基于Sentinel-2数据提取江汉平原虾稻田分布方法

以江汉平原为研究区,基于AI Earth阿里云平台提供的Sentinel-2 MSI L2数据,在实地采样样本和目视解译样本的基础上,通过分析遥感影像中虾稻田的时序变化规律,总结出区分虾稻田与其他地物类型的关键时间以及指数阈值,从而构建虾稻田提取的决策树模型,最终提取出江汉平原2022—2023年虾稻田的空间分布。最后,基于样本数据评估了该方法的精度,总体精度达93.25%,Kappa系数为0.8429,结果表明该方法具有较好的提取结果。

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。

基于GIS的浙江省水稻遥感估产最佳时相选择

水稻遥感估产最佳时相选择应包括水稻种植面积估算最佳时相和水稻产量预报最佳时相两部分 .在水稻遥感估产最佳时相选择中 ,由于首次引入GIS技术提取水稻可能种植区域 ,缩小了研究范围 ,植被种类也较简单一 ,因此仅用农作物物候历即可确定水稻种植面积估算最佳时相 ,而不需要考虑所有的植被类型 .利用盆栽试验和小区试验研究水稻产量与不同时期的农学参数、农学参数与植被指数及水稻产量与植被指数的关系 ,结果表明 ,水稻产量与农学参数、农学参数与光谱变量的关系均以孕穗期到抽穗期最好 ,水稻产量与光谱变量的关系则从分蘖盛期到抽穗期的极显著 .因此 ,以孕穗期到抽穗期作为建立水稻遥感估产模型的最佳时期 .再利用 1998年各地的水稻发育期观测资料 。

基于多时相OLI数据的宁夏大尺度水稻面积遥感估算

为客观获取宁夏水稻面积空间分布信息,也为区域农作物遥感监测奠定技术基础,该文以宁夏回族自治区为研究区域,选择美国LandSat-8携带的陆地成像仪(operational land imager,OLI)数据,采用2016年3月11日-7月01日间的15景影像,基于水稻田耕地与水体特征反射率随着季节变化规律的分析,采用归一化植被指数(normalized difference vegetation index,NDVI)、近红外波段反射率(infrared reflectance,IR)、短波指数(short waved index,SWI)3个指数,以及多时相NDVI最大值、IR最小值、SWI最小值3个衍生指数,共6个指数为基础进行决策分类树构建,对全区水稻进行识别与提取,采用该区水稻面积本底遥感调查结果进行精度验证,水稻种植面积提取误差仅.4.22%,Kappa系数为0.83,水稻空间分布的用户分类精度分别为85.11%,制图精度为81.67%;同时与监督分类方法提取的水稻面积进行对比,该文方法提取水稻的用户精度提高了8.13个百分点,制图精度更是提高了20.01个百分点。研究结果表明,利用中高分辨率的OLI遥感时间序列卫星影像,在大宗农作物时间序列的变化规律分析基础上,构建分类决策树,可以准确地提取大宗农作物种植面积,是区域农作物面积遥感监测业务运行中具有潜力的方法。

GF-1卫星多时相组合近红外数据水稻识别能力

针对近红外波段水稻识别能力的问题,选择银川市所属的5个县区为研究区域,采用2016年5月18日、6月16日、7月30日、9月13日4个时相GF-1/WFV影像的近红外波段(0.76~2.526μm)数据,基于决策树分类方法,获取了4个单时相、3个多时相条件下的水稻识别结果,并与全波段数据分类结果进行了比较。单时相5、6、7和9月份近红外波段水稻识别精度分别为83.63%、57.40%、75.82%和62.61%,除5月份精度高于全波段5.75个百分点外,其他时相都低于全波段识别精度,6月份相差最高为30.23个百分点。多时相5/6、5/7、5/6/7/9月份组合,近红外水稻识别精度分别为83.76%、93.93%和94.03%,分别比全波段低5.47,高8.58和0.73个百分点。结果表明,水稻生长早期的5月份、中期的7月份,近红外波段可以作为单时相遥感识别数据源,包括生长早期和中期2个时相在内的多时相近红外波段组合都可以作为遥感识别的数据源,研究结果可以作为GF-1数据水稻遥感识别的依据。

基于MODIS数据的水稻种植面积提取研究进展

概述了水稻种植面积监测遥感数据源的应用变化、特征指数和时相选取以及遥感分类方法的发展,分析了MODIS影像在水稻种植面积遥感提取技术方面的研究进展及发展方向。结果表明:MODIS具有高光谱、高时间分辨率和多时相等特点,在大尺度上提取水稻种植面积上,可提高作物识别和监测的精确度与工作效率,节约成本,有着其他遥感数据无法相比的优势,应用MODIS数据提取水稻种植面积,取得了较好的效果。水稻遥感的最佳时相可以选择移栽期和孕穗期,利用对水体和植被较为敏感的波段或植被指数(如NDVI、LSWI和EVI)进行水稻识别,并提取种植面积。传统的遥感图像分类方法如监督分类和非监督分类,算法成熟、操作简单,是目前应用较多的方法。近年来发展起来的分类新方法,如决策树分类法、专家系统分类法、神经网络分类法,支持向量机法等,能够更准确地提取目标地物,对图像分类有不同程度的改进,在实际应用中通常和传统分类方法结合起来使用;多时相分析法与高时间、高分辨率多光谱影像的结合可以获取较高精度的作物种植面积数据,与传统分类方法相比有较大提高。利用MODIS对单一的或大面积的水稻种植面积提取效果较好,但对于地块破碎的种植面积估算尚难达到满意的结果,添加其他的辅佐数据如高程、坡度等,并结合MODIS数据的多时相特点分类等方法,可提高遥感影像分类的精度。

基于国产高时空分辨率卫星影像的作物种植信息提取研究

在面向对象技术支持下,首先利用高空间分辨率ZY-3遥感影像提取农田地块专题信息;然后在地块边界控制下以地块对象为单元融入HJ-1及GF-1中分传感器的多时相光谱信息,获取作物生长关键期内的时间序列光谱特征;最后,结合不同作物的物候差异性规律构建作物种植信息提取模型,对甘蔗和水稻进行识别。结果表明,所有地类的总体分类精度为86.80%,Kappa系数为0.84,总体分类效果良好。甘蔗的制图精度和用户精度分别达到92.11%和90.91%,水稻的制图精度和用户精度分别达到88.89%和90.91%。说明协同利用国产卫星的高空间和高时间分辨率影像数据提取作物种植信息确实可行,可作为作物种植面积和种植结构的精细化、快速调查方法。

新疆棉花遥感识别最佳时相的选择

棉花遥感识别最佳时相的选择是棉花遥感监测系统快速有效建立和正常运行的关键性、基础性环节之一,它必须兼顾作物遥感识别和监测系统中各模型对遥感时相选择的要求,综合考虑多方面的影响因素。从新疆三大棉区棉花和其它主要农作物的光谱差异和物候历的差异,同时参考太阳高度和土壤光谱噪声的变化以及棉花面积的代表性等方面,初步确定新疆三大棉区的棉花遥感识别最佳时相期,同时提出了最佳时相选择时还有待试验和解决的问题,以供进一步研究参考。

农作物遥感估产最佳时相的选择研究——以中国主要粮食作物为例

最佳时相遥感图象的选择是农作物遥感估产的关键环节之一，它必须兼顾作物识别和单产模拟对遥感时相选择的要求，综合考虑多方面的影响因素。根据农作物遥感估产中各项工作的具体要求，以提高遥感图象中目标作物信息及其与作物单产关系的显著程度为主要目的，分析了农作物遥感估产最佳时相的选择依据，认为它主要包括作物光谱的种间差异、作物物候历的种间差异、太阳高度角的变化、作物产量形成的关键期、作物面积对收获面积的代表性以及土壤光谱噪声的变化。此外，还分别选择了我国各地水稻、小麦和玉米遥感估产的最佳时相，作出了它们的最佳时相分区图，供全国范围内主要粮食作物遥感估产参考。

持续发展研究的回顾与反思——兼论中国人口、资源、环境

通过对持续发展研究历史的分析，探讨了目前持续发展研究的动态、内容和范围，特别是对中国人口、资源和环境现状的分析研究，指出了我国社会经济发展与生态环境保护之间矛盾的尖锐性，提出了持续发展是新时期我国社会经济发展的重要国策之一．

基于空间密度函数的哈尼梯田世界遗产地滑坡时空格局变化

为探究哈尼梯田世界文化景观遗产地核心区滑坡灾害时空分布规律,以Google Earth 0.55 m分辨率的2005、2009、2015年3期遥感影像为基础,结合实地走访调查,建立滑坡数据库,在ArcGIS 10.2平台上计算滑坡点的最邻近指数、K函数曲线及密度分布。结果显示:1)哈尼梯田遗产核心区2005、2009、2015年的滑坡数量分别为184、337和285个,对应最邻近指数为0.556、0.603、0.628;最显著聚集的空间尺度为1 000 m,从聚集向离散分布转变的空间尺度阈值分别为2.9、3.9、3.6 km。2) 3个年份滑坡点高密度区占比逐渐增加(2.3%→5.8%→8.3%),中密度区占比亦逐渐增大(15.7%→21.8%→27.9%),低密度区占比逐渐减小(82.0%→72.5%→66.8%)。3)需要重点防范滑坡灾害风险的区域为森林区的西段和东段,村寨区的多依树、硐浦、勐品、水卜龙等地,以及阿勐控河和碧猛河流域内的梯田区。综上,研究区2005-2015年滑坡空间格局发生了显著变化,随着人类活动对地表景观干预程度不断加大,滑坡灾害风险增加了更多的不确定性。

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。

水稻遥感制图研究综述

水稻是人类的主要粮食作物之一,及时准确的获取水稻面积分布和时空变化对粮食政策制定具有重要的参考意义。本文围绕“水稻遥感制图”研究主题,首先回顾调研国内外文献资料,系统梳理了水稻的生理生长过程和主要的种植模式。全球范围内,水稻种植集中在东南亚地区;从全国范围看,单季稻产区主要位于东北地区和长江中下游地区;双季稻和三季稻产区位于湖南、江西、广东等华南省份。其次,受云雨影响,早期水稻制图以雷达数据为主,随着遥感数据源日益丰富,光学和雷达数据协同应用于水稻遥感制图;在重点分析水稻的“(遥感)信号—空间—时间”特征的基础上,探讨了水稻遥感制图中典型光学植被指数和雷达后向散射系数;并从传统机器学习和深度学习两个方面总结了现阶段水稻遥感制图的主流方法。然后,从机器学习模型、多源遥感数据融合以及遥感计算云平台3个方面归纳了水稻遥感制图的应用现状。总结发现目前水稻制图研究存在以下难点:(1)由于相似生长周期植物的存在导致水稻的漏分、错分;(2)光学和雷达数据都存在时序观测不连续的现象;(3)地形破碎区域或多季、轮作水稻种植地区的制图困难较大;(4)制图方法的泛化问题。针对这些问题,本文从水稻物候特征发掘、水稻时序观测数据获取手段、水稻遥感制图空间分辨率改进等方面探讨了水稻遥感制图的发展方向:(1)水稻物候期遥感信号特征挖掘;(2)覆盖水稻完整生长期的时序遥感数据获取;(3)水稻遥感制图空间分辨率提升;(4)光学和雷达数据的协同应用。

基于时空数据融合的江汉平原水稻种植信息提取

及时、准确监测水稻种植面积,对区域粮食政策制定、粮食安全以及农业发展具有重要意义。然而我国南方地区水稻生长期内降水充沛的气候特点使得遥感影像"云污染"现象严重,为解决水稻种植信息遥感提取存在可用数据不足的问题,以江汉平原为例,利用时空数据融合模型(Spatial and Temporal Data Fusion Approach,STDFA)将Landsat 8 OLI与时序MODIS数据融合,重构出具有高时-空分辨率特征数据,然后采用面向对象的SVM分类方法对研究区内水稻种植信息进行提取,结果如下:融合后的红与近红外波段反射率与真实反射率的相关系数分别为0.84和0.81,研究区水稻提取精度为94.46%,Kappa系数为0.91。说明时空融合模型能够较好地重构出高时空分辨率数据,从而实现多云雨地区农作物种植信息遥感提取。