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MODIS时序数据物候特征下的多源遥感玉米提取

为解决农作物遥感分类易混淆的问题，准确获取玉米种植结构信息，提出了一种能够充分利用高时间分辨率和中高空间分辨率数据优势的多源遥感数据玉米提取方法。以沈阳为研究区域，利用S-G滤波重构MODIS-EVI时序曲线提取物候特征，同时利用EVI转换模型平衡Landsat-8、Sentinel-2、GF-1与MODIS之间的EVI差异构建了30 m分辨率的时序数据，采用决策树方法，基于MODIS物候特征对多源时序数据分类，逐层掩膜水稻、大豆等易混淆地类获取玉米提取结果，并采用决策树与混合像元分解结合的方法进一步提高玉米提取结果的精度。结果表明：基于多源转化遥感数据的决策树分类总体精度与Kappa系数分别为92.27%和0.8825，相较于CART决策树、随机森林、最大似然法，其分类总体精度和Kappa系数均有较大幅度的提高，相较于数据未经模型转换的决策树分类的总体精度和Kappa系数分别提高4.59个百分点和0.0663。决策树分类后结合混合像元分解的玉米提取总精度提高至95.98%，玉米分类精度得到进一步提高。     

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

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CART决策树的自然保护区植被类型分布研究

目的针对保护区监测需求，充分发挥GF-1 WFV影像的宽幅特点和面向对象、机器学习算法在遥感影像分类中的优势，提高保护区植被类型遥感监测的精度，为保护区管理决策提供依据。方法以甘肃省白水江国家级自然保护区为研究区，主要数据源包括GF-1 WFV多光谱数据、Landsat-8 OLI遥感数据、DEM数据、野外调查数据等。首先，对GF-1 WFV数据进行多尺度分割，将研究区划分为诸多区域性的分割对象；然后，以分割对象为基本单元，研究光谱特征、几何特征、纹理特征不同组合情况下，基于CART决策树分类的结果；最后，利用训练样本建立基于TTA的精度检验，并基于混淆矩阵对分类结果进行分析。结果在多尺度分割过程中，形状因子、紧致度分别设置为0.2和0.5时地物边界显示较好；当形状因子和紧致度固定时，研究区最佳分割尺度为40。精度检验结果表明，基于CART决策树的保护区植被类型分类结果整体精度均在83%以上，Kappa系数在0.80以上，优于最邻近分类法和支持向量机分类算法，其中基于光谱特征、几何特征、纹理特征的CART决策树分类结果精度最高，总体精度为85.18%，Kappa系数为0.832 2，优于光谱特征分类、光谱特征结合几何特征分类的方法。结论基于CART决策树算法和面向对象方法的GF-1遥感影像分类方法适用于保护区植被类型分布研究，可有效辅助保护区监测工作。      

基于分类回归树分析的棉花种植面积提取——以库、新、沙三县为例

以研究区2012年的HJ卫星CCD影像为数据源,通过物候历和主要农作物的光谱特征分析,确定棉花识别最佳时相。采用分类回归树分析(CART)的决策树方法提取棉花种植面积信息,并以农田实地调查样点和统计数据为参考对提取的棉花种植面积结果进行评价。结果表明,基于HJ-CCD数据,使用CART算法的决策树可以较好地提取棉花覆盖信息,最终提取的棉花种植面积总量精度为94.29%,位置精度为88.57%;本研究采用的决策树方法,操作方便、容易实 现,分类结果较为实际,基本满足棉花种植面积遥感监测的需求,可对棉花种植面积估算和种植结构分析提供一定的参考。     

基于GF-1与Landsat8 OLI影像的作物种植结构提取——以新疆阿克苏地区为例

作物种植结构监测和估产是精准农业遥感应用的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。本文以新疆阿克苏地区为研究区,以2016年多时相Landsat8 OLI和GF-1影像为数据源,基于物候信息、时相特征、积温和光谱特征确定农作物识别关键时期和特征参数,构建决策树分类模型,开展作物种植结构监测研究。结果表明:多源与多时相遥感数据可以反映不同农作物的季相特征,研究中所构建的决策树分类模型能够在大区域范围内高精度地实现作物分类,总体精度达83%,Kappa系数为0.77。与统计数据对比,棉花面积精度在85%以上,玉米为81%,小麦为80%以上,水稻达80%以上。因此,利用Landsat 8和GF-1影像在大区域提取农作种植结构是可行的,为今后遥感在农业上的应用提供一个广阔前景。     

多时相MODIS影像的浙江省水稻种植面积信息提取方法研究

    为准确获取水稻种植面积,以浙江省为研究区,利用8 d合成MODIS陆地表面反射率数据的特点和水稻典型物候特征,选取水稻种植前的休耕期、秧苗移栽期、生长期和成熟期等多时像MODIS地表反射率影像数据,通过归一化植被指数、增强植被指数及利用对土壤湿度和植被水分含量较为敏感的短波红外波段计算得到的陆地表面水指数进行水稻种植面积信息获取,将提取结果同现状水田与MODIS影像共同提取的数据以及浙江省统计年鉴数据进行对比分析.结果表明,利用MODIS影像的8 d合成地表反射率数据进行平原区域水稻种植面积提取,精度可达90%以上.因此,采用MODIS影像数据进行平原区域水稻遥感监测可以为政府决策部门提供信息服务.     

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。     

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。     

高分六号遥感数据在有林地识别中的应用

精准农业观测卫星-高分六号卫星(GF6)增加了4个特殊波段,更加有效地反映了植被特有的光谱特性,为植被应用研究提供更为详细的地物光谱信息。为了分析GF6数据在植被识别能力上的优越性,比较了GF6号新增波段(红边1、红边2、黄边、紫边波段)和高分数据传统波段对有林地识别精度的影响。结果表明:GF6新增波段对有林地快速识别的精度达到97.67%,Kappa系数为0.95,比GF数据4波段对有林地的识别精度提高了3.35%,Kappa系数提高了0.08。CART自适应特征和阈值选择决策树算法比人工决策树分类算法对有林地识别精度有显著增加,精度由88.81%提高到97.67%,Kappa系数由0.78提高到0.95。GF6数据新增特殊波段结合CART自适应特征和阈值决策树算法对有林地具有快速优越的识别能力。     

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.     

基于多时相GF-1WFV 数据的南方丘陵地区甘蔗种植面积提取

南方丘陵地区甘蔗种植具有分散、形状多样等特点,利用中低分辨率遥感数据提取甘蔗种植面积时,数据的有效性和精度都难以满足要求。利用高分辨率GF-1WFV 遥感数据,分析比较甘蔗与其他地物类的光谱特征、纹理特征及植被指数时间变化差异,采用多时相迭代方法构建甘蔗提取特征向量决策树模型。利用该模型提取了广西江州区的甘蔗种植面积,经野外实地调查验证,甘蔗面积提取的用户精度为90.13%,生产精度为88.78%,表明GF-1WFV 数据是复杂地形下提取甘蔗等农作物的潜力数据源,该提取思路可以为在全国范围内不同地区了解甘蔗种植情况,进行甘蔗长势监测和产量估测提供技术参考。     

基于多时相GF-1WFV 数据的南方丘陵地区甘蔗种植面积提取

南方丘陵地区甘蔗种植具有分散、形状多样等特点,利用中低分辨率遥感数据提取甘蔗种植面积时,数据的有效性和精度都难以满足要求.利用高分辨率GF-1WFV遥感数据,分析比较甘蔗与其他地物类的光谱特征、纹理特征及植被指数时间变化差异,采用多时相迭代方法构建甘蔗提取特征向量决策树模型.利用该模型提取了广西江州区的甘蔗种植面积,经野外实地调查验证,甘蔗面积提取的用户精度为90.13％,生产精度为88.78％,表明GF-1WFV数据是复杂地形下提取甘蔗等农作物的潜力数据源,该提取思路可以为在全国范围内不同地区了解甘蔗种植情况,进行甘蔗长势监测和产量估测提供技术参考.     

基于高时空分辨率遥感数据协同的作物种植结构调查

[目的]充分发掘遥感影像的空间、时间和光谱等特征谱信息,探索地块基元支持下的多源遥感数据作物种植信息自动识别方法,为作物种植结构信息的快速、精细化调查提供借鉴.[方法]以广西扶绥县为研究区,通过对高空间分辨率影像的多尺度分割和对象廓线编辑,提取精细农田地块信息;以地块为基元获取覆盖作物生育期内的时序光谱特征;基于时序光谱及其变化定义与作物长势状况相关的描述参量,形成静态光谱与动态过程特征结合的多维特征空间,结合作物的物候节律特征构建作物种植信息提取模型,实现主要农作物种植结构信息的提取.[结果]依据上述方法绘制出广西扶绥县甘蔗、水稻和其他作物农田及草地、林地、水体、城镇建设用地等的精细地块图,其中,提取广西扶绥县甘蔗和水稻作物的总面积分别为82420.01和6806.67 ha,作物提取的总体分类精度为86.8%,Kappa系数为0.84.[结论]提取的广西扶绥县作物种植结构的成果满足使用精度要求,可为精准农业补贴投放、农业灾害定损等政策制定提供依据,而技术方法对于作物种植结构信息的快速、精细化调查具有借鉴意义.     

基于高空间分辨率卫星影像的新疆阿拉尔市棉花与枣树分类

【目的】 枣树和棉花是新疆地区的两大优势作物。利用高空间分辨率遥感影像对作物进行识别,更加快速、准确地获取枣树和棉花的种植面积及其分布区域,以利于相关部门政策的制定及农作物的精确管理。【方法】 本文以新疆阿拉尔市主要农作物为研究对象,运用基于像素与面向对象的遥感影像分类方法,通过比较光谱角制图（SAM）、支持向量机（SVM）、CART决策树（DTs）、随机森林（RF）这4种机器学习算法在高空间分辨率卫星影像分类中的作物识别精度,探究影像获取时期（2016-05-10、2016-09-07、2016-10-08）及面向对象的信息提取技术对作物分类精度的影响。【结果】 5月份影像（即棉花覆膜期影像）作物分类精度最高,10月份影像次之,9月份影像最差;与基于像素的作物分类方法相比,面向对象的作物分类方法可以使各时期的作物分类总体精度得到一定提高（除SAM之外）,各时期分类精度分别提高了4.83%、7.77%、7.22%,最高分类精度分别为93.52%（2016-05-10）、85.36%（2016-09-07）、88.88%（2016-10-08）,均实现了较好的作物分类效果。【结论】 5月份（棉花覆膜期）影像对棉花和枣树分类效果最好,该时期的棉花被地膜覆盖,且枣树表现出明显的植被光谱特性,两种作物生长早期呈现出差异化的光谱特征,因此棉花和枣树的遥感识别应在作物生长早期进行;面向对象的分类方法可以综合运用光谱、纹理及空间信息,特别是纹理信息的加入,可以取得比基于像素方法更高的分类精度,且提供一种高效提取田块边界的手段,对当地农田信息化管理具有重要应用价值。在棉花和枣树识别过程中,纹理特征的重要性高于光谱和空间特征,红光和绿光波段在所有波段中对棉花和枣树的识别贡献最大。