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。     

融合主被动遥感影像的冬小麦种植面积提取研究

为了快速、准确地获取作物分布信息,探索使用主动遥感影像（Sentinel-1A）和被动遥感影像（Sentinel-2）提取冬小麦空间分布的可行性。首先,根据冬小麦的物候特征,合成冬小麦全生育期的Sentinel-1A影像;并依据各类地物的NDVI（归一化植被指数）时序曲线合成一期高质量的冬小麦越冬后Sentinel-2影像。其次,设计Sentinel-1A影像、Sentinl-2影像和融合Sentinel-1A与Sentinl-2主被动遥感影像3种分类方案,然后在Google Earth Engine(GEE)云平台上基于随机森林算法对冬小麦进行分类。结果表明,基于全生育期Sentinel-1A影像的冬小麦用户精度和生产者精度分别为83.15%和86.44%,提取结果中存在较多的“椒盐”噪声;基于冬小麦越冬后Sentinl-2影像的冬小麦用户精度和生产者精度分别为87.98%和84.75%,提取精度较使用全生育期Sentinel-1A影像有所提高,但分类结果受“异物同谱”的影响,产生许多错分;融合主被动遥感影像的冬小麦用户精度和生产者精度分别为96.57%和95.48%,相较于仅使用单...     

基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取

遥感技术能够获取大区域下冬小麦的空间分布，为冬小麦估产提供良好基础。基于2020年5月4日的高分2号多光谱卫星影像，构建包含光谱特征和植被指数的数据集，并通过改进UPerNet模型的上采样结构、激活函数以及增加注意力模块来优化模型提取冬小麦效果。选取杨凌示范区2块地物类型丰富地区作为研究区域，以此探究方法的可行性；然后基于最优方法，提取杨凌区冬小麦种植区域。研究区域结果表明，与仅使用光谱信息作为模型输入特征相比，基于多光谱和植被指数的分类效果更好。在融合光谱特征和植被指数的数据集上，改进的UPerNet模型分类精度最高，冬小麦提取精度为97.78%,总体分类精度相比于改进前的UPerNet提升了2.49%,对比DeepLab V3+提升了3.48%。基于改进方法，实现了杨凌示范区的冬小麦种植区提取；通过实地调查以及对比统计年鉴数据的方式，验证了杨凌示范区冬小麦空间分布与实际情况基本一致。改进后的UPerNet模型能够有效区分遥感数据中的地物类别，提升冬小麦种植区域提取精度，也为基于卫星影像获取冬小麦空间分布提供了技术支持。     

基于OLI影像的县域冬小麦种植面积提取

以河南省虞城县为研究区域,筛选冬小麦分蘖期至拔节期内的3期(分蘖期、越冬期、拔节期)高质量OLI遥感影像,进行辐射定标及FLAASH大气校正,以便将影像DN值转算为地表反射率,并利用全色波段进行影像融合处理以提高空间分辨率。以归一化差异水体指数(NDWI)、归一化差异建筑指数(NDBI)、归一化差异植被指数(NDVI)为基础,结合外业调查数据构建决策树模型,3期影像中NDWI大于0的像元为水体,NDBI大于0的像元为居民地,NDVI分别大于0.59、0.52、0.65的像元为冬小麦纯净像元,NDVI分别小于0.49、0.44、0.56的像元为其他地物,剩余部分为冬小麦混合像元,通过实地调研确定将混合像元面积折算为冬小麦实际种植面积的权重为0.46,最后计算虞城县冬小麦的实际种植面积。结果表明,冬小麦分蘖期至拔节期是遥感监测冬小麦种植面积的最佳时期,3期影像提取的2014年虞城县冬小麦种植面积分别为76 238.79 hm2、77 406.65 hm2、77 397.82 hm2,与往年统计数据和样地实测数据相比,精度达到了99%。     

基于决策树的大尺度复杂地区夏收作物遥感提取与分析

以甘肃省为研究区,基于时序Sentinel-2卫星影像数据,计算归一化植被指数(NDVI)和黄度值,采用决策树(Decision trees, DTs)方法提取研究区的主要夏收作物小麦和油菜种植面积,并对比分析其精度。利用此方法得到甘肃省小麦和油菜作物识别的平均总体精度达到87.4%,其中,甘肃省中部地区平均总体精度为92.4%,河西地区平均总体精度为87.7%,东南部地区平均总体精度为82.0%。研究结果表明,基于Sentinel-2卫星影像数据采用决策树方法进行大尺度复杂区域、高分辨率作物种植面积提取具有可行性。     

基于NDVI时间序列数据的冬小麦种植面积提取

归一化植被指数(NDVI)是利用遥感技术提取作物信息的重要指标,其时序曲线能反映植被的生长变化,在农作物种植面积信息提取上有较大优势。以河北平原为研究区,利用空间分辨率250 m的MODIS NDVI数据提取2011—2016年冬小麦种植面积。首先利用HANTS滤波建立NDVI时序曲线,结合区域物候信息和种植模式,提取冬小麦种植像元。因MODIS影像空间分辨率较低,结果受混合像元影响大。运用像元二分模型分解混合像元,计算单一像元冬小麦覆盖度进而计算研究区冬小麦种植面积,并利用Landsat数据对结果进行验证。结果表明,利用时间序列谐波分析法(HANTS)滤波和像元二分模型相结合可提高冬小麦种植面积提取精度,总体分类精度达90%以上;2011—2016年河北平原冬小麦种植面积总体减少,其中河北平原北部和山前平原冬小麦面积缩减,近海平原呈增长趋势。     

基于近地遥感的冬小麦生物量动态监测方法

为探寻准确高效的冬小麦生物量动态监测方法,以2018—2020年SRS-NDVI观测仪监测数据为基础,将冬小麦生物量观测数据以返青期为界分为两个阶段。选取归一化植被指数(NDVI)、比值植被指数(RVI)、差值植被指数(DVI)、增强型植被指数(EVI2),计算逐日累积植被指数(CVI)并分别进行曲线拟合分析,建立回归模型,研究各植被指数与实测冬小麦生物量之间的关系。结果表明:冬小麦播种至返青期,最优模型为二次多项式,基于NDVI的累积植被指数模型估测精度最高,y=-0.0479x~2+7.0481x-25.5040,R~2为0.9829,均方根误差(RMSE)为9.61,平均相对误差(MRE)为10.51%;冬小麦返青至成熟期,最优模型为幂函数,最佳估测模型仍为基于NDVI的累积植被指数模型,y=0.0126x~(2.3938),R~2为0.9553,RMSE为150.25,MRE为10.22%。因此,基于NDVI的累积植被指数是冬小麦生物量动态监测的最佳方法,可为作物自动化观测提供新的思路和方法。     

基于Sentinel-2多时相影像的果树种植区遥感提取

为提取果树的空间分布信息,以果树生长期内不同月份的Sentinel-2多光谱遥感影像为数据源,以大沙河流域果树为研究对象,通过分析不同月份的光谱信息得出最佳监测时期,并在此基础上,选择不同时期的5种植被指数[归一化植被指数(NDVI)、比值植被指数(RVI)、增强型植被指数(EVI)、结构密集型色素指数(SIPI)和归一化水指数(NDWI)],结合机器学习技术构建决策树提取模型。结果发现,3、4、7、8月份的影像适于果树面积提取。通过Feature_importances_属性筛选出贡献度高的不同时期的植被指数作为输入特征,结合超参数学习曲线和网格搜索技术确定决策树模型的Max_depth和Min_samples_leaf参数分别为5和10时模型的效果最佳。参数调整后绘制决策树模型,模型在训练集和测试集上的精度分别达到了0.919 4和0.875 1。提取结果表明,研究区内的果树主要种植在大沙河两岸,东部与西北部的果树种植地块较为零碎,总的果树种植面积为6 838 hm²。在验证样本的基础上,通过混淆矩阵计算提取结果的精度,结果显示,Kappa系数为0.87,果树种植区提取的用户精度和制图精度分别为92.91%和90.77%。结果说明,本文所提出的方法适用于大区域果树的遥感提取,可为基于中高分辨率遥感影像的果树种植区监测提供有效的技术手段。     

基于星机遥感数据的阴影影响下冬小麦覆盖度估算

遥感影像中阴影的存在对植被覆盖度提取精度具有重要影响.本文以处于拔节期的冬小麦麦田为研究区,基于无人机多光谱影像和Sentinel-2卫星影像,结合NDVI、SVI、VDSEVI和NDCSI 4个植被指数与像元二分模型方法、阈值法2种植被覆盖度提取方法,研究有阴影情况下大田冬小麦覆盖度估算的最佳植被指数和提取方法.结果...     

2009年江苏省冬小麦和水稻种植面积信息遥感提取及长势监测

以中国农业遥感监测系统(CHARMS)大尺度业务运行作物长势监测需求为实际驱动力,进行基于遥感影像全覆盖的大尺度农作物类型遥感综合自动识别的方法研究,通过分析2009年江苏地区冬小麦和水稻的种植结构、物候历特征及其生物学特性和时序NDVI曲线特征,确定冬小麦和水稻信息提取的NDVI阈值,建立不同作物面积提取模型,并最终获取了2009年CHARMS中江苏冬小麦和水稻长势监测所需的作物空间分布,并与多年平均统计数据比较,总体精度分别达到了78%和85%以上,基本可以满足农情业务化需要.其次,基于面积识别的结果,利用目前长势监测中应用最广泛的归一化植被指数NDVI对江苏2009年冬小麦和水稻长势进行监测,并用差值模型,与近5年长势的平均状况进行对比研究.结果表明,2009年江苏冬小麦和水稻长势均呈现"前期较好,中期变差,后期恢复"的趋势;空间分布上,淮北和苏中地区冬小麦全年长势较多年平均稍差,而水稻长势较差的地区主要分布在苏南地区.     

水稻极化散射特征分析及稻田分类方法研究

通过对江苏省洪泽试验区2004年获取的多时相、多极化雷达卫星(Envisat)数据分析,从图像上提取后向散射系数,建立了水稻生长模型,分析了不同极化方式的水稻后向散射特征。利用该试验区同年获取的气象卫星(NOAA)数据,提取水稻的归一化植被指数(NDVI),分析了其与水稻后向散射系数之间的相关性。最后,根据水稻的多极化后向散射特征和获取的多时相雷达数据,利用阈值法提取稻田信息,识别精度达90%以上。结果充分说明利用多时相、多极化雷达卫星数据对水稻长势监测及面积提取具有明显的优势和潜力。     

多时相高分一号影像在丘陵地区大宗农作物提取中的应用

【目的】基于多时相的高分一号(GF-1)影像,利用面向地块对象分类法提取广西崇左市江州区大宗农作物种植面积,为南方多云雨丘陵地区提取作物信息提供参考。【方法】以2 m分辨率的GF-1影像为数据源,采用人机交互的方式准确识别地表覆盖的地块信息,基于对多时相GF-1影像进行云影检测,并处理生成影像的光谱、归一化植被指数(NDVI)、亮度等特征,采用面向地块对象的分类方法提取甘蔗、水稻和香蕉的作物信息。【结果】根据混淆矩阵评价分类的结果可知,提取大宗农作物的总体精度为90.08%,Kappa系数达0.85,满足农业成果应用的精度要求。【结论】利用有效影像数据,结合地块数据完成作物信息提取,该技术方法能够准确提取丘陵地区大宗农作物信息,为解决南方多云雨丘陵地区提取作物信息难题提供了有效途径。     

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。     

基于多时相 Sentinel-2 卫星数据的农作物分类研究

【目的】探究研究区农作物分类最佳时相;结合遥感指数探究一种有效的多时相分类方法,提取主要农作物种植分布情况。【方法】基于多时相Sentinel-2卫星数据,采用支持向量机的分类方法对不同时相进行分类,对比分类精度;融合时间序列的NDVI、MNDWI指数之后采用支持向量机的方法进行分类,之后分别利用MNDWI和CI指数结合决策树的分类方法提取水域和田埂。【结果】7月份的分类效果最好,总体精度达到91.05%,Kappa系数达到0.8518;通过时相数据不同组合的分类精度比较,采用3—10月NDVI数据叠加后分类的效果较好,总体精度达到92.25%,Kappa系数达到0.8736;对比3种不同分类方法,以支持向量机的分类结果精度最高,总体精度达到94.19%,Kappa系数达到0.9024。【结论】7月份是研究区农作物分类的最佳时相;多时相分类精度明显高于单景数据分类;结合多时相NDVI、MNDWI、CI 3种遥感指数进行分类可以有效提取研究区主要农作物的种植分布情况。     

基于光学与雷达遥感的山地油菜分布提取研究

通过对Sentinel-2光学影像主成分特征波段、植被指数和多时相Sentinel-1 SAR不同极化散射特征波段构建多种地物特征影像集组合,基于支持向量机分类(SVM)算法对重庆市合川区2019年产季冬油菜分布进行识别提取精度分析.结果表明:植被指数可以大幅度提高油菜作物分布提取的制图精度,基于红边波段的植被指数要比传统的近红外波段对改善油菜提取的制图精度更加有效,制图精度提高4.5%;在一定程度上,多时相极化SAR数据VV-VH特征组合可以替代光学影像用于丘陵山地地块破碎地区油菜种植分布信息的提取,油菜制图精度提高15.74%,融合绿熟期油菜作物光学特征和同期SAR散射特征的波段组合因冠层角果含水量增加,油菜作物雷达散射特征加强,油菜制图精度由46.07%提高到66.29%,总体精度提高到60.40%.在光学影像主成分特征与多时相SAR散射特征下,油菜制图精度提高到70.79%,用户精度提高至85.14%,总体精度提高10%左右.在西南多云雾地区,以时间序列SAR数据为主导,光学影像为补充的方法用于西南丘陵山地作物种植信息提取是一种较为可靠的方法,可为我国西南地区农作物信息提取提供参考.     

基于多时相Sentinel-2遥感影像的江汉平原夏收作物提取方法

以江汉平原潜江市为研究区,选取2017年9月至2018年7月期间12幅Sentinel-2多光谱(MSI)影像,通过分析研究区夏收作物不同生长期的光谱特征和归一化植被指数的时序变化,利用决策树算法提取2017—2018年夏收作物种植面积;将提取结果与最佳时相的多光谱数据面向对象、随机森林算法的提取结果进行对比试验,利用实测数据计算混淆矩阵评价分类精度.结果表明,基于Sentinel-2时序NDVI的面向对象决策树方法的提取精度最高,总体精度为96.47%,Kappa系数为0.951 8.基于Sentinel-2的面向对象决策树分类能够准确而有效地提取研究区农作物种植面积,并直观地反映作物的空间分布格局,为江汉平原地区调整作物种植结构提供依据,也为其他区域精细尺度作物的提取提供参考和借鉴.     

基于像元二分法的冬小麦植被覆盖度提取模型

【目的】快速准确提取冬小麦返青期植被覆盖度信息。【方法】利用无人机获取田间冬小麦可见光图像,提取图像中4种常见可见光植被指数;在像元二分法原理的基础上,分别构建基于差异植被指数(Visible-band difference vegetation index,VDVI)、过绿指数(Excess green,EXG)、归一化绿蓝差异指数(Normalized green-blue difference index,NGBDI)和归一化绿红差异指数(Normalized green-red difference index,NGRDI)的植被覆盖度提取模型,采用支持向量机(Support vector machine,SVM)监督分类结果作为真值对各模型进行精度验证。【结果】4种模型中,利用VDVI植被覆盖度提取模型获取的植被覆盖度精度最高,提取效果较好。与监督分类结果对比,4种植被覆盖度提取模型的提取误差(EF)分别为3.36%、15.68%、8.74%和15.46%,R2分别为0.946 1、0.934 4、0.695 3和0.746 0,均方根误差(RMSE)分别为0.021 9、0.059 5、0.042 0和0.055 9。【结论】采用可见光植被指数结合像元二分法构建植被覆盖度提取模型实现了冬小麦返青期植被覆盖度准确快速提取,为植被覆盖度提取提供了一种新途径,可为无人机遥感监测提供参考。     

基于多时相合成孔径雷达数据的水稻种植面积监测

与光学遥感相比,合成孔径雷达(SAR)遥感能够不受云雨天气影响,为大范围作物种植信息的精准监测提供新手段。本研究以天津市小站稻为例,基于2018-2021年的多时相Sentinel-1A SAR影像,提出了结合小站稻生长特征相似性分析与随机森林分类的水稻种植分布和面积监测方法。首先提取VV和VH极化方式下不同地物的后向散射系数时间序列特征曲线,并利用HANTS滤波来消除噪声影响。然后根据野外调查数据获取小站稻参考生长曲线,构建小站稻相似性指数,筛选出小站稻可能种植区域。最后采用随机森林分类模型提取小站稻种植面积。结果表明,基于多时相Sentinel-1A SAR影像相似性分析及随机森林分类能够获得较高精度的水稻种植面积,VV和VH两种极化方式下提取的水稻种植面积与统计年鉴结果的平均相对误差分别为2.67%和3.80%,总体分类精度分别达到95.52%和93.40%,Kappa系数分别为0.94和0.93;与不引入相似性指数进行分类相比,VV和VH极化方式下引入相似性指数后总体分类精度分别提高4.35个百分点和3.13个百分点,Kappa系数分别提高0.04和0.03,水稻的制图精度分别...     

基于Segformer网络的地块尺度作物种植结构精细化识别与分类

防止耕地“非粮化”、稳定粮食生产是中国粮食安全的基石。为实现地块破碎化地区作物类型及种植结构精细化识别和分类,本研究以江苏省泰兴市为研究区,基于高分辨率遥感影像和多尺度融合特征显著的Segformer语义分割模型,实现地块尺度的耕地信息精细化提取;同时结合多源遥感数据构建主要植被类型归一化植被指数(NDVI)时序曲线及植被生长关键时间节点的光谱反射特征,开展地块尺度的作物种植结构分类。结果表明：基于Segformer模型的分割方法可有效识别耕地,F1系数达92.4%;基于主要植被类型多时相NDVI时序特征及植被生长关键时间节点光谱反射特征的作物种植结构分类方法能够实现地块尺度的种植结构分类,总体分类精度达82.38%。因此,本研究建立的方法可有效实现地块尺度耕地信息的精细化提取及种植结构识别和分类,为耕地保护提供技术支持。     

基于Radarsat-2和环境星的淮河流域冬小麦估产模型比较研究（英文）

建立基于微波和光学卫星影像的农作物估产模型,可对上报作物产量准确性及估产模型精度进行相互验证。应用2014年4月中旬和5月初星载合成孔径雷达(SAR)——RADARSAT-2和同期HJ影像各两幅,选择安徽省寿县和怀远县冬小麦产区,通过试验田产量和反演的雷达影像后向散射系数,以及从环境星计算得到的归一化植被指数(NDVI),建立冬小麦线性估产模型,在此基础上对估产模型精度进行比较:通过星载SAR的同极化HH和交叉极化HV方式建立的估产模型对寿县涧沟镇冬小麦估产精度分别为68.37%和74.01%,对怀远县龙亢镇冬小麦估产精度分别为63.10%和69.10%;通过HJ星建立的估产模型对寿县涧沟镇和怀远县龙亢镇冬小麦估产精度分别为69.52%和66.43%。基于HJ星影像得到的冬小麦估产模型精度和基于SAR得到的估产模型精度接近。模型结果为上报产量准确性、冬小麦估产模型验证、参数纠正及推广奠定基础和积累经验。