基于双分支图卷积融合网络的水库区域地表覆盖遥感分类

准确的水库区域地表覆盖遥感分类,为水库生态环境保护、水库优化调度及水土保持等方面提供重要的基础数据。近年来,深度学习广泛应用于地表覆盖分类中,目前基于卷积神经网络的地表覆盖分类方法,通常是使用规则卷积核进行的局部空间运算,难以捕获像元间的长距离依赖关系。因此提出一种双分支图卷积融合网络(Dual Graph Convolutional Fusion Network,Dual-GCFN)进行地表覆盖遥感分类,网络分为两部分,其中上分支利用K近邻算法构建像元间的拓扑关系图,然后用图神经网络(Graph Neural Network,GNN)聚合邻域特征更新目标节点信息,实现光谱特征的聚合;下分支利用稠密网络(Dense Convolutional Network,DenseNet)对影像局部块进行卷积,提取遥感影像的空间信息和高阶语义信息;最后通过维度通道Add操作将光谱特征和空间特征将进行有效融合,经过全连接层后使用Softmax分类器实现地表覆盖分类。以河南省出山店水库区域为研究对象,使用研究区的Sentinel-2遥感影像数据和DEM数据进行实验,结果表明:提出的Dual-GCFN分类总体精度和Kappa系数分别为90.63%和0.87,与经典分类方法随机森林分类(Random Forest,RF)、单一的GNN或者DenseNet的分类结果相比总体精度分别提高了15.97%、10.86%、4.64%,Kappa系数分别提高了0.26、0.24、0.08,且在分类结果中大幅减少了地物的错分现象和分类图中的点状噪声。

基于改进最大值法合成NDVI的夏玉米物候期遥感监测

利用遥感技术监测农作物物候期,能够及时有效地评估作物生长趋势、提高农情信息化管理水平。本研究利用2016年MODIS 8天合成数据,提出改进的最大值合成法,结合S-G滤波和Logistic函数拟合重构夏玉米生长曲线,最后利用曲率法提取夏玉米的拔节期和成熟期,利用动态阈值法提取夏玉米的出苗期和抽雄期。结果表明:采用本文提取的夏玉米物候期与实测物候期相比,平均误差为2.76d,其中在抽雄期的绝对误差为1.06d,运用改进的最大值合成提取作物NDVI时序数据可有效去除连续云雾对植被指数的影响,提高监测作物物候期的准确性,为精准农业提供技术支撑。

基于修正NDVI时间序列的大区域冬小麦全生育期墒情监测

针对遥感墒情监测存在的时空分辨率矛盾,提出利用高时间分辨率的共享遥感数据,将修正归一化植被指数(NDVI)作为墒情指示因子,实现对大区域冬小麦全生育期墒情准实时、半定量化监测的思想。首先,对冬小麦种植区域进行地域划分,依据冬小麦的物候特征进行生育期阶段划分;其次,利用遥感数据计算各地域、各阶段的NDVI,针对各阶段冬小麦的生长情况,进行NDVI的自适应修正。经实测墒情数据和修正NDVI相关分析表明,修正NDVI可以作为农田墒情的指示因子;最后,将监测年的修正NDVI与前三年平均值做距平差值分析,得到与前三年平均值相比,冬小麦墒情的时空分布规律,结果与实际观测值相符。可以预见:如果有较长的时间序列积累,可以得到监测年与常年相比,麦田的墒情时空分布规律。研究结果表明:提出的方法,可以用于大区域冬小麦全生育期墒情的半定量化准实时监测,而且遥感数据容易获得,基本不需要实测数据,计算方便,成本低廉。对冬小麦农田管理与决策具有重要的参考价值。

基于多源遥感数据反演土壤墒情方法研究

土壤墒情是影响农作物生长状况重要参数之一,为提高农作物覆盖下地表土壤墒情反演精度,基于Sentinel-1雷达数据和Landsat8光学数据,利用改进的水云模型得到拔节期玉米覆盖下的地表土壤后向散射系数,并采用SAE深度学习的方法建立遥感影像与土壤水分之间的隐式映射,对玉米覆盖下的土壤墒情进行反演。结果表明:通过改进的水云模型去除植被影响后的反演精度有所提高,R2达到0.6577,比传统的水云模型提高了0.1506;RMSE为0.0387 cm^3/cm^3,误差降低0.0025 cm^3/cm^3,为利用多源遥感数据反演农田地表土壤水分提供了参考。

应用Landsat8数据改进FCD模型方法

植被覆盖度是衡量地表植被状况的重要指标,在水文、气象和生态等方面的研究中具有重要作用。以Landsat8为数据源,采用Gram-Schmidt变换的光谱锐化融合方法提高热红外波段的空间分辨率,计算热量指数,对传统FCD模型(forest canopy density mapping model)进行改进,根据4种指数的关系计算植被覆盖度。通过与传统FCD模型方法计算结果比较,改进后的植被覆盖度计算方法具有更高的精度。

利用改进的水云模型反演夏玉米拔节期土壤墒情方法研究

本文提出了一种对玉米拔节期土壤墒情进行反演的改进水云模型;即:在经典水云模型基础上,考虑作物茎秆的散射因素,加入植被高度(h)和单位体积内植被叶和茎的雷达后向散射截面(σ_(pq))两个参数,同时为扩大模型的适用范围,引入植被覆盖度,结合雷达Sentinel-1A多极化数据,通过AIEM模型构建土壤含水量与土壤表面后向散射系数之间的联系,最终建立雷达后向散射系数与植被覆盖下的土壤墒情之间的直接关系。结果表明:改进的水云模型在反演拔节期间玉米的土壤墒情时,反演精度比经典的水云模型有较大程度的提高,其中,VV极化效果更好,R^2由0.532提高到0.645,RMSE从0.052降到0.039。结果验证了采用改进的水云模型能够有效地反演高秆作物覆盖地表的土壤墒情。

基于SGD和分类区域阈值结合的水库流域覆被变化遥感检测方法

水库流域覆被变化检测是流域生态环境变化研究的基础,及时掌握精确的流域覆被变化信息对于水库洪水预报、优化调度和生态环境保护等具有重要意义。以河南省出山店水库流域为研究区域,采用Landsat 8 OLI遥感数据和土地覆盖分类数据,对目前常用的光谱斜率差异法、主成分分析法、变化向量分析法3种地表覆被变化遥感检测方法进行对比分析,研究这些方法的适用条件和局限性,并在此基础上,提出了一种基于光谱斜率差值(Spectral Slope Difference,SGD)和动态阈值结合的地表覆被变化遥感检测方法,解决了由于单一阈值造成变化像元漏分率和错分率高的问题。研究结果表明:试验结果总体精度达到97.55%,Kappa系数为0.944。说明基于SGD和分类区域阈值结合的方法对地表覆被变化信息的提取更有效。

基于粒子群优化和像元分解模型的遥感影像时空融合

时空融合影像能够满足大范围、高精度、快速变化的地表覆被监测需求,已被广泛应用于环境、水文及农情监测等多个领域。基于不同类型的遥感数据,提出一种基于粒子群优化(particle swarm optimization,PSO)和线性混合像元分解技术的遥感影像融合方法。首先,通过统计不同端元反射率变化范围将PSO方法应用于端元反射率求解过程中;然后,综合考虑高低空间分辨率影像之间的端元反射率差异及时空权重实现遥感影像融合;最后,与现有方法进行对比验证。结果表明,所提方法能够有效提高遥感影像的融合精度。以近红外、红光和绿光波段遥感影像为例,使用该方法得到的预测影像的均方根误差和空间结构相似指数均优于增强型的时空融合模型(enhanced spatial and temporal data fusion model,ESTDFM)方法,因此,该方法对地表覆被变化监测与研究具有实用意义。

MKFCM算法在遥感影像分类中的应用研究

模糊C均值聚类(FCM)算法对遥感影像进行分类时,没有考虑像元间相关性的问题,为增加像元间相关性信息,提出了多核模糊C均值聚类(MKFCM)算法,即将多个核函数引入到FCM算法中,依据像元在特征空间中的分布特点,自动筛选出核函数间的最佳权重组合,并以中高分辨率Landsat8影像和高分辨率Pleiades影像为研究数据。通过对FCM、KFCM和MKFCM算法分类结果的精度分析可知,对于不同分辨率的遥感影像,MKFCM都能更好地区分具有相似光谱信息的像元,而且无论是单个类别的精度还是整体的分类精度都高于FCM和KFCM算法,这为精确提取区域土地覆盖信息提供了有效途径。

基于植被光谱特征和像元分解模型的植被覆盖度计算方法研究

植被覆盖度是衡量地表植被覆盖状况的一个重要的指标,是洪水预报、水土流失监测和分布式水文模型中的重要参数。通过分析植被在绿、红、近红外波段反射率及其差值的均值和均方根,发现根据植被在绿、红、近红外波段反射率的特定组合及运算能够计算出一个突出植被信息并且比较稳定的参数。在此基础上,基于像元分解模型,提出一种植被覆盖度计算方法。选取植被类型不同的区域分别对计算方法进行适用性和精度验证,结果表明:该方法在不同植被类型区域都取得较好的效果。

基于自适应极化分解技术的灌区麦田土壤墒情反演方法

自微波遥感进入土壤墒情研究领域以来,植被覆盖地表的校正一直是微波遥感反演土壤墒情的热点。针对植被层对雷达微波信号的散射容易造成墒情计算误差等问题,以河南焦作广利灌区为研究区,以灌区内的主要作物冬小麦为研究对象,在离散植被的一阶物理散射模型基础上,使用Sentinel-1A SAR雷达提取后向散射系数,通过自适应极化分解技术即在极小的临近空间内利用最小二乘法求解土壤散射和植被多重散射的最优解,再利用Landsat8数据作为辅助数据提取改进的归一化植被水分指数,采用支持向量机的方法反演土壤墒情。结果表明:基于自适应的后向散射系数与麦田土壤墒情的关系在VV极化模式20 cm深的土壤条件下,相关系数为0.827 8;20 cm深度的土壤墒情与冬小麦的相关性较高,相关系数达到0.819 0;自适应极化分解技术反演土壤墒情均方根误差、平均相对误差分别为1.490 7、0.002 2,水云模型反演土壤墒情均方根误差、平均相对误差分别为1.958 5、-0.242 2,自适应极化分解技术反演效果较为理想。该研究可为小麦覆盖下的灌区土壤墒情的评估提供参考。

基于微波和可见光遥感的冬小麦土壤墒情反演

土壤墒情是水文学、气象学及农业科学研究领域中的一个重要指标参数,对气候、农业、旱情监测都具有极为重要的意义。以河南省广利灌区冬小麦为研究对象,以水云模型为基础,利用Landsat-8和Sentinel-1 A数据计算双层衰减因子、植被和土壤的后向散射系数。采用RBF神经网络拟合土壤的后向散射系数与土壤含水量的关系,通过实测监测点对反演的结果进行精度验证,结果表明:相关系数的平方为0.754 5,均方根误差为0.022,结果良好,可为灌区冬小麦土壤墒情的评估提供参考。

地理信息科学专业教学模式改革——以郑州大学为例

文章通过对当前GIS专业传统教学模式中存在的若干问题进行深入研究，针对课程教学模式、考核模式等方面提出了改革措施和建议，设计符合社会对人才需求特点的教学计划，改革教学环节，提高学生的创新能力和实践能力，并将这些改革措施应用到教学实践中，取得的效果较为满意。

基于Landsat8和Sentinel-1A数据的焦作广利灌区夏玉米土壤墒情监测方法研究

土壤水分是影响农业生产活动的重要因素,在旱情监测、农作物估产等方面有重要意义。研究采用水云模型来消除研究区域植被对后向散射的影响。建立植被含水量和归一化水指数的关系提取模型中所需的植被含水量参数。利用AIEM模型结合粗糙度参数Zs建立研究区土壤墒情反演模型,将模型应用于河南省焦作广利灌区,反演结果和实测值相关性达0.7。将水云模型与AIEM模型联合反演土壤墒情,取得了较为满意的结果,该方法具有较高的适用性。

基于RS和GIS的淮河流域老王坡蓄滞洪区土地利用/覆被变化

动态监测蓄滞洪区土地利用/ 覆被变化状况, 全面掌握蓄滞洪区的土地利用结构和程度, 对蓄滞洪区科学合理运用和发展具有重要意义.采用老王坡蓄滞洪区2000 年、2005 年和2010 年三期LandsatTM 遥感数据, 分析计算老王坡蓄滞洪区2000 年- 2010 年土地利用/ 覆被变化状况、单一土地利用动态度、土地利用/ 覆被变化转移矩阵,计算蓄滞洪区土地利用程度变化指标.研究表明, 11 年来老王坡蓄滞洪区土地利用结构和强度都发生显著变化,且仍处于发展变化期.

融合余弦退火与空洞卷积的遥感影像语义分割

为了捕捉遥感影像中丰富的上下文信息与多尺度的地物信息,改进集成模型的策略,提高语义分割精度,提出一种融合周期递增余弦退火与多尺度空洞卷积的高分辨率遥感影像语义分割方法。方法引入多尺度并行的空洞卷积,有利于捕捉更大范围的上下文信息,在不增加参数的情况下,提高网络对多尺度对象的辨识能力;使用全连接条件随机场引入空间和边缘的上下文信息,提高网络对遥感影像的细节分割能力;引入周期递增的余弦退火策略调整学习率,获得合适数量的局部最优解,集成局部最优解进一步提升网络在像素上的分类能力。在Gaofen Image Dataset数据集上的实验结果表明,多尺度并行空洞卷积可以充分捕捉遥感影像上的多尺度地物信息,能有效辨识复杂对象;空间和边缘上下文信息的引入使语义分割对象的边界辨识更精准;周期递增余弦退火策略能明显减少集成模型的推理时间,模型的总体精度与Kappa系数均优于目前主流的语义分割模型。