English Version
最新刊期
2022 年 第 2 期
-
全球碳盘点卫星遥感监测方法、进展与挑战
摘要：以全球变暖为主要特征的气候变化已成为全球性环境问题，对全球可持续发展带来严峻挑战。2015年《巴黎协定》确定了自2020年后国家自主贡献的减排方式，并从2023年开始每5 a开展一次全球碳盘点。2019年第49届IPCC全会明确增加了基于卫星遥感的排放清单校验方法。欧盟、美国、日本、加拿大等正在大力发展温室气体排放的MVS（Monitoring and Verification Support）能力。本文调研分析了全球碳盘点对卫星遥感技术的需求，介绍了全球碳盘点卫星遥感的技术原理，梳理了温室气体卫星遥感、生态系统碳源汇卫星遥感估算、人为源碳排放卫星遥感、碳通量同化估算等全球碳盘点卫星遥感核心环节的研究现状与进展，分析了当前卫星遥感技术对全球碳盘点任务的支撑能力，并结合国内外发展趋势，针对性地提出中国的碳监测卫星计划方案，并展望了中国开展全球碳盘点卫星遥感监测重点任务，期望为中国全球碳盘点卫星遥感体系建设提供思路与方案。关键词：全球变暖;碳盘点;碳排放;碳源汇;卫星遥感;同化- 4339
- |
- 1019
- |
- 10
发布时间：2022-02-28 -
数据驱动的定量遥感研究进展与挑战
摘要：定量遥感是从原始遥感观测信息中定量推算或反演出地学参量的理论与方法。传统定量遥感主要基于模型驱动，强调通过数学或物理模型完成推算和反演。随着人工智能技术的发展和普及，数据驱动的方式也逐渐受到广泛关注，其强调的是通过机器学习等方式挖掘遥感观测数据中所包含的信息，完成地学参量的定量反演。在强大计算能力的支持下，数据驱动的方法在定量遥感的多个领域都取得了可喜的成就，但其也具有弱化物理规律及因果关系的缺点。在此背景下，耦合物理规律和机器学习，发展模型和数据共同驱动的反演框架，开始成为新的研究热点。以机器学习辅助物理模型，或以物理规律约束机器学习的研究逐步展开，并初见成效。然而，仍面临着较大的挑战，联合模型的不确定性、泛化性、可迁移性，以及小样本情况下的联合建模等都是急需解决的问题。未来，数据驱动和模型驱动的深度耦合将是待突破的难点和重点。关键词：遥感;定量遥感;模型驱动;数据驱动;深度学习;融合- 2337
- |
- 807
- |
- 2
发布时间：2022-02-28 -
参数敏感性分析在遥感及生态水文模型中的研究进展
摘要：参数敏感性分析SA（Sensitivity Analysis）是遥感、生态和水文模型不确定性分析UA（Uncertainty Analysis）的重要方法之一。本文梳理了遥感散射/辐射模型，以及遥感驱动的生态、水文模型研究中常用的敏感性分析方法，并总结了各类方法的优缺点和适用条件。从识别关键参数、不确定性分析和参数优化3个方面，分析了这些领域中参数敏感性分析研究的进展和存在问题，并介绍了最常用的敏感性分析平台。参数敏感性分析作为模型参数优化的先验知识之一，促进了模型和参数的优化。在不确定性和敏感性矩阵USM（Uncertainty and Sensitivity Matrix）的框架下，结合全局敏感性分析方法开展多阶段遥感反演、参数敏感性的尺度效应、参数敏感性的时空异质性研究更加需要关注。此外，还需要提高敏感性分析的计算效率和模式，来适应未来更加复杂的模型和迅速增长的数据量。关键词：遥感;参数敏感性分析;参数优化;不确定性分析;生态水文- 1339
- |
- 591
- |
- 2
发布时间：2022-02-28
研究进展
-
Google Earth Engine云平台对遥感发展的改变
摘要：近年来，随着遥感技术的快速发展，积累了海量的对地观测遥感数据。传统桌面端遥感处理平台（例如ERDAS和ENVI等）无法满足当前遥感大数据的应用需求。作为领先的遥感云计算平台，GEE（Google Earth Engine）的出现改变了传统遥感数据处理和分析模式，为海量数据快速处理与信息挖掘带来了新的契机。截止目前，科研人员已利用GEE成功开展了大量研究工作，发表多篇学术论文与综述。然而，还没有一项研究系统地分析GEE是如何推动遥感科学发展的。因此，本文旨在探讨GEE云平台相比于传统桌面端遥感处理平台分别在资源、方法和应用3个方面的创新性变革：（1）在资源方面，GEE以其集大数据/云计算为一体的特点，打破了传统数据、模型算法、算力分离的局面，实现上述3者的云端部署，在大规模数据快速处理与分析方面展现出巨大潜力；（2）在方法方面，GEE提供的遥感分析新方法，突破了传统遥感技术瓶颈，促进了遥感数据处理与分析的技术革新，极大提高了海量数据处理与信息挖掘效率；（3）在应用方面，GEE不仅为全球尺度的长时间序列快速分析带来发展机遇，而且推动了数据、算法和产品的快速共享，进一步迎来了开放、共享的遥感时代。通过系统归纳总结GEE平台的优势，不仅可以帮助潜在新用户了解GEE，同时加深现有用户的理解，还能促使谷歌开发人员完善和改进GEE，并且催生地球系统科学研究的新发现。关键词：Google Earth Engine;遥感云计算平台;桌面端遥感处理平台;遥感大数据;像元级分析方法- 2023
- |
- 638
- |
- 1
发布时间：2022-02-28 -
遥感云计算平台相关文献计量可视化分析
摘要：在遥感大数据时代背景下，遥感云计算平台的出现改变了遥感数据处理和分析的传统模式，极大地提高了运算效率，使得全球尺度的快速分析成为可能。国内外已有众多学者利用遥感云计算平台开展研究，然而相对缺乏对遥感云计算平台发展和应用的客观性综述。本文基于Web of Science（WoS）和中国知网CNKI（China National Knowledge Infrastructure）的文献数据，检索了2011-01—2021-04与遥感云计算平台相关的文献，借助文献计量方法对检索到的数据进行了发文量分析、合作分析、关键词共现分析以及文献共被引分析。结果表明：（1）国内外基于遥感云计算平台的应用研究均呈上升趋势，中国和美国是利用遥感云计算平台进行研究最活跃的国家，中国科学院是最活跃的机构；（2）相关学科交叉较为广泛，涉及遥感、环境科学与生态学、计算机科学、电子电力工程等领域，其中遥感学科是利用遥感云计算平台研究最多的领域，环境科学与生态学以及计算机科学与其他学科领域联系较密切；（3）目前谷歌地球引擎GEE（Google Earth Engine）是应用最为广泛的遥感云计算平台，此外亚马逊网络服务云（Amazon Web Services Cloud）、中科院先导地球大数据挖掘分析系统（EarthDataMiner）、PIE-Engine等平台也处于迅速发展阶段；（4）大范围的土地覆被制图、土地利用、植被变化、气候变化是遥感云平台的应用热点领域，而环境健康评估和人类活动对环境的影响研究也将成为遥感云平台未来的重要应用领域。本文研究结果定量展示了遥感云计算平台的发展历程、研究热点和应用情况，为相关研究人员把握领域发展动态并挖掘有价值的新研究方向提供了参考。关键词：文献计量;可视化;遥感;大数据;遥感云计算平台- 1080
- |
- 309
- |
- 0
发布时间：2022-02-28 -
全球遥感实时监测与定点更新云平台设计与实现
摘要：卫星遥感是人类观测地球的主要途径，随着遥感技术商业化，全球商业遥感卫星数量快速增长，涌现出许多高分辨率遥感卫星和全球遥感星座，使用卫星对地球进行更全面、更精确、更实时的监测成为可能，但目前卫星遥感数据获取存在重复、盲目、不及时，与用户需求脱节、大量数据闲置等一系列问题，缺乏一个有效的平台和应用模式，搭起卫星数据提供商和用户之间的桥梁。本文基于只需对变化信息进行定向监测和更新即可实现对地表实时监测这一前提出发，提出了一套卫星遥感和互联网结合的地球实时变化监测在线服务云平台，平台通过以用户感兴趣区域的自动变化检测技术为核心，汇聚用户对地表变化信息的需求，形成更高清的卫星拍摄条件，按轨道预测模型优先向最邻近拍摄点的卫星数据服务商快速推送卫星拍摄指令，实现定点定向数据更新，以保证用户随时可以查看感兴趣区域的地表最新影像。其核心思想主要是基于互联网在线抓取技术、云平台的自动变化检测技术与卫星在轨处理实时感知技术来分析、挖掘、提取地理实体变化情报，通过实时推送卫星拍摄指令来实现基于变化信息的定向、定点地理实体数据的采集和更新，保持对感兴趣区域的实时监测服务。本文阐述了云平台建设过程中的实现方法，构建了云平台的基本原型并对其进行验证，讨论了云平台中新的总体架构设计思想和应用领域等问题，展示了该平台对目前商业遥感服务中存在的被动性、单一性、延迟性、重复性等问题的解决方案，提供了一种以传统数据查询订购的云平台向基于变化信息实时监测与定点更新服务云平台跨越的设计思路。关键词：遥感;星地协同;变化检测;星上处理;云平台;定点更新- 1250
- |
- 239
- |
- 0
发布时间：2022-02-28 -
时空遥感云计算平台PIE-Engine Studio的研究与应用
摘要：随着遥感大数据时代的到来，为快速处理和分析海量遥感数据，国内外涌现了众多遥感云计算平台，使得全球尺度、长时间序列遥感数据的快速分析和应用成为可能。本文在分析国内外遥感云计算平台现状的基础上，针对大数据时代国内缺少功能完备的遥感云计算平台，且国外遥感云计算平台对国产卫星数据支持不足等问题，基于容器云技术，构建了包含国产卫星数据且集数据、算力和技术于一体的时空遥感云计算平台PIE（Pixel Information Expert）-Engine Studio，实现了脚本驱动的遥感数据的按需获取以及海量数据的快速处理。采用Landsat 8数据，以生长季植被指数NDVI（Normalized Difference Vegetation Index）的计算为例，对比了本平台与GEE（Google Earth Engine）的数据处理能力。结果表明，由于计算资源的限制，本平台的计算和导出时间均比GEE稍长，但计算结果的空间分布一致，其中近68%的值均分布在（0.48，0.77），且二者差值的95.33%集中在（-0.13，0.13），结果较为可信。因此，本文构建的基于共享、开放的中国自主遥感云计算平台PIE-Engine Studio，可为地球科学领域的研究提供数据和算力支持，将有助于推进中国遥感云计算平台的发展进程，推动国产卫星数据在云计算平台上的应用。关键词：遥感;大数据;遥感云计算平台;分布式存储;并行计算- 3040
- |
- 579
- |
- 1
发布时间：2022-02-28 -
Sentinel-2密集时间序列数据和Google Earth Engine的潮间带湿地快速自动分类
摘要：潮间带湿地是滨海湿地的重要组成部分，具有维持生物多样性、促进碳汇等重要生态功能。及时、准确地掌握潮间带湿地现状是实现潮间带湿地可持续管理目标的基础。先前的潮间带湿地分类研究依赖于训练样本、人工设定阈值或后处理等，本研究基于GEE（Google Earth Engine）平台开发一种自动、快速、高精度的潮间带湿地分类方法。该方法首先构建高质量密集时序Sentinel-2影像堆栈；然后，分析不同潮间带湿地的遥感特征，基于最大光谱指数合成算法（MSIC）和大津算法（Otsu）建立多层自动决策树分类模型。应用该方法对2020年福建漳江口红树林自然保护区的潮间带湿地进行分类，得到的总体精度为96.5%，Kappa系数为0.95。漳江口红树林保护区内潮间带湿地包括红树林、互花米草和滩涂3种类型，面积分别为82.46 hm2、218.26 hm2和496.84 hm2。本研究的方法能够实现潮间带湿地的自动、快速、高精度分类，对潮间带和其他内陆湿地的精准分类研究具有重要的借鉴价值。关键词：滩涂;湿地;Sentinel-2影像;最大光谱指数合成算法（MSIC）;大津算法（Otsu）;Google Earth Engine（GEE）- 1386
- |
- 337
- |
- 2
发布时间：2022-02-28 -
Sentinel时序影像的长江流域地表水体提取
摘要：传统水体提取算法大多基于某一时期单景遥感影像，无法表现出水体随着时间和空间高度可变的特性，虽然国内外已出现部分时序水体数据产品，但其空间分辨率及水体边界的精度仍无法满足一些研究和应用的需要。本文以地表环境复杂的长江流域为研究区，基于GEE（Google Earth Engine）云平台，使用Sentinel-2 MSI年内长时序影像集结合像元的“时间特征”，提出一种在大尺度环境下更具普适性、可操作性且效果更好的高精度水体提取算法，即基于时序影像数据结合多指数和“时间特征”并融合DEM的算法。该算法选择自动提取水体指数（AWEI）、改进型归一化差值水体指数（MNDWI）、归一化植被指数（NDVI）和增强型植被指数（EVI）进行多指数逻辑组合来提取水体；同时利用NIR波段反射率值和SRTM数字高程模型生成的坡度数据集来辅助抑制高反射率噪声和阴影噪声。通过目视解译采取验证样本点进行全流域水体精度验证，正确提取率达96%以上；在亚像元层面进行精度评估，混合边缘像元占像元总数的3.37%，错分误差0.46%，漏分误差0.21%，表明本文算法对混合像元具有较好的抑制效果；对比传统基于光谱特征的NDWI、MNDWI水体指数，多指数结合时间特征的算法在抑制阴影噪声方面效果更佳；对比现有部分水体数据产品，本文算法在一定程度上既能保证水体区域整体的完整性，也保留了水体的局部细节，在细小水体的提取上具有一定优势。由长江流域水体遥感提取结果可得，流域内水体空间分布不匀，且各水体类型时空变化特征明显，2017年—2020年永久性水体增加的67.41%是由季节性水体转化而来，季节性水体与非水体之间的相互转化最为显著，季节性水体增加的74.64%是由非水体转化而来，同时季节性水体减少的56.25%转化为了非水体。实验结果表明：本研究算法在提取不同时空位置和不同环境下的水体具有一定的普适意义，可有效避免水体与其他地物混合造成的“同物异谱”和“同谱异物”现象，同时对复杂背景噪声有着良好的抑制作用，具有较高的准确度和精度。关键词：GEE;Sentinel-2;水体遥感提取;时间特征;多指数组合;阴影噪声- 1572
- |
- 473
- |
- 0
发布时间：2022-02-28 -
潮汐和植被物候影响下的潮间带湿地遥感提取
摘要：潮间带湿地具有重要的生态和经济价值，但受到全球变化影响，发生大面积退化甚至丧失。掌握潮间带湿地的时空分布特征，对海岸带资源的科学管理具有重要意义。由于受到多云多雨天气和潮汐动态淹没的影响，单时相遥感数据难以获取完整的潮间带湿地信息。因此，本研究开发了一种基于时序遥感指数的潮间带湿地分类算法，并以福建省亚热带海岸带为例，基于Google Earth Engine（GEE）云平台，利用2017年—2019年Landsat 8时序影像数据，提取潮间带光滩、高潮滩植被和低潮滩植被3种典型湿地类型，分类结果总体精度97.47%，Kappa系数0.96。该算法有效降低了亚热带海岸带地区多云多雨天气和潮汐动态过程对光学遥感技术应用的影响。结果显示福建省潮间带湿地主要分布在河口与海湾处，且自北向南呈下降趋势，高潮滩植被集中分布在南部泉州湾、九龙江口、漳江口，闽北分布较少。将本研究结果与国内外同类数据集进行比较，显示出一定的优势。该方法为大尺度潮间带湿地的高精度智能分类提供了可能，为海岸带资源的可持续管理利用及区域的高质量发展提供数据基础。关键词：时序遥感数据;潮间带湿地;GEE;福建省;物候;频率算法- 2916
- |
- 334
- |
- 1
发布时间：2022-02-28 -
联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取
摘要：湿地是地球上最重要的生态系统之一，在维持全球生态环境安全等方面发挥着举足轻重的作用。由于湿地独特的水文特征，传统的湿地监测需要耗费大量的人力和财力，对于大尺度的湿地信息提取更是困难重重。随着大数据和云计算的兴起，为大尺度和长时间序列的空间数据处理提供了契机。本文基于Google Earth Engine（GEE）云平台，使用Sentinel-1合成孔径雷达（SAR）数据、Sentinel-2光学数据以及地形数据，探讨了红边、雷达以及地形特征对大范围区域沼泽湿地提取的重要性，验证了利用JM距离寻找沼泽湿地提取最优特征组合的可行性，结合随机森林算法对2018年黑龙江流域沼泽湿地进行提取。研究表明：（1）Sentinel-2红边波段和Sentinel-1雷达波段以及地形数据有利于沼泽湿地信息提取，相比植被指数和水体指数沼泽的制图精度分别提高了7.56%，5.04%，4.48%；（2）利用JM距离得到的分离度表明，红边特征>其他光学特征>地形特征>雷达特征。进行特征优选后沼泽湿地的制图和用户精度分别提高了1.45%和3.02%，最终结合随机森林算法的总体精度为91.54%，沼泽的提取精度为88.55%。本研究利用GEE云平台和多源遥感数据以及机器学习算法，能够准确、快速、高效地提取大尺度范围沼泽湿地信息，具有较大的应用潜力。关键词：遥感;Google Earth Engine;沼泽湿地;Sentinel-1;Sentinel-2;JM距离;随机森林;红边波段- 1851
- |
- 1552
- |
- 7
发布时间：2022-02-28
遥感大数据云计算
-
鲁棒多特征谱聚类的高光谱影像波段选择
摘要：传统谱聚类的高光谱影像波段选择模型中，采用的波段相似矩阵受到噪声或异常值的影响且仅能表征波段的单一相似特征，导致波段子集的选取结果受到限制。本文从波段选择的目的出发，提出鲁棒多特征谱聚类方法，整合多个特征的波段相似矩阵来形成综合相似矩阵以解决上述问题。该方法假设4种相似性度量包括光谱信息散度、光谱角度距离、波段相关性和拉普拉斯图谱能够共同揭示波段聚类的内在结构特征，通过构建低秩稀疏矩阵分解模型来表征单一相似矩阵与综合相似矩阵的内在关系。进一步，采用增强拉格朗日乘子算法来优化求解综合相似矩阵，利用常规谱聚类方法来聚合所有波段至不同的类别，并选取代表性波段。采用两个常用的高光谱影像数据，对比5种常用的波段选择方法来进行实验验证。实验结果表明，鲁棒多特征谱聚类方法优于改进稀疏子空间聚类、常规谱聚类方法和其他主流波段选择方法，而且计算效率较高。关键词：遥感;高光谱遥感;降维;波段选择;分类;鲁棒多特征谱聚类- 1557
- |
- 1170
- |
- 0
发布时间：2022-02-28 -
增强型DeepLab算法和自适应损失函数的高分辨率遥感影像分类
摘要：高分辨率遥感影像地物复杂，分类难度大，而深度学习方法可以提取地物更多更深层次的特征信息，适用于高分辨率遥感影像的地物分类。本文研究对高分辨率影像中不透水地面、建筑、低矮植被、树、车辆等地物的高精度分类。结合遥感多地物分类的特点，以DeepLab v3+网络模型为基础，提出E-DeepLab网络模型。主要改进为：（1）改进编码器和解码器的结合方式，使用简洁有效的加成连接方式。（2）缩小单次上采样倍数，增加上采样层，提高编码器与解码器连接的紧密性。（3）使用改进的自适应权重损失函数，自动调节地物损失权重。同时根据数据特点，提出结合DSM、NDVI数据等多通道训练方式。使用两个地区数据进行实验，结果表明，两地区精度均明显优于原始DeepLab v3+模型和其他相关模型，Potsdam地区总体提取精度达到93.2%，建筑物提取精度达到97.8%，Vaihingen地区总体提取精度达到90.7%，建筑物提取精度达到96.3%。目视对比分类图和标准标记图，两者具有高度的一致性。本文所提出的E-DeepLab网络在高分辨率遥感影像地物高精度提取和分类中有较好的应用价值。关键词：遥感;高分辨率影像;深度学习;E-DeepLab;自适应权重损失函数- 1089
- |
- 596
- |
- 1
发布时间：2022-02-28 -
生成式对抗网络的高光谱遥感图像分类方法研究
摘要：针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题，提出一种具备过拟合抑制的生成式对抗网络分类算法，并应用于高光谱图像分类。该算法在每次迭代时，首先，依据训练样本的标签信息使判别器网络拟合训练样本的数据分布；然后对训练样本的高维特征进行均值最小化，该过程会重新更新判别器网络参数，减小参数的值和方差，以抑制过拟合；最后，将本算法应用于针对高光谱图像所设计的光谱空间分类模型进行分类。实验结果表明，在标准数据集Indian Pines和Pavia University中随机选取1%标记样本进行训练，总体分类精度分别达到了89.61%和98.79%，相比于其他现有算法有明显的提高，较表现最好的分类方法，总体分类精度分别提升了5.17%和1.38%。在Indian Pines数据集取1%标记样本，Pavia University数据集取0.1%标记样本的情况下，本文算法对过拟合的抑制效果优于几种常用的过拟合抑制算法，较表现最好的Dropout算法，总体分类精度分别提升了5.60%和3.20%。关键词：遥感;高光谱图像分类;小样本;过拟合;生成式对抗网络;光谱空间特征;特征提取- 1009
- |
- 362
- |
- 0
发布时间：2022-02-28
遥感智能解译
加载中...
0