基于多时相Landsat影像的中亚地区植被覆盖遥感监测

针对中亚地区的强生态脆弱性、高敏感性特征,有必要开展广域、长期的植被覆盖监测以匹配“绿色丝绸之路”的可持续发展目标。鉴于此,联合Landsat 5和Landsat 8卫星数据集,利用Google Earth Engine(GEE)地理空间数据云计算平台,估算了中亚地区1993—2018年间共12期的植被覆盖度。结果表明:(1)中亚地区植被覆盖总体水平较低,但也具有较为显著的空间异质性。(2)中亚地区1993—2018年间多数区域植被覆盖趋势较为稳定,哈萨克斯坦丘陵、费尔干纳盆地等区域植被覆盖度呈增加趋势,乌拉尔河流域和锡尔河流域等区域植被覆盖趋势为负。(3)植被覆盖度时序特征上,中亚地区1993—2018年间总体植被覆盖度累积增加3%,其中吉尔吉斯斯坦和塔吉克斯坦植被覆盖分别增加3.96%和5.86%。(4)裸土区呈退缩趋势,面积总计减少25.9×104km2,低植被覆盖区、中植被覆盖区和高植被覆盖区范围在呈现出的振荡式增加。研究结合遥感大数据和地理云计算对中亚地区进行区域尺度的植被覆盖动态监测,能对中亚地区生态评估和演替分析提供技术支持和定量数据。

多时相Landsat影像地表亮温辐射归一化方法

使用多时相遥感数据进行景观变化检测往往要求这些遥感数据能保持辐射一致性,但实际获取遥感数据时由于传感器性能、大阳照度几何和大气状态的变化,多时相遥感数据的辐射一致性无法保持。鉴于多时相遥感数据实际应用时需要实施相对辐射归一化操作,以南京市主城区1992年、1998年、2003年、2007年和2011年5景Landsat TM热红外波段数据为源数据,反算亮温图像并与8个地面气象站采集的实时温度数据建立回归模型,反演地表温度图像,然后采用伪不变特征相对辐射归一化方法和多元变化检测相对辐射归一化方法对5期地表温度数据做归一化处理,分级操作后评价南京市热岛效应的变化特征,最后通过引入统计特征参数均方根误差和变异系数,评价两种相对辐射归一化方法的优劣。结果表明:经过两种归一化方法调整后的数据均有利于对南京市热岛效应的分析;在后续的热岛效应分析中,多元变化检测相对辐射归一化法处理后的影像优于伪不变特征相对辐射归一化处理的影像;多元变化检测归一化法克服了人工选取样本点中存在的主观因素,但其计算相对较复杂。

多时相Landsat影像的平原河网区不透水面信息提取方法与应用

不透水面是衡量城市生态环境的重要指标,针对平原河网区不透水面与水体、裸土等地物较难区分的问题,以苏北里下河平原快速城镇化区为研究对象,利用多时相Landsat影像为数据源,基于像元光谱特征及其季节性变化分析,构建了基于时序NDWI、NDVI和NDBI的决策树模型,并利用GIS空间分析技术对不透水面的时空变化特征进行了分析。结果表明:多时相光谱信息可有效改善水体、裸土和稀疏植被等像元与不透水面的混分,2005年和2016年的不透水面分类总体精度和Kappa系数均在0.85以上,合理反映了不透水面以向东和向南扩张为主的趋势特征,年均扩张速度约为6.7 km2。研究成果为该区城镇化下的生态环境效应研究提供数据基础,同时可为其他平原河网区不透水面信息提供借鉴和参考。

利用多时相Landsat影像生成白洋淀湖底DEM的研究

该文使用多时相Landsat影像,以白洋淀地区为例,阐述基于中等分辨率的可见光—近红外遥感影像生成具有较高精度数字高程模型的非常规方法。对覆盖同一研究区的不同时相影像分别进行淹没区与非淹没区的分类,提取不同水位高度时的水域边界,并以此为相应水位高度的等高线,对获得的等高线进行插值生成数字高程模型(DEM)。这种由一系列遥感影像提取的水域图生成数字高程模型的方法适用于人为干预较少、地形相对简单的湿地或季节性湖泊,可以弥补该类地区数字高程信息不足或精度不够的缺陷。

基于多季相分形特征的Landsat 8 OLI影像耕地信息提取方法

利用遥感技术快速准确地提取耕地信息是耕地保护的关键环节。以山东省商河县为例,提出了一种基于多季相分形特征的Landsat 8 OLI影像耕地信息提取方法。首先采用毯子覆盖法计算多季相遥感影像每个像元的上分形信号和下分形信号,对比分析耕地和其他土地利用类型的分形特征,选取上分形信号的第3尺度作为特征尺度,提取商河县耕地空间分布特征;其次采用同时期的土地利用矢量数据、Esri land cover数据和统计数据进行耕地信息提取精度评价;最后分别设置多季相分形提取与单季相分形提取、现有土地利用数据产品的对比实验,并基于点位匹配度和面积匹配度进行评价。结果表明:多季相数据更能反映农作物生长的复杂性,有助于提高耕地信息的提取精度;不同土地利用类型在不同分形尺度的信号值各不相同,分形特征可以在不同尺度上清晰地刻画出不同土地利用类型的分异性;基于矢量数据和Esri land cover数据评价的多季相分形特征耕地提取点位匹配度为87.13%和89.83%,面积匹配度为99.73%和97.91%,均比单季相分形提取结果精度高;综合考虑点位匹配度、面积匹配度和空间分布特征,研发方法能有效区分耕地和其他土地利用类型,提取结果更优,且与统计数据有更高的一致性。该方法可准确提取耕地信息,为耕地的动态监测和损害评估提供技术支撑。

基于多时相Sentinel-2卫星影像的冬小麦面积提取

及时准确地提取冬小麦种植信息,对开展冬小麦农情遥感监测具有重要的意义.以杭州市余杭区冬小麦越冬期(2021-12-04)、扬花期(2022-04-08)和乳熟期(2022-05-03)Sentinel-2遥感影像为数据源,分别采用最大似然法、支持向量机、归一化差值植被指数(normalized difference vegetation index,NDVI)相加和相减合成运算提取冬小麦种植面积.结合冬小麦地面调查数据与实测种植面积,对不同方法的提取结果进行精度评价.结果显示,利用越冬期影像NDVI阈值将常绿植被区(茶园、林地)掩膜处理,对非常绿植被区(建筑、水体、冬小麦)扬花期与乳熟期影像NDVI值进行和值运算,是提取余杭区冬小麦种植面积的最佳方法,面积精度为91.96%,说明基于多时相遥感影像结合植被物候特征与典型地物类型,能够实现冬小麦种植面积的高精度提取.

基于多时相遥感影像的农安县土壤有机质含量估算

精准获取农田土壤碳储量对确保国家粮食安全及应对气候变化具有重要意义。土壤有机质(Soil Organic Matter,SOM)作为土壤碳库的重要组成部分,采用遥感影像估算SOM的精度受单时相、多时相影像的影响程度,及究竟选取多少景影像进行SOM的估算较为合适尚不清楚。本研究以吉林省长春市农安县为研究区,以2013-2018年Landsat 8遥感影像作为数据源,选取归一化植被指数(Normalized Difference Vegetation Index,NDVI)、比值植被指数(Ratio Vegetation Index,RVI)、有机碳指数(Soil Organic Carbon Index,SOCI)等光谱指数,并提取高程、坡度、坡向、地形湿度指数(Topographic Wetness Index,TWI)等地形因子,及粮食产量、化肥施用量等农田管理措施,采用随机森林算法筛选后的指示因子作为模型的输入变量,构建SOM估算模型。结果表明:相较于使用单时相卫星影像提取的指示因子,使用多时相卫星影像能更好的利用影像多时相信息,对SOM的估算精度较高。随着使用影像年份的增加,模型反演精度会达到上限,本研究中使用数据年限为3年,后续增加使用影像的数量,反演精度基本不变。使用3年影像进行SOM反演的模型验证集精度R^(2)为0.682,RMSE为3.152 g/kg。本研究成果不仅对应用多时相遥感影像进行SOM精准估算具有重要意义,也对农田土壤质量的提升及农业可持续发展具有重要意义。

应用U-Net模型和多时相Landsat-8影像对森林植被的分类

为了探讨深度学习全卷积神经网络模型(U-Net)在多时相Landsat-8影像上的森林植被分类效果,以黑龙江孟家岗林场为研究区,采用多时相的Landsat-8影像为数据源,根据各森林类别多时相的光谱曲线确定分类的最佳时相,并对优化后的U-Net模型进行训练并验证。同时,进一步构建多时相植被指数特征,训练分类模型并对森林植被进行分类,比较优化后的U-Net分类方法和最大似然分类法的分类精度。结果表明:加入多时相植被指数的U-Net模型分类精度为83.5%,比单一时相分类精度高6.1%;优化后的U-Net模型分类方法精度明显高于最大似然分类方法,说明加入多时相植被指数的U-Net模型分类方法可以有效的提高森林分类精度。

Landsat-8多时相遥感影像亚热带森林分类

森林类型遥感影像自动制图在森林资源调查中有重要应用,本文以广西壮族自治区金秀县为研究区,基于多时相的Landsat-8数据,采用面向对象的决策树分类方法,对研究区森林类型自动识别进行了研究,分类结果表明:1)单一时相影像森林分类精度中,生长季前期最高,生长季末期次之,非生长季最冷月最低;2)结合生长季与非生长季的多时相影像森林类型自动识别精度较单一时相影像显著提高。

基于天地图的省域多时相影像服务系统设计与实现

随着卫星遥感技术的快速发展,遥感影像的应用领域和方式呈高速增长之势,尤其是历史影像,在自然资源领域发挥越来越大的作用。以全省多时相遥感影像成果和2021年以来的季度影像成果为基础,建成多时相历史影像服务系统,旨在挖掘多年历史影像的潜力,为全省自然资源服务提供技术支撑。

基于多时相中巴资源卫星影像的冬小麦分类精度

中巴资源卫星2号星(CBERS-02)具有较高的空间分辨率和较丰富的光谱信息,对植被有较强的探测能力.利用2006—2007年北京地区冬小麦生育期早期的5景CBERS-02卫星影像,计算了各时相和不同时相组合的主要地物类型及冬小麦的光谱可分性距离,进行了监督分类,同时,结合高分辨率航空和卫星遥感影像,构建了训练样本和验证样本,对利用CBERS-02卫星提取的生育早期的冬小麦进行了时相分析和精度评价,并与同期TM影像提取结果进行对比.结果表明:时相是影响冬小麦分类的主要因素,不同光学传感器的遥感影像也会影响分类精度;多时相组合有利于提高冬小麦的提取精度,与单时相冬小麦提取的最高精度相比,最佳时相组合的制图精度提高了20.0%、用户精度提高了7.83%;与TM数据相比,CBERS-02卫星影像的冬小麦分类精度略低.

多时相影像的典型区农作物识别分类方法对比研究

基于甘蔗和玉米的物候特征差异,对多时相影像典型分类方法处理的适宜性和准确性进行了比较研究。并以目视解译结果作为参考数据,利用全样本检验法,对自动分类的结果进行了精度检验。试验结果表明:面向对象法的分类精度最高,总体Kappa系数为0.655,是最适宜的方法;其次是BP神经网络法和光谱角制图法,总体Kappa系数分别为0.635和0.631;而最大似然法和分类后比较法则是不适宜采纳的分类方法,总体Kappa系数分别为0.601和0.577。上述分析可见,它们对遥感分类处理多时相影像识别算法的适用性选取有一定参考意义。

多时相TM影像相对辐射校正研究

多时相影像对应波段中地物波谱“准”不变特征点(Pseudo-Invariant Features,PIFs)的选取是相对辐射校正的前提,采用目视解译选取主观性较强,在一定程度上影响了校正精度。利用绍兴试验区两时相TM影像,通过样本点间差异阈值,主成份分析和回归分析方法控制选取影像对应波段间的PIFs,使得校正样本点的选取具有客观性。在此基础上获取增益和偏移量并对两时相影像进行相对辐射校正,取得了较好的校正效果,从而有利于土地利用/覆盖变化监测。

多时相MODIS影像水田信息提取研究

水稻种植及其分布信息是土地覆被变化、作物估产、甲烷排放、粮食安全和水资源管理分析的重要数据源。基于遥感的水田利用监测中,通常采用时序NDVI植被指数法和影像分类法分别进行AVHRR和TM影像的水田信息获取。针对8天合成MODIS陆地表面反射比数据的特点和水稻生长特征,选取水稻种植前的休耕期、秧苗移植期、秧苗生长期和成熟期等多时相MODIS地表反射率影像数据,通过归一化植被指数、增强植被指数及利用对土壤湿度和植被水分含量较敏感的短波红外波段计算得到的陆表水指数进行水田信息获取。将提取结果与基于ETM+影像的国土资源调查水田数据,通过网格化计算处理并进行对比分析,结果表明,利用MODIS影像的8天合成地表反射率数据,进行区域甚至全国的水田利用监测是可行的。

顾及空间邻域关系的多时相SAR影像变化检测

提出了一种顾及空间邻域关系的多时相SAR影像非监督变化检测方法,采用马尔可夫随机场(Markov random field,MRF)模型描述SAR比值差异图像的空间上下文信息,提出了基于该模型的EM-MPM非监督变化检测算法。实例研究表明,与未顾及空间上下文信息的EM双阈值算法相比,该方法能够有效地提高变化区域提取的可靠性和准确性。

多时相MODIS影像土地覆盖分类比较研究

首先以黑龙江省多时相MODIS影像为试验数据,利用最大似然分类(MLC)、自组织神经网络(SONN)、支持向量机(SVM)以及决策树分类(DTC)等四种广泛使用的分类方法进行了土地覆盖遥感分类研究。并从分类精度、样本数量对分类器的影响、模型复杂度、参数的选择、分类速度等多个方面对4种分类方法进行了深入比较和分析。综合比较得出决策树分类法最优,而经典方法之一的最大似然分类法最稳定。进而将此二法推广到全国范围的土地覆盖分类试验中,并进行精度对比。本文所得出的结论将对于在类似的应用中如何选择合适的分类方法具有一定的参考价值。

基于多时相遥感影像的北京平原人工林树种分类

为解决传统遥感分类方法区分平原人工造林地树种难度较大的问题,利用4个不同时相的高空间分辨率卫星影像,基于ESP计算方差变化率并结合目视解译获取影像的最佳分割尺度;通过相关系数法筛选构建的特征,进行面向对象的多时相影像和单时相影像分类,并与基于像元分类方法进行对比分析.结果表明:基于多时相影像各类别分类精度为64%,高于单时相分类精度(51%);面向对象KNN方法的分类精度优于SVM和MLC分类方法,两者精度分别为49%和43%.在树种丰富且分布复杂的平原造林林地景观中,利用多时相遥感数据,采用面向对象分类方法用于树种精细分类更具优势.

多时相遥感影像变化检测的现状与展望

多时相遥感影像变化检测技术能够监测生态环境变化、跟踪城市发展,对于研究人类与自然环境之间的交互关系有着重要的意义。随着新型遥感影像的不断普及,变化检测也在高光谱影像变化检测和高分辨率影像变化检测两个方向上有了深入的探索。本文围绕变化检测的基本流程,从预处理、变化检测方法、阈值分割与精度评价4个角度介绍了变化检测研究的最新进展,并总结了变化检测技术的主要应用领域。最后,对变化检测技术未来的发展进行了展望。

多时相遥感影像的变化检测研究现状与展望

变化检测作为摄影测量与遥感领域的研究热点之一,也是人工智能体系中极具研究价值的技术分支。二者的快速发展与深度融合,已使海量、复杂和多样的遥感数据快速智能化处理成为可能,广泛应用于资源监测、城市规划、灾害评估等诸多领域。随着遥感技术和计算能力的不断革新,变化检测体系也在不断发展和演化。本文主要从几何和语义两个角度对变化检测方法进行了分析和归纳总结,重点分析了几何信息的利用方式及深度神经网络的特征融合方式,随后总结了常用的变化检测公开样本数据集,最后对当前变化检测应用中遇到的核心问题及未来发展趋势进行了梳理与展望。

基于多时相TM影像的冬小麦面积变化监测

利用北京1992年、2000年、2004年、2009年的多时相Landsat TM5影像数据,结合实际调查数据,分析了近20年来北京冬小麦种植面积的变化趋势及演变特征。采用决策树、PCA、缨帽变换等手段对地物进行分类,利用多时相影像,NDVI组合阈值提取小麦种植区面积。研究结果表明:北京地区1992年、2000年、2004年、2009年冬小麦种植面积分别为:113671ha,84322ha,40410ha,61529ha。北京冬小麦种植面积呈现为明显的先减少后增加的趋势。从1992年到2009年共减少52143ha。其中,从1992年到2000年冬小麦种植面积减少了29349ha,减少的面积中城区扩张占用和转变为裸地的最多,分别为39.7%和42.8%,另外有13.3%变为设施用地,3%成为水体(鱼塘和水田);从2000年到2004年冬小麦种植面积共减少43921ha,减少的面积中转变为裸地和城区扩张占用的最多,分别为39.8%和33.1%;从2004年到2009年冬小麦种植面积共增加了21119ha,其中裸地转变为小麦种植区面积最大。