摘要：针对sentinel-2影像低空间分辨率(20 m、60 m)波段混合像元会降低内陆河湖水质反演精度的问题,提出了一种通过深度学习超分辨率重建进行水质反演的方法。首先,引入残差神经网络超分辨率重建算法,结合迁移学习方法与卷积注意模块对该算法进行改进,通过对比评估其他算法的重建精度,发现改进算法主客观评价均为最佳。接着,以上海市内陆河湖为研究区域,使用改进算法对低分辨率波段重建至10 m,结合实测水质参数及影像重建前后的光谱特征波段,利用多种回归算法构建水质反演模型进行对比。结果表明:深度学习超分辨率重建模型可有效提升水质参数的遥感反演精度;深度神经网络模型精度较高(R 2>0.67),可实现更精细化制图。

摘要：为及时准确地获取干旱区农作物种植信息,研究借助PIE-Engine Studio平台,以新疆焉耆盆地为研究区,基于2022年sentinel-2影像和1948个野外定位采样数据提取农作物生育期内14种植被指数,使用See5.0决策树、随机森林(Randomforest,RF)和多元回归(Multiple regression,MR)模型优选特征参数,结合支持向量机(Support vector machine,SVM)算法构建5种分类模型和5种样方分割方案进行农作物种植信息提取,通过目视解译和混淆矩阵对比分析分类结果,确定最佳分类方案。结果表明:(1)所有分类模型的总体精度(OA)和Kappa系数均在92.20%和0.9037以上,说明在PIE平台中使用SVM算法提取农作物信息是可行的。(2)SVM-有红边的OA和Kappa系数均值为93.77%和0.9236,比SVM-无红边方法提高了0.96%和0.0120。(3)相比于SVM-有红边方法,植被指数的引入提高了SVM-RF、SVM-MR和SVM-See5.0的OA和Kappa系数。(4)5种分类模型的OA和Kappa系数均值的大小关系为:SVM-RF>SVM-MR>SVM-See5.0>SVM-有红边>SVM-无红边,表明红边波段和植被指数的加入显著提高了农作物识别的精度,其中SVM-RF(8:2)为最佳分类模型,OA和Kappa系数分别为98.72%和0.9866。研究结果可为准确快速获取大尺度干旱区农作物信息提供新的思路和参考依据。

摘要：光谱反射率能反映地物差异,是森林地上生物量(Aboveground Biomass, AGB)遥感反演的理论基础。红边波段处于近红外与红光波段交界处快速变化的区域,能对植被冠层结构和叶绿素含量的微小变化做出快速反应,对植被生长状况较敏感。研究以GF-6和sentinel-2多光谱影像作为数据源,结合野外调查AGB数据,构建落叶松和樟子松AGB线性和非线性估测模型,通过比较模型精度选择最优模型进行森林AGB反演和空间分布制图。结果表明:GF-6和sentinel-2影像红边波段反射率与落叶松、樟子松AGB均呈显著相关(P<0.05),红边波段对AGB估测较敏感。多变量估测模型整体估测效果优于单变量模型,所有模型中多元线性回归模型取得了最优的决定系数(落叶松R2=0.66,樟子松R2=0.65)和最低的均方根误差(落叶松RMSE=31.45 t/hm^(2),樟子松RMSE=54.77 t/hm^(2))。相比单个数据源,联合GF-6和sentinel-2影像构建的多元线性回归模型估测效果得到了显著提升,模型RMSE对于落叶松和樟子松AGB估测分别最大降低了22.9%和11.2%。增加红边波段进行AGB估测能显著提高模型估测精度,三组数据源分别加入红边波段信息后进行建模,模型RMSE得到了显著降低。GF-6拥有800 km观测幅宽和高效的重访周期,可以快速地提供大尺度时间序列数据,在森林地上生物量反演和动态监测方面有着很大潜力。

摘要：高时空分辨率遥感影像对精细尺度土地利用和土地覆盖变化研究具有重要意义,然而云噪声的存在给影像的解译和分析带来了一定的挑战,因此云噪声检测作为一项基础性工作在影像解译与分析过程中扮演了非常重要的作用。QA60产品被广泛推荐为sentinel-2卫星影像的常规云检测产品,然而,我们最近的研究发现基于QA60产品的云检测通常会出现明显的云噪声漏检测现象。为探索提高sentinel-2卫星影像云噪声检测效果的方法,基于Google Earth Engine(GEE)平台,结合sentinel-2卫星影像2A级(L2A)数据的2个云相关波段(B1和B9)以及4个产品(QA60、AOT、MSK_CLDPRB和SCL产品),设计相应分割算法,并以典型区为案例,从影像波段特性、云微物理学等角度分析了相关波段/产品云检测结果的空间分布格局及差异,并借助定量化指标对云检测效果进行评价。结果表明:①在云检测算法方面,B1和B9波段采用的动态阈值分割算法稳健性较好,检测结果能在一定程度上拟合其波段特性,并合理地表征相应波段的云噪声;②从云检测空间分布看,AOT产品效果较差,B9波段和QA60产品云检测可靠性较低,B1、SCL、MSK_CLDPRB 3个波段/产品的云检测潜力较强;③从评价结果看,B1波段的云检测效果最佳,对云噪声的敏感度高于其他云相关波段/产品,查准率、查全率、准确率和F1分数均大于0.90,稳健性最好。本文验证了气溶胶(B1)波段对云检测的精确性、稳健性和敏感程度,有望为进一步优化常规云检测算法提供新参考。

摘要：水稻是中国主要粮食作物之一,稻米产量关系到民生福祉。及时、准确地获取水稻种植面积信息及其空间分布状况对于区域农业发展规划和产量评估具有重要意义。针对水稻与其他农作物易混以及光学数据易受云雨天气影响等问题,以东北三江平原为例,利用中高分辨率sentinel-1微波数据、sentinel-2光学数据,分别构建时序水体指数SDWI和植被指数NDVI组成水稻完整的物候生长曲线,分析水稻移栽期、分蘖期、抽穗期、成熟期4个重要生长时期不同的光谱差异,通过阈值分割和组合不同时期的数据,来实现水稻不同物候时期种植面积的提取,并与传统的基于单一光学数据的方法进行对比。研究结果表明:经过地表样本点的验证,所构建方法可以精确提取三江平原水稻几个关键生育期的种植面积并且优于单一使用光学数据的方法。同时利用单生育期影像例如移栽期影像提取水稻面积也可使总体精度达到87.08%,随着生育期数据的完整,总体精度也不断提高,其中基于全生育期的面积提取总体精度也高达91.88%,Kappa系数为0.834,可以满足实际应用需求。因此这种的多源数据结合的水稻种植面积提取方法能够准确、高效地提取三江平原水稻不同物候时期种植面积,为短期内的农情调查管理和区域农业可持续发展提供依据。

摘要：植被的遥感提取通常利用单一植被指数,而单一植被指数无法全面反映不同植被之间的差异性,易造成漏分、错分现象,影响提取精度。为有效提取冬小麦种植面积,本文基于PIE-Engine遥感平台,利用sentinel-2遥感影像数据,结合采样点以原始特征波段、指数特征为输入特征,分别使用随机森林(Random Forest,RF)、支持向量机(Support Vector Machine,SVM)分类法对济宁市冬小麦种植面积进行提取,评价相同输入特征下不同分类方法的提取精度、相同分类方法不同输入特征的分类精度,最终得出最佳分类特征以及分类方法。结果表明:以指数特征作为输入特征,结合随机森林分类法提取济宁市2023年冬小麦种植面积的精度最优,验证矩阵ACC系数为0.984,验证矩阵Kappa系数为0.974。可见,基于sentinel-2遥感影像的随机森林-指数特征模型可较准确提取济宁市冬小麦种植区域,本研究可提供一种提取冬小麦种植面积的有效方法,为调控农业生产、合理利用自然资源、实现农业精准管理、保障粮食有效供给提供辅助依据。

摘要：棉花是新疆最主要的经济作物之一,及时准确地监测棉花种植信息对棉花种植管理及国际贸易至关重要。该文以石河子市为研究区,提出一种基于sentinel-1和sentinel-2数据的单一分类支持向量机提取新方法。结果表明,棉花8月份提取精度最大,总体精度为91.69%,Kappa系数为0.83。光学特征重要性大于雷达极化特征,其中sentinel-2的红边波段对棉花提取贡献率最大,sentinel-1极化特征在棉花吐絮期重要性较为显著。

摘要：冬小麦是我国主要粮食作物之一,及时准确地获取冬小麦种植面积,对保障粮食安全具有重大意义。本文以河南省为研究区,利用sentinel-1的后向散射系数VV和sentinel-2构建的植被指数EVI2,基于冬小麦拔节到成熟期的特征,设计WI指标,提取2020年河南省冬小麦空间分布。结果表明:河南省冬小麦种植面积为56 130 km~2,总体分类精度为94.70%,Kappa系数为0.89;与单一光学影像数据相比,结合雷达影像数据的冬小麦提取方法,能同时结合作物在光学及微波方面的特征,在光学影像质量较差的区域提高了分类精度。

摘要：面对长江大保护相关工程项目在复杂环境下的高时效性和高分辨率监管需求,提出了一种多源遥感数据影像时空融合技术,旨在突破单一数据源在时效性和分辨率上的局限。基于FSDAF模型,对GF-6影像(2 m分辨率)与哨兵2号影像(15 m分辨率)进行时空融合,有效整合高空间分辨率与宽覆盖、高频次观测优势,构建了一套高时空分辨率的监测时序影像集。在长江大保护EPC项目典型工程——东山水质净化厂建设应用中,该技术弥补了GF-6时间序列上的空白,实现了工程进展的月频次动态跟踪,显著提升了施工过程的监管能力。研究成果不仅可为长江大保护EPC系列工程提供有力技术支持,也可为大范围建设工程监管提供创新方法与实践参考。

摘要：该研究旨在准确把握耕地“非农化”的时空格局,为制定合理的土地利用和耕地保护政策提供重要依据。随着特征提取技术和分类算法的进步,利用遥感影像进行大规模耕地动态监测变得更加准确和高效。该研究选用sentinel-2卫星影像,探讨了不同算法和特征变量在耕地非农化监测中的优势。首先提取了4类特征共计31个指标,并通过主成分分析(principipal component analysis, PCA)和相关系数矩阵进行特征优选,获得了12个关键指标,并设计了5种特征组合方案。随后,采用7种基础算法执行影像分类,并通过“单阶段”和“二阶段”两种分类策略,提取耕地“非农化”信息。研究结果表明,有效选择多种特征变量和算法对于提高监测精度至关重要。在所有测试的模型中,采用Softmax构建的二阶段模型精度最高,最优特征组合为光谱特征+光谱指数特征+纹理特征,特征变量维度减少至12个。总体精度、平均用户精度、平均生产者精度和Kappa系数分别达到94.92%、95.16%、93.15%和0.88。对比2020年和2022年研究区数据发现,耕地转变为非农化用地的面积为146.153 km^(2),而非农化用地转变为耕地的面积为123.074 km^(2),导致耕地净减少23.079 km^(2)。综上所述,该研究提出的耕地“非农化”监测方法可以为相关的地物信息提取和耕地资源保护与可持续利用等研究提供技术支持和方法参考。