基于深度学习的多时序遥感影像水稻提取研究

水稻在我国的农业领域占有重要的地位,产量约占全国粮食总产量的50%,因此对水稻种植区域实现准确、快速提取具有重要意义。以安徽省凤台县区域为研究对象,提出了结合深度学习与多时序遥感影像提取水稻种植区域的方法。实验结果表明:抽穗期与成熟期时相组合提取精度最高、效果最好,水稻抽穗期与成熟期的植被特征反差能够较好地提取出水稻区域;且在与传统监督分类方法的对比中,提出方法的提取效果明显优于传统监督分类的方法。

Landsat8时间序列影像支持下的农田防护林提取方法研究

【目的】农田防护林空间分布是三北防护林生态工程监测的重要内容之一。传统的人工调查方式获取农田防护林费时耗力,效率较低,遥感技术可以弥补传统人工调查的不足。现有农田防护林空间分布研究中,基于单期高分辨率遥感影像可以较好提取植被信息,但是不能很好的解决影像中一些地类存在的同谱异物和同物异谱现象。利用中等分辨率遥感影像进行农田防护林信息提取也仅限于利用光谱信息、形状指数等进行决策树分类,且精度受限。鉴于此,依托中低分辨率遥感影像的农田防护林提取方法有待研究。【方法】选择甘肃省张掖市甘州区为研究区,选取2017年4个季度9期Landsat8 OLI时间序列数据为农田防护林信息提取的数据源,在进行辐射定标和大气校正的基础上,基于分层分类的思想,融入植被物候特征、水体和植被指数,利用时间序列遥感影像以及多特征分类指标,逐步提取并掩膜研究区内其他地物,最终实现农田防护林的提取。利用野外样点调查结果和甘州区土地利用数据库对信息提取结果进行精度评价。【结果】该方法分类总体精度为85.93%,kappa系数为0.79,其中野外调查记录的33个农田防护林样点中29个被正确提取,精度达到87.8%。【结论】时间序列遥感数据能有效提取植被的物候参数。基于多时序、多特征分层分类方法能有效提取农田防护林的空间分布信息,降低了同谱异物和同物异谱现象对农田防护林信息提取的干扰。说明利用时间序列遥感影像结合多种特征分类指标的分层分类方法开展甘州区的农田防护林提取是可行的。

基于Landsat8时间序列的宁夏青铜峡市农田防护林提取

农田防护林在西北多风沙地区发挥了重要防护作用,为农作物提供了良好的生长环境。为了解农田防护林的空间分布特征,需要对防护林进行有效提取,采用中低分辨率遥感数据进行农田防护林提取成为重要途径。以宁夏青铜峡市农田防护林为研究对象,在2019年影像中选取7期可以代表4个季度地物特征的Landsat8 OLI影像数据,在影像预处理基础上,融入水体指数、植被特征和植被指数,提取植被的物候特征,掩膜去除研究区内其他地物,从而实现农田防护林的提取。同时利用野外调查结果和土地利用数据对提取结果进行精度评价。结果表明,该方法防护林提取的总体精度为85.16%,野外调查的50个采样点中有44个点被准确提取,精度达到88.00%。青铜峡市农田防护林多以林带的形式呈现,林带主要沿排水沟分布。

卫星影像结合河溪级序与QUPSUM于土石流发生基准之研究——以浊水溪流域板岩区为例

崩塌与土石流是台湾山区常见地表地质作用，亦是台风豪雨期间造成台湾岛山区居民财务损失重要致灾现象，尤其在超大降雨时，常发生土石流，造成桥梁、道路与民房损毁。在诸多土石流调查与研究中，土石流与降雨的关系研究因受限于现地监测资料，进展较缓。该研究利用SPOT及福卫二号卫星影像，判释台湾中部浊水溪流域板岩区内，

融合空间和时序遥感信息的深度学习水稻提取

为了得到更加精细的水稻提取结果,提出一种结合高分辨率和多时序遥感影像的深度学习水稻提取方法。构建全卷积网络(FCN)对BJ-2高分辨率遥感影像进行分类,并利用长短期记忆网络(LSTM)和随机森林(RF)分类器对Sentinel-2多时序遥感影像进行分类,再通过面向对象的分割和投票对3种方法的分类结果进行融合,得到最终提取结果。在宁波市鄞州区这一研究区域的实验结果表明,提出的方法能获得较高的水稻提取精度以及空间细节保留较为完整的水稻提取结果。