基于异源多时相遥感数据提取灌区作物种植结构

用遥感技术提取灌区作物种植结构需要源影像具有适宜的时空分辨率以适应其动态变化特征。该文综合运用多种遥感影像数据,将Landsat ETM+与MODIS NDVI数据融合区分灌区土地利用类型,由融合后的时间系列数据非监督分类结果提取植被指数变化信息,结合作物系数变化规律运用光谱耦合技术提取作物种植结构。根据该方法将漳河灌区作物种植结构区分为水稻—油菜、水稻—小麦、单季夏季作物以及双季经济作物。由地面统计数据和高分辨率IKONOS影像进行了检验,分类精度达到91%并且与统计数据相吻合。结果表明该法不仅能提供更为准确的灌区作物种植结构时空信息,而且节省影像购买成本,方便灌区尺度遥感应用。     

数字高程模型和多时相MODIS数据复合的水稻种植面积遥感估算方法研究

随着搭载在TERRA卫星上的中分辨率成像光谱仪(MODIS)的出现,它以数据丰富、时间分辨率高和覆盖范围广等特点，为水稻遥感估产提供了较好的数据源。该文利用水稻种植易受坡度影响的特性，从数字高程模型(Digital Elevation Models简称DEM)中提取坡度信息，考虑到MODIS能提供多时相及丰富的数据，采用DEM产生的坡度和两个时相MODIS影像数据及植被指数复合提取水稻种植面积，经过比较试验证明，在南方丘陵山区的复杂地形区域,多源信息复合相对于单纯利用单景影像数据可以明显提高水稻种植面积估算的精度。     

基于多时相Landsat数据融合的洞庭湖区水稻面积提取

洞庭湖区作为中国重要的商品粮基地,水稻种植面积的变化对国家粮食安全有重要的影响,准确获取水稻面积及其变化显得十分重要。为解决数据缺失问题,该文利用STARFM(spatial and temporal adaptive reflectance fusion model)模型融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat数据,得到时序Landsat NDVI数据,并利用时序Landsat NDVI数据对水稻种植面积进行提取。结果显示,该方法能够有效地提取水稻种植面积,总体分类精度94.52%,Kappa系数为0.9128。水稻分布几乎覆盖整个研究区,水稻种植总面积达7.88×105hm2。双季稻种植面积为7.75×105hm2,主要集中于湖区北部及西北部,且分布较连续。一季稻种植面积为1.3×104hm2,分布相对零散,有小范围集中于湖区中部及西北部。     

中低分辨率小波融合的玉米种植面积遥感估算

采用中分辨率与低分辨率数据相结合的遥感估算方法是获取大范围作物种植面积的主要趋势之一。在MODIS时序影像和TM影像支持下,采用小波变换融合方法获取30m分辨率的NDVI时间序列信息,构建主要秋季作物的NDVI标准生长曲线,以最小距离分类器进行分层分类,获得河南原阳县玉米种植面积总量信息和空间分布,并以野外实测地块样本进行精度评价。由于充分利用MODIS影像的时间序列优势和TM影像的空间分辨率优势,通过秋季作物之间的物候差异,有效地区分出各种秋季作物的空间分布,基于融合NDVI时间序列信息玉米种植面积遥感估算的位置和面积精度分别达到79%和89%,远高于常规的监督分类,为大范围玉米种植面积遥感估算提供了一种可行的方法。     

利用多源时序遥感数据提取大范围水稻种植面积

为避免大范围作物面积提取中的分区问题,提出了一种新的采用时序MODIS日反射率产品（MOD09GA）和HJ-1CCD数据的大范围水稻种植面积提取方法。利用样区多时相高分辨率HJ-1CCD数据,进行高分辨率水稻制图,获取水稻移栽期和生长期的特征。再利用时序MODIS日反射率产品自动提取移栽期稻田水分信息和生长期生长信息,实现大范围的水稻种植面积测量。以江苏省为试验区对该方法进行了试验,结果表明该方法可以较高精度的测量大范围的水稻种植面积,水稻提取精度为93.3%,Kappa系数0.88。     

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。     

利用MODIS遥感数据监测冬小麦种植面积

冬小麦是中国最主要的粮食作物之一，利用遥感技术进行冬小麦种植面积监测是粮食安全的核心内容之一。美国1999年发射的TERRA卫星上携带的中分辨率成像光谱仪（MODIs）具有独特的光谱、时相和空间分辨率，为大范围的冬小麦种植面积监测提供了可靠的数据源。但中国耕地破碎，即使是250m分辨率的MODIS数据，采用传统的信息提取方法依然无法取得高的精度。因此结合多源遥感数据和GIS数据，建立了基于TERRA／MODIS数据的冬小麦种植面积遥感监测体系结构。首先利用IKONOS米级高分辨率遥感影像提取试验样区的地块图，用以指导野外采样工作；其次，在采样工作基础上，利用LANDSAT进行区域冬小麦种植面积提取；最后利用2002年TERRA／MODIS时间序列数据的混合像元线性分解模型进行河南省冬小麦种植面积的遥感监测，监测结果与国家统计数据相比，相对误差为5．25％，精度能满足农情监测的需要。研究结果为中国冬小麦种植面积遥感监测提供了一种业务化工作方法。     

基于Landsat8 OLI与MODIS数据的洪涝季节作物种植结构提取

洪涝灾害会造成农作物严重受损,因此洪涝季节作物的种植结构是估算洪涝灾害损失、进行防灾减灾措施的必要信息。为了能够快速便捷地提取洪涝季节作物种植结构,该文以湖北省监利县为研究区域,探讨了采用空间分辨率较高的Landsat8陆地成像仪(operational land imager,OLI)影像和时间分辨率较高的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)数据,综合利用多源多时相遥感影像提取中小尺度范围的洪涝季节作物种植结构的方法。首先利用MODIS数据建立作物的归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线,并采用改进后的Savitzky-Golay滤波器对曲线进行平滑处理,然后根据作物的物候特征设定阈值,界定作物种类,进而以此为依据在作物关键生育时期的Landsat8 OLI高清影像中选择合适的感兴趣区域(region of interest,ROI)作为先验知识,使用BP(back propagation)神经网络模型对OLI数据进行监督分类,提取作物种植面积分布。最后利用统计数据与资源三号卫星数据对提取结果进行验证,平均精度达到88%,能够较准确地反映监利县洪涝季节作物的分布情况。该研究可为洪涝灾害损失估算提供可靠基础。     

基于相似性分析及线性光谱混合模型的双季稻面积估算

为了解决大范围水稻种植信息提取时的混合像元问题,以便能够准确及时地获取水稻信息、指导水稻生产、保证粮食安全,该文提出了一种基于相似性分析和线性光谱混合模型复合的水稻提取业务化方法。以江西省为研究区,利用2010年4月15日至2010年10月31日的MODIS合成地表反射率数据(MODIS09A1),计算出时间序列MODIS-EVI指数,运用Savizky-Golay滤波方法对其进行平滑处理减少云等噪声的影响。根据双季稻的生长规律,结合野外调查和HJ-1ACCD2影像,确定双季稻样点,提取出标准双季稻EVI生长变化曲线,构建图像像元相似性指数,然后采用线性光谱混合像元分解模型对疑似双季稻像元进行混合像元分解,获得江西省双季稻种植面积信息的分布情况。结果显示,运用该方法提取的江西省双季稻种植分布情况与实际情况吻合,与江西省2010年统计年鉴中全省双季稻种植面积相比,提取精度为93%,精度较理想,与各地区统计面积相关性较好,R2=0.9659,可以为今后高精度水稻种植信息业务化的提取提供参考。     

基于多时相IRS-P6卫星AWiFS影像的水稻种植面积提取方法

水稻是中国的第一大粮食作物，准确的获得水稻种植面积具有重要的现实意义。IRS-P6卫星数据产品是近年来中等分辨率数据中有广泛应用前景的数据源之一，但是它在农作物种植面积提取方面的应用还有待进一步验证。选取中国典型水稻种植区安徽省怀远县作为试验区，利用2005年6月24日和9月9日的两个水稻典型物候期的IRS-P6卫星AWiFS数据对水稻种植面积识别进行了试验研究，根据两期水稻提取结果进行分区提取得到了较为准确的水稻种植面积。经过与IRS-P6高分辨率LISS-3识别结果进行对比分析，测量结果总体像元精度为88.58%，区域总量一致性为97.63%，略低于高分辨率识别结果。通过试验研究得到以下初步结论：1)利用多时相的IRS-P6卫星AWiFS数据分别分类后结果，进行分区提取的方法可以较精确的提取水稻的种植面积；2)水稻种植面积同样可以利用乳熟期的IRS-P6卫星AWiFS单期影像较准确的获得；3)IRS-P6卫星影像数据在农作物种植面积提取应用中有巨大的应用潜力。     

时序滤波对农作物遥感识别的影响

获取长时序且高质量遥感观测数据是捕捉不同农作物关键物候节律信息,进而获取高精度农作物空间分布信息的关键.受云雨天气影响,卫星遥感易产生低质量观测,其往往不参与或采用时序滤波处理后再用于农作物遥感识别.然而,时序滤波对于农作物遥感识别的影响机制尚未摸清,为高效且高精度农作物遥感制图带来了较大挑战.该研究基于HLS(Har...     

基于时间序列环境卫星影像的作物分类识别

环境星影像具有较高的时间和空间分辨率,利用其时序遥感数据进行作物信息提取优势明显。该文以黑龙江垦区友谊农场作物为研究对象,利用2010年6月至9月共10景HJ-CCD数据进行作物种植分类信息提取。首先,通过SPLINE算法对云影响区域插值去噪,重构时间序列影像数据;其次,通过分析试验区主要作物的光谱和植被指数时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了黑龙江友谊农场大豆、玉米和水稻的种植信息,分类总体精度达到96.33%。同时,将分类结果同基于时间序列植被指数影像的支持向量机和最大似然法分类结果相比较,结果表明,决策树分类效果最好,支持向量机次之,最大似然分类较差。研究表明,通过去云处理后构建的时间序列HJ卫星遥感影像,结合作物的光谱和典型植被指数时序变化特征,借助于决策树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。     

利用STARFM模型提高复杂地表下复种指数遥感提取精度

复种指数是表征耕地利用程度的重要参数。然而，传统方法存在对影像获取条件要求较高，或在地表复杂区域提取精度较低等问题。高时空分辨率数据融合算法（如Spatial and Temporal Adaptive Reflectance Fusion Model, STARFM）能有效地结合不同数据的优势，有望被应用于提高复杂地表区域复种指数的提取精度。该研究以Landsat TM（Thematic Mapper）及MODIS（Moderate-resolution Imaging Spectroradiometer）为数据源，基于STARFM模型，构建了川东丘陵某区域内2010－2011年的Landsat-like 时序NDVI（Normalized Difference Vegetation Index）数据集，进而提取了该区域2010年冬季作物种植区及盐亭县2011年耕地复种指数的空间分布情况。利用目视解译样点（1509个）验证及多尺度（30～4 000 m）验证方法，对不同方法提取的2010年冬季作物种植区进行了对比分析。结果表明：1）在30m空间尺度上，基于Landsat影像分类法的总体验证精度为89.73%，高于基于Landsat-like时序NDVI峰值法的54.94%；2）在250～4 000 m空间尺度上，基于Landsat-like时序NDVI峰值法的总体验证精度比基于MODIS时序NDVI峰值法高3%～7%。利用统计年鉴及调查样点（73个）数据，对基于新方法提取的盐亭县2011年耕地复种指数结果进行了验证，在县域尺度上其与统计数据非常接近；其与调查样点的总体验证精度达到73.97%。综上，基于数据融合算法提高数据源空间分辨率的方式，不仅能够提高复杂地表复种指数结果的空间精细程度和提取精度，而且在实际应用中也有很好的实用性。     

基于历史时序植被指数库的多源数据作物面积自动提取方法

针对目前作物提取工作中难以综合应用多源遥感数据进行自动分类的现状,该文以新疆博乐市为试验区,使用多年MODIS数据建立各类作物历史参考时序植被指数曲线库。对TM和环境星数据共同构成的当年时序数据通过植被指数转换、曲线相似性比较,并结合区分不同作物的关键时相,在长时期种植制度变化不大的区域,自动提取作物种植面积。结果表明:该方法使用多源(环境星+TM)中高分辨率遥感数据构建的时序植被指数提取作物的总体精度可达到90%以上;与传统的监督分类方法相比,省去了人工采集训练区的步骤,实现了作物种植面积的自动提取。     

基于多源遥感数据融合和LSTM算法的作物分类研究

准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。     

Estimating rice paddy areas in China using multi-temporal cloud-free normalized difference vegetation index (NDVI) imagery based on change detection

The spatial pattern of rice paddies is an essential parameter used for studies of greenhouse gas emissions, agricultural resource management, and environmental monitoring. On large spatial scales, previous studies have usually mapped rice paddies using a single vegetation index product based on a traditional classification method, or a combined analysis of various vegetation and water indices derived from the moderate resolution imaging spectroradiometer (MODIS) satellite data. However, different indices increase the computational cost and constrain the satellite data sources, and traditional classification methods (e.g., maximum likelihood classification) may be time-consuming and difficult to carry out over a large area like China. In this study, we designed an auto-thresholding and single vegetation index (normalized difference vegetation index (NDVI))-based procedure to estimate the spatial distribution of rice paddies in China. The MOD09Q1 product, which was available at MODIS''s highest spatial resolution (250 m), was taken as the input source. An auto-threshold function was also introduced into the change detection process to distinguish rice paddies from other croplands. Our MODIS-derived maps were validated with ground surveys and then compared with China national statistical data of rice paddy areas. The results indicated that the best classification result was achieved for plain regions, and that the accuracy declined for hilly regions, where the complex landscape could lead to an underestimation of the rice paddy area. A comparison between the modeled results and other analyses using 500-m MODIS data suggests that rice paddies may be identified routinely using a single vegetation index with finer resolution on large spatial scales.     

利用边缘辅助分割网络提取稻虾共作养殖田

为确保稻虾共作的安全生产、社会供应以及政府政策的有效制定，须准确获取稻虾共作种植面积、空间分布及变化信息。现有稻虾养殖田提取方法以中分辨率时序影像为数据源，提取结果存在边界粗糙且噪声较多等问题。为获取精度高、边界规整的稻虾养殖田提取结果，该研究以高分辨率影像为数据源，提出一种基于边缘辅助任务的深度学习语义分割模型——edge assisted segmentation network（EASNet）。该模型首先将稻虾养殖田特有的边缘“虾沟”作为一种辅助信息在设计的边缘辅助模块单独分割，然后将该模块的输出与主任务分割模块输出进行融合，使主任务既增强了稻虾养殖田边界结构信息，又能学习到稻虾养殖田特有的空间及语义信息。试验结果表明，在边缘辅助模块的增强下，稻虾养殖田分割结果更完整，边界更清晰，其语义精度的交并比和边界精度的F1分数分别提升了1.5%、5.8%。整体语义精度的召回率、交并比、F1分数分别达到0.970、0.964、0.930，边界精度的召回率、F1分数达到0.864、0.859，松弛边界精度的召回率、F1分数达到0.876、0.913。将训练好的EASNet模型应用到盱眙县全域，得到2020年盱眙县稻虾养殖田空间分布图，在与传统的水体季相差异法、随机森林方法提取的稻虾养殖田结果的对比中，该方法取得了总体精确度为96.71%及Kappa系数为0.934的最优结果，为基于深度学习的稻虾养殖田提取方面的应用提供参考。     

基于MODIS指数和随机森林的江西省早稻种植信息提取

尽早获取双季早稻的种植信息,对政府部门掌握全省水稻生产形势及制定粮食安全保障的相关政策方针具有重要意义。传统业务服务中,通常将水稻生长早期的多时相MODIS指数与阈值法相结合,对种植信息进行提取,但该方法主观性强,受人为及不同地区水稻物候期差异影响大,且存在混合像元等限制,机器学习算法可以较好解决此问题。因此,该研究提出一种结合水稻生长早期MODIS指数和随机森林的种植信息提取方法,基于江西省早稻生长早期多时相MODIS增强型植被指数（Enhanced Vegetation Index,EVI）、归一化植被指数（Normalized Difference Vegetation Index,NDVI）和地表水分指数（Land Surface Water Index,LSWI）的变化特征,利用随机森林算法构建早稻种植区域提取模型与丰度反演模型,提取全省早稻种植信息,并利用Sentinel-1A提取的验证样区与统计资料验证。结果表明,早稻种植区域及丰度的空间分布特征与Sentinel-1A提取的验证样区的空间特征基本一致,提取模型的分类精度为93.18%,丰度反演模型与样本数据的平均绝对误差、均方根误差和决定系数分别为0.07、0.10与0.86,且在高丰度种植区反演效果更优。与统计资料相比,全省早稻面积识别精度为92.33%。该研究解决了水稻种植信息提取中阈值选取合理性、混合像元与时效性限制等问题,为水稻生长早期种植信息的业务化提取提供一种参考方法,具有一定应用价值。