本文提出结合深度卷积神经网络与在线高分遥感影像的分类方法，用于GlobeLand30地表覆盖产品的质量优化。首先，通过对多源地表覆盖产品的一致性分析，构建深度学习训练所需的高分辨率遥感大样本（224万样本量）；其次，基于该大规模样本集训练适用于GlobeLand30优化的深度卷积神经网络模型（GoogleNet Inception V3）；最后，利用训练好的神经网络模型对在线高分影像进行分类，用以优化GlobeLand30产品的不可靠区域。经独立测试样本集验证，经过训练的神经网络分类总体精度为87.7%，Kappa系数为0.86，相比原始GlobeLand30的精度（总体精度75.1%、Kappa系数0.71）有了明显提升。在4个试验区的GlobeLand 30产品优化实验表明：该方法能够有效优化GlobeLand30产品的分类精度。
以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术，在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源，搭建CNN模型对农作物进行光谱特征提取与分类，并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息，利用CNN对农作物光谱和纹理特征进行提取，优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取，验证结果对比显示，CNN对应各类别精度、总体精度均优于SVM，其中二者总体精度分别为95.14%和91.77%；② 引入影像纹理信息后，基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%，Kappa系数0.952，且分类结果的空间分布更为合理，可有效区分花生、道路等精细地物，说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取，可面向种植结构复杂区域实现农作物精准分类与分布制图。
利用无人机航拍获得光学影像数据，结合深度学习理论，建立树种识别模型，以期为大规模树种识别提供一种新的方式。首先以福建安溪县为例，采用无人机获取20 m及40 m高度的航拍影像。其次，以树种为对象，对航拍影像进行分割，获得12种树种影像。最后，结合深度学习理论，采用DenseNet卷积神经网络建立树种识别模型，探讨不同航拍高度以及不同网络深度对树种识别的影响。结果表明:不同航拍高度的树种识别模型，其分类精度均达80%以上，最高精度为87.54%。从航拍影像解析度分析，随着航拍影像解析度的下降，模型识别精度呈现下降趋势，以20 m航拍影像数据建构的树种识别模型，其分类精度高于40 m模型；从模型网络深度分析，随着模型网络层数的增加，模型分类精度出现下降现象，DenseNet121模型分类精度高于DenseNet169模型分类精度。综上所述，基于无人机航拍影像，结合深度卷积神经网络，提出了新的树种识别方式，并以安溪县森林树种识别为例证明了该分类框架的有效性。
高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义，传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息，针对这一问题，提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network，指导学习卷积神经网络)的分类方法。首先通过NSWT（Non-Subsampled Wavelet Transform，非下采样小波变换）提取出图像的高低频子带，将高频子带进行频带特征融合得到融合高频子带，然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合，最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明，本文方法的分类正确率达到94.52%，相比以往算法有显著提高。
冬小麦是我国主要的粮食作物，获取精细的冬小麦种植信息对于指导农业生产具有重要的意义。通过对RefineNet模型进行扩展，形成了适宜提取冬小麦种植信息的Ex-RefineNet（Extend-RefineNet）模型，Ex-RefineNet模型由两个子模型组成，Ex-RefineNet-Edge子模型用于提取冬小麦种植区域的边缘像素，Ex-RefineNet-Inner子模型用于提取冬小麦种植区域的内部像素，使用贝叶斯模型对两个子模型的提取结果进行合并处理，形成最终提取结果。利用山东省济南市和泰安市的16幅高分2号遥感影像进行实验，将每幅影像的2/3作为训练数据，其他数据作为测试数据，选择平均精度、查全率和Kappa系数作为对比指标，Ex-RefineNet模型的结果分别为0.93、0.92、0.91，而RefineNet模型的结果分别为0.86、0.84、0.83，说明本文给出的方法在提取冬小麦种植信息方面具有较明显的优势。
油罐是用于储存油品的工业设施，常用在炼油厂等工业园中，通过卫星或航空遥感图像实现油罐目标的快速检测，可以实现对侵占生态保护红线的疑似工业园区的快速查找，为自然资源监管和生态环境保护提供科学技术支持。探讨了基于深度卷积神经网络在高分辨率遥感影像目标检测中的有效性，基于深度学习目标检测算法中具有代表性的Faster R-CNN（Convolutional Neural Network）和R-FCN（Region-based Fully Convolutional Network）框架，通过对ZF、VGG16、ResNet-50 3种网络模型进行训练和测试，实现了遥感影像上油罐目标的快速检测；通过修改锚点尺度和数量，丰富了候选框类型和数量，提升了油罐的目标检测精度，最优召回率接近80%。研究表明：深度卷积神经网络能够实现对高分辨率遥感影像中油罐目标的快速检测，为深度学习技术在遥感小目标的快速检测提供了实例和新的思路。
针对高分辨率遥感图像建筑物分割问题，提出一种Encoder-Decoder的深度学习框架，建立输入图像到分割结果之间的端对端的分割模型。其中Encoder以残差网络为基础，自动提取建筑物的特征；Decoder采用反卷积实现对特征图的上采样，从而完成对建筑物的分割；同时引入批量规范化处理，降低了神经网络权重训练过程中的梯度竞争，从而减小了神经网络的训练难度。实验表明:提出的建筑物分割算法能有效提取建筑物的块状特征和边缘信息，降低复杂道路等干扰的影响，提升建筑物的分割精准度，算法对邻近复杂道路的建筑物、规律性建筑物、单体复杂建筑物等3种典型建筑物的分割精度分别为：0.837、0.892和0.630；F值分别为：0.851、0.879和0.730。同时，多分辨率条件下的分割实验结果表明，该算法对于一定范围内的多分辨率遥感图像具有较好的泛化能力。
定量分析遥感影像尺度与分类精度之间的关系是进行土地覆盖分类的基础。深度学习具有从底层到高层特征非监督学习的能力，解决了传统分类模型中需要人工选择特征的问题。这种新型的分类方法的分类精度是否受到不同分辨率尺度影响，有待研究。利用深度卷积神经网络（Deep Convolutional Neural Network, DCNN）——金字塔场景分析网络（Pyramid Scene Parsing Network, PSPNet）进行4种分辨率（8、3.2、2和0.8 m）的米级、亚米级影像冬小麦分类。实验结果表明: PSPNet能够有效地进行大样本的学习训练，非监督提取出空间特征信息，实现“端—端”的冬小麦自动化分类。不同于传统分类器分类精度与分类尺度之间的关系，随着影像分辨率的逐步增高，地物表达特征越来越清晰，PSPNet识别的冬小麦精度会逐步增高，识别地块结果也越来越规整，不受分辨率尺度的影响。这对于选择甚高亚米级影像提高作物分类精度提供了实验基础。
遥感技术是高效、客观监测农作物生长状态的重要手段，对农业生产管理具有重要意义。以安徽龙亢农场为研究区，收集了中高分辨率多源卫星遥感数据并进行了定量化处理，构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型，生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律，分析了不同品种冬小麦的长势情况，发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上，构建了基于归一化植被指数（NDVI）的冬小麦估产模型，结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算，据此绘制了龙亢农场2017年冬小麦产量遥感估算地图，产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测，为区域范围内农作物长势监测提供了一种有效途径。
为研究倒伏胁迫下不同生育期LAI高光谱响应模型，提高LAI高光谱响应模型精度，获取不同生育期倒伏玉米LAI与冠层光谱反射率，采用6种传统变换方式对高光谱反射率进行处理，构建不同生育期倒伏玉米LAI分期与统一响应模型。研究结果表明：LAI能够直接反映玉米受倒伏胁迫程度及自身恢复能力；传统光谱变换有利于提高光谱同LAI的敏感性及模型响应精度；不同生育期倒伏玉米LAI分期响应模型优于统一响应模型。该结果可有效诊断倒伏胁迫下的玉米叶面积指数，为实现不同生育期倒伏玉米长势精确监测提供理论依据和技术支撑，对玉米倒伏胁迫灾情监测可提供必要的先验知识。
无人机高光谱遥感是低成本、高精度获取精细尺度农作物生物物理参数和生物化学参数的新型手段，以此快速反演叶面积指数（Leaf Area Index, LAI）对作物长势评价、产量预测具有重要意义。以山东禹城市玉米为研究对象，利用PROSAIL辐射传输模型模拟玉米冠层反射率获取LAI特征响应波段结合相关性定量分析获取对LAI变化最为敏感的波段，并以此计算6种植被指数（Vegetation Index,VI），利用6种回归模型分别对单一特征波段和VI进行反演建模，以实测LAI评定模型精度。研究表明，光谱反射率中516、636、702、760和867 nm等波段对LAI变化最为敏感，以此建立的单一特征波段反演模型预测LAI精度R2为0.44~0.58；RMSE为0.16~0.18，其中636 nm建立的模型(LAI=21.86exp(-29.47R636))相比其他反演模型预测精度较高（R2=0.58，RMSE=0.16）；6种植被指数与LAI高度相关，相关性系数R 2为0.85~0.86，以此建立的反演模型相比单一特征波段反演模型精度有所提高，R2为0.66~0.72，RMSE为0.12~0.14；其中mNDVI构建的LAI估算模型（LAI=exp(2.76~1.77/mNDVI))精度最高（R2=0.72，RMSE=0.13）。无人机高光谱遥感是快速、无损监测农作物生长信息的有效手段，为指导精细化尺度作物管理提供依据。
耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例，通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异，基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据，构建归一化差值植被指数（NDVI）差值法、归一化水体指数和比值植被指数（NDWI-RVI）差值法提取水稻分布，并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示：与非监督分类和监督分类方法相比，植被指数差值法水稻识别精度贡献率可提升30%以上，NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72；NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846，实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的，可实际服务于太湖地区农业生产及相关决策支持。
遥感图像的噪声分析、评估和滤波作为遥感图像处理的研究重点而一直受到遥感应用领域的关注。为了进一步提高遥感图像的去噪能力，提出一种新的基于聚类的组稀疏字典学习多光谱遥感图像去噪算法，该算法能够综合利用多光谱遥感图像的空间局部性和光谱的全局性，对遥感图像像素进行聚类后划分为不同的组，然后通过字典学习获得多光谱遥感图像的空间、光谱字典和系数。经过阈值处理后，对空间相似的块进行平均处理，实现了对多光谱遥感图像的去噪。该算法用于岷江上游植被和土壤类型典型地区——毛儿盖实验区遥感图像的去噪，峰值信噪比相比band-wise K-SVD算法提高了7.6%左右，同时具有更好的视觉效果。
基于变化向量分析（CVA）的变化检测方法通过直接比较像素差异，能够快速提取多时相影像间的变化信息。尽管如此，由于忽略了像素领域的空间上下文信息及波段之间的差异性和互补性，导致检测结果中难以消除噪声等因素产生的“伪变化”。为此提出了一种结合空间和光谱信息的改进CVA方法。首先，采用主成分分析法对影像进行增强，继而通过构建一种新的多方向差分描述子来提取中心像素的空间上下文信息；在此基础上，提出一种基于相关性的加权融合策略，获得统一的变化强度差分影像；最后，采用EM算法求得变化像素的阈值，继而得到二值检测结果。实验结果表明：所提出的算法能够有效应对“伪变化”的干扰，显著提高变化检测的精度及可靠性。
由于混合像元的影响，野外实测波谱或从遥感影像提取的像元波谱多为混合波谱。针对高光谱遥感应用中混合像元导致的混合波谱问题，提出了一种改进的比值导数混合波谱分解方法。首先，对野外实测的岩石与植被的混合波谱预处理，消除水汽噪声；其次，使用总体平均经验模态分解法（Ensemble Empirical Mode Decomposition，EEMD）进行IMF分解，获取r分量波谱；然后，利用比值导数方法对r分量波谱进行解混；最后，选取岩石面积比为自变量，近红外波谱的特征波段反射率值为因变量，利用回归分析定量反演野外混合波谱中岩石面积比。结果表明：①基于EEMD分解获取r分量波谱消除了环境干扰，反映了混合波谱总体趋势，体现了混合波谱中的主要地物波谱特征；②对EEMD分解获取的r分量波谱进行比值导数处理，抑制植被端元组分的同时，突出岩石组分对于混合光谱的影响；③结合EEMD和比值导数法处理后的特征波谱，提高了岩石—植物混合波谱反演精度。
土壤光谱是遥感监测的物理基础，盐渍化土壤光谱特征研究对于盐渍化土地的监测有着重要的意义。以黄河三角洲地区的滨海盐渍土为研究对象，通过野外土壤样品采集和高光谱测量，研究在去除水分以及剔除土壤质地影响后，不同盐渍化程度的滨海盐渍土在350~1 100 nm区间的高光谱反射和吸收特征，并且试图构建光谱预测模型。结果表明: 平滑后的光谱曲线能更准确有效地描述光谱的反射特征及吸收峰。不同盐化程度的土壤光谱曲线形态一致，但反射率大小差异较大。连续统去除后，490 nm处轻度盐化土吸收最小,在760~920 nm区间重度盐化土的吸收更强烈。原始光谱不能预测土壤盐渍化信息，但是二阶微分变换能够提高波段敏感性，建立的光谱预测模型能够基本满足预测要求。
地下水储量是水资源管理和陆地表面过程与水循环研究的一个重要参数。然而,由于传统观测技术成本高和空间分辨率低等局限性，很难建立一个全球连续的综合地下水监测网，因此监测全球高时空分辨率的地下水储量及其变化仍是当前的一个挑战。2002年发射的低低卫—卫跟踪“重力恢复与气候试验”(GRACE)重力卫星为高分辨率地监测全球地下水储量及其变化，提供了一种新的可能手段。利用2002年8月~2011年2月的GRACE观测数据估计近10 a的月间隔全球陆地水总储存量，扣除了GLDAS水文模型（全球陆地数据同化系统）中的地表水、冰雪和生物水，得到全球地下水储量时间序列，并分析其季节性和长期变化及其特征。研究结果表明:GRACE探测到全球地下水储量具有明显的季节性变化，例如在南美洲的亚马逊河流域和亚洲中南部的周年振幅达到50 mm，而在澳大利亚南部和非洲北部的周年振幅只有10 mm左右。另外全球地下水储量具有明显的长期变化，如南美洲亚马逊河流域由于洪水造成地下水储量以6 mm/a的速率增加，拉普拉塔地区由于干旱造成地下水储量以7.5 mm/a的速率减少;中国新疆吐鲁番盆地地区的地下水储量以3.1 mm/a的速率减少,中国华北地区的地下水储量以4.8 mm/a的速率下降。
城市的沉降监测有利于了解区域实时高程，可为地质灾害与防护部门提供数据依据，避免因高程损失而带来的地质灾害。基于2016年1月至2017年12月共22景Sentinel-1A干涉宽幅模式影像数据，利用永久散射体合成孔径雷达干涉测量技术以及合成孔径雷达差分干涉测量技术进行芜湖市地表形变监测，并分析研究区地面沉降的时空分布特征。空间上，阐述芜湖市地面沉降的整体格局，再以道路为专题，分析了道路的沉降分布格局。时间上，以时间为基线，逐月分析地面沉降部分在年内的具体变化。结果表明：空间上，芜湖市地面沉降主要集中在长江以东的范围，呈现出由西向东逐渐增加的趋势，长江以西呈现零星漏斗式沉降分布，其中，沉降累积量也与道路的密度与建设相关，道路汇集区与修建区域的沉降累积量较大；时间上，研究区整体沉降量各月变化较均匀，其中，沉降量变化范围在6月最大，10月与11月最小。
结合灰色系统理论，基于3期（2013、2015和2016年）鄱阳湖湿地植被物理参数数据和RADARSAT-2极化SAR影像数据，分别建立植被生物量、极化分解分量与鄱阳湖植被物理参数的关系模型，并分析不同植被物理参数对生物量积累的贡献和对极化分解分量的影响。结果表明：在植被生长旺盛初期阶段到旺盛稳定阶段，对植被生物量积累贡献较大的主要是植株参数和下垫面参数，对极化分解分量影响较大的主要是下垫面参数和茎秆参数,并根据各阶段较大关联度数据合理地分析和确定了野外采样参数。
基于福建省Landsat-8 OLI影像，利用混合像元分解模型从实测样地数据中筛选出“纯净”的植被像元，并将筛选出的样地分为针叶林、阔叶林和混交林3种植被类型，依次提取3种不同植被类型“纯净”植被像元的树高、林龄、坡度属性信息以及对应的光学NDVI、RVI植被因子和合成孔径雷达（SAR）HH、HV极化后向散射因子，分别构成不同植被类型的“含光学特征多元因子”（NDVI、RVI、树高、林龄、坡度）和“含SAR特征多元因子”（HH、HV、树高、林龄、坡度），开展对比研究。采用含光学特征的多元因子回归模型先估测不同植被类型的森林叶生物量，然后根据叶生物量与地上生物量的关系间接估测森林地上生物量。同时，采用含SAR特征的多元因子回归模型直接估测森林的地上生物量。最后，对比分析这两组多元回归模型的估测精度。结果表明：不同植被类型的含光学特征多元回归模型的验证精度（针叶林：R2为0.483，RMSE为29.522 t/hm2；阔叶林：R2为0.470，RMSE为21.632 t/hm2；混交林：R2为0.351，RSME为25.253 t/hm2）比含SAR特征多元回归模型的验证精度（针叶林：R2为0.319，RMSE为28.352 t/hm2；阔叶林：R2为0.353，RMSE为18.991t/hm2；混交林：R2为0.281，RMSE为26.637 t/hm2）略高，说明在福建省森林生物量估算中采用含光学特征的多元回归模型（先估测叶生物量进而间接估测地上生物量）比利用含SAR特征的多元回归模型（直接估测地上生物量）更具优势。
陆地生态系统的碳汇功能是生态系统服务功能的重要方面，在减缓气候变化中起着重要作用，准确地评估陆地生态系统碳源/汇时空变化是有效预测气候变化的重要基础。基于碳源/汇形成过程中各分量间的相互关系，结合MODIS GPP数据产品和区域统计年鉴数据，对2000~2014年辽宁省陆地碳源/汇的强度及空间格局分布进行定量化评估。结果表明：①辽宁省陆地碳源/汇呈现东部高、西部低的变化趋势，东部呈现显著的碳吸收功能，碳吸收强度超过250 gC m-2 a-1，但在辽宁中部、西部及北部地区则出现明显的碳排放。②沈阳的年均碳排放量（1.43 TgC a-1）约占辽宁省各地市净碳排放总量（4.56 TgC a-1）的三分之一，是全省碳排放的主体。③沈阳陆地生态系统总体表现为碳源，城区碳排放强度相对较弱，仅为26 gC m-2 a-1，近似表现为碳中性。本文基于碳源/汇形成过程定量分析辽宁陆地碳源/汇强度及其空间分布规律，为今后其他区域碳源/汇的模拟提供理论依据和方法借鉴。
干旱作为常见的自然灾害，在世界各地发生的频率日渐增加，已对经济发展、农业生产和人类生活等方面产生了严重影响。但是干旱的类型较多，包括气象干旱、土壤干旱、水文干旱、农田干旱等，无法用单个干旱指数对不同类型的干旱进行监测。按照干旱发生类型，利用气象干旱指数（Standardized Precipitation Index SPI）、土壤水分干旱指数（Soil Moisture Index, SMI）和蒸发压力干旱指数（Evaporative Stress Index, ESI）对美国的旱情进行监测。研究结果表明：不同干旱指数之间呈显著相关，相关系数R在0.7以上。ESI整体监测精度较高，它能够真实反映地表水分盈亏状况，同时与遥感数据结合，可以实现从田块到全球不同尺度干旱实时监测。不同植被类型覆盖下垫面对不同类型干旱响应存在较大差异，草地下垫面对不同类型的干旱响应较为一致，但是随着地上生物量的增加，不同干旱指数监测结果之间差异逐渐增大。因此，在干旱监测时需要考虑植被的结构特征，植被与气候之间的相互作用，才能具体分析不同下垫面的受灾情况，进一步考虑更适合的方法以及干旱指数监测不同下垫面的干旱情况。
黄河上游是黄河四大洪泛湿地集中分布区之一,属于典型的生态环境脆弱地区，加上人为活动影响程度的不断加剧，洪泛湿地生态环境受到剧烈影响,迫切需要对该区湿地生态环境脆弱性进行全面评估。基于遥感与地理信息技术，选取30个洪泛湿地生态脆弱性指标，利用DPSIR模型和层次分析相结合的方法，对黄河上游洪泛湿地1986~2014年生态环境脆弱性变化进行定量评价。结果显示，1986~2014年黄河上游洪泛湿地生态环境脆弱性呈现先增加后降低的“凸”字形格局。从垂直于河流流向的横断面分布看，脆弱性呈现从河流中心向河流两翼逐渐降低的梯度分布特征；从研究河段上游到下游,洪泛湿地生态环境脆弱性变化具有显著空间异质性特征，其中下河沿、头道拐河段脆弱性变化幅度较小，青铜峡到三河湖口河段脆弱性变化幅度相对较显著。
自然遗产地边界界定对于遗产地保护和管理具有重要的意义。已有的遗产地边界界定方法多基于先验知识和专家经验，具有一定的主观性，精度也有待进一步验证。以卫星遥感影像为基础数据，提出层次分析法（Analytic Hierarchy Process, AHP）和GIS结合的自然遗产地边界界定方法，并将其用于四川卧龙自然保护区边界确定。首先利用AHP分析并构建自然遗产地边界影响因子等级体系，然后基于GIS分析建模，通过数字化得到卧龙自然保护区的边界。与已公开的相关资料相比，该方法划定的保护区面积和边界更加科学、客观、精确，为珍稀动物大熊猫栖息地提供了明确的自然边界，而且突出了人与保护区相互关系及保护区的自然和生态保护价值。
高分辨率地球同步轨道（GEO）遥感卫星技术能够在短时间内对大范围海域进行高频重复监测，有望近实时地获取海上舰船运动特征。以广东省珠江伶仃洋的南部海域为研究区，基于单景高分四号卫星多光谱影像，使用梯度阈值方法对海上运动舰船进行检测，结果表明：①利用单波段高分四号多光谱影像能够检测出船位与航向，船位平均误差为80.46 m（相当于1.61个图像分辨单元），航向检出率为74.36%，航向绝对误差为8.65°。②利用单景高分四号影像能够检测出航向与船速，航向精度为98.96%，平均绝对误差为8.78°，船速精度为83.0%，平均绝对误差为1.41 m/s。研究表明高分四号卫星能够用于海上舰船近实时遥感监测，在海上舰船运动特征检测方面具有独特优势和巨大的应用潜力。
甘公网安备 62010202000685号
