农业院校《遥感数字影像处理与分析》教学中育人元素探索

"以立德树人为根本,以强农兴农为己任"是习总书记对高等学校人才培养的殷切期望.为了更好的把育人元素有机融入到农业院校专业课程的教学中,本文以《遥感数字影像处理与分析》课程教学为例,探索了如何将专业知识与育人元素有机结合的方法.

基于时间序列叶面积指数傅里叶变换的作物种植区域提取

为了获取不同农作物的空间分布信息,以华北平原黄河以北地区为研究区域,利用Savitzky-Golay滤波对2014—2016年的时间序列叶面积指数(leaf area index,LAI)进行重构,进而应用一阶差分法和重构LAI的傅里叶变换的谐波特征对研究区域主要农作物冬小麦、玉米和棉花种植区域进行识别和提取,并对不同作物的识别精度进行验证。结果表明,基于Savitzky-Golay滤波重构的LAI能够去除由云、大气等因素造成的LAI骤降的影响,重构LAI曲线平滑且符合作物的生长规律特征。研究区域2014—2016年作物识别的总体精度均大于80.00%,2015年达到87.08%,冬小麦-夏玉米、春玉米、棉花和单季夏玉米的识别精度分别为92.50%、80.00%、85.00%和82.50%,表明利用一阶差分法能够准确提取研究区域一年一季和一年两季作物种植区域。结合傅里叶变换方法和作物物候信息能够有效地识别不同作物的种植区域,进而获取研究区域主要农作物的分布信息。该研究可为研究区域主要作物的长势监测及产量估测预测提供参考。

基于粒子滤波和多变量权重的冬小麦估产研究

为了构建能够反映作物长势的综合性指标以及准确估测作物产量,采用粒子滤波算法同化CERES-Wheat模型模拟和基于Landsat数据反演的叶面积指数(Leaf area index,LAI)、地上生物量和0~20 cm土壤含水率,获取冬小麦主要生育期以天为尺度的变量同化值,分析不同生育时期的LAI、地上生物量和土壤含水率同化值与实测单产的相关性,并应用熵值的组合预测方法确定不同状态变量影响籽粒产量的权重,进而生成综合性指数,并分析其与实测单产的相关性。结果表明,LAI、地上生物量和土壤含水率同化值和田间实测值间的均方根误差(Root mean square error,RMSE)以及平均相对误差(Mean relative error,MRE)均低于这些变量模拟值和实测值间的RMSE和MRE,说明数据同化方法提高了时间序列LAI、地上生物量和土壤含水率的模拟精度。基于不同状态变量的权重生成的综合性指数与实测单产间的相关性大于单个变量与实测单产间的相关性;基于综合性指数构建小麦单产估测模型,其估产精度(R2=0.78,RMSE为330 kg/hm2)分别比基于LAI、地上生物量和土壤含水率建立模型的估产精度显著提高,表明构建的综合性指数充分结合了不同变量在作物估产方面的优势,可用于高精度的冬小麦单产估测。

基于VTCI和分位数回归模型的冬小麦单产估测方法

条件植被温度指数(VTCI)是一种综合了归一化植被指数(NDVI)与地表温度(LST)的遥感干旱监测方法,在关中平原的近实时干旱监测中具有其适用性。分位数回归能全面反映因变量的条件分布在不同分位数处的特征,回归结果稳健可靠。为了进一步研究VTCI干旱监测结果与小麦单产之间的关系及提高冬小麦单产估测精度,构建了不同分位数τ(0.1,0.3,0.5,0.7,0.9)下关中平原各市2008—2014年的冬小麦主要生育期VTCI与单产之间的线性回归模型,并基于中位数(τ=0.5)回归模型对研究区域的冬小麦单产进行了估测。结果表明,分位数回归模型比较全面地反映了不同分位数下冬小麦单产分布与VTCI之间的相关程度,弥补了最小二乘估产模型回归结果单一、易受异常值影响等的不足。中位数回归模型的单产估测结果与实际单产之间的相对误差和均方根误差的最小值及平均值均低于最小二乘回归模型,估测精度较高。此外,中位数单产估测模型获取的冬小麦估产结果在年际变化规律与空间分布特征上与实际产量均较相符,说明分位数回归在研究VTCI与产量之间的关系及冬小麦单产估测中具有其适用性与可靠性。

应用粒子滤波同化条件植被温度指数的土壤水分估测

为了准确地获取2013—2015年关中平原冬小麦主要生育期土壤含水量(0~20 cm)的时空信息,基于Landsat-8遥感数据反演条件植被温度指数(CVTI),并结合CVTI和实测土壤水分间的线性相关性构建土壤水分反演模型。应用粒子滤波(PF)算法同化基于CVTI反演的和CERES-Wheat模型模拟的土壤水分,得到以天为步长的土壤水分同化值,利用土壤水分实测值分别检验土壤水分模拟值、反演值和同化值的精度。结果表明,CVTI和实测土壤水分间的线性相关性显著,尤其在小麦拔节期和抽穗~灌浆期,其相关性达到极显著水平(P<0.01);土壤水分同化值和实测值间的线性相关性(r=0.96,P<0.001)大于土壤水分模拟值和实测值间的相关性(r=0.71,P<0.01)以及土壤水分反演值和实测值间的相关性(r=0.89,P<0.001);土壤水分同化值的均方根误差(RMSE)和平均相对误差(MRE)比土壤水分模拟值的RMSE和MRE分别降低了0.025 cm^3·cm^(-3)和2.70%,比土壤水分反演值的RMSE和MRE分别降低了0.016 cm^3·cm^(-3)和4.15%,同化过程提高了时间序列土壤含水量的估测精度。因此,基于CVTI和PF算法能够较为准确估测关中平原小麦主要生育期的土壤含水量。

基于SCE-UA算法的小麦穗分化期模拟模型参数优化

以河南省商丘市为研究区,首先采用OAT(One-at-a-time)方法对WheatGrow模型的输入品种参数进行敏感性分析,在此基础上以抽穗期的开始日期作为约束条件构建代价函数,引入SCE-UA(Shuffled complex evolution method developed at the University of Arizona)算法求解得到最优作物品种参数组合,并利用2015—2016年度和2016—2017年度田间实验资料对SCE-UA算法的有效性进行验证。结果表明,基本早熟性参数对穗分化期的模拟结果影响最显著,温度敏感性参数比光周期敏感性参数和生理春化时间参数具有更高的敏感度,生理春化时间的敏感度最低。基于优化后的参数得到的穗分化期模拟值与观测值之间的平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)均小于3 d,表明SCE-UA算法可以有效地获取WheatGrow模型最优品种参数组合。本研究可为WheatGrow模型品种参数的调整优化和模型的推广应用提供依据。

基于点扩散函数的条件植被温度指数降尺度转换方法

以陕西省关中平原为研究区域,基于MODIS数据反演的条件植被温度指数(VTCI)的定量化干旱监测结果(MODIS-VTCI)和基于Landsat数据反演的VTCI相对干湿监测结果(Landsat-VTCI),应用点扩散函数(PSF)将930 m空间分辨率的MODIS-VTCI降尺度转换至30 m,并对降尺度转换的VTCI进行定量化验证。结果表明,降尺度转换的VTCI与Landsat-VTCI间的相关系数和结构相似度均较大,降尺度转换的VTCI与累计降水量间的相关性和MODISVTCI与累计降水间的相关性相近,且均高于Landsat-VTCI与累计降水量间的相关性,说明降尺度转换的VTCI既考虑了Landsat-VTCI的空间变异,又保持了MODIS-VTCI较为准确的定量化干旱监测特性。

基于WOFOST-SHAW耦合模型的冬小麦冠层气温模拟

以河南省商丘地区为研究区域,在田间实验的基础上,对WOFOST模型和SHAW模型进行本地化标定,利用WOFOST-SHAW模型模拟2016年冬小麦拔节期-成熟期冠层0~80 cm高度每小时气温的变化特征,并将其模拟结果与实测数据进行对比。结果表明,利用WOFOST-SHAW模型模拟的冬小麦冠层,除了80 cm高度,气温的模型效率均大于0.90,超过75%的模拟气温的绝对误差在-1.5~2.5℃之间,说明冠层气温的整体模拟精度较高。WOFOST-SHAW模型对冬小麦冠层各高度的日最低气温的模型效率平均值为0.86,日最低气温模拟值偏高0.53℃,说明冠层日最低气温的模拟值与实测值吻合度较高。同时冬小麦易受冻高度层模拟气温能准确地反映0℃以下的冠层日最低气温,因此,WOFOST-SHAW模型可以很好地模拟冠层气温,提升SHAW模型的适用性,可为冬小麦晚霜冻害的监测提供参考依据。

基于CORS与UHF的农用GNSS差分信号中继方法

为利用现有丰富的连续运行参考站(CORS)资源,给精准农业提供高精度、高可靠、高并发的差分信号,本文结合农业应用特点,利用GNSS误差的空间相关性,提出基于CORS和UHF电台的GNSS差分信号中继方案,解决测绘用CORS传输方式单一、并发性不足、使用成本较高以及单站RTK重复建设、频率干扰和基准不统一等问题。在北京市海淀区、顺义区和平谷区建立了3个基准站,组建了试验用CORS网,构建了基于PC、i80和智能手机(Phone)的3套中继试验系统,分别开展了定位性能综合验证、机组控制精度验证和应用推广原型验证。试验表明:在10 km范围内,中继定位的平面内、外符合精度分别优于0. 022 m和0. 033 m,基本满足农机作业定位要求;作业机组控制精度达到0. 066~0. 076 m,略高于0. 050 m的理论控制要求,由于机组为挂载农具空驶,该指标属可接受范围;智能手机中继传输的可靠性高、扩展性好。因此,利用智能手机和UHF电台,可快捷获取与转发CORS差分改正数,使10 km之内的流动站实现RTK级定位。该模式简单易用、成本低廉,有一定的应用推广价值。

基于SHAW模型的冬小麦叶温模拟

叶温是反映冬小麦健康状况的关键指标,但获取麦田叶温动态变化过程及廓线分布存在着较大困难。本文以河南省商丘市为研究区,引入表达土壤-植被-大气能量传输的SHAW模型,对其进行本地化标定,在垂直方向上0~60 cm高度以10 cm为间隔进行分层,模拟冬小麦拔节期至抽穗期间的叶温时序曲线及廓线,并结合田间同期不同高度的叶温实测数据,对模拟结果进行分析。结果表明:SHAW模型可有效地用于麦田叶温时序曲线和廓线模拟,决定系数达0.847 6,夜间模拟效果显著优于白天,决定系数分别为0.862 2和0.760 2。对叶温日平均值、最低值和最高值的分析表明,均方根误差范围为1.36~4.09℃,且最低温模拟效果最好,平均值次之,最高温误差最大。叶温廓线模拟分析表明,各高度决定系数均达到0.82以上,且随高度的增加而增大,均方根误差范围为2.41~3.35℃,平均误差均小于0℃;叶温总体上呈现出夜间随高度增加而降低的趋势,而白天随高度增加而升高的趋势。

无人机影像反演玉米冠层LAI和叶绿素含量的参数确定

小型低空无人机(Unmanned Aerial Vehicle,UAV)机动灵活、操作简便,可以按需获取高空间分辨率影像,是育种玉米长势监测的一种重要技术手段。针对UAV影像反演玉米冠层叶面积指数(LAI,Leaf Area Index)和叶绿素含量的参数确定问题,该研究以DJI S1000+无人机为平台,搭载法国Parrot Sequoia相机,获取海南三亚市崖城玉米育种基地的多光谱影像。基于预处理后的UAV影像,采用重采样的方式获得不同分辨率下(0.1~1 m)的不同植被指数,所构建的植被指数包括归一化植被指数(Normalized Difference Vegetation Index,NDVI)、叶绿素指数(Grassland Chlorophyll Index,GCI)、比值植被指数(Ratio Vegetation Index,RVI)、归一化红边红指数(Normalized Difference rededge-red Index,NDIrer)、归一化红边绿指数(Normalized Difference rededge-green Index,NDIreg)和重归一化植被指数(Renormalized Difference Vegetation Index,RDVI),通过将不同分辨率下的不同植被指数与地面实测数据进行回归分析,以获得各分辨率下植被指数与冠层LAI和叶绿素含量的关系模型及其决定系数,以决定系数的大小为依据来确定玉米冠层LAI和叶绿素含量反演的最优空间分辨率和最优植被指数。通过试验发现,在分辨率为0.6 m时,NDVI与地面实测LAI之间的决定系数R^2为0.80,决定系数达到了最大,利用该分辨率下的NDVI反演得到的LAI验证精度R^2达到0.73;在分辨率为0.1 m时,NDIreg与地面实测叶绿素含量之间的决定系数R^2为0.70,决定系数达到最大,利用该分辨率下的NDIreg反演得到的叶绿素含量验证精度R^2达到了0.63。因此得出结论:1)植被指数的选择:①对于玉米冠层LAI的反演来说,不包含绿波段的植被指数的LAI反演精度较高,这说明绿波段对LAI的变化不敏感;②对于玉米冠层叶绿素含量反演来说,包含红边波段的植被指数的反演精度较高,因此影像的红边波段对叶绿素含量的变化非常敏感。2)UAV影像空间分辨率的选择:反演LAI的最优分辨率是0.6 m,此时NDVI与实测LAI的决定系数达到最大;反演冠层叶绿素含量的最优分辨率是0.1~0.3 m范围内,此时NDIreg与实测叶绿素含量的决定系数达到最大。该研究可为UAV反演玉米表型参数时的分辨率和植被指数选择提供参考。

基于MCMC方法的WOFOST模型参数标定与不确定性分析

为探究作物生长模型参数的自动标定技术及其不确定性分析方法,该研究以郑州农业气象试验站为试验点,利用融入了snooker更新(snooker update)的DE-MC(differential evolution Markov chain,差分进化马尔科夫链)方法实现对WOFOST(world food studies)作物生长模型的参数标定和不确定性定量评价。snooker更新增加了DE-MC算法中候选样本的多样性,从而实现利用更少的并行链对多维参数空间进行有效采样,较适合于WOFOST模型参数众多的特性。结果表明:相比于模型默认值,采用MCMC(Markov chain Monte Carlo,马尔科夫链-蒙特卡洛)标定后的参数,叶面积指数(leaf area index,LAI)模拟精度可提高51.40%~53.07%,产量模拟精度提高8.25%~8.88%。标定参数中,SPAN、SLATB070、SLATB040、AMAXTB130和SLATB00的后验分布可近似为高斯分布,其中SPAN的不确定性最低。带入后验参数集合进行模型,LAI在三叶期至返青期之间以及拔节期至抽穗期之间模拟的不确定性较大;产量模拟的不确定性随时间不断增大,至乳熟期前后达到稳定。该方法能够实现对多参数复杂作物生长模型的参数标定和不确定性分析,对作物模型参数估计及提高模拟精度具有重要作用。

长时间序列气象数据结合随机森林法早期预测冬小麦产量

冬小麦生育早期的产量预测对于制定冬小麦整个生长期的精准管理决策具有重要参考意义。该文基于随机森林算法,采用1990—2015年河南省小麦平均拔节期至平均抽穗期地面观测气象数据与统计产量数据,分别提取不同穗分化期的温湿度、降水等47个气象要素和小麦种植区经纬度、高程3个空间要素,共计50个参数作为特征变量集,以实际单产、气象产量和相对气象产量分别作为目标变量,构建多种变量组合模型对冬小麦产量进行回归预测,并结合袋外数据重要性结果对产量影响因子进行分析。研究结果表明:1)使用气象产量和相对气象产量作为目标变量建模的预测效果优于单产模型,决定系数R^2均达到0.8以上,气象产量的平均绝对误差(mean absolute error,MAE)和均方根误差(root mean square error,RMSE)分别为415和558 kg/hm^2,相对气象产量的MAE和RMSE分别为0.07和0.09;2)相较于气象特征,空间特征在产量预测中起决定性作用,且小花分化期以及抽穗开花期的气象特征产量预测精度高于其他穗分化期;3)在气象特征中,利用袋外数据变量重要性得出平均温度、最低温度、负积温、最高温度在不同生育阶段对产量的影响程度。该研究结果为冬小麦生育早期产量预测提供了新的思路和方法。

基于Sentinel-2A影像的玉米冠层叶绿素含量估算

农作物叶片中的叶绿素通过吸收光能参与光合作用产生化学能,及时、准确地估算叶绿素含量对于农作物长势、养分含量监测、品质评价和产量估算具有重要意义。Sentinel-2卫星的重访周期为5 d,空间分辨率为10 m,具有13个光谱波段,其中包括三个波宽仅为15 nm对叶绿素含量变化敏感的红边波段,是叶绿素含量估算的理想数据源。植被指数是基于农作物在不同波段的反射特性,通过不同波段组合方式刻画长势和叶绿素含量的差异,可用于大区域范围内的玉米冠层叶绿素含量快速、精确估算。以Sentinel-2A影像为数据源,开展基于多种植被指数的玉米冠层叶绿素含量估算方法研究。课题组于2016年8月6—11日在河北省保定市(115°29′—116°14′E, 39°5′—39°35′N)进行玉米冠层叶绿素含量的实地测量,并在每个采样位置上采用中绘i80智能RTK(real-time kinematic)测量系统进行定位。Sentinel-2A影像预处理工作包括几何校正、辐射定标和大气校正,其中大气校正使用Sen2Cor模型和SNAP模型。首先,基于预处理后的Sentinel-2A遥感影像,分别计算CI_(green)(green chlorophyll index), CI_(red-edge)(red-edge chlorophyll index), DVI(difference vegetation index), LCI(leaf chlorophyll index), MTCI(MERIS terrestrial chlorophyll index), NAVI(normalized area vegetation index), NDRE(normalized difference red-edge), NDVI(normalized difference vegetation index), RVI(ratio vegetation index), SIPI(structure insensitive pigment index)植被指数。然后,建立样方位置上实测叶绿素含量与各植被指数的统计关系,从而构建玉米冠层叶绿素含量估算模型,并以野外实测玉米冠层叶绿素含量为依据,对基于各植被指数的估算结果进行精度评价。最后,利用筛选出的最优叶绿素含量估算模型,估算研究区内的玉米冠层叶绿素含量。研究的目标为:(1)通过比较分析,构建合适的玉米冠层叶绿素含量估算模型,估算精度以决定系数R^2、均方根误差RMSE以及相对误差RE作为评价指标;(2)确定最优波段组合方案:在红边波段中选择与可见光、近红外波段组合效果更优的波段组合方案;(3)确定参与植被指数计算的红边波段的最优数量。精度评价结果表明:(1)选用的植被指数与玉米冠层叶绿素含量呈多项式拟合关系,其中使用红边波段计算的植被指数的估算结果明显优于未使用红边波段的估算结果;红边波段引入后明显提高了可见光、近红外波段对叶绿素含量的拟合的精度, CI_(green(560, 705))指数比CI_(green(560, 842))的回归模型R^2提高0.516,红边波段参与计算的DVI相对于RVI来说,估算结果更稳定。(2)对于不同的植被指数,参与运算的Sentinel-2A影像的两个红边波段,估算精度的提高程度不同。对于可见光波段参与计算的植被指数来说,在红边波段1(中心波长为705 nm)的估算精度较高,如LCI, CI_(green), DVI和RVI等;对于近红外波段参与计算的植被指数来说,在红边波段2(中心波长为740 nm)的估算精度较高,如CI_(red-edge), NDRE和NAVI等。(3)对于Sentinel-2A影像来说,两个红边波段共同参与叶绿素含量估算时能取得最高的的估算精度。选用的植被指数中, MTCI_((665, 705, 740))指数与玉米冠层叶绿素含量估算精度最高,回归模型拟合精度R^2为0.803,模型验证R^2为0.665, RMSE为3.185,相对误差RE为4.819%。MTCI_((665, 705, 740))指数计算中使用了两个红边波段,突出红边波段反射率差值变化,与玉米冠层叶绿素含量表现出很好的相关性。最后,利用优选出的基于MTCI指数的叶绿素含量估算模型,对研究区范围内的叶绿素含量进行估算并完成空间制图。

基于Sentinel-2影像与PROSAIL模型参数标定的玉米冠层LAI反演

叶面积指数(LAI)与植被光合作用、蒸腾作用、生物量的形成等有密切联系,是玉米长势监测、灾害胁迫监测、产量预测等重要参数之一,也是辐射传输模型、作物生长模型等机理模型的一个重要参数。Sentinel-2卫星是“全球环境与安全监测”计划的第二颗卫星,具有较高的时空分辨率,且具有红边波段,其可见光和近红外波段的分辨率为10m,是农业遥感应用的理想数据源。PROSAIL辐射传输模型是遥感反演玉米冠层LAI的有效途径,然而在反演中存在输入参数不确定性大、调参困难、病态反演、速度慢等问题。模型的参数标定能够获取观测反射率及不确定性范围内的参数取值,提供丰富准确的参数信息,降低模型反演过程中的偏差。为探索参数标定在玉米冠层LAI反演中的应用,研究以Sentinel-2A卫星影像为数据源,使用马尔可夫链蒙特卡洛方法(MCMC)对PROSAIL模型进行参数标定,通过加入5%的观测光谱不确定性,获取各参数在不确定性范围内的后验取值概率分布,以优化反演过程中的参数设置,提高LAI反演精度。研究结果表明:(1)PROSAIL模型对可见光和近红外波段较为敏感的输入参数有LAI、叶片叶绿素含量及结构系数,将此三个参数作为查找表反演中的可变参数能够有效地进行LAI的反演,反演精度的决定系数达0.7以上。(2)MCMC方法能够对PROSAIL模型进行参数标定,获取研究区内玉米各参数取值分布信息,参数后验分布与实际情况接近,表明利用MCMC方法进行参数标定可行有效。(3)通过参数标定可以有效提高LAI的反演精度,在降低反演偏差和异常值方面尤为明显,参数标定优化后的反演平均偏差由原先的20%降低至8%,同时估算精度由76%提高至90%。研究结果表明:利用MCMC进行PROSAIL模型参数标定,能够提高PROSAIL模型的LAI反演精度,降低反演偏差,为利用PROSAIL辐射传输模型提高作物冠层参数反演精度提供借鉴。

基于历史气象资料和WOFOST模型的区域产量集合预报

针对基于作物生长模型进行产量预报时气象要素变化对作物生长的实时影响不能得到充分反映,产量预报缺乏量化不确定性信息的突出问题,选择河北省保定市和衡水市冬小麦主产区为研究对象,提出构建历史气象集合作为预报期气象数据输入驱动WOFOST模型的冬小麦生长模拟,并通过实时更新不断向前滚动预报,从传统单一数值的预报转向基于集合的概率预报。结果表明:基于历史气象资料可以进行作物模型的区域产量集合预报,抽穗期至灌浆期是预报精度最高的时期,预报集合中位数与实测产量的皮尔逊相关系数(PCC)最高为0.563,平均绝对误差(MAE)最低为458 kg/hm^2。研究结果表明区域化产量集合预报具有较强的可行性,并为量化作物模拟系统不确定性、数值天气预报与作物模型的结合应用提供了参考。

农业气象台站玉米生育期的填补及对比分析

农业气象台站记录的作物生育时期数据,广泛用于科研和生产活动,但是该数据集有较多生育时期缺失。为了高效、充分地利用已有生育时期,急需研究生育期填补方法,并分析与其他生育期数据的差异。本研究以黄淮海夏玉米区为例,结合历史气象数据,分析农业气象台站玉米关键生育阶段的积温比例,研究玉米缺失生育时期的填补方法;对比分析2002—2011年农业气象台站与国家玉米品种区域试验生育时期数据的差异。结果表明,本文提出的方法能有效地填补缺失生育时期,方法的均方根误差在1.82～5.20之间;除2006年、2007年以外,其余年份50%以上的农业气象台站数据与国家玉米区域试验生育期一致性好;就多年数据的平均水平而言,黄淮海夏玉米区内大部分农业气象台站与国家玉米区域试验生育期差异较小,约占农气台站总数的53%。该方法可广泛应用于其他玉米种植区、农作物的生育期数据填补和对比,为相关研究提供生育期数据选取、融合的参考。

遥感影像样本数据集研究综述

随着机器学习、深度学习等人工智能技术在遥感领域的不断应用与发展,基于海量样本的数据驱动模型已经成为遥感影像信息提取的一种新的研究范式,其对样本数据的规模、质量、多样性等提出了更高要求。最近,国内外众多学者和研究机构相继发布了一系列遥感影像样本数据集,为大数据时代下遥感影像的信息提取和智能解译等奠定了研究基础。然而目前尚缺乏对上述影像样本数据集的综合分析,针对这一问题,本文在文献检索与分析的基础上,归纳总结了124个具有一定影响力且应用广泛的遥感影像样本数据集并对其元数据进行了分析,并提供了数据来源、应用领域与关键词的发展变化,分析了数据集在空间、时间、光谱分辨率上的差异,以应用领域为依据将其划分为场景识别、土地覆被/利用分类、专题要素提取、变化检测、目标检测、语义分割等8个类别并以部分数据为例进行了具体分析,总结了深度学习模型在数据集上的研究进展,并针对稀疏样本导致的模型过拟合问题,探讨了样本时空迁移、小样本和零样本学习、样本主动发现、样本生成等在遥感影像信息提取中的应用前景。本文首次对遥感影像样本数据集进行了综述研究,可为相关领域科研人员提供数据参考。

基于时间序列Sentinel-1A数据的玉米种植面积监测研究

玉米作为中国三大作物之一,监测其种植面积对及时了解其种植时空分布、保障粮食安全具有重要作用。本文以河北省涿州市为研究区,利用2016年多时相Sentine-1A SAR(Synthetic Aperture Radar,合成孔径雷达)影像,对玉米种植区域进行提取。在对研究区地物散射特性分析的基础上,分析了微波后向散射特性随不同生育期玉米植株结构发育的变化情况,选择合适时相和极化组合的后向散射系数,运用支持向量机(Support Vector Machine,SVM)算法提取了玉米种植范围和面积信息,并对不同后向散射系数(标准后向散射系数(Sigma-naught,σ0)和归一化后向散射系数(Gamma-naught,γ0))用于研究区作物种植区提取的结果进行了比较。结果表明,采用时间序列(4月19日,5月30日,6月11日,7月17日)雷达图像得到的监督分类结果具有较高的分类精度和kappa系数,总体精度达92.96%,Kappa系数为0.91。因此,采用4—7月(春玉米播种至吐丝时期、夏玉米播种至拔节时期)的时间序列SAR数据能有效获取不同种植模式下的玉米信息,而增加8、9月的数据对玉米识别精度的影响不大。总体来说,采用多时相双极化的σ0数据与相同时相组合的γ0数据对玉米种植范围提取基本相同,但使用γ0数据的林地识别精度比σ0数据提高了3%。研究结果可为多极化SAR数据的玉米识别和面积监测提供参考案例。

条件植被温度指数的多尺度特性分析与应用

基于2008-2013年关中平原冬小麦单产数据和条件植被温度指数（vegetation temperature condition index,VTCI）的干旱监测结果,分别采用Morlet、Mexican Hat和Paul（m=4）3种非正交小波的功率谱分析冬小麦单产和主要生育期VTCI和单产的多时间尺度特征,借助小波互相关度进一步确定两个时间序列在时频域局部相关的密切程度,并以此构建主要生育期加权VTCI与冬小麦单产间的线性回归模型。结果表明,基于同一小波函数确定的主要生育期VTCI的振荡能量不同,而基于不同小波函数确定的同一生育期VTCI的主振荡周期及其与单产对应的小波互相关系数也存在差异,但各生育时期VTCI均存在着6a左右的主振荡周期。基于Paul（m=4）小波的各生育时期VTCI与单产时间序列的多尺度相关性分析的效果最佳（R2^=0.521）,且Paul（m=4）对应的模型的单产估测结果与实测单产的平均相对误差较之于Morlet和Mexican Hat小波函数获得的相对误差分别降低了0.78%和0.30%,表明Paul（m=4）小波函数能更好地用于干旱对冬小麦单产的影响评估研究,也可用于多尺度的干旱影响评估研究。