遥感影象多时相分析在土地专题研究中的应用——以湖北浠水实验区为例

遥感影象的分析是土地资源研究的有效手段。而由重复摄影(或扫描)所取得的多时相(Multi temporal)遥感资料(或称多季节资料—Multi-seasonal data),给环境的动态监测及予报提供极为丰富的信息。遥感影象的多时相分析(又称时间鉴别分析—Time disoriminant analysis 或时间间隔遥感技术—Technique of Time-lapse remotesensing)则是研究环境动态变化的极好手段。本文试以湖北浠水地区的实验研究为例,

基于多时相Sentinel-2A影像的狼毒分布识别

狼毒(Stellera chamaejasme)是近年来青藏高原高寒草地的主要入侵毒杂草之一,及时高效的调查与监测可为狼毒综合防控与退化草地恢复提供重要的技术支持。本研究选取花期前与盛花期的Sentinel-2A多光谱影像,将Google Earth Engine平台去云、环境要素掩膜、特征优选和随机森林分类相结合,探讨区域尺度的狼毒遥感识别方法。结果表明,通过狼毒敏感指数计算,以及Spearman秩相关性分析与随机森林重要性排序相结合的二次降维,提取了7项狼毒分类特征并构建了4个特征组合方案。与单时相特征组合相比,多时相特征组合有效提高了狼毒识别精度,其中,基于随机森林模型的6个特征组合方案的分类总精度为84.62%,狼毒分类精度均大于80%,识别效果最佳。本研究显示,影像去云及掩膜预处理能够有效减少分类干扰信息,花期前与盛花期提取的多时相特征组合增强了狼毒群落与其他群落的影像光谱差异,在区域尺度狼毒遥感识别中具有较好的应用潜力。

九龙江口及厦门湾悬沙分布和输移沉积的多时相遥感分析

本文通过对九龙江口及厦门湾地区七个时相遥感资料的处理与信息提取，着重描述了该地区在不同时相、不同径流和不同潮流时刻的悬浮泥沙的分布、水流形态和泥沙输移状况。并且进行了泥沙来源、运动规律、沉积环境和岸线稳定性的综合分析。

厦门湾悬沙分布的多时相遥感分析

利用厦门湾地区多时相遥感图像反演出表层悬沙浓度分布图,进而定性分析不同径流和潮流下悬沙分布规律。研究表明,九龙江河口湾为该地区悬沙浓度最高的区域,分布上具有"西高东低"的特征。全湾悬沙来源主要为两部分:径流来沙以及波浪和潮流掀沙。潮流运动是泥沙输送的主要动力,由于弗劳德数分布不同而引起的潮流挟沙力空间差异,是影响厦门湾悬沙分布的主导因素。利用实测泥沙资料将不同时相下瞬时悬沙浓度转换为全潮平均悬沙浓度以进行定量分析,结果表明悬沙浓度具有大潮大于小潮,枯季大于洪季的特征。

淤涨型海岸典型入海河口治导线研究

河口淤涨导致河道排水能力下降,为维系河口平面形态和纵向冲淤稳定,保障河口防洪、排涝安全,迫切需要开展入海河口治导线研究。文章以小洋口为例,综合运用多时相遥感影像分析技术、DEM潮滩微地形技术等,对前期河口治导线成果进行了复核,分析表明:受围垦影响,河口特征具有明显变化;通过构建一二维耦合水动力数学模型,对不同治导线布置方案进行比选,定量分析确定了河口治导线,为江苏以及全国各地区入海河口治导线研究提供了新的借鉴。

海流兔河流域径流变化的周期和趋势分析

以荒沙草滩区典型河流海流兔河为例,利用连续小波变换、多时相趋势分析,并联合利用离散小波变换和Mann-Kndall秩次检验法对1957—2011年的年均径流分别进行周期、趋势以及趋势结构分析。结果表明：1海流兔河年均径流量在时间序列上主要存在着12~21 a周期变化,第一主周期为17 a,且径流量偏少阶段将从2010年持续至2016年左右,之后将进入偏多阶段。2海流兔河流域径流量呈现显著下降趋势,与整个黄河中游总体径流量减少趋势相一致。3联合利用离散小波变换和Mann-Kendall秩次检验法可以很好地解释趋势的基本结构,8~16 a的周期性事件对海流兔河径流的趋势影响最大。水文时间序列周期部分的周期性越强,其对序列趋势的影响越大。4序列趋势的显著性和方向取决于其长度以及在整个序列中的位置,主要是因为序列中长周期丰枯交替的存在,多时相趋势分析一定程度上解决了由于序列长周期丰枯交替的存在造成的序列趋势判断的不确定性问题。

基于MT-InSAR技术的广东省地表变形监测与分析

文章采用2018—2020年的805景哨兵1号卫星雷达影像,利用融合永久散射体和同分布散射体的多时相InSAR分析技术(MT-InSAR),获取了广东省地表约1.35亿个监测点的变形速率和变形序列。分析表明,广东省地表整体稳定,沉降速率基本在2 mm/年以下;变形区主要分布于珠江三角洲平原、练江平原软土区及人类工程活动较为密集的区域;珠江市金湾区和斗门区沉降严重区域速率可达-60~-30 mm/年;汕头市司马浦镇及练江区域监测点沉降速率可达-30~-20 mm/年;普宁市地表在2019年1月后出现抬升,累计变形量为79.3 mm;深圳市某高层建筑物基坑周边累计变形量达-75.4 mm。影响地面变形的主要因素包括软土地质环境,以及地下水抽取、建筑物荷载、基坑开挖等人类工程活动,文章研究成果可为地面沉降调查和灾害防治工作提供科学依据。

基于MODIS时序数据提取河南省水稻种植分布

以河南省为研究区,利用2009年多时相8d合成MODIS地表反射率产品提取水稻种植分布。根据稻田含水量变化特征及水稻生长规律,构建水稻种植分布提取流程。为减少云等噪声的影响,对地表水含量指数(ILSW,land surface water content index)和增强型植被指数(IEV,enhanced vegetation index)的时序数据进行平滑重建。然后,依据豫北和豫南稻区水稻物候期差异,分别建立标准水稻IEV生长线,以计算像元尺度的水稻相似性指数作为影像分类的特征波段。同时,对重建的ILSW和IEV时序数据分别进行主成份分析,选择各自的前3个成份作为特征波段。在此基础上,采用支持向量机分类算法对组建的特征波段进行分类,提取影像中水稻的种植分布。结果显示,提取的河南省水稻种植分布与实际情况吻合较好,豫北稻区水稻分布呈现集中连片的特征,多分布在沿黄河两岸,而豫南稻区水稻种植广泛,多在大型水库灌区周边及沿淮和低洼易涝地区。与各地区水稻统计面积相比,MODIS提取的水稻面积平均相对误差为6.56%,根均方误差为5.63khm2。受到混合像元影响,以及个别地区水稻种植分散且面积相对较小,使该地区水稻面积相对误差超过±60%。

人工智能时代的遥感变化检测技术:继承、发展与挑战

多时相遥感影像变化检测是指对同一地理区域、不同时间获取的遥感影像进行自动变化发现、识别与解释的遥感处理与分析技术。随着卫星遥感技术及人工智能理论方法的快速发展,基于多时相遥感影像数据驱动和模型驱动的传统变化检测方法正朝着数据—模型—知识联合驱动的方向转型和演变,以更加自动化、精细化和智能化的方式,解决多领域的地表时空变化检测问题。本文在总结多时相遥感数据源从同构到异构、变化检测模型从传统到智能、变化检测应用从理论到落地过程中存在问题的基础上,以光学遥感影像变化检测任务为例,梳理和分析了人工智能时代下变化检测技术的发展历程。从无监督、监督、弱监督3个方面探讨了遥感变化检测从传统到前沿技术的转型特点与趋势,并进一步提出了未来需重点突破模型的物理可解释性、泛化及迁移能力、跨数据—跨场景—跨领域应用水平等关键问题。