基于GF-1/WFV影像的青海祁连山地区地表覆被自动分类应用研究

基于GF-1/WFV影像的地表覆被自动提取方法,利用青海祁连山地区复杂、独特的地表覆被垂直变化特征,建立以祁连山地区为例的水源涵养区地表覆被分类规则。结果表明,总体分类精度为95.73%,Kappa值为0.8896,分类精度优于80%。尝试将网络远程视频监控系统应用在遥感解译中,选取样本点近距离验证典型地物类型,包括生态脆弱区(冰川)、生物多样性重点保护区(青海小叶杨原种保护地)等,分类精度为94.8%,应用潜力大。

基于HJ-1星和GF-1号影像融合特征提取冬小麦种植面积

为提高基于国产环境与灾害监测预报卫星(HJ-1/CCD)影像大范围提取冬小麦种植面积的精度,以江苏省宿迁市沭阳县为研究区域,对冬小麦拔节期30 m×30 m的HJ-1/CCD多光谱影像和2 m×2 m的高分1号卫星全色影像(GF-1/PMS)进行融合与面向对象分类研究。将GF-1/PMS全色影像进行8、16和24 m重采样,得到4种空间分辨率(含2 m)的全色影像,分别与HJ-1/CCD多光谱影像利用光谱锐化法(Gram-Schmidt,GS)进行融合。通过对融合影像进行质量评价,选择适合研究区冬小麦种植田块格局的适宜尺度影像。将HJ-1/CCD多光谱影像重采样,得到与适宜尺度融合影像相同尺度的影像,在两景影像中分别选取包含光谱、纹理信息的训练融合影像样本(samples of fused image,SFI)和重采样影像样本(samples of resampling image,SRI),采用面向对象分类方法对适宜尺度融合影像(fused image,FI)和重采样影像(resampling image,RI)进行冬小麦种植面积提取。结果表明,16 m×16 m融合影像的效果优于2 m×2 m、8 m×8 m和24 m×24 m融合影像,其均值、标准差、平均梯度和相关系数分别为161.15、83.01、4.55和0.97。面向对象分类后,SFI对重采样影像RI16m分类的总体精度为92.22%,Kappa系数为0.90。SFI对融合影像FI16m分类的总体精度为94.44%,Kappa系数为0.93。SRI对重采样影像RI16m分类的总体精度为84.44%,Kappa系数为0.80。SFI对融合影像FI16m分类效果最好,说明基于融合影像和融合影像提取样本(SFI)结合的面向对象分类方法能准确提取冬小麦种植面积。另外,重采样影像和融合影像提取样本(SFI)相结合的面向对象分类方法也可较好提取冬小麦种植面积。为利用国产中空间分辨率HJ-1/CCD卫星和高分1号卫星融合影像有效提取大区域冬小麦种植面积信息提供了参考。

基于GF-1卫星影像的青岛市冬小麦种植面积变化动态监测

为准确获取青岛市冬小麦种植面积及空间分布变化特点,帮助相关部门优化种植结构,合理安排农业生产,研究利用GF-1 WFV卫星遥感影像,选择青岛市2014—2021年冬小麦种植面积遥感提取的最佳时相,采用图像监督分类法提取冬小麦的种植面积,并通过分类后比较法分析小麦种植面积的动态变化。结果表明:2014—2021年青岛市冬小麦的种植面积为21.7万~24.8万hm^(2),2016年小麦种植面积最大,2020年最小,每年冬小麦种植面积波动范围为0.3万~2.7万hm^(2);遥感提取的种植面积与统计部门提供的种植面积误差较小,误差百分率不超过6.5%;小麦与其他地物类型之间相互转换的差异很小,2014—2021年逐年小麦转为其他地物的面积变化范围为8.0万~10.9万hm^(2),其他地物转为小麦的面积变化范围为7.9万~11.4万hm^(2)。

GF-1与GF-6 WFV影像在滇池悬浮物浓度反演中的对比分析

总悬浮物(TSM)是水环境评价的重要参数之一,也是遥感水质反演的重要指标。GF-1/WFV和GF-6/WFV作为高分系列对外免费开放的卫星数据,在遥感监测中的应用较为广泛,但目前针对两种数据的对比分析以及GF-6/WFV新增波段在水体水质参数反演中的适用性研究较少。以云南滇池水域为研究区域,对与水体实测数据同步过境(或时相相近)的GF-1/WFV和GF-6/WFV遥感影像采用统计分析的方法进行相同波段(蓝、绿、红、近红外)一致性分析,在此基础上运用经验回归方法分别构建两种数据的TSM反演模型,并将加入GF-6/WFV新增波段的模型与GF-1/WFV构建的模型进行对比分析,选择最优模型应用于滇池2020年的6幅GF-6/WFV图像得到滇池TSM分布图。结果表明:GF-1/WFV与GF-6/WFV的蓝、绿、红、近红外波段的相关系数分别为0.98,0.98,0.97和0.99,两种数据的表观反射率具有很高的一致性。GF-1/WFV基于蓝、绿、近红外波段构建的差值模型“B2+B4-B1”反演精度较高,模型反演的均方根误差为6.35 mg·L^(-1),平均绝对百分比误差为23.60%。GF-6/WFV基于近红外、红边1和红边2波段构建的比值模型“1/B5+B6”反演精度较高,模型反演的均方根误差(RMSE)为3.07 mg·L^(-1),平均绝对百分比误差(MAPE)为20.65%,以GF-1/WFV构建的差值模型“B1-B4”与GF-6/WFV构建的“B5-B4”对比发现后者均方根误差减小了2.61 mg·L^(-1),平均绝对百分比降低了32.33%,实验表明加入红边波段的模型反演效果较其他模型更好。采用建模公式得到了2020年滇池TSM分布图,滇池TSM的变化范围在4~45 mg·L^(-1),均值为18.23 mg·L^(-1),总体空间分布呈现北重南轻的分布态势,滇池TSM时间分布表现为上升-下降趋势。该研究不仅可以为湖泊水质监测传感器波段设置提供参考和借鉴,也为滇池水资源监管部门进行水质遥感监测提供了技术支撑。

基于深度学习的GF-1卫星WFV影像赤潮探测方法

赤潮是我国主要的海洋生态灾害,有效监测赤潮的发生和空间分布对于赤潮的防治具有重要意义。传统的赤潮监测以低空间分辨率的水色卫星为主,但是其对于频发的小规模赤潮存在监控盲区。GF-1卫星WFV影像具有空间分辨率高、成像幅宽大和重访周期短等优点,在小规模赤潮监测中表现出较大的潜力。然而,GF-1卫星WFV影像的光谱分辨率较低,波段少,传统面向水色卫星的赤潮探测方法无法应用于GF-1卫星WFV数据。而且赤潮具有形态多变、尺度不一的特点,难以精确提取。基于此,本文提出了一种面向GF-1卫星WFV影像的尺度自适应赤潮探测网络(SARTNet)。该网络采用双层主干结构以融合赤潮水体的形状特征与细节特征,并引入注意力机制挖掘不同尺度赤潮特征之间的相关性,提高网络对复杂分布赤潮的探测能力。实验结果表明,SARTNet赤潮探测精度优于现有方法,F1分数达到0.89以上,对不同尺度的赤潮漏提和误提较少,且受环境因素的影响较小。

基于GF-1 WFV影像的黄河口湿地植被盖度估测及分析

植被盖度是植被生长状况的重要定量指标,而目前开展的植被盖度遥感估测工作主要集中在陆地区域,对河口湿地植被盖度遥感估测工作比较少见。本文基于国产GF-1 WFV遥感影像开展了黄河口湿地植被盖度估算,并结合植被类型、土壤盐度和植被指数分布状况开展了植被盖度分布特征分析,得到如下结论:(1)基于GF-1 WFV卫星影像的NDVI、SRI、SAVI、MSAVI和DVI 5种植被指数,分别建立植被盖度估测模型,其中基于NDVI、SRI、MSAVI和DVI 4种植被指数建立的多变量线性回归模型估测精度最好,其决定系数(R2)最大,为0.904,均方根误差RMSE最小,为0.14;(2)植被盖度估算模型的精度与植被盖度本身有一定的关系,其中各植被盖度回归模型中,盖度大于0.8时估算精度要优于盖度小于0.6的区域,RMSE最大相差0.04;(3)以潮滩碱蓬和潮滩芦苇为主的植被覆盖区属于低植被盖度区,盖度位于0.03~0.5,盐度在1.5g/L左右;芦苇草甸、互花米草和柽柳灌丛植被覆盖区属于高植被盖度区,盖度位于0.8~1.0,其中芦苇草甸土壤盐度小于1.2g/L,柽柳灌丛土壤盐度在1.4~2.0g/L,在高盖度植被区混生有中等盖度的植被,盖度在0.5~0.8,土壤盐度在1.8g/L左右。

基于GF-1 WFV影像的作物面积提取方法研究

黑龙江省是我国粮食生产大省,及时有效地获取黑龙江省的农作物种植面积对后续研究的开展具有重要意义。以黑龙江省五九七农场为例,利用2014年8月30日GF-1卫星16 m空间分辨率影像,通过计算不同特征波段,构建了多特征水稻、玉米种植区识别方法。首先计算影像归一化差分植被指数(NDVI),并将原影像进行主成分变换,以此为基础建立包含多特征的数据集。然后利用不同地物类型之间在各特征波段的差异,基于CART算法构建决策树,分别提取研究区内的水稻和玉米。精度评价结果表明,分类的总体精度达到96.15%,Kappa系数为0.94。水稻的制图精度为98.41%,用户精度为97.64%;玉米的制图精度为95.38%,用户精度为97.89%。其中总体精度和Kappa系数较最大似然法分类结果分别提高了5.28%和0.08。所提研究方法可为其他地区农作物高分数据作物类型制图提供借鉴。

GF-1卫星WFV影像间匀色方法

影像匀色方法是决定拼接后影像能否进一步用于遥感定量化应用的重要环节之一。本文针对我国高分辨率对地观测系统的首发星——GF-1卫星宽覆盖WFV传感器4相机拼接成像特点,提出了一种基于交叉辐射定标的影像间匀色方法。该方法首先利用传统的交叉定标方法获取某一台WFV相机在轨绝对辐射定标系数,然后采用统计分析和仿真模拟方法建立了相邻相机影像间DN值、表观辐亮度的相关模型,在完成相机间绝对辐射性能传递的同时,实现了影像间匀色处理。试验结果表明利用本文获取的交叉辐射定标系数能够有效地消除相邻相机影像重叠区域辐射不一致性的问题,实现WFV影像间匀色。该匀色方法可为其他类似卫星传感器影像间匀色提供参考依据。

大连长兴岛海域疏浚区GF-1 WFV影像悬浮物遥感反演研究

利用2017年8-9月期间大连长兴岛海域实测遥感反射率、悬浮物浓度及GF-1 WFV数据,研究了该区域悬浮物浓度的遥感反演算法,发现遥感反射率与悬浮物浓度的散点图存在两种不同的变化趋势,将2008-2015年期间辽东湾内其它海域的数据与长兴岛海域数据进行叠加后,可初步推断产生两种变化趋势的主要原因在于疏浚区与非疏浚区悬浮物的粒径大小不同,导致其光学特性和反演算法也存在差异。将两种算法分别应用于2017年9月20日辽东湾及长兴岛近岸海域的GF-1 WFV4影像,发现采用非疏浚区算法反演长兴岛海域悬浮物浓度时,出现明显的低估现象,而疏浚区算法则能较好地反映出疏浚施工过程中悬浮物的分布规律,具有较好的工程应用价值。

基于GF-1影像的冬小麦面积提取及年际变化动态监测

为探讨国产高分一号(GF-1)卫星影像在作物面积提取中的适用性,以冬小麦主产区山东省菏泽市为研究区域,利用GF-1卫星携带的多光谱宽幅相机(WFV)16米遥感影像为主要数据源,以菏泽市土地利用类型和野外地面调查数据作为辅助,采用决策树分类法和监督分类—最大似然分类法相结合的方法,通过分区解译方式,分别提取出菏泽市2014和2015年冬小麦种植面积和分布区域,并利用地面样方数据对分类结果进行精度验证,同时开展年际变化动态监测分析。结果表明:以GF-1/WFV 16米影像为主要数据源,将多源信息引入决策树和监督分类模型,进行种植结构复杂地区冬小麦种植面积遥感估算的方法是可行的。GF-1/WFV 16米影像在作物面积遥感监测业务运行中具有较大的开发应用潜力。2014和2015年菏泽市冬小麦位置提取精度分别达到96.5%和96.7%,面积总量提取精度分别达到96.8%和95.0%;遥感提取的两年冬小麦种植面积均略小于官方提供的统计数据,但两者呈现出的变化趋势一致,即菏泽市两年间的冬小麦种植面积呈减少趋势。

GF-1卫星WFV影像几何定位稳定性研究

针对GF-1卫星WFV传感器高分辨率与大视场相结合的特点,本文将ZY-3卫星传感器校正产品作为参考,通过分析同名点对的地理信息,对北京地区WFV传感器4台相机影像相对几何定位精度进行长时间序列评价,分析其误差特征。试验结果表明,单景影像均出现了明显的系统几何定位误差,但是不同时相影像的几何定位误差方向并无明显规律。针对该现象本文基于相机成像原理,从理论上证明了仅利用某一时相影像的有理函数模型补偿参数是无法有效消除其他不同时相影像系统误差的。

不同大气校正模型对GF-6 WFV影像清晰度的影响评价研究

为探讨不同大气校正模型对高分六号(GF-6)WFV影像清晰度的提升,利用主客观相结合的方法对大气校正后的影像清晰度进行评价。结果表明:1)不同大气校正模型对影像清晰度提升的效果不同。从基于地理视觉要素的主观评价来看,大气校正后的GF-6 WFV影像纹理特征更为明显,清晰度得以提升。2)基于影像特征的定量评价结果表明,不同的大气校正模型对GF-6 WFV影像清晰度提升程度不同,快速大气校正对影像提升效果最为明显。3)从基于色彩保真度的定量评价结果可知,不同大气校正结果对不同地物反射率影响较为明显,FLAASH大气校正结果更适合于植被遥感应用研究,快速大气校正模型的适用范围更广。

利用Landsat 7与GF-1 WFV影像反演地表温度

地表温度在地气循环系统中具有重要作用,是目前地理学研究的重点。然而目前的国产高分辨率影像缺少热红外波段,且具有热红外波段的影像分辨率较低。基于此,本文利用低分辨率影像降尺度方法反演高分辨率影像的地表温度。首先通过Landsat 7影像的热红外波段,提取典型地物的地表温度;对GF-1 WFV影像进行预处理后,利用全约束最小二乘法对高分辨率影像进行混合像元分解;根据平均温度模型,得到高分辨率影像的地表温度,并进行降尺度,通过Landsat 7影像进行精度验证。验证结果显示,均方根误(RMSE)为1.40℃,平均绝对误差(MAE)为0.44℃,精度较高。

基于GF-1/WFVNDVI时间序列数据的作物分类

归一化植被指数(normalized difference vegetation index,NDVI)时间序列已广泛应用于植被信息提取研究,然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像,从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号(GF-1)的发射,为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖(wide field of view,WFV)影像,构建16 m分辨率NDVI时间序列,以河北省唐山市南部区域为研究区,开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列,避免了利用自然年(1-12月)数据构建NDVI时间序列的不足,有助于作物信息的提取。通过分析样地的NDVI时序曲线,发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异,捕捉作物特有的生长特性,而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机(support vector machine,SVM)等分类方法,基于GF-1/WFV NDVI时间序列对研究区作物进行分类,研究结果表明SVM分类方法总体精度最高,达到96.33%。同时该文还采用时间序列谐波分析法(harmonic analysis of time series,HANTS)对NDVI时间序列进行了平滑处理,结果表明处理后的NDVI时间序列能更好地描述作物的物候特性,作物分类精度得到进一步提高。

基于GF-1 WFV影像与神经网络模型的水库水质多参数反演研究

利用国产GF-1 WFV影像和神经网络建立多光谱遥感影像水质多参数定量反演模型,能实现高效率、大范围、连续空间的水库水质多参数变化监测,探究了国产卫星影像于水质遥感反演的可行性,并为湖长制和湖泊富营养化评估提供技术支持。以广东省佛山市一中型水库为例,基于GF-1 WFV影像,利用神经网络模型建立了东风水库叶绿素a(Chl-a)、透明度(SD)、总磷(TP)、总氮(TN)、高锰酸盐指数(CODMn)5个水质参数与影像数据间的定量反演模型,5个水质参数反演模型预测值与实测值之间的决定系数R 2均达到0.8以上,平均相对误差均在40%以下,研究结果证实了国产卫星影像于水质遥感反演的可行性,研究成果可为水库的水质和富营养化监测提供参考。

面向GF-1 WFV影像的城市建设用地指数构建

针对GF-1 WFV影像缺少中红外波段,无法使用大多数建设用地指数提取建成区的问题,利用Fisher线性判别分析"类内聚合,类间分离"的投影准则,本文提出一种针对GF-1 WFV影像城市建设用地指数UBIWFV。该指数利用蓝光和绿光波段线性组合运算分离和增强建设用地信息。利用该指数提取了福州、石家庄和武汉3个不同研究区城市建设用地,并与建筑用地指数RBI提取结果进行比较。结果表明,该指数在不同研究区提取结果总体精度达到85%,Kappa系数达到0.7以上,提取结果空间连续性和完整性更好,指数阈值选取较容易。该指数相比RBI指数抑制裸土信息效果更明显。UBIWFV指数对于城市建设用地提取具有一定的可行性和适用性。

基于GF-1/WFV数据的冬小麦条锈病遥感监测

条锈病是冬小麦常见病害,利用遥感影像对条锈病病害区域进行准确监测具有重要意义。该文利用GF-1/WFV影像,结合条锈病地面光谱数据分析,采用冬小麦条锈病遥感监测指数(wheat stripe rust index,WSRI)对河南西华县冬小麦条锈病发病范围进行了估测。首先,利用冬小麦NDVI加权指数(weighted NDVI index,WNDVI)获取冬小麦种植区域。其次,利用影像4个波段反射率之和提取不同冬小麦品种的分布范围,值较高的为条锈病高抗品种(郑麦系列),较低的则是条锈病易感品种(矮壮系列)。再次,构建冬小麦条锈病指数(wheat stripe rust index,WSRI),结合地面实地调查的条锈病分布数据,通过设定合理的WSRI指数划分阈值,提取条锈病染病区域并进行精度验证。结果表明,研究区内小麦条锈病空间分布识别的总体精度在84.0%以上,具有区域监测应用的潜力。该方法简单,可操作性强,表明宽波段GF-1影像结合WSRI指数的技术,是一种比较可行的小麦条锈病遥感监测方案。

基于GF-1/WFV与MODIS时空融合的森林覆盖定量提取

森林作为陆地生态系统的重要组成部分,因其巨大的碳储量和固碳能力而备受关注,利用高分1号卫星的NDVI数据(GF-1 NDVI)可实现森林覆盖的定量提取。然而,由于受阴雨天气、运行成本等因素的影响,难以形成GF-1 NDVI时间序列数据,无法满足森林覆盖高精度提取的需求,为此,以河南省嵩山部分地区为实验区,应用STAVFM算法融合GF-1/WFV NDVI与MODIS NDVI,生成8 d步长的GF-1/WFV NDVI时间序列数据,在此基础上,提取NDVI特征并与GF-1/WFV的光谱特征进行组合,最后,采用SVM分类方法实现研究区森林覆盖的定量提取。研究结果表明,利用STAVFM算法生成的GF-1/WFV NDVI时序数据效果理想,很好地解决了GF-1 NDVI时序数据的缺失问题,由其NDVI特征与GF-1/WFV光谱特征构成的组合能够实现森林覆盖的有效提取,基于SVM分类后的总体分类精度为94.72%,与未融入NDVI特征的GF-1/WFV原始影像的分类结果相比,提高了4.90个百分点。

GF-1和MODIS影像冬小麦长势监测指标NDVI的对比

作物长势是农情遥感监测的重要内容之一。长期以来,作物长势遥感监测主要基于卫星影像反演的相关植被参数,如归一化植被指数(NDVI,normalized difference vegetation index)、叶面积指数(LAI,leaf area index)等。本文通过对比研究16 m分辨率GF-1卫星影像及250 m分辨率MODIS影像的NDVI与冬小麦综合茎数、株高、叶绿素浓度之间的关系,尝试建立遥感监测作物长势指标与地面实测作物长势指标的定量关系。研究发现GF-1的NDVI与冬小麦综合茎数的相关性最高(R2=0.8961),而与其他指标相关性较弱;MODIS的NDVI指数与冬小麦综合茎数相关性较低(R2=0.4432),对作物长势的遥感监测精度较低。统计MODIS冬小麦像元内GF-1像元的NDVI平均值,并与MODIS的NDVI对比,发现两者之间的相关性较低(R2=0.3944);在消除MODIS与GF-1影像传感器光谱响应函数差异及NDVI尺度效应后,MODIS影像的冬小麦作物长势遥感监测精度得到一定提高(R2=0.4633)。对MODIS像元内GF-1 NDVI标准差排序发现,MODIS像元内冬小麦长势一致性越高,MODIS的长势遥感监测精度越高。GF-1和MODIS影像NDVI长势监测主要代表地面冬小麦综合茎数,且卫星影像分辨率越高,NDVI值越能反映实际的作物长势。MODIS像元内冬小麦长势一致性越高,基于NDVI的MODIS与GF-1数据冬小麦长势监测结果越一致。从区域长势监测角度来看,尽管MODIS与GF-1数据的监测结果趋势较为一致,并且通过光谱、尺度归一化能够进一步提高监测结果的一致性,但MODIS NDVI长势监测总体精度较低,为满足作物长势精细化监测的业务需要,应逐步使用高分辨率的遥感数据替代中低分辨率遥感数据进行作物长势遥感监测,并将其作为长势监测业务化运行的研究重点。

GF-1影像遥感监测指标与冬小麦长势参数的关系

为了分析高分一号卫星(GF-1)影像在冬小麦长势监测中的有效性和适宜性,以建湖县冬小麦为研究对象,选取12个植被指数作为遥感监测指标,运用回归分析法探讨遥感监测指标与地面实测冬小麦长势参数的关系,并以回归模型的决定系数(R 2)作为反演精度的评价指标。研究发现,叶面积指数(LAI)、密度和生物量的反演精度较高,其中LAI的反演精度在拔节期最高[监测指标:红蓝色归一化植被指数(RBNDVI),R 2:0.6894],密度的反演精度在拔节期最高[监测指标:优化的土壤调节植被指数(OSAVI),R 2:0.5438],生物量的反演精度在孕穗期最高[监测指标:归一化植被指数(NDVI),R 2:0.4486],说明GF-1影像适合在拔节期进行冬小麦LAI、密度的监测,在孕穗期进行生物量监测。土壤含水量、株高和叶绿素含量(SPAD值)的反演精度较差,最佳回归模型的R 2皆低于0.3600,说明所选的12个遥感监测指标不适合反演这3个长势参数。除乳熟期外,其他4个生育期中都是LAI的反演精度最高,可见GF-1影像的遥感监测指标与LAI的相关性最好,反演精度最高。本研究结果说明,在进行冬小麦长势监测时,不同的生育期需要采用不同的监测指标,同时GF-1影像则更适合在拔节期和孕穗期进行冬小麦的长势监测。本研究结果在一定程度上为GF-1影像在农情遥感监测中的应用提供了科学依据。