可以在小样本条件下取得更高的分类精度,从而为农田塑料覆被的遥感监测提供模型参考。

2019年全国农业塑料大棚遥感分类数据集

本数据集为依托Google Earth Engine(GEE)云计算平台,基于10米空间分辨率的Sentinel-2遥感影像和随机森林模型,所生成的2019年全国农业塑料大棚空间分布专题数据。具体而言,首先通过野外调查和目视解译进行地面样本采集,并随机划分为训练集和测试集;然后进行地物光谱、纹理等特征提取,从而构建多维特征空间;最后构建随机森林分类模型,并利用训练好的模型对全国遥感影像进行并行计算,从而得到全国农业塑料大棚分类数据。精度测试表明,该数据集的平均分类精度为87.45%,能够正确反映农业塑料大棚在全国的空间分布情况。此外,为了更好对全国大棚分布数据进行可视化,本文同时计算了全国5公里格网内的大棚面积占比。本数据集为第一个公开发布的全国农业塑料大棚空间分布专题数据,可为相关领域的科研人员提供数据参考。

基于ETM+影像的千岛湖叶绿素a浓度卫星遥感反演研究

以千岛湖为研究对象,利用Landsat 7 ETM+遥感影像与野外实测数据,建立叶绿素a浓度的遥感定量反演模型。将叶绿素a浓度与波段反射率组合进行Pearson相关性分析,选择(B4+B2)/B3波段组合构建叶绿素a反演模型,并得到千岛湖叶绿素a浓度的时空分布。结果表明:(1)2007年千岛湖叶绿素a浓度低于4μg/L的水体面积占水体总面积达到99%以上,整体水质优良;(2)千岛湖叶绿素a浓度随季节变化特征明显,夏季容易出现局地高值,秋季平均浓度整体升高;(3)通过反演不同时期的叶绿素a浓度分布,可以刻画出千岛湖藻类的消长过程,从空间上发现易爆发富营养化的区域。该反演模型能较为精确地估算千岛湖的叶绿素a浓度,对今后水体富营养化的监测和预警具有重要意义。

草地地上生物量估算模型研究进展

草地地上生物量监测是合理利用草地资源,掌握草原生态演替过程的重要依据。但是,实时观测草地地上生物量信息需要耗费大量的人力物力,亟需借助遥感、数学等工具进行间接观测。本文系统阐述了国内外主流的草地地上生物量估算方法,包括遥感统计模型、草地生长模型、作物生长模型、光能利用率模型和生态过程模型等模型,以及遥感与机理模型耦合模型,概述了当前主流模型的特点及其适用条件,总结了相关的研究策略。结合草地估产的现实需求,梳理了现有的农业遥感数据同化研究进展,展望了基于遥感数据同化方法的草地地上生物量估算思路,为草地生长模拟的大区域、高精度研究提供了新的思路。

基于GIS的扶贫开发信息专题图设计与制作

在深入贫困地区进行详细调研的基础上,针对新形势下扶贫开发工作的特点,对扶贫开发信息专题图的制图标准、制作技术流程以及编制方法进行了研究;并利用ArcGIS,以重庆市黔江区的扶贫开发数据为例,制作了相应的专题图样图。

基于GEE的山东省近30年农业大棚时空动态变化研究

针对精确获取大尺度空间范围内农业大棚的分布情况并进行长时间的序列动态监测存在数据量大、计算效率低、精度不高等问题,利用Google Earth Engine(GEE)云平台能够实现快速存取、实时处理海量卫星数据,基于多时相Landsat影像进行农业大棚时序光谱特征和纹理特征的自动提取,采用随机森林算法实现山东省农业大棚的遥感分类,从而生成了山东省近30年农业大棚的空间分布和时空动态变化图。结果表明,本文分类流程具有较高的分类精度,其平均总体精度达到91.63%,Kappa系数均值为0.8642。经分析,山东省农业大棚从1990年的6.67 km^2增加到2018年的9919.40 km^2,增长速度为354.03 km^2/a。

随机森林协同Sentinel-1/2的东营市不透水层信息提取

不透水层是表征人类活动的重要指标,及时精确的不透水层信息对区域生态环境保护有重要意义。以山东省东营市为研究区,探索了一种基于多源Sentinel-1/2影像和随机森林的不透水层提取方法。通过对比实验发现,随机森林结合地表反射率特征、纹理特征和后向散射系数能够降低暗不透水层和亮不透水层与裸土的混淆现象,可以有效改善不透水层的估算精度(总体精度达到93.37%,Kappa系数达到0.9258)。研究结果揭示了随机森林协同Sentinel-1和Sentinel-2数据在不透水层信息提取方面有着广泛的应用前景,为融合多源数据对黄河三角洲区域遥感监测提供了参考。

遥感影像样本数据集研究综述

随着机器学习、深度学习等人工智能技术在遥感领域的不断应用与发展,基于海量样本的数据驱动模型已经成为遥感影像信息提取的一种新的研究范式,其对样本数据的规模、质量、多样性等提出了更高要求。最近,国内外众多学者和研究机构相继发布了一系列遥感影像样本数据集,为大数据时代下遥感影像的信息提取和智能解译等奠定了研究基础。然而目前尚缺乏对上述影像样本数据集的综合分析,针对这一问题,本文在文献检索与分析的基础上,归纳总结了124个具有一定影响力且应用广泛的遥感影像样本数据集并对其元数据进行了分析,并提供了数据来源、应用领域与关键词的发展变化,分析了数据集在空间、时间、光谱分辨率上的差异,以应用领域为依据将其划分为场景识别、土地覆被/利用分类、专题要素提取、变化检测、目标检测、语义分割等8个类别并以部分数据为例进行了具体分析,总结了深度学习模型在数据集上的研究进展,并针对稀疏样本导致的模型过拟合问题,探讨了样本时空迁移、小样本和零样本学习、样本主动发现、样本生成等在遥感影像信息提取中的应用前景。本文首次对遥感影像样本数据集进行了综述研究,可为相关领域科研人员提供数据参考。

DeepLabv3+语义分割模型的济南市防尘绿网提取及时空变化分析

防尘防护绿网(防尘绿网)作为抑尘的主要措施被建筑工地广泛使用。快速获取防尘绿网覆盖及时空变化信息,对防尘抑尘、生态环境保护措施的制定具有重要指导意义。本文基于Sentinel-2时间序列遥感影像,使用DeepLabv3+深度学习语义分割模型生成了济南市中心城区2016年—2020年逐年防尘绿网数据,随后利用景观格局、重心-标准差椭圆等方法分析了其空间分布特征和时空扩张趋势。研究结果表明:(1)本文方法的分割精准度、召回率、F1值、IoU分别为84.05%、80.09%、0.82、69.72%,可快速准确地提取城市防尘绿网进而实现大范围、长时序的防尘绿网动态监测。(2)相较于传统的遥感分类方法和其他语义分割模型,本方法的精度最优,防尘绿网的提取结果更精细;另外对北京和天津市的提取实验也证实了本模型的迁移能力。(3)2016年—2020年济南市防尘绿网铺设范围明显扩张,斑块面积和数量不断增多,破碎程度和形状复杂度不断增强,平均斑块面积增大,斑块间凝聚度和聚集度呈波动状态,景观格局复杂且不稳定;绿网铺设范围的扩张呈现出明显的方向性。防尘绿网的分布形态与动态扩张变化受到城市规划、项目进程等人为因素影响,城市规划决定了防尘绿网的分布,而防尘绿网的使用现状在一定程度上又反映了城市建设进程。因此,利用遥感手段对城市防尘绿网进行动态监测与管理,可为城市规划、生态环境建设和城市精细管理提供数据和技术支持,对城市扩张模式与城市重建工作管理具有重要意义。

基于深度学习的国产高分遥感影像飞机目标自动检测

基于高分辨率遥感影像进行飞机目标的自动检测对精确掌握飞机的空间位置具有重要意义。由于飞机姿态不一、背景复杂、轮廓不完整等原因,导致飞机自动检测的难度较大、检测精度不高。传统飞机检测方法主要基于人工特征和机器学习分类器,在算法鲁棒性、位移、旋转不变性等方面表现欠佳。为了解决上述问题,通过引入深度神经网络模型和迁移学习策略,基于国产高分辨率遥感影像实现了飞机目标的高精度检测。具体而言,首先构建了多尺度飞机样本数据库,并基于YOLO V2目标检测模型进行迁移学习,从而提高飞机检测模型的精度和鲁棒性。以上海浦东机场GF-2影像为例进行飞机目标检测实验,实验结果表明:飞机召回率为92.25%,正确率为94.93%;通过深度学习和模型迁移可以实现小样本情况下的飞机目标高精度检测。该方法可以推广到其他地物的检测和识别中,具有较好的推广意义和价值。