摘要：定期开展高速公路路域植被参数监测工作,对指导路域生态环境保护具有十分重要的意义,而传统地面实测方法难以对大范围植被参数进行快速长时间的监测。为此,利用卫星遥感技术,采用一种基于时序sentinel-2影像的高速公路路域典型植被参数监测与分析方法,以京港澳高速湖北北段路域为研究区,利用长时间序列的sentinel-2影像,采用PROSAIL辐射传输模型与人工神经网络相结合的方法快速获取路线区域的多种植被参数,并结合时间序列信息熵与变异系数对植被参数的趋势性及稳定性进行分析,从而实现对路域植被变化状况的准确评价。实验结果表明,基于时序Sentinl-2影像的路域典型植被参数提取与分析技术,可快速获取路域植被的生长变化状况,有效节约人力物力,为高速公路植被保护与绿化养护提供科学依据。

摘要：准确掌握灌溉耕地的数量和空间分布等信息是农业生产与水资源管理的重要基础。传统基于像元的遥感灌溉提取会破环地块基本形态,在耕地较为精细、破碎的农田区域,单时相卫星影像所做出的地图也往往达不到所需精度,针对此问题,提出了一种基于sentinel-2时序影像的地块尺度灌溉耕地提取方法。首先,利用高分辨率遥感影像提取研究区精细的农业耕种地块(矢量多边形);然后,以时间序列sentinel-2影像为数据源构建地块尺度的时序特征,并设计多种特征组合方案;最后,构建以XGBoost分类模型为基础的灌溉耕地识别方法并评估模型的泛化能力,以实现区域地块尺度的灌溉耕地提取。进而,在美国科罗拉多州南普拉特河流域的农业灌溉集中地区验证上述方法流程。结果表明:①即使耕地情况破碎、复杂,基于地块的提取方法也能在保留地块基本形态的基础上实现灌溉耕地的精确提取,总体精度高达85.03%;②在特征的构建与组合中,精度表现最好的是均值、标准差、中值这三类光谱特征的组合,Kappa系数达到0.69,其中灌溉耕地分类精度为86.76%,非灌溉耕地分类精度为82.30%;③通过测试不同时间序列长度对灌溉耕地提取的影响,发现对灌溉耕地和非灌溉耕地的区分较为敏感的时相集中在农作物生长季的中后期,其分类精度随着时序长度的增加而不断提高。这对后续的研究提供了思路,可以利用农作物生长旺盛阶段的时序影像的均值、标准差、中值这三类光谱特征进行灌溉耕地的识别,该时段的时间序列蕴含丰富的结构化特征信息,从而使得模型表现优异,达到理想的制图精度。集成机器学习和时序遥感,可用于灌溉耕地的调查与监测,也为该方向的深入研究提供了思路。

摘要：提出一种基于影像重叠区域特征迁移的大区域草地自动提取策略,评估重叠区域样本量对模型性能的影响,集成神经网络分类器和平衡分布自适应模型,仅利用重叠区域信息,自适应平衡因时相差异造成的草地特征变化,迁移拓展完成大区域草地信息的精准提取.以sentinel-2影像为例,开展甘肃祁连山国家级自然保护区西北部草地制图试验,在6景草地分类中,单幅分类总体精度和卡帕系数均大于89.09%和0.75,重叠区域的样本量仅达到10%时分类性能趋于稳定.结果表明该策略在草地制图中的有效性及拓展到大区域影像综合制图中的潜力.