基于Sentinel-1双极化雷达影像的土壤含盐量反演

该文以松嫩平原土地盐碱化区域-大庆市为研究区,Sentinel-1双极化雷达影像为数据源,结合研究区土壤采样的全盐含量测量值,反演研究区表层土壤含盐量。首先,在研究区进行土壤采样,并在实验室化验土壤样品的全盐含量,利用S1TBX软件对雷达影像进行噪声处理、辐射校正、几何校正;然后通过分析雷达影像不同极化组合的后向散射系数与土壤含盐量之间的关系,确定最优的极化组合方式;最后,利用回归分析的方法建立土壤含盐量的反演模型并进行精度评价。研究结果显示：(VV2+VH2)/(VV2-VH2）极化组合的后向散射系数可以较好的分离不同含盐量的土壤,建立起来的反演模型,决定系数R2达到0.872,均方根误差RMSE为0.988。该研究可以满足大区域土地盐碱化监测的需要,并为Sentinel-1 雷达数据在土壤成分提取等方面研究提供了参考。     

基于GF-1和Sentinel-2时序数据的茶园识别

由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MO...     

基于卷积神经网络的中国北方冬小麦遥感估产

针对传统的农作物估产方法过度依赖人工经验,以及实地采样成本高等问题。该研究使用MODIS数据构建了基于卷积神经网络(convolutional neural network,CNN)的冬小麦估产模型。对2006-2016年中国北方冬小麦核心区的60个地级市进行模型训练,鲁棒性检验以及估产误差空间特征分析。结果表明:1)估产模型在训练集和验证集的均方根误差(root mean squareerror,RMSE)分别为183.82kg/hm2、689.72 kg/hm2,决定系数(R2)分别为0.98、0.71。2)以同样的神经网络结构对2006-2016年估产样本分别作为验证集,训练11个独立模型的RMSE平均值是772.03 kg/hm2,证明算法具有较高的鲁棒性。3)2007、2012和2016年不同省份的估产结果表明,模型对北方冬小麦区的平原区估产精度较高,尤其是河北和山东2省(RMSE为500 kg/hm2)。该文构建的估产模型可以实现冬小麦单产的复杂拟合,可以应用于较大尺度(范围)冬小麦产量预报。     

基于GF-1卫星遥感的冬小麦面积早期识别

GF-1号卫星是中国高分卫星系列首颗卫星,自2013年04月26日发射以来,提供了大量的2 m/8 m/16 m空间分辨率的卫星数据,成为中国农业遥感监测的主要数据源之一。该文以GF-1卫星携带的16 m空间分辨率的宽视场(wide field view,WFV)传感器为主要数据源,采用2013年10月2日、10月17日、11月7日和12月5日4个时相的数据,以多尺度分割后的对象为基本分类单元,采用分层决策树分类的方法对冬小麦面积进行提取,并利用地面样方数据对分类结果进行了精度验证。结果表明,北京市顺义区冬小麦面积7 095 hm2,分类总体精度达到96.7%,制图精度为90.0%,其他未分类类别精度为97.3%,Kappa系数为0.8。研究区内冬小麦的播种时间可以分为10月1-5日早播、10月6-10日中播、10月11-15日中晚播、10月16-20日晚播等4个时间段,不同播期对应着归一化植被指数(normalized difference vegetation index,NDVI)不同的变化规律,是分层的基础,结合波段反射率、波段反射率和、波段反射率比值等参数的变化规律,通过分层可以有效的剔除草坪、桃树等容易同冬小麦混淆的地物类型,GF-1/WFV提供的多时相遥感数据能够可靠的反映冬小麦发育变化的规律,是冬小麦面积准确提取的基础,在农作物面积遥感监测业务运行中具有较大的开发应用潜力。     

基于混合3D-2D CNN的多时相遥感农作物分类

准确的农作物分类图是农业监测和粮食安全评估的重要数据来源,针对传统的深度学习模型在多时相农作物遥感分类方面精度较低的问题,该研究将卷积维度单一的卷积神经网络(Convolutional Neural Networks,CNN)进行改进,提出了一种混合三维和二维卷积的神经网络识别模型(Hybrid Three Dimen...     

基于卷积神经网络提取多尺度分层特征识别玉米杂草

为提高作物与杂草识别的准确率、稳定性和实时性,该文以幼苗期玉米及杂草为研究对象,提出了基于卷积神经网络提取多尺度分层特征的玉米杂草识别方法。首先建立卷积神经网络模型,以从图像的高斯金字塔中提取多尺度分层特征作为识别依据,再与多层感知器相连接实现图像中各像素的识别;为了避免目标交叠所带来的问题,对图像进行超像素分割,通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别,再将相同类别的相邻超像素合并,最终实现图像中各目标的识别。试验结果表明:该方法的平均目标识别准确率达98.92%,标准差为0.55%,识别单幅图像的平均耗时为1.68 s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.72 s。该方法实现了精确、稳定和高效的玉米与杂草识别,研究可为精确除草的发展提供参考。     

基于空间金字塔池化和深度卷积神经网络的作物害虫识别

为了减少因作物害虫姿态多样性和尺度多样性导致其识别精度相对较低的问题,该文将空间金字塔池化与改进的YOLOv3深度卷积神经网络相结合,提出了一种基于空间金字塔池化的深度卷积神经网络农作物害虫种类识别算法,首先对测试图像上的害虫进行检测定位,然后对检测定位出的害虫进行种类识别。通过改进YOLOv3的网络结构,采用上采样与卷积操作相结合的方法实现反卷积,使算法能够有效地检测到图片中体型较小的作物害虫样本;通过对采集到的实际场景下20类害虫进行识别测试,识别精度均值可达到88.07%。试验结果表明,本文提出的识别算法能够有效地对作物害虫进行检测和种类识别。     

基于多时相Sentinel-1A的丘陵山区耕地非粮化特征识别及驱动机制

为更加科学地识别丘陵山区耕地非粮化水平特征,探究耕地非粮化驱动机制,该研究采用多时相Sentinel-1A后向散色系数分析、监督分类、空间特征分析、地理探测器等方法,选取江西省典型丘陵山区修水县开展实证研究,探究了丘陵山区耕地非粮化的技术识别、空间特征及影响机制。结果表明：1）修水县耕地非粮化面积17899.59 hm²,耕地非粮化率为57.47%,并呈现东南及西北集聚的特征,且呈现空间正相关性,包括了“低-低”、“高-高”、“低-高”集聚等不同形式。2）在社会经济特征上,修水县耕地非粮化主要呈环工业中心镇分布的特征,分布密度西高东低,逐渐向东北倾斜,且经济作物主导的乡镇非粮化水平显著高于其他地区。3）修水县耕地非粮化受多个因子综合影响,包括到农村道路的距离、坡度、粮食生产功能区、高程、水土流失强度、到城镇中心的距离、到城市公路的距离、到水源的距离。各因子对耕地非粮化的影响呈非线性增强的相互作用关系,其中尤以到农村道路的距离、到城镇中心的距离、粮食功能主产区等3个因素与其他因子的相互作用特征明显。该研究成果可为新形势下推进耕地资源保护利用提供参考,为科学诊断区域耕地非粮化问题提供依据。     

基于卷积神经网络的菊花花型和品种识别

菊花作为国内十大名花之一,具有极为重要的观赏价值和经济价值,表现为种类丰富、花样瓣形繁多的特点,这些特征对其智能识别和高效的管理带来很大挑战。目前菊花的识别和管理主要靠人工方式,效率不高。本文基于端到端的卷积神经网络技术,直接作用于菊花的原始图像数据,通过逐层进行特征学习,进而利用多层网络获取菊花的特征信息,从而避免了人工提取特征的困难和问题,在此基础上使用优化目标函数实现菊花花型的高效、智能识别。针对菊花花型之间差别细微的特点,在细粒度上实现区分相同花型和不同花型的目标函数,系统不仅能够识别菊花花型,还能给出菊花所属的概率值和该花型涵盖的菊花品种。系统的实现分为离线训练和在线识别2个阶段,训练处的模型可以离线托管在云端以便在移动环境下使用。为了训练网络模型,采集了大量的菊花图像样本,并手工标注了相关的花型和类别信息,在此数据集上,与现有的典型系统进行了对比试验,试验表明:系统平均识别率可以达到0.95左右,部分达到0.98,系统识别精度得到明显提升,除此之外系统还能提供更加详细的菊花种类信息,实现了的菊花花型和品种智能识别和高效管理,具有重要的理论和应用价值,为菊花的自动化管理提供了有力的手段。     

基于改进卷积神经网络的多种植物叶片病害识别

针对训练收敛时间长,模型参数庞大的问题,该文将传统的卷积神经网络模型进行改进,提出一种批归一化与全局池化相结合的卷积神经网络识别模型.通过对卷积层的输入数据进行批归一化处理,以便加速网络收敛.进一步缩减特征图数目,并采用全局池化的方法减少特征数.通过设置不同尺寸的初始层卷积核和全局池化层类型,以及设置不同初始化类型和激活函数,得到8种改进模型,用于训练识别14种不同植物共26类病害并选出最优模型.改进后最优模型收敛时间小于传统卷积神经网络模型,仅经过3次训练迭代,就能达到90%以上的识别准确率;参数内存需求仅为2.6 MB,平均测试识别准确率达到99.56%,查全率和查准率的加权平均分数为99.41%.改进模型受叶片的空间位置的变换影响较小,能识别多种植物叶片的不同病害.该模型具有较高的识别准确率及较强的鲁棒性,该研究可为植物叶片病害的识别提供参考.     

基于GF-6时序数据的农作物识别深度学习算法评估

农作物类型制图是农情遥感的重要内容。该研究利用GF-6时序数据,在黑龙江省对基于卷积、递归和注意力3种机制的6个深度学习模型在农作物类型制图中的性能进行了定性和定量的评估。结果表明：所有模型对大豆、玉米和水稻3类主要农作物的F1值不低于89%、84%和97%,总体分类精度达到了93%～95%。将模型异地迁移后,各模型的总体分类精度下降7.2%～41.0%,基于卷积或递归的深度学习模型仍保持了较强的农作物识别能力,优于基于注意力的深度学习模型和随机森林模型。在时间消耗上,各深度学习模型相比于随机森林模型,训练与推理时间不超过6.2倍。GF-6时序数据结合深度学习模型在分类精度和运行效率上满足高精度大范围农作物制图的需要,且迁移性优于传统模型。研究结果可为深度学习在黑龙江农作物遥感分类任务中的应用提供参考。     

基于历史增强型植被指数时序的农作物类型早期识别

快速准确地获取农作物分布数据对作物估产、灾害预警具有重要意义。该文针对目前农情遥感监测业务中普遍存在的缺乏地面数据和分类时效性较低的问题,以美国堪萨斯州为研究区,提出了基于参考时间序列获得训练样本的方法。首先,基于2006到2013年的MODIS EVI时间序列数据和cropland data layer(CDL)数据,使用免疫系统网络方法建立苜蓿、玉米、高粱和冬小麦的参考EVI时间序列;根据2006年到2013年作物分布情况,将作物超过总记录年数一半的象元作为2014年"潜在"训练样本;通过计算参考EVI时间序列和"潜在"样本的MODIS EVI时间序列的欧氏距离确认2014年训练样本;最后使用这些样本和2014年Landsat NDVI月合成数据进行30 m作物识别,并且评价时间序列长度对作物识别结果的影响。试验结果表明,时间序列长度为4-8月时,获得2014年样本10 183个,样本正确率为96.32%,总体分类精度为94.02%,接近使用完整时间序列数据的结果(总体分类精度94.89%);提取的苜蓿、玉米、高粱和冬小麦的面积分别为549.5、1 999.5、2 851.5和6 415.3 km~2,与CDL数据相比误差低于20%,说明基于参考时间序列方法获得的训练样本具有较高的正确率,具备进行30 m作物早期制图的潜力。该研究可为提高农作物遥感制图工作效率提供参考。