农作物种植面积遥感提取研究进展

介绍了农作物种植面积遥感提取方面的研究进展,新算法包括：选择多时相数据、多源遥感数据;GIS辅助等手段,并指出采用中分辨率与低分辨率数据相结合的测量方法是获取作物种植面积的主要趋势之一。     

基于SVM的农作物种植结构遥感提取研究

随着国家振兴农业口号的提出,我国农业现代化又将迎来一个新的历史机遇。高精尖的现代化科技对于农业发展必不可少,支持向量机(SVM)是比较成熟的算法。研究证明,在ENVI中合成此算法作为分类器应用于遥感影像分类可提升遥感影像解译精度,节省人工以及降低获取数据的成本。     

高分辨率卫星遥感在引黄灌区农作物种植结构调查中的应用

针对当前宁夏引黄灌区灌溉管理工作的需要,以高分辨率卫星遥感影像为基础底图,结合实地调查,查清了灌区农作物种植结构的分布和面积情况,为进一步实施灌区农业种植结构优化调整、节水灌溉及水量调度管理等工作提供科学依据和基础资料.     

气候变化对农作物种植结构的影响

全球范围内的气候变化给农作物的种植和生产带来了很大的影响。我国是农业大国,研究分析气候变化对农作物的种植生产具体产生了什么样的作用,对保证我国的粮食产量和农作物质量有着非常重要的意义。文章将重点讨论气候变化对云南省农作物种植结构的影响。     

湖北省农作物种植结构区划

采用定性与定量相结合的方法,利用湖北省近5年来农作物播种面积数据以及相关的自然、社会、经济数据,对湖北省农作物种植结构进行区划。将湖北省农作物分为2级区划,包括鄂东南低山丘陵湿润水稻主作区、鄂北低山丘岗半湿润水旱兼作区、鄂西北山地半干旱旱作物区、鄂中平原半湿润水旱兼作区、鄂西南山地湿润水旱兼作区等5个一级区划分区和武鄂黄蔬菜-水稻-油料作区等13个二级区划分区。     

遥感技术在农作物种植结构的研究现状

农作物种植结构信息是农业生产管理和决策的重要基础,遥感技术在此领域的应用逐渐成为研究热点。以遥感数据源、分类特征变量和分类算法为论述框架,首先介绍了不同的遥感数据源,然后从分类特征变量和分类算法两方面对遥感数据源在农作物种植结构提取中的应用现状进行综述,最后展望未来遥感发展方向。有利于提高农作物种植结构信息提取的精度和效率,为农业高效发展和乡村振兴提供重要支持。     

单双季水稻遥感制图研究进展

【目的】 单双季水稻面积分布和时空变化监测对于农作物种植结构调整、国家粮食安全保障以及气候变化研究等具有重要意义。【方法】 文章概括了单双季水稻遥感提取的理论基础;采用文献综述的方法,从单双季水稻识别的遥感数据源、样本获取方法和模型构建等3个方面重点评述了不同遥感制图方法的特点及应用情况;总结出单双季水稻制图面临的挑战,并展望了未来单双季水稻遥感提取研究的发展方向。【结果】 （1）微波遥感影像是弥补多云雨区域光学遥感影像不足的重要数据源;（2）传统实地采样或目视解译难以满足大区域单双季水稻遥感制图和年际更新需求,农作物样本自动生成策略以及面向有限样本的制图方法在应对上述问题方面具有潜力。（3）现有单双季水稻遥感制图方法可分为基于关键物候特征的决策树模型、时间序列光谱相似度匹配、机器学习以及深度学习4类。【结论】 未来单双季水稻遥感提取将以大区域、长时序产品生产和动态监测为目标,重点围绕样本自动化获取、多源数据协同利用、高精度分类模型设计以及时空迁移策略构建等方面开展深入研究,以切实满足农业生产管理实际应用需求。     

作物种植面积遥感提取方法的研究进展*

 农作物种植面积监测是遥感估产的关键技术之一。回顾和总结了国内外利用遥感数据进行农作物种植面积提取的方法,重点分析了遥感影像分析方法的进展以及大面积作物种植面积提取两个方面,对农作物种植面积遥感提取的发展方向作了简要评述。     

基于VOSviewer的农作物遥感制图研究的文献特征与热点演变分析

[目的]作为农作物长势监测、产量估测和灾害评估的基础,及时、准确获取农作物空间分布信息对农业生产管理、农业可持续发展及国家粮食安全等具有重要意义.[方法]文章从农作物遥感制图的研究热点和前沿出发,基于Science Citation Index Expanded(SCIE)和CNKI数据库,利用VOSviewer软件对...     

多源遥感数据协同的地块级农作物精细提取

【目的】 针对云南省大理市耕地地块不规整、破碎且农作物空间种植结构复杂的特点,结合多源数据在时间和空间分辨率的优势,达到准确地提取农作物信息的目的。【方法】 协同BJ-2数据和Sentinal-2数据进行农作物精细信息提取。首先,利用空间分辨率较高的BJ-2数据进行面向对象的图像分割,获得农作物地块信息;其次,在农作物物候规律分析的基础上,通过标准差分析获得关键时相,利用相应时间分辨率较高的Sentinal-2数据获取农作物地类信息,实现基于地块的小春农作物的快速精细提取。【结果】 采用实地调查地块真值与提取地类生成混淆矩阵进行精度验证,总体精度和Kappa系数分别为87.4%和0.83。其中,连片种植的农作物如蚕豆和马铃薯提取精度较高,地块细碎且内部种植结构复杂的作物提取精度略低。【结论】 多源遥感数据协同的农作物提取方法,通过高分辨率影像上获得的对象分析单元能很好地对单一地块中的农作物空间特征进行统计分析,很大程度上弥补了中分辨率影像由于分辨率偏低所导致的混合像元处错分的不足;不仅能从耕地地块级别获得农作物种植结构,更直观地反映农作物种植,能有效提升农作物提取的精细化程度,有利于精细化的农作物种植结构管理。     

综合样本、特征和分类器多要素的作物分类对比研究

【目的】 利用遥感技术能够大范围快速提取作物的空间分布信息,其精度是由样本、特征、分类器等多要素共同决定的。当前研究主要关注单要素和双要素的对比分析,缺少多要素的作物分类对比研究。文章旨在为目标区域的作物识别任务选择分类要素,获取高精度的作物空间分布信息提供参考和依据。【方法】 该文基于“MAP杯”数智农业大赛作物识别项目,收集了2021年湖北枝江区域的13份作物分类结果以及2022年山东桓台区域和湖北枝江区域的14份作物分类结果,通过构建的分类要素体系对比了样本、特征、分类器要素及其组合的精度差异,并按不同的作物类型进行了一致性评价。【结果】 （1）2021年和2022年作物识别项目中使用最多的多要素组合均为目视解译样本—“光谱波段+植被指数”特征—机器学习分类器;（2）平均精度最高的分类要素分别为实地采集样本、高层特征以及机器学习分类器;（3）玉米、小麦等主粮作物的空间分布一致性较高,油菜等经济作物以及复合种植的作物类型的空间分布一致性低,是区域作物制图的难点。【结论】 时空迁移样本—高层特征—深度学习分类器的要素组合未来仍存在较大发展潜力。     

基于迁移学习的嫩江市主要农作物遥感分类

【目的 】机器学习模型在农作物分类研究领域有着较高精度,但如何利用历史样本用于当前时间的作物分类是一个难点。迁移学习的核心思想在于找到已有数据与新数据之间的相似性,文章旨在探索迁移学习方法使用历史样本进行作物分类的可靠性。【方法 】该文以嫩江市为研究区域,基于实地采样数据与遥感数据,用随机森林（Random Forest,RF）分类器,结合多种遥感指数,对2020—2021年嫩江市玉米与大豆种植区域进行分类;利用动态时间规整方法,以2020—2021年实地采样数据生成2022年的分类样本,用RF对2022年嫩江市的玉米与大豆种植区域进行分类。【结果 】（1）对2020—2021年玉米与大豆种植区域进行分类,RF的平均总体精度达到97.8%。（2）对动态时间规整方法生成的2022年玉米与大豆种植区域进行分类,RF的总体精度达到87.5%。【结论 】基于迁移学习的作物识别方法达到较高精度,具有实践意义,可提高历史时期样本的利用效率。     

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。     

农业遥感技术发展新需求与新挑战

【目的 】农业遥感是中国农业现代化发展的重要技术手段,随着空天遥感技术不断发展,农业遥感步入了快速发展阶段。在中国农业现代化建设的新时期,明确农业遥感发展的新需求和新挑战对于推动农业遥感新发展,更好地服务中国农业现代化具有重要意义。【方法 】文章采用文献综述和总结凝练的方法,回顾和概述了农业遥感技术的发展历程,分析了当前农业遥感发展现状。在中国农业现代化建设新时代背景下,基于国家战略需求提出了当前农业遥感技术发展的新需求,分析了农业遥感技术发展的新挑战。【结果 】（1）当前农业遥感研究覆盖了种植面积提取、长势监测、产量预测、农业气象灾害监测、病虫害监测和气象、土壤等农业环境监测等内容,农业遥感逐渐向更准确、更及时、更自动的方向发展。（2）新时代背景下,农业遥感的新需求主要体现在智慧育种、耕地保护和精细农作等方面;新挑战则主要表现在农业遥感监测层级由表层植被/土壤向根层根系/土壤的发展、遥感观测的时间间隔由周期观测向近实时观测演进、遥感观测尺度由单一尺度向多尺度耦合发展以及遥感观测落脚点由传统的观测结果呈现向实际决策应用的转变。【结论 】农业遥感技术发展新需求和新挑战的提出将有助于研究人...     

基于无人机可见光图像的作物分类研究

【目的】采用无人机遥感技术对作物进行分类识别,为及时获取农田信息、制定农田管理策略及产量估测提供技术支持。【方法】采用无人机遥感平台,获取试验区域玉米、桃树、菜花、大豆的可见光正射影像;利用HSV色彩空间转换和纹理滤波,获取不同地物的24项纹理特征与3项色彩特征。分别通过ReliefF算法及基于支持向量机的递归特征消除算法(support vector machine-recursive feature elimination,SVM-RFE)进行特征选择与分类,建立6种监督分类模型,利用得到的特征子集对其进行训练,对各模型分类效果进行精度评价。【结果】由SVM-RFE特征子集训练的6种监督分类模型测试集的分类精度均高于80%,分类精度平均提高5.023%,优于ReliefF特征子集训练的监督分类模型,其中SVM-RFE特征子集与支持向量机模型组合对作物的监督分类效果最佳,总体精度达83.417%,Kappa系数为78.60。【结论】基于无人机遥感技术的作物分类识别是可行的。