Remote Sensing

Việc ước tính sinh khối trên cỏ một cách chính xác và nhanh chóng là một vấn đề khoa học quan trọng trong nghiên cứu hệ sinh thái đất cỏ. Trong nghiên cứu này, dựa trên một cuộc khảo sát thực địa tại 1205 địa điểm cùng với dữ liệu sinh khối của đất cỏ Xilingol trong các năm 2005–2012 và dữ liệu năng suất "tích lũy" của MODIS bắt đầu từ đầu mùa sinh trưởng, chúng tôi đã xây dựng các mô hình hồi quy để ước tính sinh khối trên mặt đất của đất cỏ Xilingol trong mùa sinh trưởng, sau đó phân tích điều kiện tổng thể của đất cỏ cùng với sự phân bố không gian và thời gian của sinh khối này. Các kết quả được tóm tắt như sau: (1) Mô hình tuyến tính đồng nhất dựa trên dữ liệu khảo sát thực địa và dữ liệu năng suất “tích lũy” của MODIS là mô hình tối ưu để ước tính sinh khối trên mặt đất của đất cỏ Xilingol trong thời kỳ sinh trưởng, với độ chính xác của mô hình đạt 69%; (2) Sinh khối trung bình trên mặt đất của đất cỏ Xilingol trong các năm 2005–2012 được ước tính là 14.35 Tg, và mật độ sinh khối trung bình trên mặt đất được ước tính là 71.32 g∙m−2; (3) Sự thay đổi tổng thể của sinh khối trên mặt đất cho thấy xu hướng giảm dần từ đồng cỏ phía đông sang đồng cỏ sa mạc phía tây; (4) Có sự dao động rõ rệt trong sinh khối trên mặt đất của đất cỏ Xilingol trong các năm 2005–2012, dao động từ 10.56 đến 17.54 Tg. Thêm vào đó, một số sự khác biệt trong thay đổi sinh khối qua các năm được quan sát thấy giữa các loại đất cỏ khác nhau. Các biến động lớn xảy ra ở đồng cỏ trung ôn và đất cỏ điển hình; trong khi đó có ít thay đổi ở đồng cỏ sa mạc trung ôn và đồng cỏ sa mạc trung ôn.

Agriculture provides for the most basic needs of humankind: food and fiber. The introduction of new farming techniques in the past century (e.g., during the Green Revolution) has helped agriculture keep pace with growing demands for food and other agricultural products. However, further increases in food demand, a growing population, and rising income levels are likely to put additional strain on natural resources. With growing recognition of the negative impacts of agriculture on the environment, new techniques and approaches should be able to meet future food demands while maintaining or reducing the environmental footprint of agriculture. Emerging technologies, such as geospatial technologies, Internet of Things (IoT), Big Data analysis, and artificial intelligence (AI), could be utilized to make informed management decisions aimed to increase crop production. Precision agriculture (PA) entails the application of a suite of such technologies to optimize agricultural inputs to increase agricultural production and reduce input losses. Use of remote sensing technologies for PA has increased rapidly during the past few decades. The unprecedented availability of high resolution (spatial, spectral and temporal) satellite images has promoted the use of remote sensing in many PA applications, including crop monitoring, irrigation management, nutrient application, disease and pest management, and yield prediction. In this paper, we provide an overview of remote sensing systems, techniques, and vegetation indices along with their recent (2015–2020) applications in PA. Remote-sensing-based PA technologies such as variable fertilizer rate application technology in Green Seeker and Crop Circle have already been incorporated in commercial agriculture. Use of unmanned aerial vehicles (UAVs) has increased tremendously during the last decade due to their cost-effectiveness and flexibility in obtaining the high-resolution (cm-scale) images needed for PA applications. At the same time, the availability of a large amount of satellite data has prompted researchers to explore advanced data storage and processing techniques such as cloud computing and machine learning. Given the complexity of image processing and the amount of technical knowledge and expertise needed, it is critical to explore and develop a simple yet reliable workflow for the real-time application of remote sensing in PA. Development of accurate yet easy to use, user-friendly systems is likely to result in broader adoption of remote sensing technologies in commercial and non-commercial PA applications.

3D semantic labeling is a fundamental task in airborne laser scanning (ALS) point clouds processing. The complexity of observed scenes and the irregularity of point distributions make this task quite challenging. Existing methods rely on a large number of features for the LiDAR points and the interaction of neighboring points, but cannot exploit the potential of them. In this paper, a convolutional neural network (CNN) based method that extracts the high-level representation of features is used. A point-based feature image-generation method is proposed that transforms the 3D neighborhood features of a point into a 2D image. First, for each point in the ALS data, the local geometric features, global geometric features and full-waveform features of its neighboring points within a window are extracted and transformed into an image. Then, the feature images are treated as the input of a CNN model for a 3D semantic labeling task. Finally, to allow performance comparisons with existing approaches, we evaluate our framework on the publicly available datasets provided by the International Society for Photogrammetry and Remote Sensing Working Groups II/4 (ISPRS WG II/4) benchmark tests on 3D labeling. The experiment results achieve 82.3% overall accuracy, which is the best among all considered methods.

Airborne laser scanning (ALS) point cloud data are suitable for digital terrain model (DTM) extraction given its high accuracy in elevation. Existing filtering algorithms that eliminate non-ground points mostly depend on terrain feature assumptions or representations; these assumptions result in errors when the scene is complex. This paper proposes a new method for ground point extraction based on deep learning using deep convolutional neural networks (CNN). For every point with spatial context, the neighboring points within a window are extracted and transformed into an image. Then, the classification of a point can be treated as the classification of an image; the point-to-image transformation is carefully crafted by considering the height information in the neighborhood area. After being trained on approximately 17 million labeled ALS points, the deep CNN model can learn how a human operator recognizes a point as a ground point or not. The model performs better than typical existing algorithms in terms of error rate, indicating the significant potential of deep-learning-based methods in feature extraction from a point cloud.

The urban heat island (UHI) effect has been recognized as one of the most significant terrestrial surface climate-related consequences of urbanization. However, the traditional definition of the urban–rural (UR) division and the newly established local climate zone (LCZ) classification for UHI and urban climate studies do not adequately express the pattern and intensity of UHI. Moreover, these definitions of UHI find it hard to capture the human activity-induced anthropogenic heat that is highly correlated with urban functional zones (UFZ). Therefore, in this study, with a comparison (theory, technology, and application) of the previous definition (UR and LCZ) of UHI and integration of computer programming technology, social sensing, and remote sensing, we develop a new urban functional zone-based urban temperature zoning system (UFZC). The UFZC system is generally a social-based, planning-oriented, and data-driven classification system associated with the urban function and temperature; it can also be effectively used in city management (e.g., urban planning and energy saving). Moreover, in the Beijing case, we tested the UFZC system and preliminarily analyzed the land surface temperature (LST) difference patterns and causes of the 11 UFZC types. We found that, compared to other UFZCs, the PGZ (perseveration green zone)-UFZC has the lowest LST, while the CBZ (center business district zone)-UFZC and GCZ (general commercial zone)-UFZC contribute the most and stable heat sources. This implies that reducing the heat generated by the function of commercial (and industrial) activities is an effective measure to reduce the UHI effect. We also proposed that multi-source temperature datasets with a high spatiotemporal resolution are needed to obtain more accurate results; thus providing more accurate recommendations for mitigating UHI effects. In short, as a new and finer urban temperature zoning system, although UFZC is not intended to supplant the UR and LCZ classifications, it can facilitate more detailed and coupled urban climate studies.

Cảm biến từ xa không người lái (UAV) có tiềm năng lớn trong việc lập bản đồ thực vật ở các cảnh quan đô thị phức tạp nhờ vào hình ảnh phân giải cực cao được thu thập ở độ cao thấp. Do hạn chế về khả năng tải trọng, các máy ảnh kỹ thuật số sẵn có thường được sử dụng trên UAV cỡ vừa và nhỏ. Hạn chế về độ phân giải phổ thấp trong các máy ảnh kỹ thuật số để lập bản đồ thực vật có thể được giảm thiểu bằng cách kết hợp các đặc trưng kết cấu và các bộ phân loại mạnh mẽ. Rừng Ngẫu Nhiên đã được sử dụng rộng rãi trong các ứng dụng cảm biến từ xa vệ tinh, nhưng việc sử dụng nó trong phân loại hình ảnh UAV chưa được tài liệu ghi chép đầy đủ. Mục tiêu của bài báo này là đề xuất một phương pháp lai sử dụng Rừng Ngẫu Nhiên và phân tích kết cấu để phân biệt chính xác các lớp đất che phủ của các khu vực thực vật đô thị, và phân tích cách độ chính xác phân loại thay đổi với kích thước cửa sổ kết cấu. Sáu phép đo kết cấu bậc hai có tương quan thấp nhất đã được tính toán ở chín kích thước cửa sổ khác nhau và được thêm vào các hình ảnh RGB (Đỏ-Xanh lá-Xanh dương) gốc như dữ liệu bổ sung. Một bộ phân loại Rừng Ngẫu Nhiên bao gồm 200 cây quyết định đã được sử dụng để phân loại trong không gian tính năng phổ-kết cấu. Kết quả cho thấy như sau: (1) Rừng Ngẫu Nhiên vượt trội hơn bộ phân loại xác suất cực đại truyền thống và cho thấy hiệu suất tương tự như phân tích hình ảnh dựa trên đối tượng trong phân loại thực vật đô thị; (2) việc đưa vào các đặc trưng kết cấu đã cải thiện đáng kể độ chính xác phân loại; (3) độ chính xác phân loại có mối quan hệ hình chữ U đảo ngược với kích thước cửa sổ kết cấu. Các kết quả chứng minh rằng UAV cung cấp một nền tảng hiệu quả và lý tưởng cho việc lập bản đồ thực vật đô thị. Phương pháp lai được đề xuất trong bài báo này cho thấy hiệu suất tốt trong việc phân biệt bản đồ thực vật đô thị. Những nhược điểm của các máy ảnh kỹ thuật số sẵn có có thể được giảm thiểu bằng cách áp dụng Rừng Ngẫu Nhiên và phân tích kết cấu cùng một lúc.

Bài viết này xem xét các thuật toán lọc mặt đất LiDAR được sử dụng trong quá trình tạo các Mô Hình Độ Cao Kỹ Thuật Số. Chúng tôi thảo luận về các vấn đề quan trọng trong việc phát triển và ứng dụng các thuật toán lọc mặt đất LiDAR, bao gồm các quy trình lọc cho các loại đặc trưng khác nhau, và tiêu chí chọn lựa địa điểm nghiên cứu, đánh giá độ chính xác và phân loại thuật toán. Đánh giá này nhấn mạnh ba loại đặc trưng mà các thuật toán lọc mặt đất hiện tại chưa đạt yêu cầu tối ưu, và có thể được cải thiện trong các nghiên cứu tương lai: các bề mặt có địa hình gồ ghề hoặc độ dốc không liên tục, các khu rừng dày mà tia laser không thể xuyên qua, và các vùng có thực vật thấp thường bị bỏ qua bởi các bộ lọc mặt đất.