基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取

小麦是中国最重要的农作物之一,准确、及时掌握小麦种植面积具有重要意义。以探索合成孔径雷达(synthetic aperture radar,SAR)与光学数据对种植结构复杂地区冬小麦识别的能力,提高识别精度为目的。该研究以多时相SAR(Sentinel-1A)和光学影像(Landsat-8)为数据源,选取种植结构复杂的都市农业区为研究区。构建不同特征向量组合,利用支持向量机(support vector machine,SVM)提取冬小麦种植面积。通过对比分析基于不同特征向量组合的冬小麦识别精度,结果表明:1)使用SAR后向散射数据得到85.7%的制图精度和87.9%的用户精度;2)添加SAR数据纹理信息,总体精度高达90.6%,比单独使用后向散射数据在制图精度和用户精度上分别提高7.6%和6.7%;3)当SAR数据和光学影像结合时,总体精度高达95.3%(制图精度97%,用户精度98.4%),比单独使用SAR数据在制图精度和用户精度上分别提高3.7%和3.8%。因此,基于SAR数据的都市农业区冬小麦分类,有着较高分类精度,纹理信息和光学影像的添加能有效提高识别精度。研究结果可为SAR数据的农作物识别和应用提供理论基础。     

基于主被动遥感数据和面向对象的大蒜识别

针对开封市大蒜种植破碎化程度高,光学数据难以高精度、快速提取问题。该研究基于谷歌地球引擎（Google Earth Engine,GEE）云平台、随机森林算法（Random Forest,RF）和面向对象方法,选择融合Sentinel-1卫星的后向散射系数与Sentinel-2卫星的光谱、光谱指数及纹理特征,分别应用10 m与加入植被红边波段的20 m空间分辨率遥感数据,探究不同特征组合对改善大蒜识别精度的性能。试验结果表明：应用10 m空间分辨率的Sentinel主被动遥感数据,在简单非迭代聚类（Simple Non-iterative Clustering,SNIC）分割尺度为5,灰度共生矩阵（Gray-level Co-occurrence Matrix,GLCM）邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.54%、0.93,大蒜的制图精度和用户精度为97.83%、96.38%。应用加入植被红边波段的20m空间分辨率Sentinel主被动遥感数据,在SNIC分割尺度为3,GLCM邻域值为4,7个纹理特征选择第一、二主成分时,分类总体精度和Kappa系数最高,为94.14%、0.92,大蒜的制图精度和用户精度为95.72%、98.81%。单独使用Sentinel-2光学数据,加入植被红边波段的20m分辨率数据相对10 m分辨率数据,大蒜制图精度和用户精度分别提高0.49%和4.38%。单独使用时序Sentinel-1 SAR数据,10 m空间分辨率数据的大蒜制图精度和用户精度优于20 m分辨率数据0.66%和2.07%。本研究为遥感数据识别生长周期相同或重叠的大宗、小宗经济作物提供技术参考。     

基于MODIS数据和模糊ARTMAP的冬小麦遥感识别方法

针对国家级农情遥感监测与信息服务系统对农作物遥感识别的需求,利用Terra/MODIS数据相对于NOAA/AVHRR数据具有的高光谱和中等空间分辨率的优势,以中国华北地区冬小麦识别为例,采用多时相和波谱分析方法,选取合适波段,构造特征植被指数,建立模糊ARTMAP影像分类模型进行大尺度农作物识别,实现农作物遥感自动识别.用Landsat TM进行局部抽样验证,结果精度可达到85.9%.研究表明,仅利用MODIS自身光谱信息,即可实现作物遥感全覆盖自动识别,并可达到较高精度,与传统方法认为冬小麦遥感识别的最佳时间为处于返青期的3月份相比,在时间上可提前约一个季度,因此可以确实地为农业决策部门提供信息服务.     

基于遥感与多变量概率抽样调查的作物种植面积测量

针对传统抽样调查工作中调查基础资料时效性不高和野外调查工作量较大等问题,该文提出了一种遥感与MPPS(multivariate probability proportional to size)抽样调查相结合的农作物种植面积测量方法。利用第2次农业普查数据进行抽样框的编制;利用时序中分辨率遥感数据进行农作物种植面积的分类;在中分辨率遥感分类图的基础上进行MPPS抽样;采用高空间分辨率遥感数据对抽选样本进行面向对象的分类;根据MPPS抽样方法进行总体农作物种植面积的推断;计算CV值,评价抽样精度,以国家统计局公布数据为标准进行总体面积精度评价。以辽宁省北镇市为研究区对该方法进行了测试。结果显示,该方法能够有效的提取县级农作物种植面积,农作物种植面积提取精度优于92%。     

基于多时相GF-6遥感影像的水稻种植面积提取

为获取高精度水稻种植面积提取方法和分析红边信息在作物识别能力上的优越性,该研究选取辽宁省盘锦市为研究区域,利用2020年水稻关键物候期的多时相高分6号宽幅相机（GF-6 WFV）遥感影像,构建归一化植被指数（Normalized Difference Vegetation Index,NDVI）、归一化水体指数（Normalized Difference Water Index,NDWI）、比值植被指数（Ratio Vegetation Index,RVI）和归一化差异红边1指数（Normalized Difference Red-Edge 1 Index,NDRE1）,根据各地物类型进行时序分析,在获得水稻面积粗提取结果的基础上对其他地类进行掩膜,准确提取水稻种植面积。对2020年盘锦市水稻提取结果进行精度分析,结果表明,基于实测数据进行精度验证的总体精度为94.44%,基于目视解译数据进行精度验证的总体精度和Kappa系数分别为95.60%和0.91。根据目视解译数据对有无红边波段参与的水稻提取结果进行对比分析可知,红边波段的引入使总体分类精度、水稻制图精度和Kappa系数分别提高了3.20个百分点、6.00个百分点和0.06。该研究证明红边波段可以有效降低作物的错分、漏分情况,对水稻精准估产和丰富农作物遥感监测方法具有重要作用,显示出国产红边卫星数据在作物分类、面积提取方面具有巨大应用潜力。     

基于光谱特征分析的主要秋季作物类型提取研究

为快速、准确地在遥感图像上提取各种农作物类型信息，满足国家农情遥感监测系统的要求，以2002年北京地区主要秋季作物提取为例，利用Terra/MODIS数据，采用波谱分析的方法，建立一种基于遥感影像全覆盖的秋季作物类型自动提取方法，实现主要秋季作物遥感自动识别。首先根据研究区秋季作物的波谱特性和生物学特性，选取了红波段、蓝波段、近红外波段和中短波红外波段作为秋季作物类型提取的工作波段；同时，还利用由这4个波段构建的陆表水分指数和增强型指标指数作为遥感特征参量。其次根据研究区农作物物候历特征，提取了2002年4月到9月共7个时相的MODIS数据。最后，采用分层决策树方法提取研究区主要秋季作物类型，并进行面积统计。为了验证其精度，与国家农业部农业统计数据进行比较，结果其精度达到86%以上。这表明，仅利用MODIS自身光谱信息，即可较为准确地提取秋季作物类型信息，精度基本能满足了大尺度农情遥感监测的要求，可以为农业决策部门提供信息服务。     

支持向量机与分类后验概率空间变化向量分析法相结合的冬小麦种植面积测量方法

利用遥感手段提取农作物种植面积时,需要结合作物物候特征,以提高面积的提取精度。该文以北京市通州区西南部为试验区,以冬小麦为研究对象,利用多时相的环境减灾小卫星遥感影像数据,通过基于支持向量机二分法的分类后验概率空间变化向量分析法进行冬小麦种植面积遥感测量试验研究。研究结果表明：该文提出的方法测量结果总体精度、Kappa系数分别为95%、0.90,远高于支持向量机（SVM）分类后直接比较方法（总体精度91%,Kappa系数0.79）;解决了实际应用中的变化阈值选取的主观性问题,该方法的频度直方图两极化现象使得变化阈值取值部分频度被压低摊平,阈值敏感度降低,变化阈值取值更为客观,一定程度上解决了阈值难以设定的问题;SVM二分法和变化向量分析的结合增强了对光谱的敏感性,能够监测不同季相上植被的长势变化,进而提高了农作物种植面积遥感测量的精度,同时对其他农作物种植面积测量提供了途径。     

基于多时相OLI数据的宁夏大尺度水稻面积遥感估算

为客观获取宁夏水稻面积空间分布信息,也为区域农作物遥感监测奠定技术基础,该文以宁夏回族自治区为研究区域,选择美国LandSat-8携带的陆地成像仪(operational land imager,OLI)数据,采用2016年3月11日-7月01日间的15景影像,基于水稻田耕地与水体特征反射率随着季节变化规律的分析,采用归一化植被指数(normalized difference vegetation index,NDVI)、近红外波段反射率(infrared reflectance,IR)、短波指数(short waved index,SWI)3个指数,以及多时相NDVI最大值、IR最小值、SWI最小值3个衍生指数,共6个指数为基础进行决策分类树构建,对全区水稻进行识别与提取,采用该区水稻面积本底遥感调查结果进行精度验证,水稻种植面积提取误差仅.4.22%,Kappa系数为0.83,水稻空间分布的用户分类精度分别为85.11%,制图精度为81.67%;同时与监督分类方法提取的水稻面积进行对比,该文方法提取水稻的用户精度提高了8.13个百分点,制图精度更是提高了20.01个百分点。研究结果表明,利用中高分辨率的OLI遥感时间序列卫星影像,在大宗农作物时间序列的变化规律分析基础上,构建分类决策树,可以准确地提取大宗农作物种植面积,是区域农作物面积遥感监测业务运行中具有潜力的方法。     

冬小麦面积遥感识别精度与空间分辨率的关系

不同空间分辨率农作物面积识别精度是农情遥感监测数据源选择的依据。该文采用WFV(wide field view)、MODIS(moderate-resolution imaging spectroradiometer)、OLI(operational land imager)、Google Earth影像,在天津市武清区选择了12 km×14 km的冬小麦种植区作为研究区域,采用目视识别的方法,分析了2、5、10、15、30、100、250 m共7个空间分辨率尺度下冬小麦面积识别精度与遥感数据分辨率、农田景观破碎度之间的关系。结果表明,随着空间分辨率由2 m变化到250 m,冬小麦面积识别的总体精度逐步由98.6%降低到70.1%,精度降低28.5%;面积数量比例由5.5%扩大到110.6%,误差增加105.1个百分点;面积精度呈明显下降趋势,数量误差呈明显增加趋势,数量误差的增加速度高于精度下降的趋势。高、中、低3个景观破碎度条件下,随着分辨率由2 m降低到250 m,作物识别精度分别降低了72.8、63.2和47.0个百分点,破碎度的增加导致面积识别精度下降速度更快;同等分辨率下,破碎度越高的地区面积识别精度越低。像元内冬小麦占比与可识别能力密切相关,像元占比达到45.0%以上时才能够被正确识别为冬小麦类型,像元尺度降低导致细小斑块丢失是造成面积识别与数量精度降低的主要原因。像元空间分辨率越高,冬小麦像元的光谱一致性越强,越有利于冬小麦分类精度的提高。针对农情遥感监测业务运行的需要,上述研究结果可以作为区域范围不同用户精度要求前提下遥感数据源选择的依据。     

基于GF-1卫星数据的农作物种植面积遥感抽样调查方法

GF-1号卫星是中国2013年4月26日发射的一颗高分辨率遥感卫星,为解决该新型卫星数据在农作物对地抽样遥感调查中的应用技术方法问题,该文针对GF-1号卫星数据的特点,研究了基于GF-1号卫星16m WFV传感器和2m/8m PMS传感器卫星数据的农作物种植面积遥感抽样调查方法。根据研究区物候历,选择农作物识别关键期的16m WFV传感器数据进行多时相农作物种植面积的中分辨率遥感提取;在中分辨率农作物面积遥感分类图基础上,计算研究区域的MORAN I指数,确定格网抽样单元的大小,进行多目标农作物的MPPS(multivariate probability proportional to size)抽样;对抽样单元采用2m/8 m PMS传感器卫星数据进行高分辨率农作物面积制图;最后根据MPPS抽样方法进行总体农作物种植面积的推断,并计算CV值,评价抽样精度。以江苏省东台市为研究区对GF-1号卫星数据进行了应用研究。研究结果表明,GF-1号卫星数据完全可以应用于县级农作物种植面积的提取,农作物种植面积提取精度优于90%。     

小麦倒伏的雷达极化特征及其遥感监测

研究探索了雷达遥感大面积监测小麦倒伏状况的潜力。利用覆盖整个小麦生育期的5景时间序列Radarsat-2全极化影像数据,对比分析了倒伏小麦与正常小麦在不同时间、不同极化的雷达后向散射动态响应规律,发现雷达极化特征对小麦倒伏十分敏感,基于此提出利用雷达极化指数监测小麦倒伏的方法。并利用内蒙古额尔古纳市上库力农场春小麦抽穗灌浆期的实地调查数据,对提出方法进行验证,结果表明该方法能有效辨识和监测小麦倒伏。为大面积监测小麦倒伏提供了一种简单、快速、有效的手段。     

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。     

基于时空滤波Sentinel-1时序数据的田块尺度岭南作物分布提取

为解决岭南地区作物制图中光学影像时空覆盖缺失以及作物种植结构复杂导致不确定性高等问题,以满足对高精度作物制图日益迫切的应用需求。该研究提出了一种基于Sentinel-1的双极化时间序列和作物物候信息建立时空维度典型物候特征的作物分类方法,选择广州市南沙区为试验区,通过XGBoost机器学习算法,实现了田块尺度下的不同作物类型的准确识别及种植面积的精细提取。结果表明：1）相比像素时序特征分类结果,经过雷达时空滤波后的田块时序特征分类方法不仅能有效抑制合成孔径雷达（Synthetic Aperture Radar,SAR）影像斑点噪声产生,而且总体分类精度和Kappa系数分别提高了12.5个百分点、0.19;2）与仅基于Sentinel-1(VV+VH)时空滤波后的全年时序特征分类方法相比,在分类过程中添加物候特征变量的方法表现出更高的精度,Kappa系数可达0.91,甘蔗和香蕉播种面积提取精度分别达到82.04%和71.01%。研究结果表明中高分辨率SAR影像（10 m×10 m）时间序列结合XGBoost算法和雷达数据时空滤波策略可实现区域作物准确识别及种植面积提取,同时,可从数据源与分类方法上为岭南地区农业遥感应用提供思路,对该地区农业灾害管理和灾后救助具有重要参考价值。     

基于MODISNDVI多年时序数据的农作物种植识别

为了获取陕西省农作物种植模式和类型分布信息,实现对于多年农作物长势分析及精确的估产和耕地生产力的估算,该文以2003-2012年的MOD09Q1时间序列遥感数据集为数据源,以陕西省主要农作物冬小麦、夏玉米、春玉米、水稻和油菜为研究对象,利用Savitzky-Golay滤波方法重建NDVI长时间序列数据集,充分利用农作物的物候信息,构建农作物年际间动态阈值方法,实现了农作物种植模式和类型的识别。通过对混合像元进行分解,更精确地提取农作物种植面积信息。利用空间和定量2种方式对农作物类型识别结果进行分析验证,空间对比分析得到分类的总体精度和Kappa系数为88.18%和59.64%,定量对比分析得到分类的总体一致性为87.56%。研究结果表明,结合物候信息与时间序列数据利用该文的分类方法可以有效的识别大尺度农作物信息。     

作物遥感识别中的数据挖掘技术

该文综述了数据挖掘技术应用在图像分类方面的各种方法，介绍了每种方法的优缺点、适用领域及应用情况。介绍了将数据挖掘技术应用于图像分类方面以有效解决当前作物遥感识别中的瓶颈问题。对当前作物遥感识别系统在数据源的使用、识别过程的规范和方法的实用性方面的问题进行了分析，展望了作物遥感识别中的数据挖掘技术研究发展方向。     

乡镇尺度的玉米种植面积遥感监测

以快速、准确提取玉米种植面积为目标,以多时相HJ-1A/1B CCD影像和数字高程模型（DEM）为信息源,选取吉林省长春市为试验区,将试验区种植结构、物候特征、地形特征、光谱特征及植被指数等多元信息引入决策树分类模型,构建基于决策树分层分类的玉米种植面积遥感估算模型,并将空间化的农普数据作为参考值,以乡镇为基本评价单元对玉米种植面积遥感测量结果进行精度评价。研究表明：利用该方法可以有效提高玉米识别精度,满足作物种植面积估算大范围、多时相的需求,有助于解决作物种植面积遥感估算业务运行时空分辨率的矛盾,乡镇尺度的玉米种植面积总量提取精度可达92.57%。     

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。     

基于多时相遥感影像的作物种植信息提取

为了快速、准确地在遥感影像上对作物种植信息进行提取,该研究运用多时相的TM/ETM+遥感影像数据和13幅时间序列的MODISEVI遥感影像数据,采取基于生态分类法的监督分类与决策树分类相结合的人机交互解译方法,建立决策树识别模型,对黑龙港地区的主要作物进行遥感解译,总体分类精度达到了91.3%,与单纯对TM影像进行监督分类相比,棉花、玉米、小麦、蔬菜4类作物的相对误差的绝对值分别降低了1.3%、20.5%、2.0%、13.8%。结果表明该方法的分类精度高,能较好的反映作物的分布状况,可为该地区主要作物种植结构调整提供科学依据,还可为其他区域尺度作物分布信息的提取提供参考。     

集成化的省级农情遥感监测系统

在“中国农情遥感速报系统（CropWatch-China）”的基础上,中国科学院遥感应用研究所开发了集成化的中国省级农情遥感监测系统（CropWatch-Province）。系统以遥感为主要数据源,在县、主产区和省3个尺度上进行农情信息的监测,包括作物长势、单产、种植面积、复种指数监测及作物估产、农气分析等,对系统的技术方法、结构、功能及其主要特点进行了详细论述。2010年系统通过“信息处理产品标准符合性检测中心”的检测,系统具有集成化程度高、灵活性强和应用新数据等特点。系统可以根据不同区域的特点进行灵活定制,通过集成化开发可以独立完成从数据预处理、科学计算、信息提取到结果输出的全部任务,并将包括HJ-1在内的一系列新数据应用于农情信息的获取。