基于多时相Landsat 8 OLI影像的农作物遥感分类研究

时序遥感数据及地物细微光谱特征对于提取作物分布有重要作用,基于此,利用多时相Landsat 8 OLI影像,结合光谱角填图和决策树分类提取大同市新荣区东部地区主要农作物分布情况,并与最大似然法提取的分布结果进行对比。研究发现:①研究区内春玉米、谷物、大豆和马铃薯种植面积依次减小并呈镶嵌式分布;②结合光谱角填图与决策树分类总体精度为85.34%,Kappa系数为0.76,与最大似然法结果相比,总体精度提高22.51%,Kappa系数增加0.31,分类结果与实际作物分布具有更好的一致性;③利用时序遥感影像进行作物分类的精度明显高于单时相遥感影像的分类精度,且从光谱角差异的角度分析时序数据可有效削弱中高分辨率影像物谱不一致现象的影响。研究结果验证了多时相遥感影像对农作物分类研究的积极作用,并发展了光谱角填图法结合决策树分类在中高分辨率遥感影像中进行农作物分类的用法,具有一定的应用前景。     

基于多时相环境星NDVI时间序列的农作物分类研究

时相和归一化植被指数(NDVI)时间序列特征在农作物分类提取方面具有重要的应用价值。以黑龙江红星农场为研究区,利用多时相环境星HJ-1A/B CCD数据及其多期平滑重构后的NDVI时间序列曲线特征,在对象尺度上采用决策树算法开展了农作物分类研究,通过与单独利用多时相遥感数据分类结果的对比分析,研究了增加NDVI时序曲线特征对分类精度的影响。结果表明:面向对象分类方法得到的地块较为规则,平滑了地块内部同种作物间的噪声,避免了"椒盐现象",适合于我国东北地区农作物分类识别;利用NDVI时序曲线特征参与分类,增强了不同作物之间的光谱差异,提高了作物分类精度,比仅使用3个多时相HJ-1A/B CCD数据分类精度提高了5.45%,Kappa系数提高了0.09。通过该研究探讨了NDVI时序曲线特征在作物分类中的应用,拓展了遥感数据在农业领域的应用范围,具有推广价值。     

基于MODIS数据的成都市水稻遥感估产研究

以遥感和地理信息系统为主要技术支撑,利用多时相的高光谱分辨率MODIS数据,对成都市2003年水稻进行了估产研究.在利用研究区最佳时相遥感影像提取水稻种植面积的基础上,以多时相的高光谱分辨率遥感数据建立水稻单产模型,并计算出成都市2003年的水稻总产量.研究表明,成都市各行政区当年水稻总产量估算结果的误差为17.45%;利用多时相MODIS数据对农作物进行遥感估产具有一定的可行性,同时通过该研究也为西南地区大范围的农作物遥感估产在方法上提供了一定的借鉴作用.     

全球典型植被叶片光谱特征及其对LAI反演的影响分析

在全球范围长时间序列LAI遥感产品反演算法中,植被冠层反射率模型仅使用少量叶片光谱特征代表全球植被全年的典型植被光谱特征,叶片光谱的不确定性导致LAI遥感产品存在一定的误差。目前全球已经构建了多个典型植被叶片波谱数据集,这些数据集包含多个植被物种、不同空间地域及多时相叶片光谱数据,为定量分析叶片光谱特征提供了数据支持。主要利用LOPEX’93、ANGERS’03、中国典型地物波谱数据库和野外实测的叶片光谱数据,以黄边参数、红边参数和叶片光谱指数作为分析指标,探讨不同植被物种、不同气候区和不同物候期的叶片光谱特征差异,及其对植被冠层反射率、LAI反演的影响,为发展考虑现实叶片光谱差异的LAI反演算法提供研究基础。结果表明:植被叶片光谱存在多样性,叶片光谱特征差异主要影响MODIS传感器近红外波段和绿波段反射率值,其中,绿波段反射率值对叶片光谱变化最为敏感;在LAI反演算法中,如果只考虑植被类型而不考虑物种叶片光谱差异,可能会给LAI反演带来大于3的误差。     

基于多时相光谱和物候特征的陕西省神木县地物遥感分类研究

开展了时间序列Landsat TM/ETM遥感影像定量化处理与相对辐射校正,提取了陕西神木县不同地物光谱和NDVI物候特征,结合时间序列NDVI物候特征和多时相光谱信息,采用了地表覆盖的决策树分类算法,实现了陕西神木县地物的高精度遥感分类,包括水体、沙地、城镇、耕地、林地、草地及灌丛等7类地物,分类总体精度达95.77%,Kappa系数达0.93。研究结果表明,基于多时相光谱和物候特征的决策树分类算法能够有效集成多时相、多光谱信息,从而克服了单时相影像分类的缺陷,实现了地物的分类。论文研究方法和结果能够为三北防护林区域的生态环境监测与评估提供技术支持。     

基于多源多时相遥感影像的山地森林分类决策树模型研究

山地是森林重要的分布区,然而山地多样的森林类型、高度异质化的景观格局、突出的地形效应以及云、雾的干扰均不同程度地影响了山地森林类型的遥感自动制图。多源多时相遥感影像提供的季相节律信息是当前提高土地覆被遥感制图精度的重要信息源之一。以岷江上游地区为研究区,以国产环境减灾卫星多光谱CCD(简称HJ CCD)影像和美国Landsat TM影像为数据源,以决策树为分类方法,根据参与分类影像的时相差异设计了5组对比实验(生长季单时相组、非生长季单时相组、生长季多时相组、非生长季多时相组、全时相组),对比论证多源多时相遥感影像对山地森林类型自动制图的贡献和作用。对比结果表明:生长季和非生长季相结合的多时相遥感影像较单时相或单一类型(生长季或非生长季)多时相遥感影像,更能显著提高山地森林类型自动制图精度,且能降低分类决策树的复杂程度,更有利于山地森林类型的自动提取。     

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。     

基于多源信息融合的土壤含水量估算

遥感信息在大面积土壤水分监测中具有不可替代的优势。通过对试验区域的气象数据、土壤类型数据、土壤和水体的光谱特征曲线、多时相遥感影像数据等进行预处理,提取图像信息和属性数据,并对土地利用类型和植被覆盖度进行划分。基于土壤的光谱响应机制建立像元反射光谱信息分解模型,以此计算出该区域土壤容积含水率。结果表明该方法对于低植被区的监测精度较高(理论精度89.78%),可作为土壤水分监测预警的依据。     

辅以纹理特征的典型盐渍区地表覆被遥感影像分类

结合实测的盐渍地表光谱数据,采用经验线性法对遥感影像进行大气校正.分析了实测高光谱数据与遥感影像光谱值的关系,然后针对盐生植被光谱的相似性,对影像进行纹理特征提取.结合影像的纹理特征和光谱特征,运用神经网络分类法进行盐渍区地表覆被分类.结果表明辅以纹理特征的分类方法有效提高了盐生植被的分类精度.     

基于多时相遥感数据的东亚飞蝗生境分类研究

东亚飞蝗的发生及成灾与其存在的生境有十分密切的关系,因此对东亚飞蝗生境进行分类是有效防治蝗灾的基础。以河北省渤海新区为研究区,利用环境减灾小卫星多时相CCD数据,采用4种组合方案,分别使用最大似然法和RuleGen决策树进行了东亚飞蝗生境的遥感分类。结果表明:最大似然法和决策树分类方法总体精度相差不大,但在类别数据较多时,决策树分类方法的执行效率变低。利用5月20日单时相的光谱数据进行分类的总体精度仅有76.43%,Kappa系数〖JP2〗0.7396;加入NDVI时间序列信息后,总体分类精度可以达到93.93%,Kappa系数0.9323。因此,使用多时相信息可以较好地解决异物同谱问题,降低混合像元带来的影响,提高生境分类的精度。〖JP〗     

基于多时相遥感观测的板栗林分布提取研究

板栗林在欧亚、北美等地广泛分布,具有良好的生态价值和经济效益。我国板栗产量居世界首位,是重要的经济树种。使用遥感影像建立板栗林空间分布提取方法能够为其科学管理和高效经营提供定量数据,但树种分类是遥感分类的难点,并且针对板栗林的遥感提取研究较少。以河北省宽城满族自治县为研究区,结合MODIS高时间分辨率特征和Landsat数据较高空间分辨率的特征,研究板栗林提取的最佳时相以及分类特征,并采用多时相观测基于支持向量机算法实现板栗林的提取。结果表明：①4月至6月各地类光谱差异最大,是板栗林提取的关键物候期;②蓝、绿、红、近红外和短波红外波段地表反射率是分类的有效波段,NDI、NDVI、NDWI、RSI和RVI等植被指数增强了植被信息,是板栗林提取的有效分类特征;③单一时相板栗林分类中,生长季前期6月精度最高,生长季后期9月次之,非生长季1月分类结果较差;④结合生长季6月、9月和非生长季1月遥感影像的分类精度最佳,板栗林制图和用户精度分别为89.90%和87.25%。与林业局板栗林面积统计数据相比,精度可达93.45%。     

结合稀疏识别的自适应Wallis滤波在高分辨率影像控制点匹配中的应用

目的：随着国内遥感卫星的迅速发展,卫星图像的图幅越来越大,分辨率越来越高。在轨遥感图像的几何精度评价,要求从待评遥感图像和多源参考图像之间精确地提取出分布均匀的控制点信息。使用Wallis滤波对高分辨率影像进行增强时,会产生过增强和饱和现象,影响了控制点提取效果。为了克服上述缺陷,提出了一种基于稀疏识别的自适应Wallis图像增强算法。方法：首先计算图像子区域的辐射质量参数并构建分类特征;然后通过稀疏识别算法确定子区域的地物类型;最后根据子区域所属地物类型,选择不同的Wallis滤波参数,实现整幅图像的自适应增强,并在增强的遥感图像上提取控制点信息,实现遥感图像的几何精度自动化评价。结果：针对资源三号影像的实验结果表明,针对不同的子区域地物类型进行自适应Wallis增强,有效防止了基于全局统一参数的Wallis滤波带来的过增强和饱和现象,有效增强了高分辨率图像的纹理。结论：本文提出来一种新的高分辨率遥感影像增强策略,增强了高分辨率图像的纹理,提高了控制点的获取数目和准确率。     

Study on Crops Remote Sensing Classification based onMulti-temporal Landsat 8 OLI Images

It is crucial for agricultural production to know crop planting situation.Temporal remote sensing images and subtle spectral characteristics of ground features play an important role in extracting crops distribution.At this point,multi-temporal Landsat 8 OLI images were used to extracting the distribution of main crops in the east of Xinrong district of Datong city by using Spectral Angle Mapper(SAM) combined with the decision tree classification,and the extracting result was compared with the result that maximum likelihood extracted.The results show that：① The planting area of spring corn,grain,soybean and potato is decreased and mosaic distribution in order.② The overall accuracy obtained by SAM combined with the decision tree classification is 85.34% and the Kappa coefficient is 0.76,which is outperformed the results of maximum likelihood with the increase of 22.51% and 0.31,respectively,the classification results was more consistent with the actual distribution of main crops.③ The classification accuracy of main crops used the multi-temporal remote sensing images was obviously higher than that of single-temporal image,and the difference between ground features and spectra in middle or high resolution images can effectively weaken by analyzing multi-temporal data from the perspective of difference of spectral angle.The results not only confirmed the positive effect of multi-temporal remote sensing images on crops classification,but also developed the SAM combined with decision tree classification in crops classification of medium-high resolution remote sensing images,which has a certain application prospect.     

基于面向对象的多源卫星遥感影像玉米倒伏面积提取

风灾引起的玉米倒伏可能导致玉米大量减产,利用遥感技术准确监测玉米倒伏面积与空间分布信息对灾情的评估非常重要。利用Planet和Sentinel-2影像分别结合面向对象与基于像元方法提取研究区玉米倒伏,同时评估了不同影像特征（光谱特征、植被指数和纹理特征）与不同分类方法（支持向量机法SVM、随机森林法RF和最大似然法MLC）对玉米倒伏提取精度的影响。结果表明：(1)使用高空间分辨率的Planet影像进行玉米倒伏提取的精度普遍高于Sentinel-2影像;(2)从分类精度和面积精度来看,Planet影像的光谱特征+植被指数+均值特征结合面向对象RF分类,总体精度和Kappa系数分别为93.77%和0.87,面积的平均误差最低为4.76%;(3)采用Planet和Sentinel-2影像结合面向对象分类提取玉米倒伏精度高于基于像元分类。研究不仅分析了面向对象方法的优势,还评估了使用不用影像数据结合面向对象方法的适用性,可以为遥感提取作物倒伏相关研究提供一定的借鉴。     

独龙江流域TM图像的分区分类方法探讨

高山峡谷地区山高坡陡、地形破碎,大量的阴影及混合像元的存在,给遥感分类带来了困难。为了减少和消除这些因素的影响,采用分区分类方法,从NDVI中选择恰当的阈值,利用该值从原始图像上划分出植被区和非植被区并分别进行分类,试验结果表明,其分类精度(74.63%)较传统的直接分类精度(61.59%)有较大提高,是山区遥感图像分类行之有效的方法之一。     

Study on Extraction Method of Abandoned Farmland based on the Seasonal Variation Characteristics of Remotely Sensed Images

In southwestern China, the cultivation conditions are poor, the plots are relatively fragmented, and the types of plots are complex. Therefore, the use of low and medium resolution remote sensing data is not able to satisfy the needs of abandoned farmland extraction. This paper explored the ability of single or multi-phased high resolution remotely sensed images in detecting abandoned farmland in southwest China, using Xiuwen County, Guizhou Province, China as a case study area. Remote sensing based monitoring methods for abandoned farmland were developed, providing a reference for the statistical survey of abandoned farmland in southwest China.The extraction method of abandoned farmland was proposed based on the field survey data, considering different types of abandoned farmland. Sensitive feature sets of different types of abandoned farmland were identified from a series of features including the spectral characteristics, vegetation indices and multi-temporal difference vegetation indices. The CART decision tree classification method was applied on the selected sensitive features to extract abandoned farmland. The results showed that:(1) There was a significant difference in the recognition ability of single-phase image in extracting different types of abandoned farmland, so it was difficult to use only single-phase image to extract abandoned farmland with high accuracy; (2) The vegetation index change characteristics of different time phases had strong recognition ability for abandoned farmland, and the ratio vegetation index was better than the difference vegetation index and normalized vegetation index; (3) The spatial distribution map of abandoned farmland and the statistical analysis of abandoned farmland area were carried out in Xiuwen County, Guizhou Province. The area of abandoned farmland in Xiuwen County was about 6,460 hectares, accounting for 13% of the cultivated land area.（4）Based on multi-temporal high-resolution remote sensing data, the method of detecting abandoned farmland using seasonal variation characteristics can meet the requirements of high-precision extraction of abandoned farmland in southwest China, and the results provided technical reference for remote sensing survey and mapping of abandoned farmland in large-scale.     

Land-cover classification in a moist tropical region of Brazil with Landsat TM imagery

This research aims to improve land-cover classification accuracy in a moist tropical region in Brazil by examining the use of different remote sensing-derived variables and classification algorithms. Different scenarios based on Landsat Thematic Mapper (TM) spectral data and derived vegetation indices and textural images, and different classification algorithms - maximum likelihood classification (MLC), artificial neural network (ANN), classification tree analysis (CTA), and object-based classification (OBC), were explored. The results indicated that a combination of vegetation indices as extra bands into Landsat TM multispectral bands did not improve the overall classification performance, but the combination of textural images was valuable for improving vegetation classification accuracy. In particular, the combination of both vegetation indices and textural images into TM multispectral bands improved overall classification accuracy by 5.6% and kappa coefficient by 6.25%. Comparison of the different classification algorithms indicated that CTA and ANN have poor classification performance in this research, but OBC improved primary forest and pasture classification accuracies. This research indicates that use of textural images or use of OBC are especially valuable for improving the vegetation classes such as upland and liana forest classes having complex stand structures and having relatively large patch sizes.     

基于季相变化特征的撂荒地遥感提取方法研究

在我国西南地区耕种条件差,地块比较破碎,地块类型比较复杂,中低分辨率遥感数据难以满足撂荒地提取的需要。选取贵州修文县为试验区,基于高分辨率卫星遥感数据（哨兵2号）,探索单期或多期影像在中国西南地区的撂荒地检测能力,构建撂荒地遥感监测方法,为今后我国西南地区撂荒地统计调查提供参考。结合野外调查数据,在划分不同撂荒地类型基础上,综合遥感影像的光谱特征、植被指数特征以及多时相植被指数变化特征分析,优选不同类别撂荒地遥感提取敏感特征集,利用CART决策树分类方法,提取不同类型的撂荒地。结果表明：①单个时相对不同类型的撂荒地识别能力差异显著,基于单时相影像,难以开展撂荒地高精度遥感监测提取;②不同时相的植被指数变化特征对撂荒地的识别能力较强,其中比值植被指数优于差值植被指数和归一化植被指数;③以贵州修文县为例,开展了撂荒地空间分布制图及撂荒面积统计分析,修文县撂荒地面积约为6 460 hm²,占修文县耕地面积的13%;④基于多时相高分辨遥感数据,通过季相变化特征构建的撂荒地检测方法,能够满足我国西南地区撂荒地高精度遥感监测提取,为大范围撂荒地遥感调查和制图提供技术参考。