1 南昌大学空间科学与技术研究院，江西 南昌 330031
2 南昌大学信息工程学院，江西 南昌 330031
在大区域尺度实现快速、精确的作物产量估测对我国粮食安全、作物种植结构调整、进出口贸易等具有重要意义。遥感技术的发展为农业估产领域带来了新的技术和手段。以湖北省油菜为研究对象，针对如何利用有限的地面观测数据进行大区域范围油菜产量估测的问题，结合遥感数据和气象数据，通过WOFOST模型进行数据同化，模拟油菜生长过程中的叶面积指数（LAI）变化，提取油菜关键生长期的LAI，以弥补大区域尺度数据的不足。之后，利用LAI作为中间量构建基于GF-1 WFV数据的大区域尺度油菜估产算法。研究发现，油菜蕾苔期和花期的综合LAI能够实现提前、准确的油菜产量预估，在蕾苔期SR植被指数与LAI相关性最好，在花期则是可见光大气阻抗（VARIgreen）植被指数与LAI相关性最好。为了验证估产算法的有效性和鲁棒性，在阳新县进行了测试。结果表明，与统计年鉴的产量数据相比估产误差低于6%，说明所提算法在大区域尺度油菜估产领域具有很强的潜力。
遥感 WOFOST模型 油菜 高分一号卫星影像 叶面积指数 产量 激光与光电子学进展
2023, 60(10): 1028009
1 辽宁科技大学土木工程学院, 辽宁 鞍山 114051
2 中国科学院空天信息创新研究院, 北京 100101
3 中国科学院大学资源与环境学院, 北京 100049
4 河南理工大学测绘与国土信息工程学院, 河南 焦作 454003
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。
滇池 总悬浮物 对比分析 GF-1/WFV GF-1/WFV GF-6/WFV GF-6/WFV Dianchi Lake Total suspended matter Comparison and analysis
1 西南林业大学大数据与智能工程学院,云南 昆明 650233
2 西南林业大学大数据与智能工程研究院,云南 昆明 650233
3 西南林业大学林业生态大数据国家林业与草原局重点实验室,云南 昆明 650233
云南茶园主要分布于山区, 往往与其他地物混合, 破碎化程度高, 给基于遥感的高精度茶园提取带来困难。 破碎化山地茶园的遥感识别能力有待进一步提高。 以西双版纳北部及普洱市南部山区为研究区, 以高分一号(GF-1)遥感影像为数据源, 基于易康(eCognition9.0)软件, 采用多尺度分割(MRS)方法对影像进行分割, 并通过ED3Modified评估影像的最优分割尺度。 首先构造了包括14个光谱特征、 6个纹理特征和3个空间特征的23维初始特征, 通过计算样本的分离度对分类特征空间进行优化, 确定了16维最优特征空间。 然后应用面向对象的监督分类方法[贝叶斯(Bayes)、 决策树5.0(DT5.0)及随机森林(RF)]对研究区茶园进行提取。 采用实地调查样点和随机点结合的方法对提取结果进行精度验证, 并比较了不同分类方法的茶园提取精度。 面向对象的监督分类[多分类(茶园、 森林、 农田、 不透水层、 水体)]结果的总体精度(OA)和Kappa系数分别为(Bayes: 87.73%, 0.70), (DT: 88.52%, 0.72), (RF: 91.23%, 0.78)。 三种分类方法对茶园提取的生产者精度(PA)和使用者精度(UA)分别为(Bayes: 67.23%, 75.33%), (DT: 68.84%, 83.83%), (RF: 70.54%, 87.13%); 相比于面向对象的RF多分类, 面向对象RF二分类(茶园、 其他地物)OA和Kappa系数分别提高了3.24%和0.07, 茶园提取的PA与UA分别提高了5.99%和5.61%; 相较于仅利用光谱特征的基于像元的RF多分类, 面向对象的RF二分类OA与Kappa系数分别提高了23.32%和0.27, 茶园提取PA与UA分别提高了21.10%和29.03%。 结果表明: 采用面向对象的监督分类方法在对茶园提取方面有应用潜力, 尤其面向对象的RF分类精度更高, 二分类相较于多分类对于茶园提取更为精细和准确。 该方法对于复杂、 破碎山地茶园提取精度较高, 能够满足基于高空间分辨率多光谱影像的茶园精细化识别应用需求。
茶园 面向对象 纹理特征 空间特征 多光谱 监督分类 Tea plantations Object-oriented GF-1 Texture feature Spatial feature Multispectral Supervised classification GF-1 光谱学与光谱分析
2021, 41(8): 2565
1 辽宁工程技术大学测绘与地理科学学院, 辽宁 阜新 123000
2 自然资源部国土卫星遥感应用中心, 北京 100048
针对全卷积神经网络多次下采样操作导致的道路边缘细节信息损失和道路提取不准确的问题,本文提出了多尺度特征融合的膨胀卷积残差网络高分一号影像道路提取方法。首先,通过目视解译的方法制作大量的道路提取标签数据;其次,在残差网络ResNet-101的各个残差块中引入膨胀卷积和多尺度特征感知模块,扩大特征点的感受野,避免特征图分辨率减小和道路边缘细节特征的损失;然后,通过叠加融合和上采样操作将各个尺寸的道路特征图进行融合,得到原始分辨率大小的特征图;最后,将特征图输入Sigmoid分类器中进行分类。实验结果表明:本文方法的提取精度优于经典全卷积神经网络模型,准确率达到了98%以上,有效保留了道路的完整性及其边缘的细节信息。
遥感 道路提取 高分一号影像 残差网络 膨胀卷积 多尺度特征 激光与光电子学进展
2021, 58(2): 0228001
1 井冈山大学电子与信息工程学院, 江西 吉安 343009
2 江西省农作物生长物联网技术工程实验室, 江西 吉安 343009
3 同济大学测绘与地理信息学院, 上海 200092
土地利用变化检测在土地资源管理、国土资源监测中发挥着重要的基础作用。针对2013年到2017年江西省南昌市GF-1号多光谱遥感影像,利用基于支持向量机的图像分类方法对遥感影像进行分类,生成了该地区在这5年的土地利用变化图,并分析其土地利用变化特征。结果表明,研究区的土地类型主要以林地、草地、水体及建筑用地为主,在这5年,植被面积变化最大,减少了54.74 km 2,其次是水体面积,增加了22.12 km 2,建筑用地的面积增加了19.45 km 2,裸地的面积增加了5.17 km 2。
遥感 高分一号 遥感影像 土地利用 变化检测 激光与光电子学进展
2020, 57(16): 162802
1 广西财经学院管理科学与工程学院,广西 南宁 530003
2 广西财经学院工商管理学院,广西 南宁 530003
以百色市田阳县右江河谷为研究样区,定量比较喀斯特地区的高分一号与Landsat8影像归一化水体指数 (Normalized difference water Index, NDWI),以期为喀斯特地区的水资源研究提供科学支撑。选择喀斯 特河谷盆地和喀斯特石山两类不同地貌类型为研究区,分别计算两类地区两类影像的NDWI,结合目视解译, 对两类影像的水体识别阈值和精度进行比较,进而分析两类影像的归一化水体指数的相互定量关系。 结果表明:1)从水体识别阈值看,高分一号影像的水体混合像元NDWI 值多在0.6～0.8之间,水体的NDWI值 大多为1.0,而Landsat8的水体混合像元NDWI值在-0.2～0之间,水体的NDWI值多为0以上; 2)从识别 精度而言,在河谷地带和山区,高分一号影像都明显优于Landsat8,特别是对混合水体混合像元的识别, 高分一号影像有比较好的优势; 3)两类影像NDWI值具有一定的线性关系,但定量回归结果不太理想。 高分一号和Landsat8在喀斯特地区水体识别的山地地带和河谷地带都有较好的效果,但高分一号的的估算精度和效果都优于Landsat8。
喀斯特地区 高分一号 归一化水体指数 Karst area GF-1 Landsat8 Landsat8 normalized difference water index 大气与环境光学学报
2020, 15(2): 125
1 南京大学国际地球系统科学研究所, 江苏 南京 210023
2 江苏省地理信息技术重点实验室, 江苏 南京 210023
基于遥感光谱特征准确识别优势树种类型对于区域林业资源的监测和经营具有重要意义, 也是当前亟待解决的重要科学问题。 伴随遥感技术的发展, 利用时间序列高分影像能够有效获取林分树种不同物候期生长特性及其冠层光谱动态信息, 有利于克服区域森林类型精细识别中普遍存在的异物同谱难题。 以中国东北地区赤峰市旺业甸国有林场为试验区, 采用覆盖完整自然年的共36景高分一号(GF-1)WFV时间序列数据(16 m), 提取包含不同优势树种生长阶段特征的林分冠层光谱归一化植被指数(NDVI), 结合支持向量机(SVM)模型对研究区内5种典型优势树种: 油松、 落叶松、 山杨、 白桦和蒙古栎, 进行不同时间尺度下(单季相、 全季相、 逐月和逐旬)的光谱识别研究。 同时, 分别基于原始时序光谱及其一阶、 二阶和三阶微分变换结果, 探讨了不同分辨率时序NDVI光谱及其3种微分变换结果对区域森林优势树种的识别效果。 结果显示, 基于不同尺度的时间序列数据能够获得比不同季节单时相数据更好的树种识别结果(p＜0.05), 其中采用全季相数据的树种总分类精度相比于春、 夏和秋不同季节的单季相数据结果, 分别提高了7.67%, 6.64%和3.6%, 表明时间序列影像中所包含的植被物候信息对于区分不同森林树种类型十分重要, 同时秋季是采用单时相数据的最佳识别季节(p＜0.05); 在不同时间序列数据中, 基于逐旬的NDVI数据显著优于基于逐月和全季相数据的光谱识别结果(p＜0.05), 而基于全季相数据的光谱识别结果最低(p＜0.05), 表明更密集的时序光谱信息有利于区域树种类型识别精度的提升。 此外, 结合光谱微分变换后的树种识别结果比仅采用原始NDVI时间序列的识别结果精度更高(p＜0.05), 其中基于逐旬和逐月时间分辨率数据的最高识别精度能够达到82.1%和78.74%, 分别提升了3.38%和2.95%。 研究表明采用基于全年逐旬或逐月尺度的时序光谱数据, 并结合相应的微分变换方法, 可以有效提高区域尺度优势树种的识别精度, 为相关多光谱森林植被精细识别研究提供参考。
树种识别 时序NDVI 微分变换 高分一号 支持向量机 Tree species classification NDVI time-series Differential transformation GF-1 Support vector machine 光谱学与光谱分析
2019, 39(12): 3794
1 北京师范大学 信息科学与技术学院, 北京 100875
2 中国林业科学研究院 资源信息研究所, 北京 100091
光学卫星遥感数据在获取过程中易受云层干扰, 云区识别是光学遥感数据应用及分析的一个基础但重要的步骤, 高效的云区识别技术对节省数据收集成本和提高数据利用效率具有较强的现实意义.同态滤波算法是经典的基于单幅影像的云区识别方法之一, 该算法具有计算快速方便、云区检测精度较高的优点, 然而识别的云区范围极大程度取决于同态滤波器截止频率的位置.同态滤波截止频率通常采用经验值, 显然经验截止频率无法适应批量遥感数据的自动处理需求.针对以上问题, 本文通过建立输入影像频谱能量与截止频率的关系, 结合白度指数(Whiteness Index)和形态学算子, 实现对国产高分辨率光学卫星高分一号(GF-1)遥感数据的批量云区识别处理.与传统同态滤波方法相比, 该算法能根据影像频谱能量自适应判定同态滤波时采用的截止频率, 具有更强的适用性.通过对98景GF-1多光谱数据进行随机点人工目视标记精度检验, 精度检验结果表明该算法对云区有较好的检测效果, 总体识别精度达93.81%.该算法对GF-1遥感数据能进行批量化云区检测, 获得高精度的云区掩膜结果, 并有效降低高反射率地物造成的误识率.
云区识别 自适应 同态滤波 GF-1遥感数据 截止频率 cloud detection self-adaptive Homomorphic filtering GaoFen-1 remote sensing data cut-off frequency
1 中国林业科学研究院资源信息研究所, 国家林业局林业遥感与信息技术实验室, 北京 100091
2 四川省林业信息中心, 四川 成都 610081
为了探究国产高分卫星遥感技术监测火干扰对植被生长影响的能力及其表征植被指数, 选取2014年发生在四川省雅江县和冕宁县的两场森林火灾形成的火烧迹地作为研究区, 利用火灾前后时序的高分一号宽幅(GF-1 WFV)数据, 对不同受灾程度火烧迹地火灾前后的光谱特征变化进行分析, 并以月为单位分析了不同受害程度植被火后两年内由GF-1 WFV数据生成的归一化植被指数(NDVI)、 增强型植被指数(EVI)和全球环境监测植被指数(GEMI)等三种表征植被生长状态的植被指数的变化, 结合研究区纬度、 海拔和气候条件分析火后植被的年内恢复规律。 结果表明: 火烧造成植被色素和细胞结构破坏, 使其不再表现出正常植被特有的光谱特征, 在可见光区受害植被的反射率相比于正常植被偏高, 且其值随受灾程度加重而升高; 在近红外波段火干扰后的植被反射率降低, 其值远低于正常植被的反射率值。 NDVI, EVI和GEMI在表征植被恢复生长过程中存在高度相关性且对植被季节变化敏感, 均能反映植被恢复的生长过程, 具有描述火烧区植被恢复动态过程的能力; 受灾植被恢复生长过程中的植被指数变化与正常植被年生长过程的植被指数变化趋势基本一致, 同样存在生长季和非生长季; 火烧区植被的NDVI, EVI和GEMI值相比正常植被对应植被指数值始终偏低, 且植被受灾越严重, 其植被指数值在同期中对应越低。
高分一号宽幅数据 光谱特征 植被指数 时间序列 植被恢复 GF-1 WFV data Spectral features Vegetation index Time series Vegetation restoration
1 中国科学院安徽光学精密机械研究所 通用光学定标与表征技术重点实验室, 合肥 230031
2 中国科学技术大学, 合肥 230026
为了提升国产光学遥感卫星载荷的定标频次, 提出了一种基于国内多场地的高频次定标方法, 实现了高分一号(GF-1)宽视场成像仪(WFV)的高频次绝对辐射定标.介绍了基于多场地的高频次定标原理, 针对GF-1 WFV的工作参数和工作特点, 提出了国内定标场的优选原则, 并分析了定标场地表特性的时间稳定性.利用中分辨率成像光谱仪(MODIS)的地表和大气产品替代场地定标的现场观测数据, 增加了定标可用的数据量, 同时用实测数据对MODIS地表产品进行真实性检验.实现了GF-1 WFV的多场地高频次定标, 并将定标系数结果与官方定标结果进行比对验证.结果表明：基于国内多场地的高频次定标方法可以获得GF-1 WFV的时间序列定标系数, GF-1 WFV相机4的定标结果与官方定标结果具有较好的一致性, 各波段与官方定标结果的相对偏差分别为-0.49%、1.33%、-1.01%和3.86%.基于多场地的高频次定标方法可有效地提高国产卫星载荷的定标频次, 及时跟踪载荷的辐射特性变化.
高分一号 宽视场成像仪 辐射定标 多场地 高频次 GF-1 WFV Radiometric calibration Multisite High-frequency
