高分一号

摘要： 白粉病主要侵染小麦叶部,可利用卫星遥感技术进行大范围监测和评估。本研究利用多源多时相卫星遥感影像监测小麦白粉病并提升分类精度。使用四景Landat-8的热红外传感器数据(Thermal Infrared Sensor,TIRS)和20景MODIS影像的MOD11A1温度产品反演地表温度(Land Surface Temperature,LST),使用4景国产高分一号(GF-1)宽幅相机数据(Wide Field of View,WFV)提取小麦种植区和计算植被指数。首先,利用ReliefF算法优选对小麦白粉病敏感的植被指数,然后利用时空自适应反射率融合模型(Spatial and Temporal Adaptive Reflectance Fusion Model,STARFM)对Landsat-8 LST和MOD11A1数据进行时空融合。利用Z-score标准化方法对植被指数和温度数据统一量度。最后,将处理和融合后的单一时项Landsat-8LST、多时相Landsat-8 LST、累加MODIS LST和多时相Landsat-8 LST与累加MODIS LST结合的数据分别输入支持向量机(Support Vector Machine,SVM)构建了四个分类模型,即LST-SVM、SLST-SVM、MLSTSVM和SMLST-SVM,利用用户精度、生产者精度、总体精度和Kappa系数对比四个模型的分类精度。结果显示,本研究构建的SMLST-SVM取得了最高分类精度,总体精度和Kappa系数分别为81.2%和0.67,而SLST-SVM则为76.8%和0.59。表明多源多时相的LST联合SVM能够提升小麦白粉病的识别精度。

摘要： 从高分一号到高分七号,中国“高分家族”的规模不断壮大,本领也越来越强。“高分家族”不仅构建起我国自主高分辨率对地观测系统,在应用上也遍及国土测绘、农业、林业、环保等领域。太空中的“天眼”,正发挥着越来越重要的作用。高分卫星,广义上来讲,是指高分辨率卫星,数据分辨率可达米级或亚米级。国内通常也将国产高分系列卫星简称为高分卫星。

摘要： 当前单纯基于传统空谱融合或基于时空融合的方法均未同时综合全色、高分辨率多光谱以及低分辨率多光谱的谱段信息,造成融合结果未能与应用需求充分对接。结合传统的PanSharpening方法与当前流行的时空融合模型,提出了一种基于调制传递函数-广义拉普拉斯金字塔-高通滤波调制(Modulation Transfer Function-Generalized Laplacian Pyramid-High Pass Modulation,MTF-GLP-HPM)和时空自适应反射率融合模型(Spatial and Temporal Adaptive Reflection Fusion Model,STARFM)的新融合方法。该方法有效综合了全色和高分辨率多光谱的空谱信息以及低分辨率多光谱的时谱信息,能够生成预测时相下具有全色波段空间分辨率的多光谱影像。采用MTF-GLP-HPM方法对起始时相的高分二号(GF-2)全色(1 m)和多光谱(4 m)反射率影像进行融合,得到1 m分辨率的GF-2多光谱反射率数据;利用STARFM模型将上述GF-2多光谱影像与起始、预测时相下的高分一号宽幅(GF-1 WFV)多光谱(16 m)反射率数据进行时空融合,得到预测时相下1 m分辨率的GF-2多光谱反射率数据。基于不同下垫面类型的融合结果表明,所提方法融合结果与预测时相原始GF-2多光谱影像相比,SSIM在0.6224~0.9066,RMSE小于0.06;与直接基于原始GF-2和GF-1 WFV多光谱数据的STARFM融合结果相比,SSIM相对精度损失小于0.08,RMSE损失在0.02以下。所提方法能够在保持时空融合对于时谱信息预测精度的基础上,进一步将融合结果的空间分辨率提升至全色影像的水平。

摘要： 松材线虫病是针对松树的特殊疾病,具有前期发病特征隐蔽、传播范围广、致病速度快的特点,因此面对林业病虫害问题,对受灾区域染病树木进行高效识别和分类,监测其他区域的树木生长情况,并且根据受灾情况确定损失,进行保险理赔是十分重要的。针对染病树木识别准确率低、识别速度慢的问题,本研究利用遥感影像和残差网络相结合的方法,并对残差网络进行优化改进,最终实现了松材线虫病树木的识别,降低人工识别成本,减少识别错误。以湖北省宜昌市远安县嫘祖镇作为研究区域,利用5幅高分一号遥感影像及部分GPS染病树木点作为数据源;通过图像分割、图像增强和坐标转换等一系列预处理将原始数据制作成带有标签和坐标系结合的数据集;将数据集分别输入残差网络ResNet18、ResNet34、ResNet50、ResNet101、ResNet152模型中,根据模型在训练集和验证集上的F 1值,结合模型在两个数据集上的准确率曲线及训练集的损失函数曲线,选择表现最好的模型,对其进行优化改进,提高识别精度。模型在Keras的深度学习平台下使用Python语言进行染病树木识别,研究结果表明,识别精度准确率达到87%,实现了松材线虫病树木识别,较适宜应用于林业病虫害问题诊断。

摘要： 叶面积指数(leaf area index,LAI)是研究植被生态系统结构和功能的核心参数之一,遥感是获取大范围动态LAI的一个主要技术手段。但目前国际上没有高分辨率的LAI标准化产品,本研究利用高分一号(GF-1)宽幅相机高时空分辨率的特点,基于三维随机辐射传输模型生产了MuSyQ(Multi-source data Synergized Quantitative remote sensing production system)高分系列中国地区2018–2020年16米/10天分辨率的标准化LAI产品01版。本产品可为中国地区植被变化分析、农林业示范应用、生态环境监测提供可靠的数据支撑。

摘要： 以Landsat 8、GF-1和Sentinel-2A为数据源,依据2019年、2020年外业调查数据为实测数据,提取纹理因子和植被指数,采用KNN-FIFS方法构建研究区的森林AGB估算模型,对云南省宜良县小哨林场森林AGB进行反演。结果发现3种光学数据的森林AGB估算模型中,Sentinel-2A数据结果最优,R^(2)为0.60,R_(MSE)为21.40 t/hm^(2);GF-1反演结果次之,R^(2)为0.59,R_(MSE)为22.11 t/hm^(2);Landsat 8反演结果较差,R^(2)为0.47,R_(MSE)为23.29 t/hm^(2);组合3种数据特征的反演结果最差,R^(2)为0.42,R_(MSE)为23.86 t/hm^(2)。结论得出:高空间分辨率光学数据反演结果优于低空间分辨率结果,多源数据组合反演森林AGB低于单一数据源反演结果,Sentinel-2A和国产GF-1反演结果相差不大,说明国产卫星GF-1在定量反演研究上有巨大潜力。

摘要： 植被指数(Vegetation Index,VI)是植被遥感研究和应用的最重要参数之一。目前标准化的区域或全球范围的高分辨率植被指数产品较少。本文针对高分一号(GF1)宽幅相机高时空分辨率的特点,基于植被指数合成算法生产了中国2018–2020年MuSyQ高分16米/10天分辨率的归一化植被指数(NDVI)产品。本产品可用于监测中国区域植被的结构、物候特征,分析生化理化参数的季节、年际及长期的变化等,为中国地区植被变化分析、农林业应用、生态环境监测提供可靠的数据支撑。

摘要： 基于贵州省观山湖区高分1号(GF-1)遥感数据提取的光谱信息、植被指数及纹理特征,结合实测马尾松样地数据,通过多元逐步回归、随机森林算法构建不同窗口遥感特征的森林蓄积量估测模型。结果表明:多元逐步回归、随机森林估测模型最佳窗口均为13×13窗口;选取DI2,B3,EN2,SM2,CO_(3)作为建模特征变量,以最佳窗口建立蓄积估测模型,随机森林模型拟合效果优于多元逐步回归模型。根据遥感影像分辨率选取适宜窗口提取特征变量,可进一步提高森林蓄积估测的建模精度。

摘要： 为探索高分一号卫星(GF-1)估算农作物光合有效辐射吸收比率(Fraction of absorbed photosynthetically active radiation,FPAR)的潜力,以田间小区与大田夏玉米为对象,基于GF-1卫星的16 m空间分辨率宽视场(Wide field view,WFV)传感器光谱响应函数对地面实测冠层高光谱反射率进行重采样,获取GF-1 WFV的模拟反射率,构建宽波段植被指数,利用与FPAR极显著相关且具有较高相关系数的植被指数,建立不同生育期夏玉米FPAR的一元与多元逐步回归模型,筛选FPAR估算的最适模型,并在此基础上实现县域尺度不同生育期的FPAR动态估算。结果表明:模拟宽波段光谱反射率与GF-1 WFV光谱反射率间的相关系数|R|为0.967~0.985,决定系数R^(2)为0.935~0.969;基于模拟反射率构建3波段植被指数与FPAR的相关性优于2波段植被指数,增强型植被指数(EVI)、土壤调节植被指数(MTVI2)、可见光大气阻抗植被指数(VARI)、综合植被指数(TCARI/OSAVI)等3波段植被指数与FPAR均呈极显著相关性(P<0.01),且|R|为0.813~0.925;基于优选3波段植被指数估算FPAR的多元逐步回归模型效果优于一元回归模型,估算模型决定系数R^(2)为0.762~0.843,验证模型决定系数R^(2)为0.839~0.880,相对误差RE为7.037%~9.571%,说明多元逐步回归模型能更好地估算FPAR;以优选模型对区域尺度的FPAR进行空间分布及动态估算,并以实测值进行验证,估算值与实测值间决定系数R^(2)为0.819~0.856,相对误差RE为8.41%~13.37%,说明基于GF-1 WFV估算区域夏玉米FPAR与实际空间分布及动态变化规律一致,为基于GF-1 WFV高分辨率遥感数据估算区域玉米FPAR及生产潜力提供了科学依据。

摘要： 丰、枯水期山区下垫面地物特征如植被覆盖度呈显著季节性变化,因此同种水体提取方法在应用于不同水期会获得不同的提取效果;同时,山区河道水体位于峡谷内,易受山体阴影的影响,而且河道狭长细小,水体提取结果容易出现断线现象。为解决上述问题,本文使用国产GF-1遥感影像,首先对比单波段阈值法、NDWI水体指数和SWI阴影水体指数在丰、枯水期典型月对山区河道水体提取的应用效果,分别确定在丰、枯水期最适用的提取方法。然后以DEM数据为基础,考虑遥感成像时太阳高度与辐射角度,生成山体阴影图层,与前述方法获得的水体叠加,消除山体阴影的影响;然后再次以DEM数据为基础,提取河网水系,与遥感提取的水体叠加,以消除零散水体小斑块(如堰塘等)的影响。最后应用膨胀滤波和Pavlidis异步细化算法填充水体断线处。结果表明,丰、枯水期典型月水体提取的最适方法分别为单波段阈值法、SWI阴影水体指数法。通过山体阴影消除、零散水体消除、应用膨胀滤波和Pavlidis异步细化算法进行水体断线填充等综合改进处理后,丰、枯水期水体提取结果总体精度分别达到99.52%、99.27%,Kappa系数分别为0.98、0.97,精度达到“极好”的最优等级标准。本文的方法能有效地解决丰、枯水期在不同地物特征下山区河道水体提取存在的瓶颈问题,为后续应用遥感技术获取水体其他信息(如污染物浓度)奠定了良好基础。

摘要： 本发明涉及一种基于参考底图的高分一号B卫星几何检校方法，属于卫星在轨运行期间的检校技术领域。本发明的方法能够明显提升影像的几何精度，整体效率高。本发明的方法中使用的均为数字信息或数据，采用自动匹配等算法实现几何标定处理，可实现全自动化几何检校，无需人工参与。

摘要： 本申请属于农业灾害监测领域，具体涉及一种基于高分一号卫星数据识别倒伏玉米的方法，包括如下步骤：步骤一、获取目标区域内的野外标志点以及玉米倒伏前后遥感影像；步骤二、提取玉米种植空间分布图；步骤三、获得倒伏和非倒伏玉米的光谱曲线；步骤四、构建倒伏玉米识别指数并得出区分倒伏和非倒伏玉米的合理阈值；步骤五、通过与所述合理阈值比较，识别出目标区域内的所有倒伏区域和非倒伏区域；步骤六、通过掩膜处理得到倒伏玉米的空间分布范围和面积；本发明的方法能够精确区分倒伏和非倒伏玉米区域，可避免时间差异对倒伏玉米光谱特征的影响，同时深化国产卫星数据农业监测应用，且计算简单、识别快速，具有进一步推广应用的优势。

摘要： 本发明属于计算机数字图像处理与模式识别技术领域，主要涉及遥感图像的快速配准方法，具体涉及一种基于高分一号卫星数据的控制点图元快速匹配方法。基本流程包括：在高分参考影像集中进行图元采集与增强处理，构建图元数据库；对待校正影像进行区域化与增强处理；通过RPC辅助方法获取同区域图元集；对区域化高分影像及同区域图元集进行特征点提取，通过RANSAC算法、多项式错点迭代剔除等方法获取最终匹配结果。本发明可以不依赖大数据量的参考影像完成高分一号卫星影像的配准，通过对控制点图元数据库的不断完善，今后对每一幅高分影像都能在数据库中找到对应区域的控制点图元，从而完成图像配准，为后续工作打下良好基础。

摘要： 本发明公开了一种高分一号多光谱影像大气校正方法，所述的高分一号多光谱影像大气校正基于6S辐射传输模型，主要包括辐射定标、表观反射率、6S参数设置及6S大气校正。本发明的优点在于：本发明申请技术方案能够较好地去除气溶胶散射和大气分子散射的影响，较好地还原水体、水泥地、植被和裸地等典型地物的光谱反射曲线，增加了地表的NDVI值，校正后的NDVI更有利于地物的识别，与FLAASH校正结果保持良好的一致性，基于6S辐射传输模型，校正过程自动化，效率高，在城区和山区影像大气校正中具有一定的普适性。

摘要： 本申请属于农业灾害监测领域，具体涉及一种基于高分一号卫星数据识别倒伏玉米的方法，包括如下步骤：步骤一、获取目标区域内的野外标志点以及玉米倒伏前后遥感影像；步骤二、提取玉米种植空间分布图；步骤三、获得倒伏和非倒伏玉米的光谱曲线；步骤四、构建倒伏玉米识别指数并得出区分倒伏和非倒伏玉米的合理阈值；步骤五、通过与所述合理阈值比较，识别出目标区域内的所有倒伏区域和非倒伏区域；步骤六、通过掩膜处理得到倒伏玉米的空间分布范围和面积；本发明的方法能够精确区分倒伏和非倒伏玉米区域，可避免时间差异对倒伏玉米光谱特征的影响，同时深化国产卫星数据农业监测应用，且计算简单、识别快速，具有进一步推广应用的优势。

摘要： 本发明涉及一种基于高分一号数据与U‑Net模型的大豆种植区提取方法，包括：获取研究区的高分一号数据影像并进行预处理，得到数据集样本；对数据集样本进行数据处理，划分为训练集和测试集；构建U‑Net网络模型；将训练集输入U‑Net网络模型，分析对比基于U‑Net网络模型的损失函数和训练精度变换曲线，对比不同迭代周期训练结果对比图，选择U‑Net网络模型采用的训练周期；U‑Net分类结果与分析。本发明比Deeplabv3+平均交并比高出了8.89％，验证了U‑Net网络模型在大豆种植区提取方面的性能优于SegNet模型和Deeplabv3+模型；U‑Net网络模型作为语义分割网络的一种，在提取大豆种植区这种二分类问题中，展示了良好的效果，比其他模型在遥感提取中表现更为突出。

摘要： 本发明一种基于高分一号卫星的内陆湖泊清洁水体叶绿素a浓度反演方法，包括：(1)对待测内陆湖泊的清洁水体进行多点采样；(2)采样时获取光谱数据，采样后测出各样点叶绿素a浓度值；(3)获取高分一号卫星对该内陆湖泊的影像数据并预处理；(4)利用样点的光谱数据和叶绿素a浓度值，通过使用线性、指数和对数函数来测试所有可能的单波段和波段组合形式；并利用验证样点进行模型的精度评估，获取最佳函数和最佳波段输入模型；(5)将遥感影像各波段值导入所构建的最佳函数中，确定高光谱情况下的最佳反演模型，最终对内陆湖泊清洁水体的叶绿素a浓度值进行有效反演。利用本发明，可以提高内陆湖泊清洁水体叶绿素a浓度反演精确度。

摘要： 本发明涉及一种基于参考底图的高分一号B卫星几何检校方法，属于卫星在轨运行期间的检校技术领域。本发明的方法能够明显提升影像的几何精度，整体效率高。本发明的方法中使用的均为数字信息或数据，采用自动匹配等算法实现几何标定处理，可实现全自动化几何检校，无需人工参与。

摘要： 本发明涉及一种基于时间序列高分一号遥感影像的农业用地提取方法，利用不同地物覆盖在不同波段和特征组合下的特征信息，基于非对称高斯函数拟合法重构了地物时序特征，在消除噪声的同时尽可能的保留地物特征在长时间序列下的特征信息，最终直观的体现出旱地、水体、建筑、林草地以及水田等不同地物间的差异，以光谱特征以及NDWI和WDRVI指数特征为初步分类特征，随机森林分类器为最终分类器进行初步分类，随后加入面向对象形状特征、雷达VV/VH极化波段等辅助特征进行精细提取。本发明使用了国产高分一号影像数据，实现了基于高分一号影像的农业用地精细提取，可将提取结果应用到实际农业监控中，充分体现了本发明精细提取方法的可靠性与实用性。

摘要： 本发明提供了一种基于极限学习机（Extreme Learning Machine,ELM）的高分一号（GF‑1）黄东海绿潮遥感探测方法，针对传统绿潮卫星遥感探测阈值不准确、工作量大、精度低的问题，引入极限学习机方法，利用GF‑1卫星影像构建的绿潮观测数据集，建立适用于黄东海绿潮遥感监测的机器学习绿潮探测模型，从而实现智能化、精细化的绿潮遥感探测，为黄东海绿潮的时空演变特征辨识及防灾减灾提供技术支持。