基于极化雷达和光学遥感的城市扩张短周期自动监测方法研究

Urbanization in China is undergoing rapid development. Construction land expansion has caused a rapid decline of arable land and considerable damage to the environment, threatening not only the national food supply security but also the sustainable development strategy. Optical remote sensing is affected by clouds, and radar remote sensing cannot accurately discriminate between land development for construction and land cover change caused by seasonal crop growth. Therefore, both of them have difficulties in the monitoring of rapid expansion of construction land. Furthermore, there is a general lack of methods of using remote sensing to monitor construction land expansion in a fully automatic way. This study will explore a new method for automatic short-term monitoring of construction land expansion using polarimetric SAR and optical remotely sensed images. The study consists of three main components: 1) developing an object-oriented method for the joint classification of polarimetric SAR and optical remote sensing data to achieve a high-accuracy initial land cover classification result; 2) combining transfer learning techniques with object-oriented classification methods to automatically detect land cover changes from a time series of polarimetric SAR imagery; 3) developing a crop-phenology based method to automatically distinguish between land development for construction and land cover change induced by seasonal growth of crops. This study has significant implication to the application of SAR images, classification of multi-source remotely sensed images, automatic land cover classification of remote sensing data, and is also very important for preventing and controlling the social and environmental problems induced by rapid urban expansion.

中国正处在快速城市化进程中，无序的建设用地扩张导致耕地大量减少、生态环境恶化，对国家粮食安全及可持续发展战略构成严峻挑战。光学遥感受天气限制，而雷达遥感很难区分建设活动与农作物生长导致的地表变化，因此都难以监测快速城市扩张。此外，目前遥感监测自动化程度有限，很难满足实际应用需求。本研究拟建立基于极化雷达和光学遥感的城市扩张短周期自动监测方法。研究内容包括：1）建立面向对象的雷达及光学影像联合分类方法，获取高精度初始土地覆盖分类结果；2）结合迁移学习理论及面向对象分类技术对时间序列雷达影像进行自动分类，实现对土地覆盖变化的自动监测；3）利用作物物候特征及土地覆盖时空变化模式自动区分建设活动与作物生长引起的土地覆盖变化，实现对建设用地扩张的自动识别。本项目对雷达影像信息分析、多源遥感数据分类及遥感影像自动分类具有重要学术意义，同时对预防和控制快速城市化导致的各种社会及环境问题具有重要实际意义。

中国正处在快速城市化进程中，无序的建设用地扩张导致耕地大量减少、生态环境恶化，对国家粮食安全及可持续发展战略构成严峻挑战。光学遥感受天气限制，而雷达遥感很难区分建设活动与农作物生长导致的地表变化，因此都难以监测快速城市扩张。此外，目前遥感监测自动化程度有限，很难满足实际应用需求。本项目研究目标为建立一整套基于极化雷达和光学遥感影像的城市扩张短周期自动监测方法，主要研究内容包括：1）建立面向对象的雷达及光学影像联合分类方法，获取高精度初始土地覆盖分类结果；2）结合迁移学习理论及面向对象分类技术对时间序列雷达影像进行自动分类，实现对土地覆盖变化的自动监测；3）利用作物物候特征及土地覆盖时空变化模式自动区分建设活动与作物生长引起的土地覆盖变化，实现对建设用地扩张的自动识别。项目按照既定计划实施，实现了研究目标，完成了所有研究内容，具体研究成果包括：1）耦合卷积神经网络和面向对象分析的雷达与光学遥感影像联合分类技术；2）基于变化概率的多时相极化雷达影像土地覆盖自动分类方法；3）基于作物物候知识和极化雷达遥感的每月建设用地扩张监测方法。此外，项目还研究了极化雷达频率和入射角度对土地分类结果的影响，发现了适用于提取和监测不同地物类型的最优雷达频率和入射角度；探索了多源遥感影像与社交媒体数据融合在土地利用分类中的潜力；开展了城市扩张效率的理论与实证研究。针对上述研究成果，项目已发表SCI论文6篇，培养研究生5名。上述研究成果对雷达影像信息分析、多源遥感数据分类及遥感影像自动分类具有重要学术意义，同时对预防和控制快速城市化导致的各种社会及环境问题具有重要实际意义。