荒漠林高光谱与光学影像植被指数(VI)的比较

【目的】利用地面遥感和航天遥感数据结合植被指数实现快速调查,研究各数据中植被指数的差异。【方法】用地面高光谱数据和光学影像中分别对梭梭林和柽柳林进行归一化植被指数(NDVI)、重归一化植被指数(RDVI)和土壤调节植被指数(SAVI)3种植被指数的提取,并进行比较。【结果】在高光谱VI中,梭梭林和柽柳林的3种VI的数值大小和变化趋势都很接近,特别是SAVI和RDVI,但NDVI的变化较其他2种大;而在光学影像VI中,梭梭林和柽柳林的NDVI和SAVI的数值基本保持在一定范围内,且变化幅度微小,而RDVI的数值和变化趋势均较大,相对不稳定。【结论】高光谱数据所提取的NDVI和SAVI均大于光学影像,而光学影像所提取的RDVI均大于高光谱数据,RDVI对植被覆盖度更敏感。     

基于机载高光谱端元提取分析棉花生长期光谱变化

【目的】棉花在不同生长期的波谱曲线变化具有规律性,研究其时间序列上的反射光谱变化趋势与规律并监测长势,为基于无人机多光谱、高光谱遥感的作物长势监测提供借鉴和参考。【方法】使用多旋翼无人机搭载Rikola高光谱成像仪,获取棉花从花期到后期之间的高光谱影像。使用纯净像元指数算法和最大单形体体积算法进行端元提取,并以SR-3500光谱仪采集的地面光谱曲线为标准,光谱角度为评价指标,依次从端元提取算法效果、不同航高数据对比、光谱相关性、多期光谱曲线变化趋势等分析。【结果】最大单形体体积算法在60、80、100 m航高下波谱角度结果分别为0.065 8、0.065 9、0.067 7,相较于纯净像元指数算法结果更接近地面光谱仪数据,具有较优的相关性(R²均在0.99以上),且能更好地提取小样本端元。航高对端元提取的影响较小,同种算法在不同航高下提取结果差异均在2%以下。不同生长期棉花波谱曲线变化呈规律性,吸收谷与红边值在7月中旬到达峰值。标准植被指数与比值植被指数在7月上中旬达到最大值(0.841 7、11.630 5),增强型植被指数、差值植被指数、优化土壤调节植被指数在7月中下旬达到最大值(0.818 9、0.501 3、0.501 2)。【结论】最大单形体体积算法可较好的从棉花高光谱影像中提取出棉花波谱曲线,且100 m为较优的无人机数据采集航高。棉花在7月光合作用最大,对红光的强吸收、近红外波段强反射现象最为明显。     

基于无人机多光谱遥感图像的玉米田间杂草识别

【目的】为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性。【方法】通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像。为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜。通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段。将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度。将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数。利用支持向量机-特征递归消除算法（support vector machines-feature recursive elimination,SVM-RFE）和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类。【结果】支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%—91.94%,Kappa>0.79,随机森林总体精度为89.27%—90.95%,Kappa>0.79。【结论】SVM-RFE算法对数据降维效果优于Relief算法,支持向量机（SVM）模型对区域冠层尺度下玉米与杂草的分类效果最好。     

基于无人机影像天山云杉林主伐迹地提取研究

【目的】通过分析天山云杉主伐迹地更新群落特征,将其划分为三个等级的主伐迹地,基于无人机影像,以实现提取不同等级主伐迹地的面积以及确定其分布,为新疆天保工程实施后山区森林资源更新恢复及评价提供科学依据。【方法】采用eCognition软件面向对象多尺度分割技术对研究区进行分割,通过最邻近分类以及SEaTH算法相结合的分类方法筛选分类特征,并建立类别层次结构及分类规则集,以实现提取不同等级主伐迹地面积,并进行精度评价。【结果】利用最邻近分类方法与SEaTH算法相结合的分类方法提取不同等级的主伐迹地,其总体分类精度达到81.82%,Kappa系数为0.74。提取主伐迹地Ⅰ、Ⅱ、Ⅲ的面积吻合度分别为87.09%、79.86%和66.33%;提取主伐迹地总面积为72.574 3 hm²,目视解译面积为92.174 9 hm²,面积相对误差为21.26%,面积吻合度为78.74%。【结论】该方法用于研究区提取主伐迹地信息是可行的。主伐迹地Ⅰ提取的面积吻合度最高,由于主伐迹地Ⅰ内的天山云杉林分株数密度较低,其林分平均冠幅、平均年龄等因子均相对较小,因此在影像上更好区分。主伐迹地Ⅱ分布面积最大,主伐迹地Ⅰ和Ⅲ分布面积较小,研究区内主伐迹地林分生长状况主要为主伐迹地Ⅱ状态     

基于低空无人机影像光谱和纹理特征的棉花氮素营养诊断研究

【目的】基于无人机高空间分辨率影像,探讨剔除土壤背景信息及增加纹理信息对棉花植株氮浓度反演的影响,为棉花氮素营养精准探测提供新技术手段。【方法】开展棉花水、氮耦合试验,分别在棉花的不同生育期获取无人机多光谱影像和植株氮浓度信息。基于以上数据,首先探讨了土壤背景对棉花冠层光谱的影响;其次,分析了影像纹理特征与植株氮浓度间的相关性;最后,将获得的数据分为建模样本和检验样本,设置剔除土壤背景前、剔除土壤背景后、增加纹理特征等不同情景,采用光谱指数与主成分分析耦合建模的方法,来建立各种情景下植株氮浓度的反演模型,并对模型反演效果进行比较。【结果】土壤背景对棉花冠层光谱有影响,且不同生育期趋势不同;影像纹理特征参数与植株氮浓度间有显著相关关系;剔除土壤背景前植株氮浓度反演模型的建模决定系数为0.33,标准误差为0.21%,验证决定系数为0.19,标准误差为0.23%;剔除土壤背景后模型的建模决定系数为0.38,标准误差为0.20%,验证决定系数为0.30,标准误差为0.21%;增加纹理信息后模型的建模决定系数为0.57,标准误差为0.17%,验证决定系数为0.42,标准误差为0.19%。【结论】基于低空无人机高空间分辨率影像,剔除土壤背景和增加纹理特征均可提高棉花植株氮浓度的反演精度;影像纹理可以作为一种重要信息来支撑无人机遥感技术反演作物氮素营养状况。     

多种光谱指标构建决策树的水稻种植面积提取

合理选取不同光谱指标制定决策树规则,能有效提高决策树分类法提取水稻面积的精度。本研究以江苏省淮安市为例,选取30 m空间分辨率HJ1A和16 m空间分辨率GF1多光谱影像,在对不同地物样点像元光谱特征分析的基础上,选择地物光谱特征明显的GF影像计算NDVI、EVI、DVI和RVI,并提取影像近红外波段反射率,利用上述5种光谱指标确定不同地物分类阈值来对两景影像进行决策树分类,进而获取淮安市水稻面积和分布情况。结果表明,GF影像地物光谱特征较明显,有利于识别不同地物,可用来确定基于多种光谱指标分类的阈值范围。其中,水稻判别条件为NDVI0.70,0.25DVI≤0.45,0.53EVI≤0.80,RVI5.5且0.30ρNIR≤0.46。HJ影像和GF影像提取水稻面积的样本精度分别为87.29%和93.70%,GF影像比HJ影像的水稻面积提取精度提高了6.41个百分点,说明利用多种光谱指标构建决策树分类模型是一种有效提取水稻种植面积的方法。     

基于无人机可见光遥感的棉花面积信息提取

【目的】针对传统大区域棉花种植信息提取方法相对落后的问题,运用面向对象的影像分析方法,对无人机遥感试验获取的可见光影像进行棉花种植信息的提取。【方法】选用双子星MyFlyDream MTD固定翼无人机搭载佳能EF-M 18-55相机,获取新疆建设兵团第八师135团的可见光影像,借助eCognition软件平台,运用面向对象的方法对研究区内棉花种植信息进行提取试验。【结果】目视解译提取的棉花种植面积为0.35 km²,面向对象提取的棉花种植面积为0.33 km²,分类结果精度为94.29%,误差系数为5.71%,可以有效地提取研究区域棉花种植信息。【结论】面向对象的分类方法相比于传统的基于像素的分类方法提取精度更高,更加接近于目视解译的提取结果。     

基于不同分类器的农用地分类提取

【目的】分析Landsat 8 OLI卫星遥感影像数据面向农用地分类的实际应用方法和效果,以新疆奇台县南部为研究对象。【方法】使用随机森林(RF)、支持向量机(SVM)和神经网络(Neural Net)三种分类器进行研究区农用地分类对比。【结果】通过对三种分类器参数设置参数精度检验,利用上述三种算法对农用地地物分类进行精度评价,在整体分类精度中,支持向量机算法(SVM)<随机森林算法(RF)<神经网络算法(Neural Net),分类精度分别为:90.75%,94.30%和94.84%。【结论】神经网络方法(Neural Net)在该地区的农用地物整体分类上,比支持向量机(SVM)和随机森林法(RF)相比具有一定的优势,并获得较好的分类精度。     

基于决策树的无人机高光谱遥感影像地物分类研究

高光谱影像由于其波段众多,传统的多光谱图像的信息提取方法不适合高光谱影像的处理。利用无人机搭载美国Headwall公司的最新纳米级高光谱成像光谱仪,采集广东省广州市增城区某处的高光谱影像,提取光谱数据,分析不同地物间光谱曲线特征和差异,采用决策树进行地物分类。结果表明:根据无人机高光谱数据中不同地物之间光谱特征曲线的差异,建立分类树,不仅可以大大减少分类处理的工作量,且分类效果良好,准确度高。     

基于荧光参数的棉花盛铃期水分状况高光谱监测

【目的】研究棉花盛铃期反射光谱、荧光参数Fv/Fm(PSⅡ最大光化学量子产量)的变化特征,确立叶绿素荧光参数与棉花冠层高光谱植被指数的相关关系。为高光谱遥感监测棉花的水分状况提供理论依据。【方法】选用棉花品种新陆早45号和新陆早62号,采用美国ASD地物高光谱仪测定田间试验条件下,设置4个不同灌水量处理,研究2个棉花品种盛铃期的冠层反射光谱,同期利用PAM-2100叶绿素荧光仪测定棉花叶片的Fv/Fm,并用相关软件对棉花的反射光谱数据及Fv/Fm进行处理并作相关分析,建立相关回归模型。【结果】不同水分处理条件下,棉花冠层反射光谱的变化趋势相似;棉花新陆早62号盛铃期的单叶荧光参数Fv/Fm与棉花冠层高光谱反射率在350~514 nm、612~692 nm和1 945~2 076 nm波段范围内呈极显著正相关,而在708~1 361 nm和1 621~1 740 nm波段范围内呈极显著负相关;采用敏感波段构建植被指数NDVI(归一化植被指数)和RVI(比值植被指数),RVI与Fv/Fm的相关性较高(r_RVI-Fv/Fm=-0.721 5^**,n=20,P<0.01);建立Fv/Fm与RVI的估算模型方程,Fv/Fm估测值与实测值呈极显著线性正相关(r_{估测Fv/Fm-实测 Fv/Fm}=0.723 0^**,n=20,RMSE=1.186×10^-2)。【结论】利用荧光参数Fv/Fm与植被指数RVI的相关关系,可以监测棉花盛铃期的水分胁迫状况。     

基于无人机影像阴影去除的苹果树冠层氮素含量遥感反演

【目的】去除无人机多光谱遥感影像中的阴影,以提高苹果树冠层氮素含量反演模型精度。【方法】以山东省栖霞市苹果园为试验区,利用2019年6月采集的无人机多光谱影像,分别基于归一化阴影指数（normalized shaded vegetation index,NSVI）和归一化冠层阴影指数（normalized difference canopy shadow index,NDCSI）去除果树冠层多光谱影像中的阴影,提取非阴影区域果树冠层光谱信息;通过相关性分析方法,将基于原始光谱影像和基于NSVI、NDCSI去除阴影后提取的光谱数据与实测叶片氮素含量进行相关性分析,分别筛选氮素含量的敏感波段并构建光谱参量;采用偏最小二乘（partial least square,PLS）及支持向量机（support vector machine,SVM）方法构建果树冠层氮素含量反演模型并进行精度检验。【结果】绿光波段和红光波段为果树冠层氮素含量反演的敏感波段;阴影削弱了果树冠层的光谱信息,去除阴影前后,冠层多光谱各波段光谱差异较大,在红边波段及近红外波段尤为明显;基于2个阴影指数去除阴影后构建的氮素反演模型精度均有提升,最优模型为基于NDCSI去除阴影后构建的支持向量机氮素含量反演模型,该模型建模集R²和RPD分别为0.774、1.828;验证集R²和RPD分别为0.723、1.819。【结论】基于NDCSI可有效去除无人机多光谱果树冠层影像中的阴影,提高氮素含量反演精度,为果园氮素精准管理提供了有效参考。     

基于无人机影像的天山云杉林单木树冠信息提取

【目的】 研究树冠信息估测出林分密度、生长量等森林调查指标,判断林木生长优良状况提供参考,【方法】 基于无人机遥感影像,以新疆农业大学实习林场主伐迹地下天山云杉林(Picea Schrenkiana var tianshanica)为研究对象,采用高斯-拉普拉斯算子(Laplacian of Gaussian,LOG)结合最大类间方差寻找最优阈值(Otsu)对影像进行处理,并利用标记控制分水岭分割方法分别提取疏、中、密3种不同郁闭度的天山云杉单木树冠信息。【结果】 利用优化后的标记控制分水岭分割方法较好的解决了过分割问题,对单木树冠信息提取的F测度在疏、中、密林区分别是98.26%、92.91%和87.57%。【结论】 使用的方法提取单木树冠信息精度较高,可以评价对天山云杉林的生长状况,可对主伐迹地下天山云杉林的更新和恢复提供可靠的技术支撑。     

基于机器视觉的核桃仁动态分级研究

【目的】基于机器视觉技术研究出一种适合新疆核桃仁动态分级处理的方法。【方法】利用实时采集且已经完成图像预处理的样品核桃图像得到核桃仁特征集合,运用mRMR特征选择算法筛选原始特征集并对特征的重要性进行排列,通过对支持向量机、决策树和朴素贝叶斯三种机器学习算法进行模型训练和测试,得出最佳分级方法,设计核桃仁自动追踪方法和动态分级流程,构建的核桃仁自动分级系统。【结果】在使用特征bin19、K₁和bin15训练朴素贝叶斯分类器时,核桃仁的分级正确率达到最大为97.33%,在动态条件下运用构建的核桃仁自动分级系统对150个核桃仁进行分级测试,正确率为81.33%。【结论】基于机器视觉研究出的核桃仁特征提取与分级方法、核桃仁动态分级处理动作方法,可以有效完成对核桃颜色和完整度的分级。     

基于TWDTW的时间序列GF-1 WFV农作物分类

【目的】焉耆盆地是新疆重要的特色农产品生产基地,农作物种植结构较为复杂。利用时间序列的遥感数据对研究区内的农作物进行分类识别,获得不同农作物的空间分布、种植面积等信息,为政府部门制定粮食政策、经济计划提供重要依据。同时探讨时间加权的动态时间弯曲(time weighted dynamic time warping,TWDTW)方法在农作物分类识别中的适用性以及高分一号(GF-1)WFV在农业领域的应用潜力。【方法】以新疆焉耆盆地为研究区域,利用2018年作物生长季的GF-1 WFV时间序列数据集计算归一化植被指数(NDVI),基于TWDTW方法开展农作物分类识别研究。分别采集不同作物的样本点,形成各作物NDVI的标准序列。利用TWDTW相似性匹配算法计算每个待分类像元与不同作物标准序列间的相似度距离,距离值越小则相似性越高,通过对比确定像元的农作物类型,得到最终的分类结果,同时根据时间序列NDVI曲线建立决策树(decision trees,DTs)分类规则,人工设置分类阈值得到分类结果,并与TWDTW方法的结果进行对比分析。【结果】2种方法的分类结果较为一致,辣椒的种植范围最广,小麦主要分布在焉耆盆地北部和西部的农二师二十一团,番茄和甜菜的种植分布较为零星。在种植面积统计中,辣椒的种植面积最大,其后依次为番茄、小麦和甜菜。利用野外样本点对决策树和TWDTW两种方法的分类结果进行精度验证,总体精度分别为89.58%和90.97%,kappa系数为0.804和0.830,TWDTW方法的分类精度相比于决策树法略有提高。【结论】相比于决策树分类方法,TWDTW方法的分类精度略有提高的同时,分类结果客观可靠,而且算法不受地域因素限制,具有较强的灵活性和适用性。基于密集时相的GF-1 WFV数据集,采用TWDTW算法对农作物进行分类,得到较好的分类结果,能够满足农业部门的管理决策需求,该方法在农业领域具有较大的应用和推广价值。     

Crop Identification Based on TWDTW Method and Time Series GF-1 WFV

【Objective】 Yanqi Basin is an important production base of characteristic agricultural products in Xinjiang, and the planting structure of crops is complicated. In this study, the time series remote sensing data were used to classify and identify crops in the study area, so as to obtain the spatial distribution of different crops and their planting areas, which were the important basis for government sectors to formulate grain policies and economic plans. At the same time, the applicability of time-weighted dynamic time warping (TWDTW ) method in crop classification and the application potential of GF-1 WFV in agriculture were also discussed.【Method】 The normalized vegetation index (NDVI), calculated from the 2018 time series GF-1 WFV data set in Yanqi Basin, Xinjiang, was used to study the crops recognition based on TWDTW method. Sample points of different crops were collected to form standard sequence of NDVI for each crop. The TWDTW similarity matching algorithm was used to calculate the similarity distance between each pixel to be classified and the standard sequence of different crops. The smaller the distance was, the higher the similarity was. The similarity was used to determine the crop type of the pixel, and the final classification result was obtained. At the same time, the classification rules of decision tree were established according to the NDVI curve of time series, and the classification result was obtained by manually setting the classification threshold, and compared with that of the TWDTW method. 【Result】 The classification results of the two methods were very consistent. Peppers were the most widely planted and the wheat was mainly distributed in the northern part of the Yanqi Basin and the 21st Division of the Second Agricultural Division. The distributions of tomato and sugar beet were relatively sporadic. Among the results of planting area, pepper had the largest planting area, followed by tomato, wheat and sugar beet. The accuracy of the classification results of the TWDTW and decision tree methods was verified by the field sample points: The overall accuracy of them were 89.58% and 90.97%, respectively, and the kappa index of them were 0.804 and 0.830, respectively. The classification accuracy of the TWDTW method was slightly higher than that of the decision tree method. 【Conclusion】 Compared with the decision tree classification method, the classification accuracy of the TWDTW method was slightly improved, the classification result was more objective and reliable. The algorithm of TWDTW method was not limited by geographical factors and had strong flexibility and applicability. The experimental results showed that using TWDTW algorithm to identify crops based on the GF-1 WFV data set of dense temporal phase could get better classification results, and it had great application and popularization value in agricultural field.     

Cotton Nitrogen Nutrition Diagnosis Based on Spectrum and Texture Feature of Images from Low Altitude Unmanned Aerial Vehicle

【Objective】 Based on the high spatial resolution images of unmanned aerial vehicle (UAV), the effects of removing soil background information and increasing image texture information on the inversion of cotton plant nitrogen concentration were investigated, in order to provide new technology for accurate estimation of cotton nitrogen nutrition status. 【Method】 Cotton water and nitrogen coupling experiment was conducted, and UAV images and plant nitrogen concentration data were measured during different cotton growth stages. Based on the above data, the effect of soil background on cotton canopy spectrum was firstly investigated. Secondly, the correlations between image texture parameters and plant nitrogen concentration were analyzed. Finally, the obtained data was divided into calibration dataset and validation dataset. Different scenarios, including before and after removing the soil background, and adding texture features, were set. The inversion models of plant nitrogen concentration under various scenarios were designed by using the coupled method of spectral indexes and principal component regression, and the performances of the models were compared. 【Result】 The soil background had an effect on the cotton canopy spectrum, and the trends were not the same at different growth stages. There existed significant correlations between image texture parameters and plant nitrogen concentration. For the scenarios before removal soil background, the plant nitrogen concentration prediction model had determination coefficient (R ²) value of 0.33 and root mean square error (RMSE) value of 0.21% during model calibration, and R ² value of 0.19 and RMSE value of 0.23% during validation. For the scenarios after removing soil background, the plant nitrogen concentration prediction model had R ² value of 0.38 and RMSE value of 0.20% during model calibration, and R ² value of 0.30 and RMSE value of 0.21% during validation. For the scenarios adding image texture information, the plant nitrogen concentration prediction model had R ² value of 0.57 and RMSE value of 0.17% during model calibration, and R ² value of 0.42 and RMSE value of 0.19% during validation. 【Conclusion】 Based on high spatial resolution images of low-altitude UAVs, both removing soil background and adding image texture information could improve the inversion accuracy of cotton plant nitrogen concentration. Image texture could be considered as important information to support prediction of crop nitrogen nutrition status using UAV images.     

基于GF-2影像对恰西国家森林公园的遥感分类

【目的】 选用面向对象的监督分类法,对研究区域的天山云杉林进行遥感分类,选取一种分类效果最佳的方法,为该区域的林地资源调查、动态监测评价提供依据。【方法】 基于高分二号(GF-2)遥感影像数据,借助ESP 尺度评价工具和目视解译相结合,筛选研究区各地物最优分割尺度,利用3种不同分类方法在此基础上进行遥感分类。【结果】 研究区内的水体、道路、其他用地、林地和草地的最优分割尺度,分别为390、372、316、296、246;其次在各地物最优分割尺度下,比较最邻近分类、结合矢量数据分类和阈值分类3种方法,经过精度评估发现,3种分类方法的 Kappa 系数和总体精度值分别为0.760 7、0.782 0、0.840 6和0.814 8、0.830 5、0.876 5。【结论】 阈值分类方法优于其他2种方法,选用更为优良的阈值分类方法引入解决该地区林地资源调查是可行的。