Parcel-Scale Crop Type Classification Using Tile-Slice-Based SpatialTemporal Convolutional Networks
-
-
关键词:
- Sentinel-2遥感影像 /
- 地块尺度 /
- 作物类型 /
- 时空卷积网络 /
- 分区分层
Abstract:Objectives: Parcel-based crop classification using multi-temporal satellite images plays a vital role in precision agriculture. However, exploring the multi-scale spatial information for identification of crop types from remote sensing images is a significant challenge. Methods: In this study, a tile-slice-based spatial-temporal method was developed for parcel-scale crop (type) classification using multi-temporal Sentinel-2 images. Central to this approach is the combined use of tile-slice-based representation of parcels in images and a deep spatial-temporal convolutional network. Firstly, spatial tiles were sliced according to crop types and parcels, to produce a tile-slicebased training sample dataset and a tile-slice-based prediction dataset. Then, the deep spatial-temporal convolutional network was established to estimate crop-type probabilities for tile-slice-based prediction dataset. Finally, tile-slicebased probabilities were fused under parcel polygons, to generate the final crop type maps. Results: The proposed method is further discussed and validated through parcel-based time-series crop classifications in the France study area with multi-temporal Sentinel-2 images. The classification results demonstrated great improvements in accuracy scores (0.03, 0.02, 0.02 in overall accuracy, precision and F1, respectively) over comparison methods. Conclusions: Through experiments and discussions, we concluded that: (1) the proposed tile-slice-based spatial-temporal method is effective for parcel-based crop classification using Sentinel-2 image sequences, (2) the spatial division and slice in parcel-scale representation are benefit more for crop type identification of larger and spatially concentrated parcels, (3) the proposed TSST-Net is lightweight but powerful for crop classification. The above experiments and their conclusions will provide new ideas for parcel-based agricultural remote sensing time series analysis.
-
地表温度是非常重要的地表参数之一，它影响着“地-气”之间的能量交换和水热平衡过程，在城市热环境、辐射和能量平衡、全球气候变化等研究领域都有重要的应用价值[1-2]。常规的单点测温技术很难获取大面积地表温度的空间分布特征，因而测温结果在区域研究和应用中受到了极大的限制。热红外遥感探测技术能够探测到地表直接发射能量，成为目前获取区域地表温度的重要途径。
目前, 针对地表温度的遥感反演算法很多，包括辐射传导方程法、单窗算法、劈窗算法以及多通道多角度算法等，不同的算法适用于具有不同特性的热红外遥感数据[3]。Landsat卫星系列数据一直是地表温度反演的重要遥感数据之一，2013年Landsat 8卫星成功发射，又为地表温度反演提供了新的数据源。近期国内外学者针对Landsat 8数据的地表温度反演方法已经开展了研究，如Jiménez-Muñoz对单窗算法和劈窗算法的反演精度和敏感性进行了对比分析，结果表明随着大气水汽含量的增加，劈窗算法的精度略高于单通道算法[4]；文献[5]探讨了劈窗算法反演地表温度的可行性以及相关参数的敏感性；Yu对辐射传导方程法、劈窗算法以及单通道算法3种算法的反演精度进行了定量对比分析，结果表明辐射传导方程法精度最高[6]，其次是劈窗算法，最后是单通道算法。但是，上述提到的研究都是基于模拟数据集，没有涉及到Landsat 8热红外图像。Landsat 8热红外传感器(TIRS)包括第10波段(TIRS 10) 和第11波段(TIRS 11)，Yu[6]在使用单波段进行地表温度反演时，发现第10波段相对于第11波段有着较高的反演精度；另外，美国地质调查局(United States Geological Survey，USGS)指出由于Landsat 8卫星刚发射运行不久，TIRS第11波段暂时存在定标不稳定性，因而不建议运用劈窗算法进行定量研究，如劈窗算法反演地表温度以及大气校正等[7]。故本文主要针对Landsat 8 TIRS 10数据讨论其单窗算法。
国内外学者已经对Landsat数据的单窗算法开展了很多研究，主要有Jiménez-Muñoz算法[8](JM_SC)和覃志豪算法[9](Q_SC)。他们将大气和地表的影响直接包括在演算公式内，与辐射传输方程法和劈窗算法相比，简单易行、应用方便，能够适用于长时间序列的Landsat卫星数据地表温度的反演。但是，目前利用Landsat 8数据反演地表温度的研究还比较少。
本文根据Landsat 8 TIRS传感器的特性，提出了针对TIRS 10数据的单窗算法(TIRS10_SC)，同时利用单窗算法JM_SC和Q_SC完成了研究区地表温度反演。最后利用地表温度实测数据对三种不同地表温度反演的结果进行了精度验证和比较，以期确立较好的地表温度反演的技术流程和方法。
1 方法和技术路线
1.1 研究区和数据
研究区位于河南省郑州市郊区，约位于地理坐标113°15′41″~113°17′20″E，34°50′06″~34°50′52″N的区域范围内。研究区内地势平坦，平均海拔在133~139 m之间，主要土地覆被类型为建设用地、耕地、裸土等, 如图 1所示。选取覆盖研究区Landsat 8数据和MODIS L1B Calibrated Reflectance产品。Landsat 8数据包括OLI数据和TIRS数据，前者主要用于估算研究区的地表发射率，后者主要用于反演地表温度；MODIS数据产品主要用于估算研究区的大气水汽含量。这些遥感数据的特性如表 1所示。
表 1 遥感数据及其特性Table 1. The Remote Sensing Data and Their Characteristics遥感数据类型 Landsat 8 MODIS Calibrated
Reflectance产品轨道号 124/36 空间分辨率/m 30(OLI)
100(TIRS)250 (第2波段)
1 000(第19波段)成像时间 2014-05-22 11:00 2014-05-22 10:30 Landsat8 OLI数据的预处理包括辐射定标、大气校正和几何校正等。首先对Landsat 8 OLI数据的4、5波段进行辐射定标(定标系数来源于影像头文件)，将数字值转换为表观辐射亮度；再对其进行大气校正，得到地表反射率；然后对MODIS数据进行几何校正和重投影等预处理，采用的投影方式为UTM，坐标系为WGS-84；最后将所有图像重采样至Landsat 8数据分辨率大小(30 m)。
同时，为开展地表温度遥感反演及其精度验证，我们采集了研究区地表温度观测数据。地表温度测定采用了集成热电偶的无线传感器网络(WSN)设备，以同步获取不同测定点、不同地物类型的表面温度，对于裸土和水泥地面测温，直接将WSN设备放置在裸土和水泥地面上方，紧贴地表；对于稀疏植被测温，将WSN设备捆绑在植被叶片上，紧贴植被叶片表层。该WSN设备的测温范围为-50℃~+350℃，频率为1次/min。依据研究区主要下垫面类型，共设定了15个观测点，编号为1、2、3、4、5、6、7、8、9、10、11、35、45、56和75，各测点的空间分布如图 1所示。其中，测点1、2、3、4、5、6、7、8下垫面为裸土，并在空间格局上布设为4×2阵列结构；9、10和11下垫面为水泥地面；测点35、45、56和75下垫面为稀疏植被。
1.2 TIRS接收到的热红外辐射能量
地表热辐射传输方程是遥感反演地表温度的基础。Landsat 8卫星TIRS接收到的辐射通量主要包括地表热辐射、大气上行热辐射以及大气下行热辐射被地表反射回传感器部分：
$$ {L_{{\rm{sen}}}}\left( {{T_{10}}} \right) = \tau \varepsilon L\left( {{T_s}} \right) + \tau \left( {1 - \varepsilon } \right){L_a} \downarrow + {L_a} \uparrow $$ (1) 式中，T10、Ts分别代表TIRS 10亮温和地表温度(K)；Lsen(T10)为亮温为T10时传感器接收到的辐射能量(W×m-2×sr-1×μm-1)；L(Ts)为地表温度为Ts时的黑体辐射能量(W×m-2×sr-1×μm-1)；τ为大气透过率(无量纲)；ε代表地表发射率(无量纲)；La↓为大气下行辐射(W×m-2×sr-1×μm-1)；La↑为大气上行辐射(W×m-2×sr-1×μm-1)。
通过数学积分简化，La↑和La↓可近似为[9]：
$$ \left\{ \begin{array}{l} {L_a} \uparrow \approx \left( {1 - \tau } \right)L\left( {{T_a}} \right)\\ {L_a} \downarrow \approx \left( {1 - \tau } \right)L\left( {{T_a} \downarrow } \right) \end{array} \right. $$ (2) 式中，Ta和Ta↓分别表示大气向上和向下的平均作用温度(K)；L(Ta)为大气温度为Ta时的大气向上辐射能量；L(Ta↓)为大气温度为Ta↓时的大气向下辐射能量。研究表明, 用Ta代替Ta↓对求解地表温度产生的影响可以忽略不计，则L(Ta)可以代替L(Ta↓)进行计算[9]。
将式(2) 代入式(1)，则Landsat 8 TIRS 10接收到的辐射能量可简化为：
$$ \begin{array}{*{20}{c}} {{L_{{\rm{sen}}}}\left( {{T_{10}}} \right) = {\tau _{10}}{\varepsilon _{10}}L\left( {{T_s}} \right) + \left( {1 - {\tau _{10}}} \right) \times }\\ {\left[ {1 + \left( {1 - {\varepsilon _{10}}} \right){\tau _{10}}} \right]L\left( {{T_a}} \right)} \end{array} $$ (3) 式中，τ10为TIRS 10的大气透过率；ε10为TIRS 10的地表发射率。
1.3 地表和大气的热红外辐射能量
根据普朗克黑体辐射理论，物体的辐射能量与温度和波长的关系为：
$$ \begin{array}{*{20}{c}} {L\left( {{T_j}} \right) = 2h{c^2}/\left[ {\lambda _{10}^5 \times \left( {{{\rm{e}}^{hc/{\lambda _{10}}k{T_j}}} - 1} \right)} \right] = }\\ {{K_1}/\left( {{{\rm{e}}^{{K_2}/{T_j}}} - 1} \right)} \end{array} $$ (4) 式中，L(Tj)为温度为Tj时的辐射能量；当j=10时，Tj代表TIRS 10的亮温(K)；当j=s时，Tj代表地表温度(K)；当j=a时，Tj代表大气平均作用温度(K)；h为普朗克常数(h=6.626 1×10－34 J×s)；c为真空中的光速(c=2.997 9×108 m×s-1)；k为玻尔兹曼常数(k=1.380 6×10－23 J×K-1)；K1、K2为公式简化后常数，分别为774.89(W×m-2×sr-1×μm-1)和1 321.08(K)。
式(4) 可展开为：
$$ \begin{array}{*{20}{c}} {L\left( {{T_j}} \right) = L\left( T \right) + \left( {{T_j} - T} \right)\partial L\left( T \right)/\partial T + \delta = }\\ {\left( {Q + {T_j} - T} \right)\partial L\left( T \right)/\partial T} \end{array} $$ (5) 式中，Q=[L(T)+δ]/[əL(T)/əT]; L(Tj)和L(T)分别为在温度为Tj和T时的辐射能量；Q为温度参数(K)；T为某一固定的温度(K)；δ为一阶泰勒展开的余项；əL(T)/əT为辐射函数对温度T求偏导。
通常情况下，由于存在Ta < T10 < Ts关系，该T可以设置为T10[9]。展开温度参数的表达式[L(T)+δ]/[əL(T)/əT]，有：
$$ Q = T_{10}^2\left( {{{\rm{e}}^{{K_2}/{T_{10}}}} - 1} \right)/\left( {{K_2}{{\rm{e}}^{{K_2}/{T_{10}}}}} \right) + \Delta Q $$ (6) 式中，ΔQ为泰勒展开余项δ带来的温度参数增量。
1.4 针对Landsat 8 TIRS 10单窗算法
当亮温T10较低时，式(6) 可近似为T102/K2，将其和式(5) 代入式(3)，可推导出针对Landsat 8 TIRS 10数据的单窗算法(TIRS10_SC)：
$$ \begin{array}{*{20}{c}} {{T_s} = \left[ {{K_2}\left( {C + D} \right){T_{10}} + } \right.}\\ {\left. {\left( {1 - C - D} \right)T_{10}^2 - {K_2}D{T_a}} \right]/{K_2}C} \end{array} $$ (7) 式中，C=ε10τ10; D=(1－τ10)[1+(1－ε10)τ10]; T10为TIRS 10的亮温(K)；Ta为大气平均作用温度。
除了上述TIRS10_SC算法之外，本文还利用JM_SC算法和Q_SC算法开展研究区地表温度反演研究，并分析对比三者之间的差异。JM_SC算法和Q_SC算法的地表温度基本原理和公式参见文献[8-9]。
1.5 技术路线
本文采用TIRS10_SC、Q_SC和JM_SC算法，利用Landsat 8 TIRS数据反演地表温度，根据各参量的量化需求，制定了以下地表温度反演的技术路线，如图 2所示。
从图 2可以看出，3种应用于Landsat 8 TIRS数据的反演算法的技术流程如下：
1) JM_SC算法。根据Landsat 8 TIRS光谱响应函数，确定c1、c2常数；利用Landsat 8 OLI数据估算地表发射率ε10；利用MODIS数据估算大气水汽含量w10，然后利用大气水汽含量计算变量φ1、φ2、φ3。
2) TIRS10_SC算法。利用MODIS数据估算大气水汽含量和大气透过率τ10；利用Landsat 8 OLI数据估算地表发射率ε10；然后，利用ε10和τ10值计算C、D中间变量；可以利用温度观测数据估算大气平均作用温度Ta[10]，公式为Ta=16.011+0.926 21T0，其中T0为近地面气温。
3) Q_SC算法。根据Landsat 8 TIRS光谱响应函数，确定a、b常数；其他参数确定方法和TIRS10_SC算法相同。
从上述技术流程可以看出，利用MODIS数据估算大气水汽含量和大气透过率τ10，利用Landsat 8 OLI数据估算地表发射率ε10是3种算法的共性问题，所采取的方法如下。
(1) 估算大气透过率值τ10。本文运用MODTRAN模拟了不同的大气状况下τ10和w之间的关系，建立τ10和w之间的模型，然后通过大气水汽含量估算大气透过率[11], 其中w由0.4 g/cm2增加到6 g/cm2，步长为0.2(图 3)。
![]()
图 3 TIRS第10波段大气透过率随大气水汽含量的变化Figure 3. The Variation of Atmospheric Transmittance with Atmospheric Water Vapor Content for TIRS Band 10为了获得更加精确的拟合关系，将大气水汽含量的范围分为两段进行拟合，结果如表 2。
表 2 TIRS第10波段大气水汽含量与大气透过率关系式的拟合结果Table 2. The Piecewise Relationships of Atmospheric Transmittance and Atmospheric WaterVapor Content for Band 10大气水汽含量范
围/(g·cm-2)拟合方程 R2 RMSE 0.4~3.0 τ10=－0.017 7w2－0.043 5w+0.934 0.999 9 0.000 5 3.0~6.0 τ10=0.017 6w2－0.280 4w+1.337 4 0.997 2 0.004 4 选择和Landsat卫星过境时间大致相同的MODIS遥感数据，采用通道比值法估算大气水汽含量值[12]。通道比值法可以消除地表反射率随波长变化对大气透过率产生的影响，能够提高大气水汽含量的反演精度[12]：
$$ w = {\left\{ {\alpha - \ln \left[ {\rho \left( {19} \right)/\rho \left( 2 \right)\beta } \right]} \right\}^2} $$ (8) 式中，w为大气水汽含量(g/cm2)；ρ(19) 和ρ(2) 分别表示MODIS数据第19波段和第2波段的表观反射率；α和β为常数，针对不同的地表类型有不同的取值。本文采用混合型地表的参数α=0.02，β=0.651[12]。
(2) 估算地表发射率值ε10
采用基于图像分类的计算方法估算地表发射率[13]。参照他人研究成果将建筑物表面、植被、裸土等纯净像元的地表发射率分别设为0.965、0.987和0.968[14]。运用监督分类将其分为城镇地表(包括道路、建筑物等)、自然地表(包括林地、耕地等)和裸土3类。城镇地表和自然地表的地表发射率可表示为[13]：
$$ \left\{ \begin{array}{l} \varepsilon = {P_v}{R_v}{\varepsilon _v} + \left( {1 - {P_v}} \right){R_m}{\varepsilon _m} + {\rm{d\varepsilon }}\left( {城镇地表} \right)\\ \varepsilon = {P_v}{R_v}{\varepsilon _v} + \left( {1 - {P_v}} \right){R_s}{\varepsilon _s} + {\rm{d\varepsilon }}\left( {自然地表} \right) \end{array} \right. $$ (9) 式中，εm、εv和εs分别代表建筑物表面、植被和裸土纯净像元的地表发射率；Pv为植被覆盖度；Rv、Rm和Rs分别代表建筑物表面、植被和裸土的温度比率；dε为调节参数，可根据植被的构成比例求得[15]：
$$ \left\{ \begin{array}{l} {\rm{d\varepsilon }} = 0.0038{P_v},\;{P_v} \le 0.5\\ {\rm{d\varepsilon = 0}}{\rm{.0038}}\left( {1 - {P_v}} \right),{P_v} > 0.5 \end{array} \right. $$ (10) 植被覆盖度可采用基于NDVI的像元二分模型来估算[16]：
$$ {P_v} = {\left( {\frac{{{\rm{NDVI}} - {\rm{NDV}}{{\rm{I}}_s}}}{{{\rm{NDV}}{{\rm{I}}_v} - {\rm{NDV}}{{\rm{I}}_s}}}} \right)^2} $$ (11) 式中，NDVIs为裸露土壤的NDVI值；NDVIv为全植被覆盖区的NDVI值。
根据研究区实际植被覆盖状况，本文将NDVIs设为0.14，NDVIv设为0.5。当图像像元的NDVI>NDVIv时，则代表全植被覆盖，Pv=1；当图像像元的NDVI < NDVIs时，则代表裸土，Pv= 0。图像像元的NDVI、值通过Landsat 8 OLI数据第4、5波段数据求得。
植被、建筑物和裸土的温度比率由式(12) 估算[13]：
$$ \left\{ \begin{array}{l} {R_v} = 0.9332 + 0.0585{P_v}\\ {R_m} = 0.9886 + 0.1287{P_v}\\ {R_s} = 0.9902 + 0.1068{P_v} \end{array} \right. $$ (12) 2 数据处理与结果分析
2.1 大气透过率处理结果
利用式(11) 估算得到研究区卫星过境时刻大气水汽含量约为2.78~2.82 g/cm2左右。再结合MODTRAN模拟得到的估算方程τ10=－0.017 7w2－0.043 5w+0.934 7，计算得到研究区大气透过率为0.66~0.68左右。
2.2 地表发射率处理结果
根据公式求得地表发射率如图 4所示，位于0.963~0.985之间，裸土和水泥下垫面区地表发射率较低，多数都小于0.972；耕地以及稀疏植被区由于植被叶冠密度不同而产生地表发射率的差异，叶冠密度较大时地表发射率可高达0.980~0.985，基本上都大于0.972。
2.3 地表温度反演结果及其精度验证
根据大气透过率和地表发射率的估算结果，采用3种算法对研究区的地表温度进行反演，结果如图 5所示。从图 5中颜色分布可以看出研究区下垫面温度空间差异明显，3种反演算法得到的地表温度结果总体趋势比较接近，Q_SC算法所得最高温度为32.25℃位于裸土下垫面区，最低温度为21.33 ℃位于耕地下垫面区；TIRS10_SC算法所得最高温度为32.26 ℃，最低温度为21.34 ℃；JM_SC算法所得最高温度为32.65 ℃，最低温度为22.64 ℃。
![]()
图 5 地表温度反演结果及地面测点位置图Figure 5. The Retrieval Result of Land Surface Temperature and the Location of Observation Sites本文使用实测数据对3种模型反演的地表温度进行精度分析，虽然地面点的实测数据不能完全代表像元尺度的地表温度，但可以作为反演结果精度验证的间接指标，验证结果及对比分析如表 3和图 6所示。
表 3 反演结果精度验证Table 3. Comparison Between the Retrieval Results and Measured Values下垫面
类型地面观测
点编号地表测定
温度/(℃)地表反演温度/(℃) 误差(反演温度-测定温度)/(℃) JM_SC TIRS10_SC Q_SC JM_SC TIRS10_SC Q_SC 1 30.56 31.84 31.36 31.37 1.28 0.8 0.81 2 30.55 32.11 31.67 31.66 1.56 1.12 1.11 3 31.43 32.11 31.67 31.66 0.68 0.24 0.23 裸土 4 30.81 31.66 31.20 31.19 0.85 0.39 0.39 5 30.59 31.84 31.38 31.37 1.25 0.79 0.78 6 31.16 32.11 31.67 31.66 0.95 0.51 0.50 7 31.12 32.11 31.67 31.66 0.99 0.55 0.54 8 31.10 32.26 31.83 31.82 1.16 0.73 0.72 9 30.71 31.25 30.73 30.72 0.54 0.02 0.01 水泥地面 10 31.07 31.25 30.73 30.72 0.18 -0.34 -0.35 11 29.62 31.30 30.78 30.77 1.68 1.16 1.15 35 27.42 28.09 27.24 27.23 0.67 -0.18 -0.19 稀疏植被 45 28.79 30.19 29.53 29.52 1.4 0.74 0.73 56 29.56 28.61 27.80 27.79 -0.95 -1.76 -1.77 75 29.18 27.15 25.96 25.95 -2.03 -3.22 -3.23 ![]()
图 6 反演温度与实测温度对比Figure 6. Comparison Between the Retrieval Results and Measured Values由图 6和表 3可以看出，3种算法的地表温度反演结果和实测温度均具有较好的相关性；对于大多数实测点来说，Q_SC算法和TIRS10_SC算法的精度都要高于JM_SC算法；Q_SC算法和TIRS10_SC算法精度，两者差别不大；Q_SC算法最小误差为0.01 ℃，总体平均误差为0.83 ℃；TIRS10_SC算法最小误差为0.02 ℃，总体平均误差为0.84；JM_SC算法最小误差为0.18 ℃，总体平均误差为1.08 ℃。
为了进一步对3种反演算法进行对比分析，将3种算法应用于不同土地覆被类型温度反演，其结果的箱式统计图如图 7所示。可以看出对于不同的土地覆被类型来说，TIRS10_SC算法与Q_SC算法的差异并不明显，总体平均差值为0.007 ℃，而JM_SC算法的反演值比两者高，与TIRS10_SC算法的最大差值为1.308 ℃，平均差值为0.766 ℃；与Q_SC算法的最大差值为1.313 ℃，平均差值为0.773 ℃。
![]()
图 7 3种算法不同地表覆被类型反演结果箱式统计图Figure 7. The Box Plot of Three Algorithms for Different Landcover Types总体来说，3种地表温度反演结果与实测温度较为一致，但是个别值(实测点75) 与实测温度存在较大的误差，可能由以下两个原因造成：① 稀疏植被下垫面的地表温度误差较大是由于其实测点周边地物类型比较复杂，分布不均，在遥感影像上对应为混合像元；地表发射率是根据地物类型赋予的经验值，虽然结合了简单的混合像元分解，但是没有对研究区不同地物类型的实际发射率进行测量统计，会带来一定的误差；② 大气水汽含量由MODIS数据反演得到，可能与实际大气水汽含量相比存在一定误差，从而给大气透过率以及JM_SC算法中相关参数的估算带来误差，因而JM_SC算法对大气水汽含量值更加敏感。
3 结语
本文基于热辐射传输方程，根据Landsat 8 TIRS传感器的特性提出了针对TIRS 10数据的单窗算法；然后，以Landsat 8数据为基本数据源结合MODIS数据，利用TIRS10_SC、JM_SC和Q_SC等3种单窗算法完成了研究区地表温度遥感反演，并对比分析了反演值与地表温度实测值。
1) 本文提出的单窗算法TIRS10_SC紧密结合Landsat 8 TIRS传感器的特性，结合遥感估算的地表发射率、大气透过率等特征，可较为准确地估算出不同地表覆被类型的温度。
2) 3种算法的地表温度反演结果和实测温度均具有较好的相关性。通过对3种单窗算法反演结果的对比发现，Q_SC算法和TIRS10_SC算法的反演精度要高于JM_SC算法。其中，Q_SC算法最小误差为0.01 ℃，总体平均误差为0.83 ℃；TIRS10_SC算法最小误差为0.02 ℃，总体平均误差为0.84；JM_SC算法最小误差为0.18 ℃，总体平均误差为1.08 ℃。
3) 裸土与水泥下垫面等相对均质的下垫面的温度反演效果稍好，TIRS10_SC算法和Q_SC算法其平均误差为0.60 ℃，JM_SC算法其平均误差为1.01 ℃；对于植被下垫面，TIRS10_SC算法和Q_SC算法其平均误差为1.48 ℃，JM_SC算法其平均误差为1.26 ℃。为了提升植被下垫面温度反演精度，应该进一步准确地量化其发射率特性。
本文仅探讨了单窗算法反演地表温度，结合Landsat 8 TIRS数据的特性，利用劈窗算法开展地表温度反演算法研究是今后需要继续研究的方向。
-
[1] CHEN Zhongxin, REN Jianqiang, TANG Huajun, et al. Progress and perspectives on agricultural remote sensing research and applications in China.[J]. Journal of Remote Sensing,2016,20(5):748-767.(陈仲新,任建强,唐华俊,等.农业遥感研究应用进展与展望[J].遥感学报, 2016, 20(5):748-767.) [2] WU Bingfang, ZHANG Miao, ZENG Hongwei, et al. Agricultural monitoring and early warning in the era of big data.[J]. Journal of Remote Sensing,2016,20(5):1027-1037.(吴炳方,张淼,曾红伟,等.大数据时代的农情监测与预警[J].遥感学报, 2016, 20(5):1027-1037.) [3] ZHOU Y N, LUO J, FENG L, et al. Long-short-term-memory-based crop classification using high-resolution optical images and multi-temporal SAR data[J]. GIScience&Remote Sensing, 2019, 56(8):1170-91.
[4] DONG Jinwei, WU Wenbin, HUANG Jianxi, et al. State of the Art and Perspective of Agricultural Land Use Remote Sensing Information Extraction[J]. Journal of Geo-information Science, 2020, 22(4):772-783.(董金玮,吴文斌,黄健熙,等.农业土地利用遥感信息提取的研究进展与展望[J].地球信息科学学报, 2020, 22(4):772-783.) [5] RUßWURM M, KöRNER M. Self-attention for raw optical satellite time series classification[J]. ISPRS journal of photogrammetry and remote sensing, 2020, 169:421-35.
[6] WU Zhifeng, LUO Jiancheng, SUN Yingwei, et al. Research on Precision Agricultural based on the Spatial-temporal Remote Sensing Collaboration[J].Journal of Geo-information Science, 2020, 22(4):731-742.(吴志峰,骆剑承,孙营伟,等.时空协同的精准农业遥感研究[J].地球信息科学学报, 2020, 22(4):731-742.) [7] QIAN Lisha, JIANG Hao, CHEN Shuisen, et al. Extracting field-scale crop distribution in Lingnan using spatiotemporal filtering of Sentinel-1 time-series data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2022,38(5):158-166.(钱丽沙,姜浩,陈水森,等.基于时空滤波Sentinel-1时序数据的田块尺度岭南作物分布提取[J].农业工程学报, 2022,(5):158-166.) [8] ZHANG X, ZHOU Y N, LUO J. Deep learning for processing and analysis of remote sensing big data:A technical review[J]. Big Earth Data, 2021:1-34.
[9] CAI Y, GUAN K, PENG J, et al. A high-performance and in-season classification system of field-level crop types using timeseries Landsat data and a machine learning approach[J]. Remote sensing of environment, 2018, 210:35-47.
[10] GARIOUD A, VALERO S, GIORDANO S, et al. Recurrent-based regression of Sentinel time series for continuous vegetation monitoring[J]. Remote Sensing of Environment, 2021, 263:112419.
[11] ZHOU Y N, WANG S, WU T, et al. For-backward LSTM-based missing data reconstruction for time-series Landsat images[J]. GIScience&Remote Sensing, 2022, 59(1):410-30.
[12] WANG S, ZHOU Y N, YANG X, et al. BSNet:Boundary-semantic-fusion network for farmland parcel mapping in highresolution satellite images[J]. Computers and Electronics in Agriculture, 2023, 206:107683.
[13] ZHOU Y N, LUO J, FENG L, et al. DCN-based spatial features for improving parcel-based crop classification using highresolution optical images and multi-temporal SAR data[J]. Remote Sensing, 2019, 11(13):1619.
[14] ZHOU Y, LI J, FENG L, et al. Adaptive Scale Selection for Multiscale Segmentation of Satellite Images[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017, 10(8):3641-51.
[15] LI Qianjing, LIU Jun, MI Xiaofei, et al. Object-oriented crop classification for GF-6 WFV remote sensing images based on Convolutional Neural Network[J]. National Remote Sensing Bulletin. 2021, 25(2):549-558.(李前景,刘珺,米晓飞,等.面向对象与卷积神经网络模型的GF-6 WFV影像作物分类[J].遥感学报, 2021, 25(2):549-558.) [16] LUO Jiancheng, WU Tianjun, WU Zhifeng, et al. Methods of Intelligent Computation and Pattern Mining based on Geoparcels[J].Journal of Geo-information Science, 2020, 22(1):57-75.(骆剑承,吴田军,吴志峰,等.地理图斑智能计算及模式挖掘方法研究[J].地球信息科学学报, 2020, 22(1):57-75.) [17] XU L, MING D, ZHOU W, et al. Farmland extraction from high spatial resolution remote sensing images based on stratified scale pre-estimation[J]. Remote Sensing, 2019, 11(2):108.
[18] GONG Jianya. Chances and Challenges for Development of Surveying and Remote Sensing in the Age of Artificial Intelligence[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12):1788-1796.(龚健雅.人工智能时代测绘遥感技术的发展机遇与挑战[J].武汉大学学报(信息科学版), 2018, 43(12):1788-1796.) [19] LUO Jiancheng, WU Tianjun, XIA Liegang. The Theory and Calculation of Spatial-spectral Cognition of Remote Sensing[J]. Journal of Geo-information Science, 2016, 18(5):578-589.(骆剑承,吴田军,夏列钢.遥感图谱认知理论与计算[J].地球信息科学学报, 2016, 18(5):578-589.) [20] ZHANG Bing. Remotely Sensed Big Data Era and Intelligent Information Extraction[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12):1861-1871.(张兵.遥感大数据时代与智能信息提取[J].武汉大学学报(信息科学版), 2018, 43(12):1861-1871.) [21] YANG L, HUANG R, HUANG J, et al. Semantic segmentation based on temporal features:Learning of temporal-spatial information from time-series SAR images for paddy rice mapping[J]. IEEE Transactions on Geoscience and Remote Sensing, 2021, 60:1-16.
[22] WEI P, CHAI D, LIN T, et al. Large-scale rice mapping under different years based on time-series Sentinel-1 images using deep semantic segmentation model[J]. ISPRS journal of photogrammetry and remote sensing, 2021, 174:198-214.
[23] HAN Yanxin, MENG Jihua. A review of per-field crop classification using remote sensing[J]. Remote Sensing for Land&Resources, 2019, 31(2):1-9.(韩衍欣,蒙继华.面向地块的农作物遥感分类研究进展[J].自然资源遥感, 2019, 31(2):1-9.) [24] YANG Yingpin, WU Zhifeng, LUO Jiancheng, et al. Parcel-based crop distribution extraction using the spatiotemporal collaboration of remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2021,37(7):166-174.(杨颖频,吴志峰,骆剑承,等.时空协同的地块尺度作物分布遥感提取[J].农业工程学报, 2021, 37(7):166-174.) [25] SUN Y, LI Z-L, LUO J, et al. Farmland parcel-based crop classification in cloudy/rainy mountains using Sentinel-1 and Sentinel-2 based deep learning[J]. International Journal of Remote Sensing, 2022, 43(3):1054-73.
[26] ZHANG Qiankun, MENG Jihua, REN Chao. Crop classification based on two-dimensional representation and CNN model from remote sensing[J]. National Remote Sensing Bulletin, 2022, 26(7):1437-1449.(张乾坤,蒙继华,任超.构建地块二维表征及CNN模型的作物遥感分类[J].遥感学报, 2022, 26(7):1437-1449.) [27] RUßWURM M, PELLETIER C, ZOLLNER M, et al. Breizhcrops:A time series dataset for crop type mapping. ISPRS[J]. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2020, 43:B2-2020.
[28] SONG C, WOODCOCK C E, SETO K C, et al. Classification and change detection using Landsat TM data:when and how to correct atmospheric effects?[J]. Remote sensing of Environment, 2001, 75(2):230-44.
[29] QIU Z, YAO T, MEI T. Learning spatio-temporal representation with pseudo-3d residual networks; proceedings of the proceedings of the IEEE International Conference on Computer Vision, F, 2017[C].
[30] HARA K, KATAOKA H, SATOH Y. Can spatiotemporal 3d cnns retrace the history of 2d cnns and imagenet?; proceedings of the Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, F, 2018[C].
[31] DAI F, LIU H, MA Y, et al. Dense scale network for crowd counting; proceedings of the Proceedings of the 2021 international conference on multimedia retrieval, F, 2021[C].
[32] BAI S, KOLTER J Z, KOLTUN V. An empirical evaluation of generic convolutional and recurrent networks for sequence modeling[J]. arXiv preprint arXiv:180301271, 2018.
[33] LIN T-Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection; proceedings of the Proceedings of the IEEE international conference on computer vision, F, 2017[C].
-
期刊类型引用(4)
1. 李精忠，高阿骥，陈凯，张勇. 一种面向DEM多尺度表达的傅里叶能量谱模型. 武汉大学学报(信息科学版). 2022(11): 1938-1945 . 
百度学术
2. 刘凤梅，黎义勇，肖攀，曾敏. 基于DEM的珠江三角洲地区水文特征模拟与分析. 现代测绘. 2021(01): 31-34 . 百度学术
3. 王荣，闫浩文，王中辉. 等高线自动综合研究热点及趋势可视化分析. 测绘科学. 2021(10): 167-176+193 . 百度学术
4. 何振芳，郭庆春，赵牡丹，刘加珍，张菊，李雪飞，梁志萌. 基于小波分析的复杂地貌区DEM自动综合研究. 地理与地理信息科学. 2019(04): 57-63 . 百度学术
其他类型引用(3)
下载:
计量
- 文章访问数: 534
- HTML全文浏览量: 74
- PDF下载量: 92
- 被引次数: 7
