随着卷积神经网络技术的发展，近来的研究越来越注重于准确率的提升以及语义信息的完善。其中Mask R-CNN网络是对Faster R-CNN进一步改进后的实例分割网络，在高分遥感图像地物识别具有良好的分割效果。但由于卷积神经网络只能用小瓦片图像进行训练和预测，而导致预测结果存在较大的语义信息误差。面对这种问题，提出了针对卷积神经网络预测结果缺陷的缝隙修复算法，即先使用Overlapsize算法改善预测结果与真实结果的匹配程度，再通过PostGIS数据库中的相关函数填补缝隙，使小瓦片能真正拼接成完整大图。研究及实验结果表明：该算法能够很好地改善图像语义信息，具有实用性。
针对当前多数深度学习模型只能对高分辨率遥感影像裁剪图片进行土地利用类型判别的问题，结合VGGNet与Mask R-CNN开展了智能化建设用地目标检测研究。在建立研究区4类土地利用类型遥感影像数据集的基础上，对比了VGGNet、ResNet和DenseNet 3种卷积神经网络模型的分类精度，选取分类效果最优的神经网络模型VGGNet与Mask R-CNN实现建设用地目标检测智能化。结果表明：①VGGNet、ResNet和DenseNet 3种卷积神经网络模型的分类精度分别为：97.44%、93.75%和95.13%，且VGG16模型迭代次数最少，训练时间相对较少；②Mask R-CNN阈值设置对目标检测精度有重要的影响，当阈值设定为0.3时，VGG16结合Mask R-CNN的联合模型对建设用地检测的标定框精度最高。同时联合模型比单一使用Mask R-CNN模型对建设用地检测有更高的准确率，并且表现出了更强的适应性和鲁棒性。
矿产资源的过度开发会对自然环境造成严重的负影响，矿山环境监测对生态文明建设具有十分重要意义。在目前的矿山环境监测中，机器学习算法被广泛的使用并取得了较为良好的效果。近年来，随着深度学习领域的快速发展，相关理论知识也逐渐被应用于遥感图像处理中。将深度学习算法与面向对象的思想相结合，以高分二号影像作为研究数据，使用卷积神经网络对河南省禹州市的采矿区进行了以露天采场为主的开发占地类型信息提取，并与支持向量机方法进行对比，最终得到卷积神经网络的总体精度为91.85%，Kappa系数为0.90，均高于支持向量机方法，提取结果也与实际更加相符。表明该方法在露天采场提取中的优势和可行性，可为矿区的环境监测和科学管理提供可靠的技术支撑。
针对传统飞机检测算法特征学习能力较弱，在背景复杂、目标密集、成像质量较差的遥感影像上检测精度较低的问题，提出了一种基于Faster-RCNN（Faster-Regions with Convolutional Neural Network）框架的遥感影像飞机检测优化算法。以ResNet50为基础特征提取网络，引入空洞残差块进行多层特征融合，构建新的特征提取网络，提高算法的特征提取能力。首先在UCAS-AOD数据集上采用交叉验证训练方法验证模型在不同训练集与测试集上的稳定性，同时比较不同算法的检测性能；然后在NWPU VHR-10数据集上进行飞机检测对比实验，验证模型泛化性。实验结果表明：在UCAS-AOD数据集上优化算法平均精度为97.1%，在NWPU VHR-10数据集上优化算法平均精度为96.2%。该优化算法能够提升遥感影像中飞机的检测精度，且泛化性更强，对实现遥感影像飞机快速检测具有一定的参考意义。
随着现代遥感技术的迅速发展，遥感图像的质量和数量得到了显著的提升，新技术带来的高分辨率遥感图像所蕴含的信息也更加丰富，如何利用人工智能手段辅助挖掘这些丰富的信息也成为了遥感图像分析与理解的重要内容。与此同时，以深度卷积神经网络为代表的人工智能技术在图像处理领域大放异彩。得益于类人眼的分层卷积池化模型，深度卷积神经网络可以在图像分割和分类等任务上取得优异的结果。因此采用U-Net为代表的深度卷积神经网络对2 m的高分辨率遥感影像进行了特征提取、分割和分类，不同于传统基于手工设定图像特征的方法，U-Net可以自动对海量高分辨率的遥感图像进行特征提取，从而充分挖掘高分辨率遥感影像中复杂的非线性特征、光谱特征和纹理特征。实验结果表明：利用训练好的U-Net模型对新昌县土地利用分类计算时间为55.7 s，分类准确率可达90.95%，Kappa系数为0.86。U-Net模型可以快速、精确地提取高分辨率遥感影像中的地表覆盖特征，得到高精度的土地利用分类结果，说明将该模型应用于遥感影像土地利用分类提取有着广阔前景。
我国尾矿库事故频发，所造成的危害极其严重。掌握尾矿库的数量及分布情况对预防尾矿库事故和开展尾矿库应急工作具有重大意义。传统的调查方法主要以地面调查为主，难以做到大范围高频次的监测。因此提出了一种基于深度学习的尾矿库目标检测方法，可以快速识别尾矿库的位置并掌握其地理分布。首先分析尾矿库在遥感图像上的特征，制作适合训练的样本，根据样本的情况优化调整训SSD （Single Shot Multibox Detector）模型，基于优化后的模型进行京津冀地区尾矿库的自动提取。实验结果表明：京津冀地区检测出尾矿库2 696座，召回率达到93.3%。说明采用深度学习目标检测的方法提取尾矿库，取得了较好的效果，所提出的尾矿库提取方法可应用于全国及全球尾矿库的提取。
近年来，以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力。以加州帝国郡为研究区，以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI，组合后输入到构建的一维卷积神经网络 模型，以实现作物的高精度精细分类。为了验证卷积模型的优越性，另搭建了基于递归神经网络及其变体的深度学习模型。结果表明：①引入其他时序特征后，能够有效地提高卷积神经网络的分类精度。NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高，分别是89.667 4%和0.856 0，对比NDVI时序特征总体精度和Kappa系数提高了近4%和0.6。②在与其他深度学习模型的对比中，一维卷积神经网络分类精度最高，能够从时序数据中较为准确捕捉作物时序特征信息，尽管递归神经网络被广泛应用于序列数据的研究，但分类结果要略差于卷积神经网络。实验表明在NDVI的基础上引入其他植被指数辅助，能够有效地提高分类精度。基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法。
目前城市建筑垃圾大量持续产生且堆积严重，利用率较低同时危害城市生态环境。建筑垃圾的识别是实现建筑垃圾分割、提取以及监测的技术基础，但由于建筑垃圾本身的复杂特征和遥感影像的尺度差异、光谱差异等因素导致其识别和监管困难。提出了一种利用迁移学习再训练模型来实现自动识别建筑垃圾的方法。首先根据建筑垃圾的典型遥感特征构建样本库，样本库包含30 292张建筑垃圾和110 110张典型地物在内的共计140 402张样本。之后基于国际先进的深度学习环境Tensorflow，利用迁移学习在模型的最后一层重新输入了建筑垃圾等6类训练数据集，对Inception-V3模型进行了再训练，在较短时间内得到了建筑垃圾识别模型。随机抽取6 016张样本构成验证集逐个输入建筑垃圾识别模型，统计验证样本的模型识别结果构成混淆矩阵，得出该模型对所有地物的整体识别率K为97.43%， Kappa系数Ka为0.96，模型识别建筑垃圾的识别精确度Pv为99.10%，识别灵敏度为94.88%。与传统的航片监测、实地考察等纯人工识别方法相比，该方法所需时间较短且识别精度较高，有利于实现建筑垃圾的全过程实时监控和精准管理。
玉米是黑河中游种植面积最大的农作物，生长期需水量大、蒸散量高。准确获取玉米种植面积对该区域农作物种植结构调整、水资源合理规划有重要参考意义。基于2019年4月至9月Sentinel-2多时相影像，采用随机森林算法开展了黑河中游玉米种植面积提取研究。研究方法分为两类—直接提取法和两步提取法。进一步探讨了多时间信息量对玉米种植面积提取精度的影响以及各输入特征参数在玉米面积提取过程中的重要性表现。结果表明：基于Sentinel-2多时相影像，直接提取法和两步提取法均可高精度地提取研究区玉米种植面积，特别是两步提取法，玉米分类总体精度可达85.03%，F1_Score为0.70，Kappa系数为0.83；与单幅影像相比，多时相影像可获取不同作物的物候信息，有效减少作物错分/漏分，提高作物分类精度。该方法对基于高分辨率光学影像结合机器学习方法获取具有高度异质性的作物信息具有重要的参考价值。
小麦是我国主要的农作物之一，对于我国的经济发展有着重要意义。遥感技术经过不断发展，已成为提取小麦及长势研究的重要手段。利用高光谱珠海一号OHS-2A卫星、多光谱Sentinel-2A卫星以及MODIS等多源遥感数据，以雄安为研究区，采用支持向量机的方法进行小麦提取，结合野外实测数据利用混淆矩阵进行精度评价分析；分别对比小麦的两个重要生育期返青期和抽穗期，将小麦长势分为3个等级（按长势较好、长势持平、长势较差）进行长势监测比较。研究表明：环境条件相同下，OHS-2A的总体精度为82.08%，Kappa系数为0.76；Sentinel-2A的总体精度为85.57%，Kappa系数为0.81，相比之下Sentinel-2A对于小麦的识别效果最佳。在进行长势监测中，对比小麦各长势情况及长势变化相对幅度，Sentinel-2A数据比MODIS数据对于雄安小麦的长势监测及研究分析更有效。采用多源遥感数据分析雄安小麦识别及长势监测情况，有利于小麦种植管理，这对于推动绿色雄安有着重大意义。
无人机平台成本低和灵活性高的优点可弥补传统遥感平台的缺陷，为农业遥感近地表数据获取提供有效途径。任何型号无人机搭载传感器进行数据采集时均有一定的观测几何，但无人机观测几何诱发的方向反射差异及其在后续应用中的潜在误差仍需深入分析。利用无人机采集典型扬花期水稻田样方多角度观测，探讨其样方级别的方向反射及可见光植被指数的方向特点。结果表明：红、绿、蓝三波段的方向反射率差异分别可高达30.17%、22.03%和27.31%，传递到后续可见光植被指数其相对误差可达62.08%，尤其是对归一化绿红差异指数（NGRDI）、可见光波段差异指数（VDVI）影响较大。研究发现，角度影响是基于无人机观测开展定量研究时不可忽视的重要因素。
快速、无损、及时地准确估算苹果叶片氮含量是保证苹果产量和质量的基础，利用高光谱技术对苹果叶片氮含量进行遥感反演可为合理施肥提供理论依据。利用2012年和2013年山东省肥城市潮泉镇下寨村不同生育期的苹果叶片氮含量和相应的叶片光谱数据进行分析和建模。首先分析了叶片氮含量与原始光谱、一阶微分及三边光谱指数之间的相关性，筛选出对叶片氮含量敏感的光谱指数；构建了对叶片氮含量敏感的光谱指数NDSI和RSI；最后利用筛选的敏感光谱指数及构建的NDSI和RSI光谱指数，结合灰色关联分析（GRA）-偏最小二乘（PLS）方法及袋外数据重要性（OOB）-随机森林（RF）方法对叶片氮含量进行反演。结果表明：①叶片氮含量与原始光谱、一阶微分光谱之间的敏感波段分别为553、711 、527、708 和559 nm；构建的对叶片氮含量敏感的光谱指数分别为NDSI（567，615）和RSI（554，615）；叶片氮含量对三边光谱指数之间相关性最好的光谱指数是SDy。②建模和验证结果表明用OOB-RF建立的苹果叶片氮含量估算模型具有较好的精度和可靠性，可以用来指导果树变量施肥，为监测氮素营养状况提供一种新的方法。
土壤重金属铅污染作为现代工矿业发展的产物，已逐渐入侵到农业生产和农产品中。高光谱技术由于具有宏观、快速、高效的特点已成为土壤重金属监测的重要手段。以新疆吐鲁番盆地葡萄园土壤Pb元素为研究对象，分析土壤原始光谱在内的15种光谱变换下的土壤光谱反射率数据与土壤Pb含量的关系，构建土壤Pb含量偏最小二乘回归（PLSR）模型和地理加权重回归（GWR）模型，对比分析并探讨运用土壤高光谱估算葡萄园土壤Pb含量的可行性。结果表明：土壤原始光谱反射率通过光谱变换能有效增强葡萄园土壤Pb元素的光谱特征及模型估算精度，其中，平方根二阶微分（SRSD）变换的PLSR模型和GWR模型估算能力最优。采用GWR模型比PLSR模型更好的解释葡萄园土壤重金属Pb含量高光谱估算。从模型稳定性和精确性来看，在平方根二阶微分变换中GWR模型R2从PLSR模型的0.262提高至0.866， 平方根误差减少了1.009。采用GWR模型可有效提高估算葡萄园土壤Pb含量的精度，为中国葡萄园基地土壤重金属污染以及土壤环境安全研究提供有益借鉴。
以吉林省农安县为研究区，以Sentinel-1B双极化数据为数据源，提取出典型农作物玉米、大豆、水稻的多个纹理特征值，筛选出最佳农作物识别纹理信息参数，结合eCognition软件中的规则库，充分挖掘SAR数据中农作物纹理特征包含的属性信息，构建决策树，基于面向对象分类方法对典型农作物进行提取，通过SAR农作物提取结果的分析，获得研究区农作物最佳分类时相及最佳农作物识别纹理信息组合，对各典型农作物进行分类制图，探讨基于SAR影像后向散射特征提高农作物识别精度的可行性。结果表明：SAR数据相对于光学数据，能提供更丰富的农作物纹理信息，选取合适的纹理信息作为分类辅助数据，可以有效解决光学数据中“异物同谱”现象，提高农作物识别精度，对于研究区农作物提取贡献最大的3种SAR纹理特征依次为：均值、方差和相异性。
灌溉是农作物应对干旱等极端气候条件的有效调节机制，在全球气候变化的背景下，未来干旱等极端气候事件发生的频率和严重程度预估会增加，定量分析灌溉和雨养条件下干旱对农田生态系统农作物生长的影响有助于更好地评估人类应对极端气候事件对生态系统的消极影响的能力，为制定合理有效的生态系统保护措施提供依据。以中国北方干旱区为研究区，基于标准化降水蒸散指数产品和MODIS增强型植被指数以及总初级生产力产品，利用MK趋势分析，皮尔逊相关分析和一元线性回归分析研究了2000~2014年间中国北方干旱区农田生态系统干旱、植被指数以及总初级生产力的发展趋势，分析了中国北方旱区农作物对干旱的响应的滞后时间，在相应的滞后时间下对比分析了灌溉农田和雨养农田农作物受干旱影响的差异。研究结果显示：在2000~2014年间北方旱区农田生态系统64.10%的区域呈现干旱减轻的趋势、75.78%和81.87%的区域呈现植被指数增加和总初级生产力增加的趋势，其中64.82%的植被指数增加和68.34%总初级生产力增加的区域伴随着干旱的减轻。除半干旱区雨养农田植被指数对干旱的响应的滞后时间为2个月外，其余滞后时间均为1个月。在滞后时间下，去趋势干旱指数与植被指数异常及总初级生产力异常均呈现显著的正相关关系。相对于雨养农田来说，灌溉分别缓解了32.22%和29.42%北方旱区干旱对农作物植被指数和总初级生产力的消极影响，且在干旱区的缓解程度要高于半干旱区。定量分析了干旱对灌溉和雨养农田生态系统GPP和EVI的影响差异，为评估灌溉抵抗干旱气候对植被生态系统的影响研究提供了参考。
作物群体生物量是形成产量的物质基础，遥感技术是高效、客观监测作物地上生物量的重要手段，对农业生产管理具有重要意义。以安徽省龙亢农场为研究区，通过PROSAIL模拟光谱分析了4个LAI相关的可见光-近红外植被指数、2个叶片干物质相关的短波红外植被指数和8个融合植被指数与冬小麦地上生物量的关系，并建立反演模型。模拟结果显示，干物质植被指数与作物生物量的相关性高于LAI相关的植被指数，两者融合的植被指数增强了常用植被指数冬小麦生物量的探测能力。利用实测冬小麦数据对生物量反演模型进行验证，结果显示：融合植被指数普遍提高了单一植被指数的地上生物量反演精度，其中MTVI2×NDMI精度最高（RMSE=606.8 kg/hm2），并为作物地上生物量的高精度反演提供新的技术途径。
以内蒙古闪电河流域为研究区，基于Sentinel2光学遥感影像结合随机森林和支持向量机算法，采用3种方案：基于像元的分类方法、面向对象的分类方法及改进的基于像元分类与面向对象分割相结合的集成方法，对研究区内的农作物进行精细提取。结果表明：①基于随机森林采用基于像元的方法进行分类，所有地类的总体精度为97.8%，Kappa系数为0.974，表明随机森林算法可以有效地进行农作物提取。②改进的基于像元分类与面向对象分割相结合的集成方法分类效果较好，所有地类的总体精度为96.4%，Kappa系数为0.957，该方法充分结合了基于像元和面向对象分类方法的优点，可有效提升闪电河流域的作物分类效果。
为了提高小样本数据模型的稳定性，构建具有更高精度和鲁棒性的小麦条锈病遥感探测模型。首先基于辐亮度和反射率荧光指数方法提取了冠层日光诱导叶绿素荧光（SIF）数据，然后结合对小麦条锈病病情严重度敏感的反射率光谱指数并基于改进的分类与回归树（CART）——梯度提升回归树（GBRT）算法，构建了融合反射率和冠层SIF数据的小麦条锈病遥感探测的GBRT模型，并将其与CART及多元线性回归（MLR）模型进行比较。结果表明：①反射率导数荧光指数D705/D722、短波红外谷反射率和反射率比值荧光指数R740/R800是影响遥感探测小麦条锈病严重度精度的主控因素，其中SIF数据的重要性值高于反射率光谱数据，冠层SIF能够比反射率光谱更加敏感地反映小麦条锈病害信息；②GBRT模型病情指数（DI）预测值和实测值间的均方根误差（RMSE）比CART和MLR模型分别减小了15.50%和13.49%，决定系数（R2）分别提高了6.16%和11.57%，GBRT模型估测DI值更接近于实测值，且估测结果波动小，鲁棒性高；CART模型在小样本数据中易将不同特征的数据集划分为同一特征的子集，预测结果波动较大；MLR模型的预测结果相对比较稳定，但其预测精度较低。
林窗的空间格局不仅对林下物种多样性有重要作用，而且也是量化不同林型结构特征的重要指标。近年来，灵活便捷的小型无人机航拍技术的快速发展为获取高分辨率的森林冠层三维结构信息提供了可低成本获取的途径。利用航拍影像提取林窗斑块来计算景观指数是描述林窗格局有效的传统方法，但提取细小林窗往往难度大，尤其是在需要处理大量航拍数据时会大大增加时间成本。基于无人机航拍的RGB影像，在三维建模获取的高精度数字表面模型（DSM）的基础上建立森林高差模型（DSMr），进而提出基于高差模型的信息熵（H）、标准差（STD）、偏度系数（SK）、峰度系数（EK）、纹理参数（GLCM，GLDV）来快速反映林窗空间分布格局的方法，并以黄土高原中部恢复较好的天然林和北部人工刺槐林窗数据检验其有效性。研究结果显示：SK、EK、GLCM、GLDV与林窗格局指数有一定的相关性，两类样方DSMr的SK和EK均与边界密度（ED）显著负相关，SK与斑块密度指数（PD）呈现出显著负相关关系，纹理参数均与景观形状指数（LSI）显著正相关。因此，DSMr参数能有效指示林窗的结构和分布格局，为林窗的生态过程与效应研究提供了更加快捷的变量。
地物的“同物异谱”或“异物同谱”问题，使得仅仅依据高光谱影像的光谱信息较难得到理想的分类精度。纹理特征是地物空间分布的重要结构信息，能够一定程度上弥补光谱特征在高光谱遥感影像分类中的不足。纹理特征提取在高光谱遥感影像分类中得到了诸多发展，然而当前的纹理特征方法缺乏较为全面的对比分析。因此，选取旋转不变局部二值模式、简单线性迭代、扩展形态剖面、差分形态剖面、属性剖面、3D-Gabor、联合双边滤波和导向滤波共8种典型的纹理特征方法，利用印第安纳、帕维亚大学和雄安3个高光谱数据集设计分类实验，采用分类精度、计算时间、总体分类精度的标准差来进行定量评价。实验结果表明：扩展形态剖面的总体分类精度和计算速度整体上优于其他7种方法。
全球气候变化导致植被生长的季节性节律事件（如返青期、衰落期和生长峰值期等）发生显著变化。植被返青期、衰落期和生长季长度的变化已经得到广泛报道，植被生长峰值代表植被光合作用能力和对气候变化的响应，目前关于植被生长峰值特征（时间点和最大生长幅度）的时空变化和控制机理的研究相对较少，仍需在不同区域深入探讨。以植被覆盖度较好的中国东北地区为例，首先利用长时序遥感NDVI数据（GIMMS NDVI3g）和逻辑斯蒂法提取植被关键物候参数，然后分析了植被生长峰值关键特征（日期和幅度）的变化格局及对气候因子和返青期物候的响应，最后探索了生长峰值对植被生产力变化的贡献。结果表明：东北地区整体的生长峰值时间点和返青时间点呈现延迟趋势、生长幅度呈上升趋势（与MODIS EVI趋势验证一致），生长峰值存在一个约11 a的周期；季前气温和降水对生长幅度的影响范围和幅度较小，主要作用在草原区域，对峰值时间点的显著影响主要在北部森林区域；返青期对生长峰值的控制作用大于气温和降水因素，并且返青期在森林和草原区域主要影响生长幅度变化，在农作物区主要影响生长峰值时间点变化；植被最大生长幅度对自然植被生产力长期变化的影响显著。东北地区生长峰值及对气候、物候响应的不同时空格局反映了植被生长峰值对气候变化的适应能力的差别，并造成多样的植被固碳格局。生长峰值研究有助于深入理解植被光合作用的时空变化格局和气候变化情景下的碳循环过程，对我国东北地区的生态系统评估和管理也有参考意义。
红树林是热带与亚热带地区潮间带具备高植被生产力和高储碳量的滨海湿地植被类型，在维系全球碳平衡过程中扮演着重要的角色。目前通量站点尺度的红树林生产力研究已取得了一定的进展，然而由于受到遥感影像时空分辨率和红树林斑块分布的限制，区域尺度红树林总初级生产力（Gross Primary Production，GPP）估算仍少有涉及。基于影像融合算法获得的高时空分辨率植被指数数据集，结合红树林通量观测数据开展光能利用率模型的参数估计和模型验证研究，实现了区域尺度的红树林GPP估算，获取了一套2012年广东省高桥红树林GPP高时空分辨率数据集。数据验证得到的决定系数R2 = 0.64，较现有的MOD17A2和GLASS产品GPP估算精度提高了48.9%。实验结果显示：高桥红树林最大光能利用率为3.07 g C MJ-1，研究区内全年GPP均值为1 915.4 g C m-2 a-1。红树林季节平均GPP夏、秋季大于春、冬季。该方法和估算数据可为区域尺度红树林生产力研究和红树林保护提供高精度数据支持。
针对统计数据对GDP空间分布信息表达存在的局限性，耦合GDP统计数据、城市兴趣点数据、夜间灯光数据以及土地利用数据，提出了一种GDP空间化方法。以北京市为实验区，首先，利用土地利用类型与GDP的关系，实现了第一产业GDP的100 m网格空间化；其次，通过计算兴趣点密度分布情况，并耦合夜间灯光指数以及土地利用类型，建立了第二、三产业GDP空间化模型；最终，将分产业结果进行空间整合，完成北京市100 m网格的GDP分布结果。结果表明：加入兴趣点的多源耦合模型较夜间灯光指数单因素模型，R2从0.84提高至0.92，生成的结果可以更好地体现区域GDP的空间差异。表明多源信息耦合模型可以提高GDP空间化模拟精度，兴趣点数据可以有效地反映GDP空间分布，为GDP空间化提供数据支持。
甘公网安备 62010202000685号
