基于光谱特征分异的玉米种植面积提取

玉米种植面积的准确获取是进行玉米长势监测和产量估测的前提与基础。在对Landsat-8/OLI影像进行辐射定标、大气校正、几何精校正和裁剪等预处理的基础上,基于典型地物光谱空间差异与物候特征的异同,选取具有代表性的4种植被指数[归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、绿度植被指数(GVI)]和近红外波段反射率,通过构建植被光谱特征指标阈值对不同地物进行识别和分类,最后获取玉米种植面积。结果表明,利用近红外波段反射率可以将农作物与其他地物区分开来,即当其反射率值大于0.37时,地物为农作物。对不同种类农作物识别时,选择NDVI0.86、DVI0.53、RVI13.00、GVI3 713.60作为分类阈值,可以将玉米与水稻和大豆区分,准确提取到玉米的种植面积。利用样本数据和当地农业部门提供的数据进行面积提取精度验证,总体精度为92.75%,说明基于多光谱特征指标建立分类阈值的方法可以准确提取玉米种植面积,该方法可以为江淮玉米种植区县域玉米种植面积的提取提供参考。     

HJ星和GF1号数据在水稻种植面积提取中的应用

利用中高空间分辨率遥感技术监测农作物生长已成为当今农业遥感研究的热点问题。本研究选用国产中空间分辨率卫星HJ星和高空间分辨率卫星GF1号遥感影像数据,在分别对其进行大气校正、几何校正等预处理的基础上,选用PCA、Brovey、HPF和Wavelet 4种融合方法对HJ星和GF1号遥感数据进行融合,并对其融合效果进行定性和定量评价。通过计算融合影像的RVI和NDVI,比较其光谱特征的差异性,并对筛选出的最适融合影像进行水稻种植面积的提取与精度验证。结果表明,在4种遥感融合方法中,HPF融合效果最佳,其标准差和信息熵分别为10.984 3和1.468 6,信息量丰富,与原始影像的交叉熵和相关系数分别为1.848 5和0.370 2,保真度较好,HPF融合影像RVI和NDVI分别为6.508 1和0.713 6,与实测值最为接近,近似率分别为87.71%和98.63%,利用水稻种植面积提取样方验证的精度为98.08%。说明,对HJ星和GF1号遥感影像进行HPF融合,可以增强融合影像的信息量和光谱特征,有利于县域级水稻种植面积准确提取。     

基于GF-1/WFV EVI时间序列数据的水稻种植面积提取

随着国产高分系列卫星的发射,国产高分辨率遥感影像在作物种植面积提取方面逐渐得到了应用,但目前仅有少量基于高分一号(GF-1)卫星影像归一化植被指数(Normalized Difference Vegetation Index,NDVI)进行作物分类或遥感估产的研究。本文针对NDVI指数在南方多植被覆盖区域易饱和及不敏感的缺陷,利用在NDVI基础上改进的增强型植被指数(Enhanced Vegetation Index,EVI),首次提出基于GF-1卫星16m宽覆盖影像(Wide Field of View,WFV)EVI时间序列的水稻种植面积提取方法。选取四川省乐至县为研究区域,获取覆盖整个水稻生长周期的GF-1/WFV影像数据,构建EVI时间序列,并分析水稻不同生长期的EVI曲线特征。利用时间序列谐波分析法(Harmonic Analysis of Time Series,HANTS)对EVI时间序列进行平滑处理,尽可能减少噪声影响,使EVI时间序列能够更好地反应水稻及其他植被或非植被随时间的变化规律;根据水稻和其他植被及非植被的EVI曲线特征差异构建水稻种植面积提取决策树模型,对水稻种植面积进行准确提取。通过与同期地理国情监测成果的对比,本研究方法提取的水稻种植面积和精度都较高,表明该方法对于提取水稻种植面积效果良好。研究表明,相对于以往用中低分辨率卫星影像进行作物种植结构提取,GF1/WFV影像在南方较破碎的水稻种植面积提取方面应用效果良好,GF-1卫星影像在农业遥感领域具备很大的应用潜力。     

基于物候特征和混合光谱信息的春玉米种植面积提取

快速、准确地获取玉米种植面积信息对国家粮食安全和现代信息农业发展有重要的现实意义。遥感技术在作物种植面积提取中具有一定优势,尤其是作物物候信息和光谱数据相结合的方法更是目前发展的趋势之一。选取辽宁省3县市为研究区,利用Savitzky-Golay滤波重构后的2014-2015年MODIS-NDVI时间序列数据,提取作物物候特征和其他主要地物的NDVI曲线变化规律,结合水稻移栽期的NDVI、LSWI数据与大豆鼓粒期的近红外波段反射率数据,训练地物分类阈值、构建决策树提取2015年春玉米种植面积。考虑到耕地的破碎化和土地覆盖类型的多样性,利用MOD09A1反射率影像提取春玉米及混合地物的端元波谱,基于线性光谱混合模型进行混合像元分解获取春玉米丰度,根据决策树分类结果与春玉米丰度信息精确提取春玉米种植面积。利用Landsat8 OLI监督分类影像对种植面积解译结果进行精度评价,结果显示研究区春玉米种植面积提取精度在81%以上,利用统计数据验证得到仅利用物候信息经决策树分类方法提取的春玉米种植面积精度为88.416%,结合混合光谱信息后的提取精度提高到92.382%。春玉米种植面积提取结果较好地反应了其地理分布,表明重构后的生长季NDVI曲线可以准确地反应作物生长变化规律,运用中分辨率MODIS-NDVI时间序列数据获取物候信息,快速、准确提取春玉米种植面积具有可行性。物候特征耦合混合光谱信息的方法突破了传统研究中的像元限制,将作物种植面积识别水平提高到亚像元尺度,效果好于传统的像元尺度MODIS时间序列信息分类方法,能够有效提高作物种植面积估算精度,对于加快数字农业进程、提升农业信息化水平具有重要作用。     

基于无人机多光谱影像的地物识别

【目的】利用2018年5和6月获取的无人机多光谱影像对北京市大兴试验基地的部分农田进行地物类型提取研究。【方法】确定感兴趣地物种类,对影像进行时相与光谱特征分析,然后确定归一化植被指数NDVI、归一化绿蓝差异指数NGBDI、修正型比值植被指数MSR和红边波段反射率可以作为最优分类特征,通过基于光谱变量阈值分割的决策树分类法,实现地物分类,并提取种植面积,选取基于目视解译的地面调查数据进行方法验证。【结果】基于时相与光谱特征的决策树分类方法有较好效果,该方法用于小麦、果树和大棚的提取,误差值分别为10.68%、6.06%和16.48%,面积提取误差在17%以内,对无人机多光谱遥感影像进行地物识别具有一定的适用性。【结论】无人机低成本、高效率的优势为农田信息及时获取提供参考。     

基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法

及时、准确地掌握水稻空间分布和种植面积信息对预测水稻产量、指导农业生产等农业活动起着重要作用。遥感技术因其快速、综合等优势,而被广泛应用于农作物识别领域。以沈阳市为研究区域,选取沈阳农业大学道南、辽中和沈北新区作为粳稻种植代表区域获取CART算法的训练样本,并结合粳稻移栽期的NDVI、EVI、LSWI数据,训练作物分割阈值,构建决策树初步提取出研究区粳稻空间分布信息。为进一步去除上述提取区域的其他地物信息,构建粳稻抽穗期和成熟期的植被指数、纹理、ISODATA非监督分类数据及其原始波谱特征的多特征数据集,利用BP神经网络对多组不同特征综合数据集进行粳稻分类提取,得到对分类精度贡献较大的特征和最佳分类数据集,并分别利用最大似然和BP神经网络分类法,结合决策树分类结果和实地样本数据,对最佳分类数据集进行分类结果对比和精度验证。结果表明:采用CART决策树和BP神经网络相结合的方法可以获得较高的分类精度,总体精度为89.1%,Kappa系数达到0.881。利用作物关键物候期中等分辨率影像,结合多时相波谱特征和植被指数,采用CART决策树和BP神经网络相结合的分类法能有效提高粳稻的分类精度,为基于传统机器学习模型的关键物候期遥感数据作物分类研究提供一条新思路。     

基于多时相遥感影像的水稻种植信息提取

获取水稻种植信息对于指导水稻生产,监测作物生长及合理分配水资源具有重要意义。针对基于单时相影像提取水稻信息精度有限,以Sentinel-2A/B多时相影像为数据源,构建NDVI、EVI、NDWI和光谱特征4种时序特征数据集并设计6种试验方案,结合随机森林算法对水稻种植信息进行提取。结果表明,NDVI、EVI时序曲线可以较好反映出水稻生育期的物候特征,不同地类的光谱时序曲线和NDWI时序曲线可分离度较高,有利于提高分类精度;基于NDVI时序数据集的分类精度最低,基于光谱时序数据集的分类精度最高,总体精度达95.559 0%,Kappa系数为0.943 3,与基于NDVI的分类结果相比,总体精度、Kappa系数、水稻生产者精度和用户精度分别提高了3.530 4%、0.044 9、8.64%和3.36%,水稻与旱地的混分现象得到有效抑制。该研究为区域水稻种植信息精确提取在数据源选择、时序特征构建方面提供了一种新的思路和技术手段。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

基于不同时相遥感的冬小麦种植面积的提取

卫星遥感技术能够快速、准确、大面积对农作物生长进行监测,多时相遥感监测可克服单时相遥感监测的不足,利于实现对农作物生长变化的动态监测。以江苏省大丰市为研究区域,选用拔节期和抽穗期两景环境(HJ)卫星遥感影像进行不同地物光谱信息识别与种植面积提取研究。首先,在分析两景HJ星影像植被光谱信息的基础上,提取出各自影像的归一化差值植被指数(NDVI)影像,并对两景NDVI影像分别进行加运算和减运算,得到另外两景NDVI合成影像。其次,通过对提取到的四景NDVI影像光谱信息进行比较分析,最终选用植被光谱信息特征较为明显的加运算合成影像进行冬小麦种植面积提取。最后,基于影像不同地物的NDVI阈值划分,并叠加GPS样点信息校正,提取到大丰市冬小麦种植面积数据及其空间分布信息。结果显示,大丰市遥感提取冬小麦种植面积为78 712.13 hm2,精度为92.51%。在该市20个乡镇(或农场)冬小麦种植面积提取精度中,精度大于95%有9个乡镇(或农场),精度在90%至95%之间的有7个乡镇(或农场),仅有4个乡镇(或农场)提取精度在80%至90%之间。说明,利用不同时相遥感合成运算方法得到的合成影像,能明显增强冬小麦光谱信息与其他植被信息特征区别,有利于实现高精度提取冬小麦种植面积的目的。     

基于改进SVM算法的典型作物分类方法研究

以黑龙江省哈尔滨市阿城区为研究区域,多时相16 m空间分辨率高分一号(GF-1)卫星宽覆盖(Wide field of view,WFV)影像为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、归一化水指数(Normalized difference water index,NDWI)、比值植被指数(Ratio Vegetation Index,RVI)4种植被指数,构建植被指数时间序列,分析作物特征曲线,结合实地样本数据,采用支持向量机(Support vector machine,SVM)分类器对研究区内主要农作物玉米、水稻和大蒜/白菜实施分类。针对SVM分类器分类精度较低问题,引入自适应变异粒子群算法(Adaptive mutation particle swarm optimization,AMPSO)优化SVM,克服传统SVM参数选择主观性,进而提升分类器分类精度。结果表明,玉米和水稻生育期与大蒜/白菜差异较大,易区分;玉米与水稻生育期接近,光谱信息相似,区分难度较大,但光谱指数增长与回落趋势不同,借助NDVI、RVI和EVI可实现有效区分。改进后的AMPSO-SVM分类器,分类效果相比于SVM明显提升,确定核参数为0.135,惩罚因子为221.67时,分类效果最佳,总体分类精度达到94.39%,Kappa系数为0.9287,比SVM分类器,分类精度提升3.48%,Kappa系数提高0.0436。研究可为大区域农作物种植结构提取提供参考与借鉴。     

基于决策树的土地利用分类方法研究

以新疆乌鲁木齐市部分区域为研究区,利用主成分分析法对Spot-5影像进行数据压缩,运用灰度共生矩阵对第一主成份进行纹理信息提取,分析Landsat-7影像的光谱特征值及NDVI和NDBI特征值,确定各类地物的综合阈值,最后运用决策树分类法对Landsat-7影像进行分类.将分类结果与最大然法分类结果相比较,结果表明,决策数分类较最大似然法分类的精度提高了5.66; ,Kappa 系数提高了7.89; .说明决策树分类能够灵活、有效运用纹理等辅助信息,更好地区分光谱特征相似的目标地物,具有更高的准确性.     

高分一号卫星影像监测水稻种植面积研究综述

简要介绍了高分一号卫星应用于农情遥感监测的优势和水稻种植面积遥感监测的原理,着重对遥感影像数据预处理、遥感影像分类方法与水稻面积提取技术等方面的研究进展进行了综述。高分一号卫星具有高空间分辨率和时间分辨率的特点,反映作物的光谱特征明显,适合选用为农情遥感监测的数据源;基于高分辨率卫星影像的水稻种植面积提取技术比较成熟;基于决策树、人工神经网络、专家知识、人工目视解译等分类提取方法应用前景广阔,但精度有待进一步提高。     

FY-3C/MERSI卫星影像水稻信息自动提取的决策树方法研究

为了推进风云三号系列卫星资料在水稻信息提取中的应用,分析了FY-3C/MERSI影像中江西省区域水稻及其他典型地物的光谱特征及通道间的关系,并讨论了各地物在光谱特征上的可分性。研究发现:除植被外,其他地物均可依据适当的阈值与水稻分开;水稻与其他植被在各单通道上的光谱特性相似,因此引入归一化植被指数来提高水稻提取的精度。根据以上研究结果,建立了决策树模型对水稻信息进行自动提取。目视检验结果表明,该方法的提取效果较好,只是在水稻与其他植被交界处有误判现象。提取精度评价结果显示,该方法的总体提取精度较高,基本上可以满足水稻生育期面积遥感监测与产量预报的需求。     

FY-3C/MERSI卫星影像水稻信息自动提取的决策树方法研究

为了推进风云三号系列卫星资料在水稻信息提取中的应用,分析了FY-3C/MERSI影像中江西省区域水稻及其他典型地物的光谱特征及通道间的关系,并讨论了各地物在光谱特征上的可分性。研究发现:除植被外,其他地物均可依据适当的阈值与水稻分开;水稻与其他植被在各单通道上的光谱特性相似,因此引入归一化植被指数来提高水稻提取的精度。根据以上研究结果,建立了决策树模型对水稻信息进行自动提取。目视检验结果表明,该方法的提取效果较好,只是在水稻与其他植被交界处有误判现象。提取精度评价结果显示,该方法的总体提取精度较高,基本上可以满足水稻生育期面积遥感监测与产量预报的需求。     

不同遥感数据融合方法在南方水稻面积监测中的应用研究

在南方水稻遥感监测中,单一传感器影像数据已不能满足监测精度的要求,需要将高空间分辨率全色影像与中高空间分辨率多光谱影像进行融合,得到新的高空间分辨率多光谱影像,有利于改善影像识别与分类精度.该文利用江苏省金湖地区HJ-1A卫星30m分辨率多波段影像与ALOS卫星2.5m分辨率全色影像进行水稻监测,采用4种融合方法(Brovey变换、IHS变换、高通滤波和小波变换)对2种影像进行融合处理.随后对各种融合影像结果进行了目视定性和融合评价指标定量说明与评价,结果表明小波变换在空间与光谱信息上具有最佳的融合效果.进一步利用小波变换的融合影像进行水稻识别与面积提取,统计表明融合影像相比HJ-1A多光谱影像,水稻面积估测精度从79.26%提高到91.65%.因此,利用多源遥感数据融合的方法对南方水稻面积进行监测,可显著提高其监测精度.     

基于多时相高分一号影像水稻监测精度评价与修正——以德阳地区为例

以2014年四川省德阳地区为研究区域,建立10个(500m×500m)样方作为训练区,同时期建立水稻验证点。提取2个时相高分一号的NDVI值,分析其变化特征,确定阈值;利用数字高程图(DEM)及坡度图,采用决策树分类方法,进行水稻遥感监测。以水稻地块样点作验证,评价高分一号数据在水稻识别方面的精度,最后利用样方测算的修正系数对遥感监测面积进行修正。结果表明,在类似德阳地块比较破碎的平原和丘陵区域,高分一号影像遥感识别水稻的用户精度可达92.3%,制图精度可达96.5%。以78%系数乘积修正该区域水稻遥感监测面积,得到更为准确的水稻播种面积。高分一号影像作为全新的高空间分辨率遥感数据,在水稻监测方面,可作为一种可靠的、免费的遥感影像替代源在更大区域中探讨使用。     

基于多时相遥感数据的水稻种植面积信息提取

在遥感影像中,植物的含水量、土壤湿度在短波红外波段下表现很敏感,而红光波段和近红外波段对植物覆盖率、植物长势反映很强烈。基于时间差异的决策树水稻提取模型,通过计算水稻生长不同时期的归一化植被指数NDVI和土壤含水量指数LSWI,在江苏省盐城市射阳县开展了水稻种植区提取的相关研究。经过提取的水稻面积和地方统计数据对比表明,该模型能有效区分出水域、玉米和菜地等较易与水稻种植区混淆的地物,面积提取精度达到76.26%。     

基于遥感的西南地区水稻种植信息提取

为探索西南地区水稻种植信息的有效提取方法,以重庆市永川区朱沱镇为例,根据Sentinel-2多光谱影像,结合高分一号(GF-1)影像数据选取样本分布点,构建水稻作物信息随机森林提取模型,同时分析样本地类像元光谱曲线,构建不同地类样本影像像元光谱库,并将随机森林分类结果与传统最大似然法、光谱角及基于时差的光谱角水稻空间种植信息分类结果进行对比及精度分析。结果显示,通过光谱角分类器提取地物精度有限,结合时差特征能够明显提高目标提取精度,而基于水稻样本信息训练构建的光谱角模型提取方法获取水稻种植面积准确率高达90.62%,分类结果总体精度达91.50%,Kappa系数达到0.83,实现了对西南地块破碎地区分散作物种植信息的有效提取,可为西南地形复杂、地块破碎地区农作物信息提取提供一定参考。     

基于环境卫星影像的水稻种植面积提取方法研究

以环境卫星为数据源对泰兴市水稻面积进行提取,选择水稻与其他作物光谱差别最大的时期作为水稻识别的最佳时期,在利用影像原始光谱信息的基础上,分析和提取多种分类特征,运用支持向量机法、CART决策树法和最大似然法进行分类,提取水稻面积。结果表明支持向量机的分类精度最高,总体精度为80.38%,Kappa系数为0.74。说明当样本量较少时,支持向量机可以更好地利用多源信息,具有更高的分类精度。     

基于EOS/MODIS资料的江西省水稻长势遥感监测

基于2010年的MODIS数据,进行江西省水稻长势遥感监测指标的研究,提取了4种植被指数作为遥感参数,即比值植被指数RVI、归一化植被指数NDVI、植被状态指数VCI和增强植被指数EVI,并利用植被指数进行叶面积指数LAI的反演,建立了植被指数VI-LAI模型。在VI-LAI模型中EVI、NDVI与LAI的相关性较好。利用LAI的预测值和地面实测数据进行精度的分析,结果显示EVI的三次方(Cubic)模型在各方面都优于其他植被指数和其他模型,因此选择EVI作为水稻的长势遥感监测指标。