基于GEE和Sentinel-2时序数据的呼伦贝尔沙地及其周边植被类型识别研究

沙地及其周边植被对固定沙丘、防止水土流失和环境治理等方面具有重要作用,开展沙地及其周边植被类型识别研究对于客观地反映沙地及其周边的生态环境,进而为沙地恢复治理政策制定具有重要意义。GEE云平台丰富的长时间序列遥感数据和强大的云计算能力,为开展大区域植被类型识别提供了便捷。本研究基于GEE云平台存储的2019年Sentinel-2时序数据,采用RF算法开展呼伦贝尔沙地及其周边主要植被类型的空间判识研究,探索了GEE平台下顾及植被物候信息的植被类型识别效果。研究发现：(1)Sentinel-2影像的光谱信息和近红外波段的纹理信息对研究区的主要植被类型识别能力有限,而物候特征有效地弥补了原始光谱特征等对研究区不同植被类型区分能力的不足;(2)基于RF算法顾及物候特征的植被类型识别精度达到84.37%,Kappa系数为0.8,比单一时相数据的识别精度提高了10.01%;(3)呼伦贝尔沙地及其周边主要植被类型的物候特征差异明显,有助于不同类型植被的空间识别,特别是提高了灌草丛和草原的识别精度。研究表明利用Sentinel-2数据和GEE云平台对沙地等大区域植被类型的识别具有较大的潜力和广阔的应用...     

基于HJ-1CCD数据的西双版纳地区橡胶林分布特征

文中以我国HJ-1卫星为主要遥感数据源,结合野外采样数据,采用决策树的监督分类方法,获取云南省西双版纳地区2011年的橡胶林分布状况,并在此基础上,以覆盖该区域的数字高程模型(DEM)和气象数据为基础,利用地理信息系统(GIS)空间分析方法,着重量化分析西双版纳地区橡胶林分布的气候特征和地形特征,得出西双版纳地区橡胶林的气候边界,界定橡胶林分布的海拔、坡度以及坡向范围.文中得到以下结论:利用环境一号卫星遥感数据能够获得精确的分类信息,表明环境一号卫星遥感影像能够作为获取植被环境信息的可靠数据源,实现重点植被生态问题的动态监测;橡胶林分布的高程上限是2100m,80%的橡胶林分布在高程范围为600-1300m的范围内,90%的橡胶林分布在坡度为0?到24?的范围内,橡胶林分布对坡向不敏感;橡胶林适宜分布在平均气温大于18?C,平均最高气温大于25?C,平均最低气温大于14?C的区域,这些区域的橡胶林分布比率较大.研究还定量分析了西双版纳橡胶林空间分布的地形和气候幅度,为橡胶林种植业的健康发展提供科学支撑.     

遥感技术在毒草识别中的研究进展

毒草的滋生蔓延严重破坏草地生境,制约草地畜牧业的发展。遥感技术作为牧场管理的一种重要的技术手段,其传感器自身的空间分辨率和光谱分辨率的高低是决定毒草识别成功与否的关键。于毒草独特的物候特征出现时获取影像数据能帮助提高分类识别的精度。回顾了3种遥感技术在毒草识别中的研究进展。航空摄影成本高、数据处理复杂,难于得到推广 ;多光谱卫星遥感大多空间分辨率低,仅在识别大面积滋生、密度较大的毒草方面展现出了一定的潜力 ;高光谱遥感的出现改善了对植被分类识别的精度,是未来毒草识别的主要依据。由于高光谱数据的冗余性和复杂性,数据处理技术和分类方法的选择也是影响毒草识别精度的重要因素。     

Sentinel-2A与Landsat-8影像在油菜识别中的差异性研究

油菜是中国最重要的农作物之一,准确、及时掌握高精度的油菜面积具有重要意义。与Landsat-8数据相比,新一代光学卫星Sentinel-2A数据具有众多优点,但是Sentinel-2A数据在农作物识别方面的应用效果是否一定优于Landsat-8数据仍然是个未知的问题。因此,以油菜最佳识别期内的Sentinel-2A和Landsat-8影像各一景为数据源,选取种植结构复杂的小尺度都市农业区为研究区,基于影像的光谱特征与植被指数信息利用不同分类方法提取油菜种植面积。通过比较不同分类条件、不同方法下的两种影像的油菜识别精度,结果表明:(1)Sentinel-2A影像中不同地物的光谱特征差异与植被指数可分离性高于Landsat-8影像;(2)支持向量机(SVM)分类器下,Sentinel-2A数据的光谱特征获得的油菜制图精度与用户精度最高,分别为89.7%和91.3%,比同等条件下的Landsat-8油菜识别精度分别高7.0%和6.2%;(3)加入纹理信息后,两种数据的总体精度和Kappa系数明显提高,但油菜的制图精度与用户精度并无明显提升。以上结果表明:与Landsat-8数据相比,Sentinel-2A数据能够在种植结构复杂的小尺度区域提取更高精度的作物分布信息。研究结果可以为Sentinel-2A数据的农作物识别与应用提供理论基础。     

Sentinel-2卫星影像融合方法与质量评价分析

Sentinel-2卫星传感器获取的是3种不同空间分辨率的光学遥感影像,如何通过融合方法提高较低空间分辨率波段的空间分辨率成为Sentinel-2数据应用面临的问题之一。以Sentinel-2B影像为数据源,利用相关系数最大法、中心波长最近邻法、像元值最大法和主成分分析等4种方法从4个10 m分辨率的波段中产生一个高分辨率波段;采用主成分分析、高通滤波、小波变换、Gram-Schmidt变换以及Pansharp共5种融合方法,对产生的高分辨率数据和6个20 m分辨率的多光谱数据进行融合,并从定性、定量(信息熵、平均梯度、光谱相关系数、均方根误差和通用图像质量指数)以及融合影像的分类精度3个方面对融合效果进行评价,结果表明:相关系数最大法的Pansharp方法融合图像质量优于其他融合方法,分类精度略低于最高的像元值最大法的GS方法,并且远高于4个原始10 m分辨率的多光谱影像的分类精度。从实验数据的分类精度分析,不同融合方法在不同地物提取中各有优势,在实际应用中,应根据实际研究需要,选择适宜的方案。该研究可为Sentinel-2卫星以及相似卫星数据处理和应用提供参考。     

基于多源遥感影像的青海云杉和祁连圆柏分类

青海云杉和祁连圆柏是祁连山自然保护区的优势种,提取两种类型树木的空间分布对保护区森林资源的管理和监测方面有重要意义。使用Sentinel-2A(S2)、Sentinel-1A(S1)、Landsat-8(L8)3种遥感影像及来自SRTM DEM的地形数据,基于随机森林分类方法,设置8种组合方案共22个特征变量,以祁连山东段的甘肃连城自然保护区为例,对青海云杉和祁连圆柏进行分类试验。结果表明：融合Sentinel-1A(S1)数据的VV和VH两种后向散射信息的精度最高,达到92.85％,比使用单一影像Landsat-8提高了11.64%。实验表明:结合多源遥感影像的不同波段信息是提高森林类型分类精度的有效手段,有助于复杂山区森林资源调查、植被信息提取等需求。     

基于Sentinel-2数据的天山山地针叶林识别方法研究

阴影是影响山地针叶林遥感识别精度的关键因素。选取天山一块面积约为10 000 km²的区域为案例,基于太阳高度角和方位角差异较大的两期Sentinel-2影像,从遥感数据阴影分布的时相特性、分类特征以及分类器选择三方面进行综合分析,提出了一种适用于天山山地针叶林的遥感综合分类方案。该综合分类方案首先开展阴影识别以及阴影再分类以排除阴影对针叶林识别的影响;然后筛选出了海拔、归一化差值植被指数（NDVI）、红光到近红外波段斜率、蓝光波段、红光波段、短波红外波段和坡度作为区分天山山地针叶林的重要特征;最后比较支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和BP神经网络（Back Propagation Neural Network,BPNN）3种分类器的分类效果。结果表明：采用地形校正方法来消除山体阴影的效果不但不明显,反而还会造成过矫正现象,从而影响后续的针叶林识别,但利用太阳高度角和方位角差异较大的两期影像开展阴影识别以及阴影再分类来排除阴影对针叶林识别的影响,可使针叶林的总体精度提高1.3%~3.7%;SVM、RF和BPNN 3种分类器都能取得较好的山地针叶林识别精度,但SVM分类器的分类精度最高,其总体分类精度和Kappa系数分别是93.33%和0.87。该遥感综合分类方案经参数调整之后有望应用于北方干旱半干旱区的其他山地针叶林区域。     

基于Sentinel-2的海南耕地复种指数监测及时空变化分析

海南是发展热带特色高效农业的黄金宝地,开展高时空分辨率耕地复种指数遥感监测与时空变化分析对海南农业生产管理具有重要意义。基于Sentinel-2数据,利用最大值合成法和Savitzky-Golay滤波对NDVI时间序列曲线作平滑重构,结合二次差分法计算2016—2020年海南耕地复种指数,分析海南省耕地复种指数的时空演变特征。结果表明：通过2020年地面调查数据验证,海南耕地复种指数提取总体精度达91.94%,Kappa系数为0.88。海南省耕地复种指数从2016年1.53提升到2020年1.66,提高了0.13。从2016年到2020年单季种植面积占比增加了6.10%,两季种植面积占比减少了2.65%,三季种植面积占比增加了5.10%,休耕或抛荒耕地面积占比减少了5.60%。海南省各市县耕地复种指数在1.28—1.96区间内,其中海口市、三亚市、东方市、临高县等地区耕地复种指数上升,而琼海市、万宁市、琼中县等地区耕地复种指数下降。研究结果可为海南农业部门合理调整休耕、开垦方案等政策,实施热带高效农业可持续发展战略提供数据和决策支撑。     

基于高时空分辨率融合影像的红树林总初级生产力遥感估算

红树林是热带与亚热带地区潮间带具备高植被生产力和高储碳量的滨海湿地植被类型,在维系全球碳平衡过程中扮演着重要的角色。目前通量站点尺度的红树林生产力研究已取得了一定的进展,然而由于受到遥感影像时空分辨率和红树林斑块分布的限制,区域尺度红树林总初级生产力（Gross Primary Production,GPP）估算仍少有涉及。基于影像融合算法获得的高时空分辨率植被指数数据集,结合红树林通量观测数据开展光能利用率模型的参数估计和模型验证研究,实现了区域尺度的红树林GPP估算,获取了一套2012年广东省高桥红树林GPP高时空分辨率数据集。数据验证得到的决定系数R² = 0.64,较现有的MOD17A2和GLASS产品GPP估算精度提高了48.9%。实验结果显示：高桥红树林最大光能利用率为3.07 g C MJ^-1,研究区内全年GPP均值为1 915.4 g C m^-2 a^-1。红树林季节平均GPP夏、秋季大于春、冬季。该方法和估算数据可为区域尺度红树林生产力研究和红树林保护提供高精度数据支持。     

基于特征统计可分性的遥感数据专题分类尺度效应分析

现有的对地观测遥感卫星能够提供从0.61 m到数十公里空间分辨率的遥感数据。通过遥感数据的专题分类得到的专题图的精度不但受遥感数据光谱特征、遥感数据处理和分类过程的影响, 而且受到所用的遥感数据的空间分辨率的影响。遥感数据空间分辨率的变化对遥感专题分类精度的影响受混合像元数目的变化和类内光谱特征变异程度的变化这两个矛盾的因子影响。空间分辨率对分类精度的最终影响决定于这两个矛盾影响因子的净效应。通过分析遥感专题分类中分类特种的统计可分性随遥感数据空间分辨率的变化来分析空间分辨率变化对分类精度的净效应。采用变换的离散度作为特征的统计可分性度量。以TM数据进行土地利用/土地覆被分类为例,首先将原始分辨率的图像以简单平均方法逐步尺度扩展到不同分辨率,然后在原始空间分辨率的图像上,根据该地区土地利用图进行层次随机采样,并以原始分辨率图像上的随机采样位置为掩模,在尺度扩展后的图像上进行同样位置的随机采样,最后在各空间分辨率上分别计算类对间的变换离散度。对变换的离散度随空间分辨率变化的规律进行了分析和定性解释。研究表明,类对间空间邻接结构对类别间混合像元数目随空间分辨率的变化有决定性影响;不同类对之间的最大统计可分性可能发生在不同的空间分辨率;空间分辨率越高,并不一定分类精度越高;不同类别之间的分类需要不同空间分辨率的数据。     

多云雾地区高时空分辨率植被覆盖度构建方法研究

针对多云雾地区高时空分辨率数据缺乏现状,提出了一套区域尺度高时空分辨率植被覆盖度数据构建方法.首先,通过时空适应反射率融合模型(STARFM)有效地将TM 的较高空间分辨率与MODIS的高时间分辨率融合在一起,构建了研究区植被生长峰值阶段的NDVI数据;然后,以植被生长峰值阶段的NDVI为输入,基于地表覆被类型,综合应用等密度和非密度亚像元模型对研究区的植被覆盖度进行估算.结果表明:①即使数据源存在大量的云雾,且存在一定的时相差异,研究区植被覆盖度的估算结果过渡自然,不存在明显的不接边效应;②以植被生长峰值阶段的NDVI数据为输入进行植被覆盖度估算,有效拉开了同一地表覆被类型不同覆盖度像元的NDVI梯度,提高了亚像元估算模型对输入数据的抗扰动性;③基于地表覆被类型,应用亚像元混合模型,能够提高植被覆盖度的估算精度.经野外实测数据验证,总体约８５％的估算精度表明,针对高时空分辨率遥感数据缺乏的多云雾区域,本研究提出的方法能够实现区域尺度植被覆盖度数据的构建.     

基于遥感影像时间序列的冬小麦种植监测最佳时相选择研究

遥感影像植被分类的最佳时相对作物种植面积遥感监测非常重要。根据2005~2006年北京冬小麦不同物候期的Landsat TM影像和2006年Spot\|2影像,计算了各时期影像中主要植被类型的光谱可分性距离,分析了北京郊区主要植被物候差异和光谱可分性;对各生育期的遥感影像及其主要组合进行了监督分类,采用总体精度和分类效率指标两个参数,结合地面GPS调查数据,对分类结果进行了精度评价。结果表明：北京地区小麦监测最佳时相是4月上旬,影像分类的总体精度为92.9％,明显优于其它单时相影像的分类结果;发现北京郊区冬小麦光谱分类的最佳时相组合为4月上旬(起身期)和5月下旬(灌浆期),分类总体精度为94％。     

基于Sentinel-1,2和Landsat 8时序影像的鄱阳湖湿地连续变化监测研究

湿地具有季节性特征,高时间分辨率遥感监测能够更为客观精准地认识其时空变化规律。选择季节性变化显著、我国第一大淡水湖生态湿地——鄱阳湖湿地为典型案例,利用Sentinel-1,2和Landsat 8卫星的2017～2019年所有可以获取的不同时相影像,采用随机森林分类(Random Forest,RF)方法,对研究区的湿地进行遥感分类和信息提取,发挥海量遥感影像在湿地宏观连续监测的优势,解析鄱阳湖湿地的年际、年内时空动态变化特征。研究结果表明:Sentinel-2影像为鄱阳湖湿地动态变化监测提供良好的数据基础,随机森林分类总体分类精度高于90%,提取效果具有比较优势。对3 a分类结果进行统计分析,各湿地类型在年内均呈现出动态变化的特点,在每年2月泥滩和草洲面积到达年内最大,水体面积为年内最小;每年6、7月份水域面积达到年内最大,泥滩和草洲面积最小,季节性变化明显;月度时间序列的分类结果,能更准确地说明湿地类型的月度和季度变化。因此,结合Seninel-1,2以及Landsat 8数据,基于RF算法,能及时、有效地对鄱阳湖等季节性变化强烈的湿地进行动态监测,对开展湿地资源高效调查工作具有重要意义。     

遥感数据融合下的雄安新区NPP时空格局分析

高时空分辨率数据对实现植被生产力动态监测和生态环境评估具有重要意义.以雄安新区为研究区,基于改进的ESTARFM融合模型构建高时空分辨率NDVI数据集,结合改进的CASA模型,模拟和分析了 2000～2018年区域植被NPP的时空变化特征,并探讨气温与降水对NPP的影响.结果表明:①改进的ESTARFM融合模型预测结果...     

一种改进的遥感图像融合方法:LFF

通过遥感图像融合,可获得更丰富的信息,常用遥感图像融合方法如HIS彩色变换可将不同平台、不同光谱响应范围的高空间分辨率的遥感数据与多光谱遥感数据进行融合,但要求这两组数据的光谱响应范围一致,否则便会产生光谱扭曲的现象,从而影响了地物的识别。针对不同平台、不同光谱响应范围的遥感数据,该文在HSI变换的基础上,提出了一种改进的方法,即LFF融合法,首先对高几何分辨率的全色波段进行LoG滤波,而后将LoG滤波后的全色波段与多光谱经HSI正变换后的强度分量进行灰度直方图匹配,并替换之,经HSI逆变换便得到融合图像。论文从灰度变化指数和分类精度两方面分析了光谱保持性能和融合图像的分类精度,分析结果表明:LFF融合法的光谱保持性能优于HSI变换法,LFF融合后图像的分类精度高于HSI融合后的图像,LFF融合法是一种能较好地保持光谱特性的融合方法。     

利用高时空融合数据监测冬小麦收割过程

针对难以对农作物收割过程进行有效地遥感监测这一难题,采用时空数据融合模型重构出空间分辨率为30m,时间分辨率为1d的高时-空分辨率遥感数据对农作物收割进度进行监测。针对冬小麦收割前后NDVI变化呈现的线性特征,计算时序NDVI的曲率,通过曲率确定阈值进行收割信息提取。结果表明:采用面向对象的SVM分类方法提取研究区冬小麦种植信息,Kappa系数为0.901,面积误差为2.61%;时空数据融合模型的结果与真实影像间的相关系数为0.77(红波段)和0.78(近红外波段),能够较好地重构出冬小麦收割时期的影像;通过提取NDVI变化曲线曲率接近于0时的冬小麦NDVI值来确定阈值,实现了冬小麦收割过程信息的遥感提取。     

Sentinel-2A卫星大气校正方法及校正效果

针对Sentinel-2A卫星大气校正研究的不足,对Sentinel-2A大气校正方法进行介绍,并选取森林、水体、城市建筑物3种地物为研究对象,分析Sentinel-2A单波段通道大气校正前后反射率变化;以Landsat-8、高分一号(GF-1)为辅助数据,从3种传感器大气校正后均质像元反射率曲线、大气校正前后植被指数变化3个方面进行研究。结果表明:1)Sentinel-2A大气校正后,可见光通道反射率变小,波长越长,大气校正效果越不显著;近红外、短波红外反射率增加。2)大气校正后,3种数据源同种地物光谱曲线趋于一致,其中Sentinel-2A水体与植被光谱曲线更能反映地物特征。3)与Landsat-8相比,Sentinel-2A、GF-1WFV1大气校正后林地NDVI明显增大,Sentinel-2A高植被覆盖区增大,低植被覆盖区减小,最能反映植被特征;Sentinel-2ANDWI变化不如Landsat-8NDWI变化显著。     

基于SAR与Landsat TM的小区域稻田的识别研究——以南京市江宁区为例

以南京市江宁区为研究区域,根据区域特征、作物物候期和水稻的生长特点,采用分层分类的方法提取稻田分布信息。通过比较多时相SAR数据、TM和多时相SAR融合与TM和单时相SAR融合数据识别水稻的精度和提取的水稻种植面积,分析了不同数据对区域多云雨,不同种植方式、面积小且分布破碎的水稻稻田的识别程度,并根据野外实地走访调查分析了主要影响因素。结果表明:多时相SAR数据、TM和多时相SAR数据的水稻识别精度都高于72%,高于TM和单时相SAR融合数据的结果;前两者提取的水稻种植面积和稻田分布接近,主要影响因素是地物分布、不同种植方式水稻物候期和水稻稻田面积小且分布破碎。     

Sentinel-2A影像珠海市污染水体识别

针对目前较少研究使用中高分辨率卫星对内陆河流污染水体进行遥感识别,使用Sentinel-2A遥感影像,基于一般水体和污染水体之间的光谱差异特征,构建了单波段阈值法、波段比值法、波段差值法和河流污染指数法,对内陆河流污染水体进行识别。通过对四种遥感识别方法的精度分析表明,河流污染指数遥感识别精度最高,为92.59%,单波段阈值法次之,为86.79%,而波段差值法对污染水体识别效果较差,仅为64.81%。在此基础上,进一步利用识别精度较高的河流污染指数对珠海市大中型河流污染水体进行遥感识别和时空变化分析。从污染水体的空间分布来看,污染主要分布在香洲区的前山水道和马骝洲水道,以及金湾区的洪鹤大桥和珠三角环线高速建设工程附近区域;从时间上来看,2019年1月和2019年9月的珠海河流污染水体面积较大,2020年1月的污染水体面积分布较小。     

基于航空高光谱影像的额济纳绿洲土地覆被提取

土地覆被分类是生态环境评价、植被变化分析以及区域生态水文过程研究的基础。航空高光谱遥感具有高机动、高空间分辨率和高光谱分辨率等特点,在土地覆被提取方面极具优势。以黑河下游机载高光谱遥感数据为基础,针对额济纳旗胡杨林国家级自然保护区植被单一、景观破碎和异质性强的景观特点,以及高光谱数据量大、冗余度高等数据特点,对比分析最小噪声变换与主成分分析两种降维方法,最大似然法、支持向量机与面向对象3种监督分类方法。依据研究结果,首先利用NDVI区分高光谱遥感数据中的植被与非植被类别,然后采用最小噪声变换分别进行降维处理,最后利用最大似然法对研究区内土地覆被类型进行分类提取,提取结果聚类处理。依据随机验证点结合地面调查数据和正射影像,对土地覆被分类结果进行精度验证,总体精度和Kappa系数分别为87.95%和0.855,表明分类结果精度高,能够为生态研究等提供有效数据。