县域尺度上基于多时相影像的冬小麦面积监测

探究了基于多时相遥感影像在县域尺度上对冬小麦种植面积的监测方法.以河北省廊坊市固安县柳泉镇为研究区域,以冬小麦为目标作物,采用2014年11月份ZY-3(资源三号)和2015年4月份GF-2(高分二号)卫星的遥感影像数据源进行研究.影像经过预处理后,分别计算其归一化植被指数(NDVI),综合分析冬小麦种植面积和其NDVI的相关关系,构建NDVI差值模型来提取冬小麦种植面积,结合ArcGIS软件在影像上随机采样进行验证,最终得到种植空间分布图.采用2015年在柳泉镇实地勘测的冬小麦种植面积数据进行验证,精度可达95.54%.在廊坊市固安县进行区域应用,利用Excel软件进行各乡镇面积统计.结果表明,在县域尺度上采用该方法进行冬小麦面积提取能够达到很高的精度,为科学管理冬小麦的播种面积及制定相关政策提供技术支持.     

基于时空融合的NDVI时序生成技术在冬小麦监测中的应用

高时空分辨率归一化植被指数(normalized difference vegetation index,NDVI)数据对于冬小麦的动态监测具有重要意义,而高分一号卫星的不足之处是无法获得时间序列数据。为了解决上述问题,以河南省东北部为实验研究区,以高分一号卫星16m分辨率的多光谱宽覆盖GF-1/WFV(Gaofen-1satellite/wide field of view)数据与MODIS地表反射率产品MOD09Q1数据为数据源,采用STARFM (spatial and temporal adaptive reflectance fusion model)时空融合算法,对冬小麦出苗生长期、越冬期、返青-拔节期、抽穗期、成熟期等5个不同物候期的数据进行分析,并最终生成步长为8d的GF-1/WFV NDVI时间序列数据(即预测NDVI).结果显示:5个不同物候期的预测GF-1/WFV NDVI与实际GF-1/WFV NDVI的相关系数分别为0.695 9,0.840 4,0.892 1,0.897 0,0.632 9;预测GF-1/WFV NDVI时间序列数据与实际MOD09Q1NDVI数据具有高度的一致性。     

基于GF-1 WFV影像的浑河悬浮物浓度和浊度遥感反演研究

综合利用高分一号(GF-1)卫星WFV影像和地面同步水质实测数据,以沈阳浑河为实验区,分别建立悬浮物浓度和浊度反演经验模型。经验证分析GF-1WFV数据可有效反映浑河悬浮物浓度和浊度,且反演精度较好,结果均符合常规水质监测规律。同时基于浊度数据模拟的悬浮物浓度也具有较高的精度,拟合度达到0.68,可为今后简化浑河悬浮物浓度反演流程提供经验。将反演模型应用于GF-1卫星WFV数据,得到2016年9月浑河悬浮物浓度和浊度分布图,反映了浑河流域悬浮物浓度和浊度的空间变化规律。对GF-1卫星WFV数据和Thermo便携式浊度计综合运用进行中小尺度河流水质遥感监测有一定的参考价值。     

基于GF-1卫星WFV数据的全国建设用地自动监测技术研究

该文以国产高分一号卫星WFV数据为数据源,采用面向对象分类技术,研究面向全国范围的宏观监测信息提取技术及系统实现。一方面,研究了大尺度上利用高分遥感影像和面向对象分类技术进行宏观监测信息提取一整套技术方法,并对其中的建设用地进行了重点研究。另一方面,在集群计算环境下,利用高分一号卫星WFV数据,实现基于面向对象的宏观监测信息自动提取,并重点对建设用地提取结果进行了验证,验证结果显示分类精度优于80%。该研究提高了利用中等分辨率影像进行宏观监测的准确性及时效性,为合理利用和管理土地资源提供决策支持信息,支撑土地利用业务化应用。     

基于SPOT影像和地面样方的一季稻晚稻遥感监测

利用SPOT卫星影像数据和地面样方数据提取一季稻晚稻种植面积的相对变化率,解决单靠遥感进行一季稻晚稻种植面积监测产生的信息误差,以湖北省一季稻晚稻种植面积为研究区,选取一季稻晚稻光谱特征显著的7 8月份SPOT卫星数据作为遥感数据源,对比分析2009年和2010年湖北省一季稻晚稻种植面积的动态变化,结果表明,湖北省一季稻晚稻种植面积总体变化率为-1.39％.     

高分一号卫星重大工程用地监测应用评价研究

文章介绍了高分一号卫星与资源一号02C卫星的基本数据情况,结合2014年上半年重大工程用地监测应用项目,制定了GF-1卫星16 m影像进行土地利用动态遥感监测的技术流程。并以资源一号02C卫星数据提取的变化图斑为真值,对重大工程用地监测的结果进行质量评价,有针对性地选择一些关键性指标,如判别精度、面积精度和最小可监测图斑三方面进行了研究。建立了基于GF-1卫星16 m数据重大工程用地监测的技术流程,为在全国范围内进行重大工程用地监测提供参考依据。     

GF-6卫星WFV影像几何定位误差特性分析

针对高分六号(GF-6)卫星WFV传感器单相机超大幅宽成像和影像分块分发的特点，以谷歌地球影像为参考，通过分析同名点坐标差异，对GF-6卫星WFV影像几何定位精度进行了长时间序列评价。试验结果表明，对于单景WFV影像而言，左、中、右3块子影像均出现了明显的系统误差分布情况，且误差大小依次增大。对于长时间序列的WFV影像而言，各影像定位误差方向均指向西侧，即跨轨方向误差明显大于沿轨方向误差，且中间子影像的定位误差波动最小，整景WFV影像平均平面定位误差约为676.26 m。     

Sentinel-2A与GF-1数据在油菜种植提取中的差异性分析及提取方法对比研究

以Sentinel-2A和GF-1 WFV为数据源,分别采用最邻近法(面向对象)及BP神经网络法(基于像元),提取兴化市油菜种植区,并对提取结果进行精度验证;同时,结合官方数据,比较各提取组合类型(数据+方法)提取的油菜种植面积相对误差.通过此,探讨多源中高空间分辨率遥感数据中,油菜作物的提取效果差异性及适用的提取方法,并对研究区油菜种植空间格局特征进行分析.结果表明:针对Sentinel-2A和GF-1 WF数据,最邻近法及BP神经网络法提取效果均较好,各提取结果均显示油菜种植区在缸顾乡、周奋乡、垛田镇等西部区域主要呈集中连片分布,其他区域呈零星状分布.相对于基于像元的分类法,面向对象分类法在精度评价中的各参数表现更佳,并能较为有效地避免复杂地物类型区像元错分及漏分问题.针对同一数据,采用最邻近法所提取Sentinel-2A数据的生产者精度、用户精度以及油菜面积精度比BP神经网络法分别多3.22%、0.43%、6.24%,采用最邻近法所提取GF-1 WFV的生产者精度、用户精度和油菜面积精度比BP神经网络法高3.74%、0.10%、9.58%.针对同一方法,由于Sentinel-2A数据具更高的空间分辨率及更丰富的光谱信息,以上2种方法提取该数据的精度均高于GF-1 WFV数据,Sentinel-2A数据更适用于地物结构复杂,地块细碎的小尺度地区的作物信息提取.     

基于J-M距离的多时相Sentinel-1农作物分类

为准确获取云雨天气较多地区的农作物分布信息,以敦化市西北部的黑市乡和额穆镇为研究区,以高分一号(GF-1)卫星宽视场(wide field view, WFV)传感器和哨兵一号(Sentinel-1)为数据源,通过WFV数据提取耕地范围,利用J-M(Jeffries-Matusita)距离可分性进行Sentinel-1影像最优分类时相组合的判断,根据选取Sentinel-1数据通过最近邻分类器多次循环对研究区主要农作物的分布信息进行提取。研究结果表明,进行多次循环产生的分类结果优于单次循环结果,循环次数达到5次结果趋于稳定,总体分类精度为84.23%。可见利用Sentinel-1数据进行敦化市农作物分类是可行的,多次循环的最近邻算法有利于获取更精准的农作物分布信息。     

基于全卷积网络模型的高分遥感影像内陆网箱养殖区提取

为了研究高分遥感影像的内陆网箱养殖区自动快速提取,利用福建省北部内陆水域的GF-1影像和GF-2影像,并对影像中的网箱养殖区进行人工标注,经过旋转、缩放和镜像翻转等数据增强处理后构建了2种影像的内陆网箱养殖区样本库;利用样本库训练内陆网箱养殖区提取的深度学习全卷积网络(fully convolutional networks,FCN)模型并开展精度验证。结果显示,GF-1影像提取结果的F值达到83.37%,GF-2影像提取结果的F值达到92.56%。表明基于FCN的高分影像内陆网箱养殖区提取具有较高的精度,能够进行大规模内陆网箱养殖区提取应用,为内陆水产养殖区的监测提供重要依据。