基于高分卫星影像的青岛市冬小麦种植信息提取

为了准确获取青岛市主要农作物冬小麦的种植信息,以GF-1/16 m卫星影像为主要数据源,将高程、土地利用和田间调查数据作为辅助数据源,根据冬小麦主要发育期与其他地物在GF-1/16 m卫星影像上的光谱差异,计算得到4月份为青岛市冬小麦遥感面积提取的最佳时相。在最佳时相内,采用决策树分类法,通过分区解译方式,提取出青岛市2017年冬小麦种植面积和分布区域,并利用GF-2融合后 1 m卫星影像、地面调查数据和统计局公布数据对分类结果进行精度验证。结果表明:利用GF-1/16 m卫星影像在幅宽、时间和空间分辨率的优势,将土地利用和高程等引入决策树分类模型,进行区域尺度的冬小麦种植面积遥感估算的方法是可行的。经精度验证,2017年青岛市冬小麦遥感解译总精度为94.3%,Kappa系数为0.857。遥感提取面积略小于统计局公布数据,面积总量提取精度为93.6%。本研究为基于高分卫星影像的区域尺度作物种植面积提取提供参考。     

HJ卫星数据在棉花种植面积提取中的应用研究

 探索利用环境小卫星数据进行棉花种植面积的提取,旨在利用国产卫星数据建立一种方便快捷的棉花种植面积提取技术,为棉花的遥感估产奠定基础;选取2011年新疆北部国营农场棉花不同生育期内两期HJ卫星影像,根据棉花与研究区其他作物物候和光谱差异性、农作物生长规律,运用监督分类算法、密度分割和逻辑运算,辅助于人机交互的目视解译,得到研究区棉花种植面积;结果表明：不同监督分类算法中,神经网络分类法和最大似然法分类效果最佳;最终提取的棉花面积总体精度为87.7%;本文采用的方法较为实际、便捷,提取棉花种植面积的精度符合农场生产要求,可为棉花估产和作物种植结构分析提供科学依据。     

基于环境卫星数据和实测地物光谱数据估算中稻面积

为准确获取水稻种植面积,提高遥感监测精度,利用环境卫星数据,在农作物掩膜的基础上,结合野外实测地物光谱确定端元组分,采用线性光谱混合模型提取湖北省监利县中稻种植面积,将其结果分别与统计数据和实地调查数据相比较。结果表明：采用确定端元选取的方法是可行的,其混合像元分解方法提取作物面积总量精度为93.68%;样本精度为83.67%。因此,利用HJ卫星影像数据开展平原地区水稻遥感监测可为政府决策部门提供信息服务。     

基于时序MODIS-EVI数据的冬小麦种植信息提取

【研究目的】准确获取作物种植空间分布和面积信息是进行粮食估产的重要前提条件,也是调整种植结构的重要数据基础。【方法】笔者以河北省2004--2005年整个作物生育期内35个时相的合成地表反射率数据为数据源,生成时间序列MODIS-EVI数据集,在利用Savitzky-Golay滤波重构时序MODIS-EVI数据的基础上,分析作物EVI时间曲线,结合作物种植结构和物候历,构建分类模型,提取2004年主要种植作物的种植空间分布及面积信息。【结果】Savitzky-Golay滤波能够有效地消除云和缺失数据的影响,同时基本上保持原有曲线的基本形状,较为真实地恢复植被指数曲线。与统计数据相比,各市分类精度相差较大,其中邯郸的分类精度最低（85.9%）,沧州精度最高,达到99%。按全省计算,整体精度为95.7%。2004年,河北省冬小麦呈明显的地带性,主要分布在邯郸东南部、邢台和石家庄中部以及保定东部。【结论】利用时间序列MODIS-NDVI数据提取大区域作物种植空间分布信息是可行的。     

基于遥感信息与水稻模型相结合对镇江地区水稻种植面积与产量的估测

为了实现遥感信息与作物模型相结合对镇江地区的水稻种植面积与产量的估测,以便于可以直接利用遥感信息与模型对该地区的水稻生长进行监测,将遥感资料与水稻生产模型(ORYZA2000)相结合,建立遥感数值模拟模型,进行由点及面的区域水稻种植面积及产量的估测。利用遥感数据（8天合成的MODIS和环境小卫星数据）,计算归一化植被指数(NDVI)和增强植被指数(EVI),结合试验区实测的叶面积指数(LAI),建立植被指数与LAI之间的关系,通过模型模拟出的LAI计算出植被指数的浮动值,结合相对应的多时相的遥感数据识别镇江市的水稻,由此可以预报镇江市的水稻种植面积及产量。研究结果表明,模型对水稻生长发育期内的生物量和LAI的模拟较好,水稻LAI与遥感资料计算出的植被指数EVI的幂函数拟合性较好,可以应用这种相关模式识别水稻,并结合ORYZA2000模型提高区域范围的水稻估测精度,同时也体现了遥感信息与作物模型相结合可以很好的监测区域内水稻的生长情况,取得较好的模拟效果。     

四川盆地莲藕种植遥感提取及热点区域分析

为准确提取四川省盆地地区莲藕种植空间信息，掌握该作物种植热点区域，采用高分六号遥感影像和地面调查数据，分析藕田光谱特征，提取该地区最佳遥感时期内莲藕种植空间信息；通过Moran’s I指数和Getis-Ord G_i^*指数分析四川莲藕空间分布特征及种植热点区域。结果表明：(1)基于极大似然分类法的莲藕空间信息的提取总精度为92.35%,Kappa系数为0.9045。(2)基于遥感的四川盆地莲藕种植面积约为128.57 km²，分布于1374个乡镇，部分地区存在聚集现象；73个热点乡镇的莲藕种植面积为54.31 km²，占四川盆地莲藕面积的42.24%，空间极化现象明显，主要分布于遂宁安居区、资阳乐至县、成都简阳市等区县。研究结果可为四川省开展乡镇专业化莲藕种植及莲藕产业优化调整提供参考。     

基于HJ卫星的中国南方地区甘蔗面积提取研究

为了研究大范围甘蔗种植面积的提取方法，以广西、云南、广东湛江和海南为研究区，以30 m空间分辨率的多时相HJ卫星影像为数据源，采用基于NDVI时间序列的决策树分类模型提取研究区内2014/2015年度甘蔗种植面积。结合农业部门的统计数据对甘蔗种植面积提取结果进行精度评价，总体精度达到87.5%。对研究区广东湛江甘蔗种植区域进行抽样调查，抽样调查精度达到93.2%，Kappa系数为0.81。表明该方法可以高效地应用于中国南方地区的甘蔗种植空间信息识别。     

作物类型遥感识别研究进展

及时获取作物种植面积是研究粮食区域平衡,预测农业综合生产力和人口承载力的基础。遥感技术已经成为提取作物种植面积的重要手段,而前提是识别作物。为了理清当前该领域的国内外研究现状,以遥感在作物类型识别中的应用为主线,归纳了国内外作物类型识别研究中常用的各类遥感数据,如资源遥感影像、气象遥感影像、高分辨率影像、高光谱影像和微波影像等,分析其优缺点和适用性;同时总结了利用遥感进行作物类型识别的3 类研究方法,包括基于光谱的识别方法、基于物候差异的识别方法以及光谱与物候相结合的方法,分析了各种方法的特点;指出目前作物类型遥感识别中存在的主要问题,如影像空间精度与价格的平衡问题,多分辨率遥感数据的综合应用问题,物候差异对作物识别的影响问题等;认为不同分辨率遥感数据的结合可以弥补各自不足,遥感影像的时相选择是提高精度的关键,另外需要应用除光谱和物候以外的更多解译标志;建议进一步深入研究作物识别机理和多尺度数据融合方法。以期为遥感技术在作物类型识别中的深入研究提供参考和借鉴。     

基于遥感的黑龙江省东部水稻种植信息提取

为了实现黑龙江省东部地区水稻种植信息遥感监测的业务化,通过采用实地调查、ISODATA非监督分类、遥感数据融合和光谱耦合等方法,研究提取研究区水稻种植分布的方法,并进行面积推算。结果表明,2012年黑龙江省东部地区水稻种植面积为15389.01 km2,主要集中在佳木斯、双鸭山和鸡西地区,分类精度达89.19%。该方法可为区域水田空间分布信息提取提供借鉴。     

用遥感影像提取大别山区水稻种植面积——以Landsat 8为例

本研究选取安徽省安庆市大别山为研究区,包括太湖县、岳西县、宿松县和潜山县,选取2016年和2017年的6景Landsat 8卫星遥感影像,通过遥感影像提取水稻种植面积,分析大别山区的水稻种植面积分布,并对研究区域的水稻种植面积进行动态实时监测。用遥感解译方法分别提取了研究区内的晚稻种植面积,并利用随机点验证和Kappa系数验证结果精度。结果表明:2017年和2016年水稻种植面积的提取精度分别为93.44%、93.78%,Kappa系数分别为0.86、0.83,证明水稻提取效果精确;对比研究区域各个县内的2017年和2016年晚稻种植面积,发现安庆市大别山区太湖县、潜山县、岳西县的水稻种植面积变化率均在5%以内,属于正常变化,由于2016年宿松县遭遇了水灾,部分农田被淹没,故宿松县2017年水稻种植面积相比2016年增加了13.01%;对比传统的农作物种植面积统计方法,利用遥感的方法更省人力、物力、财力,并且能精确、快速地实现对农作物的实时动态监测。     

利用环境减灾卫星估测增城水稻产量

为了探讨将国产环境减灾卫星遥感影像应用于田块破碎度大,生长季多云、雨天气的增城地区水稻产量估测的可行性。试验于2010年在增城地区进行,获取了水稻生长季长势、产量信息,及多时相环境减灾卫星遥感影像,提取了水稻种植面积信息,并基于“光谱信息-长势-产量”间相互关系,利用主成分分析算法建立水稻产量估测模型。结果表明,国产环境减灾卫星的特点可使其有效获取研究区水稻遥感影像,便于准确提取水稻种植面积及估测产量。本研究获得的2010年早稻种植面积的提取精度在97.3%,估产模型的预测决定系数为0.73,预测相对误差为12%。推动了国产卫星在该区域的应用。     

随机森林方法在玉米-大豆精细识别中的应用

研究基于遥感影像的作物精确识别技术方法, 对获取作物分布信息具有重要意义。随机森林分类(random forest classification, RFC)是机器学习的一种, 本文使用Landsat-8 OLI卫星影像数据, 针对研究区内的大豆、玉米和其他地物等3种主要作物类型, 系统比较了该方法与较为成熟的最大似然分类(maximum likelihood classification, MLC)、支持向量机分类(support vector machine, SVM)方法的分类精度。结果表明, MLC、SVM、RFC的总体分类精度分别为91.68%、91.49%、94.32%, Kappa系数分别为0.87、0.87、0.91, RFC方法作物识别精度比MLC和SVM分类显著提升。对原始7波段影像进行主成分变换(principal component analysis, PCA), 提取前4个主成分分量, 同时计算归一化植被指数(normalized difference vegetation index, NDVI)和归一化水体指数(normalized difference water index, NDWI), 将6个额外辅助特征波段叠加到原始7个波段影像上进行再次分类, MLC和SVM方法作物识别精度未有提升, RFC方法总体精度提高了1.49个百分点, Kappa系数提高0.03, 精度提升幅度有限, 主要原因是6个辅助波段在类型识别中作用较小。在分类耗时上, MLC、SVM、RFC分别为145 s、11 000 s、1800 s, 表明随机森林分类具有最好的分类精度和适中的耗时。综合评价后, 随机森林分类方法在进行大豆-玉米精细识别中具有较大优势, 具有业务应用的潜力。     

基于高分一号16m影像的美国大豆种植面积抽样调查

为了试验中国自主发射的高分一号卫星16 m影像在抽样调查美国大豆面积的有效性问题,解决目前中国农业遥感调查主要依靠国外数据源的问题。在95%置信水平和误差5%的要求下,首先设计了2013年模拟抽样试验(6种抽样比),以抽样框中大豆面积为分层指标,将抽样单元划分为6层,以总体相对误差和变异系数为抽样效率评价指标,试验确定理论最小抽比为1.8%。然后设计了2014年抽样试验,采用和2013年抽样试验相同的方法,不同是遥感样本为高分一号16 m影像(抽样比4.8%),抽样结果与美国农业部统计数据对比的误差为5.1%。结果表明:在美国大豆的生长季节内,高分一号16 m影像具有保证美国大豆面积抽样调查的覆盖能力。该试验可为作物面积空间抽样调查方案设计提供参考。     

基于新遥感数据源的县域冬小麦种植面积提取

Landsat-8卫星的成功发射为农业遥感提供了新的重要数据源。以虞城县为研究区域,探讨基于Landsat-8影像估算县域冬小麦种植面积的可靠性,讨论不同分辨率影像的提取精度。选取冬小麦起身生拔节长期的影像以最大程度的扩大冬小麦与背景地物的波谱差异,根据波谱特征构建提取冬小麦种植面积的决策树模型。结果表明：与统计数据对比,使用30 m空间分辨率影像提取的精度为96.30%,使用15 m空间分辨率影像提的取精度达到99.17%,该方法可为县域冬小麦面积提取提供技术支撑。     

基于物候特征参数的橡胶树种植信息遥感提取研究?

为了更好地监测橡胶树的生长状态,客观准确地获取橡胶树的种植的地理位置信息,采用非对称高斯函数对海南岛内MODIS EVI时间序列数据进行滤波处理,定义作物物候特征参数并计算海南岛每个像元的特征参数值;统计分析基于MODIS EVI数据的海南岛橡胶树样区作物关键物候特征参数值变化规律;根据橡胶树样区特征参数值变化规律建立海南岛橡胶树种植信息提取算法,提取结果采用不同比例的橡胶树混合像元分类法表示。根据提取算法对海南岛2011年橡胶树种植信息进行提取,用验证数据对该提取算法进行精度检验与实用性评价,检验结果显示该算法的平均分类精度达85.97%,可以用来提取橡胶树种植信息。