【背景】中高空间分辨率（≤30 m）影像是在耕地破碎、种植结构复杂的中国南方开展农作物遥感识别研究的重要数据。然而，要克服中高分辨率传感器重访周期较长以及南方多云雨天气的影响，对影像进行时间窗口合成以协同使用多源中高分辨率遥感数据，是获取时空连续农作物制图结果的必要保障。由于不同卫星影像获取的周期不同，且不同农作物物候季相节律存在较大差异，如何选择影像合成时间窗口是农作物准确识别的关键前提。【目的】通过探究影像合成时间窗口对于农作物识别的影响机制，为大尺度复杂农作物种植结构制图提供重要参考依据。【方法】以农作物类型多样且云雨天气频繁的湖北省江汉平原为研究区，通过协同Landsat-8和Sentinel-2A/2B卫星影像，设置7种时间合成窗口（15、20、25、30、40、50和60 d）情景，分别从影像的覆盖度、不同农作物时序光谱特征以及不同农作物分类精度等角度，深入分析影像时间合成窗口对农作物遥感识别的影响。【结果】在影像20 d时间合成窗口的情景下，江汉平原农作物（冬油菜、冬小麦、水稻、稻虾田和其他作物）的总体分类精度最高，为93.13%。对比而言，在影像较短时间合成窗口（如15 d）的情景下，时间序列密集但高质量影像覆盖度较低，农作物总体分类精度较低（90.91%）；而在影像较长时间合成窗口（如60 d）的情景下，影像覆盖度高但时间序列稀疏，导致农作物识别的关键物候信息丢失，降低了总体分类精度（86.06%）。此外，不同农作物的识别效果受影像时间合成窗口的影响程度不同，依次为其他作物>冬油菜>水稻>冬小麦>稻虾田。其他作物类内时序光谱特征变异性较大，因此对时间窗口极其敏感。油菜准确识别的关键物候期为开花期，该时期长度较短，影像合成时间超过30 d会极大降低其识别效果，主要体现为与小麦的混淆。区分稻虾田与单季稻的关键物候期为稻虾田的稻闲季淹水期，其持续时间较长，受时间合成窗口影响较小。【结论】影像时间合成窗口20 d时可兼顾高质量影像覆盖度和捕获农作物识别的关键物候特征，但不同作物识别的最优时间合成窗口受到作物关键物候期影响。研究结果可为多源中高分辨率影像协同下时间合成窗口的选择提供理论参考和方法支撑，进而有效服务于宏观尺度农作物高精度遥感制图研究。

以内蒙古自治区根河市根河生态站为研究区,探讨在大面积复杂林区、具有红边波段卫星数据支持下,高空间分辨率遥感影像林地类型精细分类方法。以2016年7月的RapidEye遥感影像和2017年的GF-1PMS遥感影像为主要数据源,综合利用影像的光谱特征、纹理特征与根河森林资源小班数据等辅助信息,以及2016年林地类型外业调查样本数据,分别对2种数据源采用传统的监督分类方法[最大似然法(MLC)和支持向量机法(SVM)]和基于IDL语言的ImageSVM和ImageRF分类方法进行林地类型精细识别。最后以外业调查数据和根河森林资源小班数据作为检验样本对分类结果进行精度验证,通过建立混淆矩阵对分类结果进行评价。结果表明:①ImageRF和ImageSVM等2种分类方法对林地类型信息提取精度较高。在RapidEye影像中,针叶林、阔叶林、灌木林等8种地物类型总体分类精度分别为90.26%和90.02%, Kappa系数均大于0.88。ImageSVM和ImageRF分类结果中,灌木林、针叶林和阔叶林制图精度和用户精度均高于支持向量机法和最大似然法;相对于支持向量机法和最大似然法,ImageSVM法总体分类精度分别提高了6.18%和7.06%, Kappa系数分别提高了0.07和0.08; ImageRF法总体分类精度分别提高了5.93%和6.82%, Kappa系数分别提高了0.07和0.08,能确保森林资源调查成果的精细化、准确性、高效性。②在林地类型精细识别中,携带红边波段信息的RapidEye影像比无红边波段信息的GF-1影像具有更好的识别精度和可分性。研究证明,ImageSVM和ImageRF分类方法是有效的林地类型信息精细识别方法,具有精度高和可信度高的优势,是进行复杂山区林地类型精细分类的有效手段,可满足森林资源调查、变化监测、数字更新等林业应用需求。图7表5参24

【目的】中国南方地区云雨频繁且农业景观破碎，是我国农作物遥感监测最具挑战的区域之一。我国自主研发的高分系列卫星具有高时空分辨率和高质量成像的特点。本研究挖掘多源高分系列卫星的时间和空间双重优势，实现多云雨及景观异质区作物精细化识别。【方法】基于国产高空间分辨率高分二号（GF-2）影像表征农田空间几何特征，协同中空间分辨率高分一号（GF-1）和高分六号（GF-6）加密影像观测时间序列，充分表征农作物光谱季相节律。通过构建光谱-时相-空间三维分类特征，基于随机森林进行农作物分类并计算不同特征的重要性。同时，设置不同影像组合和不同分类单元下的多种分类场景，进一步分析不同高分数据协同利用在农作物识别上的表现差异。【结果】基于GF-1、GF-2和GF-6影像和面向对象的农作物分类在湖北省潜江市研究区的总体精度为95.49%,Kappa系数为0.94；在枣阳市的总体精度为93.78%,Kappa系数为0.92。协同GF-2和GF-6进行农作物分类精度优于协同GF-2和GF-1。此外，基于GF-2进行面向对象的农作物分类效果优于面向像元，其中潜江总体精度提升了1.4%，枣阳提升了1.32%。相比GF-1和GF-2对应的光谱和空间特征，GF-6光谱波段对农作物遥感识别的贡献度最大，累计重要性得分占全部光谱波段的82%（潜江）、77%（枣阳）。其中GF-6新增的红边Ⅰ波段（B5）、红边Ⅱ波段（B6）、紫波段（B7）和黄波段（B8）4个光谱波段对作物识别的贡献度分别为47%（潜江）和33%（枣阳）。【结论】协同发挥不同国产高分数据各自光谱-时间-空间优势，不仅缓解了农业景观破碎导致的“混合像元”问题，同时一定程度上降低了多云多雨气候对农作物识别影响的不确定性，为我国南方地区农作物精准识别提供了巨大潜能。

高分辨率遥感影像地理信息是研究山区河流的重要数据源。针对山区地物类型复杂、河道狭窄等原因导致的河流表面信息提取完整性差、河宽难以自动提取且精度低等问题,结合随机森林(RF)和神经网络(ANN)算法,建立了河流表面信息提取方法RF-ANN。该方法支持并行运算且能降低热红外数据尺度辅助去噪,实现了对河流表面信息的像素级提取。利用Laplace算子及边缘算法改进了RivWidthCloud河宽提取算法,使其不需要人工设定判别阈值,提升了算法的普适性。以国产GF-1、ZY-3卫星影像为主要数据源,选取黄河一级支流皇甫川为研究区域。利用所建立的方法提取了皇甫川流域2级及以上河流的河流表面信息和平滩河宽。结果表明:RF-ANN的河流表面信息提取精度达到94.7%。提取河宽的平均误差为1.07m(约0.5个像素),提取的最小有效河宽为6.1m(约3个像素),提取河宽与检验河宽的R2和RMSE分别为0.93和1.52,宽度小于10m极细河流、10～30m细小河流、30～90m较细河流及90m以上较宽河流的河宽提取误差分别为18.5%、8.8%、2.0%和0.7%。该研究结果为山区河流几何形态特征提取及河流地貌空间分布研究提供了方法和数据支持。

为提高高分辨率遥感影像的分类精度 ,本文提出了一种 GIS与 RS集成的分类技术。它从遥感影像和 GIS矢量数据一体化的角度出发 ,充分利用了矢量数据的图斑边界信息 ,通过提取单一地类图斑内的灰度特征、纹理特征和形态特征识别图斑所属地类。经研究表明 :无论在实验结果上还是在分类的机理上都证明了 ,在高分辨率遥感影像的土地利用分类中 ,这种 GIS与 RS集成的分类技术的准确率超过了传统遥感影像分类的准确率

高分辨率遥感影像是城市绿地信息快速提取的主要数据源,利用传统方法处理该数据的工作量十分巨大.该文提出利用AutoCAD和ERDAS两种软件相结合的方法,提取包头市城市绿地覆盖信息,达到清查城市绿地的目的.该方法信息获取周期短、精度高、成本低,实现了城市绿地信息精确获取与快速更新.

【目的】探讨高分辨率遥感影像城区建筑物提取方法,为快速获取城区建筑物分布和辅助制订城区发展规划提供参考。【方法】以陕西杨凌西北农林科技大学北校区为研究对象,采用知识规则与支持向量机(Support vector machines,SVM)相结合的面向对象分析方法,从QuickBird影像中提取建筑物,并与基于SVM的面向对象分析方法及传统的基于像元的分类方法进行比较。【结果】采用知识规则与SVM相结合的面向对象分析方法所得的分类结果表明,提取建筑物总体精度达到90.68%,Kappa系数为0.81,较基于SVM的面向对象分析方法、SVM、最大似然法、K均值法总体精度分别提高了10.38%,15...

Mean Shift算法原理简单,计算速度快,但现有的32位Mean Shift遥感影像处理软件对大数据量的承受能力较差,无法实现对高分辨率影像的处理。针对这个问题,实现了在64位系统环境下编写64位基于MeanShift算法的高分辨率影像分割程序,并且为了获取更高精度的分割影像对象,提出在进行Mean Shift遥感影像分割之前进行一次或多次Mean Shift滤波平滑处理,并展开实验,结果表明相同尺度、相同条件下可有效减少过分分割现象。

针对传统场景分类方法不能准确地表达高分辨率遥感影像丰富的语义信息问题,提出了一种基于卷积神经网络的高分辨率影像场景分类方法.此方法大致分为3步:第1步,依据不同卷积窗口做卷积运算提取颜色,纹理和形状等低阶特征;第2步,利用池化层将这些低阶特征进行过滤,得到重要特征;第3步,重组提取出来的特征以形成高阶语义特征进行场景分类.在具体实验中利用三个不同尺寸的卷积核对数据集进行分类探究,并且使用了数据增广、正则化和Dropout等手段,提升模型对新样本的适应能力,很好地解决了过拟合问题.该方法在所进行的实验中表现良好,在WHU-RS19数据集上取得了88.47%的准确率,和传统的场景分类方法相比,显著提升了分类精度.

高空间分辨率卫星影像数据具有较少的波段信息。在提取绿色信息时,为获得绿色信息突现、其他信息保真效果较好的影像,该文采用多波段增强技术代替光谱增强合成假彩色。实验采取波段按比例的假彩色合成与波段阙值替换的假彩色合成两种方法。通过实验表明,后种方法的阙值将是影响合成的关键因素;前种方法的生产可行性大。以3组不同比例的近红与绿波段合成实验表明,当比例为1:1时,影像色彩保真效果最好,同时绿色信息得到增强。在以RGB色彩空间模型为基础,提出6色评价法。通过VC软件读取TIF影像格式的灰度值信息编写1个小软件,实现此法的算法。根据6色评价法评价的结果与视觉观察效果一致。

[目的]使用深度学习全卷积神经网络U-net的自动特征提取,有效地改善遥感目标识别及地物分类的效果。[方法]以内蒙古自治区赤峰市旺业甸林场为研究区,主要数据源包括GF-2多光谱数据、ZY-3 DOM数据、ZY-3 DEM数据、小班数据以及外业实地调查数据等。借鉴前人对FCN-8s模型的优化思路,基于Unet网络模型,在模型训练过程中通过在原始波段的基础上加入标准归一化植被指数(NDVI)构建网络,并增加条件随机场后处理过程,得到最终的分类结果。[结果]表明:(1)优化后的U-net模型的总体分类精度达84.89%,Kappa系数为0.82,分别高于未加入标准归一化植被指数特征的U-net模型以及未使用条件随机场进行后处理的U-net模型的分类精度;(2)优化后的U-net模型与使用相同策略的FCN-8s,支持向量机和随机森林的分类结果相比,提高了8.04%～12.54%,分类精度大幅度提高。[结论]通过少量调整相关的遥感特征以及使用条件随机场后处理方法可改善U-net模型的分类效果,适用于基于U-net的森林类型高分辨率多光谱遥感影像分类。

农作物种植结构是掌握粮食种植面积和产量的重要前提,也是进行作物结构调整与优化的依据。该研究以黑龙江肇东市为研究区域,以高空间分辨率RapidEye影像为遥感数据,基于最大似然监督分类方法提取了肇东市2011年农作物种植结构空间分布,利用地面样方调查数据进行了线状及细小地物扣除系数计算,实现遥感提取的农作物种植面积的精细提取,然后从面积数量和空间位置两个方面对遥感提取的农作物种植结构进行了精度评价。研究结果表明,利用RapidEye数据提取的农作物种植面积数据总体精度为97.00%,位置精度为96.15%,高空间分辨率数据在农作物种植结构遥感提取中具有重要潜力,线状及细小地物扣除系数可以有效减小...

采用高分辨率卫星影像结合基本农田数据库对基本农田变化进行实时监测,在较短的时间内能够准确、及时的获取基本农田的面积变化和变化流向信息,为基本农田保护提供有力决策依据。

随着卫星影像分辨率的不断提高、影像信息的极大丰富 ,使得遥感数据应用于城市测绘成为可能 .该文概要介绍了高分辨率卫星影像在城市测绘中的最新应用 ,着重介绍了影像数据的纠正及利用正射影像更新 1∶10 0 0 0地形图数据的制作方法和生产工艺

ＧＦ－１，ＺＹ－３和ＺＹ１ ０２Ｃ三种国产卫星数据为研究对象，在分析单波段信息熵的基础上，运用联合熵，最佳指数和相关系数矩阵确定３种影像数据的最佳波段组合，选择具代表性的ＰＣ、ＢｒｏｖｅＹ、ＧＳ、ＩＨＳ和ＭＴ变换融合等五种基于像素的融合方法对影像进行融合，分析融合前后影像联合熵以及融合后各影像波段的梯度变化。研究结果表明：（１）ＧＦ－１的最佳组合为Ｂａｎｄ１、Ｂａｎｄ３及Ｂａｎｄ４，ＺＹ－３的最佳组合为Ｂａｎｄ２、Ｂａｎｄ３及Ｂａｎｄ４，ＺＹ－１ ０２Ｃ数据的最佳波段组合为Ｂａｎｄ１、Ｂａｎｄ２及Ｂａｎｄ３；（２）融合后影像中ＢｒｏｖｅＹ变换融合的联合熵小于融合前，其余４种融合方法联合熵均大于．．．