基于高分卫星影像的青岛市冬小麦种植信息提取

为了准确获取青岛市主要农作物冬小麦的种植信息,以GF-1/16 m卫星影像为主要数据源,将高程、土地利用和田间调查数据作为辅助数据源,根据冬小麦主要发育期与其他地物在GF-1/16 m卫星影像上的光谱差异,计算得到4月份为青岛市冬小麦遥感面积提取的最佳时相。在最佳时相内,采用决策树分类法,通过分区解译方式,提取出青岛市2017年冬小麦种植面积和分布区域,并利用GF-2融合后 1 m卫星影像、地面调查数据和统计局公布数据对分类结果进行精度验证。结果表明:利用GF-1/16 m卫星影像在幅宽、时间和空间分辨率的优势,将土地利用和高程等引入决策树分类模型,进行区域尺度的冬小麦种植面积遥感估算的方法是可行的。经精度验证,2017年青岛市冬小麦遥感解译总精度为94.3%,Kappa系数为0.857。遥感提取面积略小于统计局公布数据,面积总量提取精度为93.6%。本研究为基于高分卫星影像的区域尺度作物种植面积提取提供参考。     

基于GF-1卫星影像的中国冬小麦制图研究

旨在实现冬小麦面积自动化提取，本文提出一种基于冬小麦NDVI加权指数(WNDVI)的分类算法。将影像分割成标准的小区域，从而构建冬小麦分类单元，采用自适应方法确定冬小麦种植区和非种植区WNDVI分割阈值。以2013年10月至2014年5月期间的GF-1卫星WFV影像为例，构建了全国14个省（市、区）的1180个分类单元的WNDVI，实现了2014年全国主产区冬小麦种植区的空间分布图；采用14233个样本对结果进行验证精度，总体精度达到了90.6%。本方法自动化程度高，结果稳定，适合大范围冬小麦面积监测业务化运行。     

GF-1和MODIS影像冬小麦长势监测指标NDVI的对比

作物长势是农情遥感监测的重要内容之一。长期以来, 作物长势遥感监测主要基于卫星影像反演的相关植被参数, 如归一化植被指数(NDVI, normalized difference vegetation index)、叶面积指数(LAI, leaf area index)等。本文通过对比研究16 m分辨率GF-1卫星影像及250 m分辨率MODIS影像的NDVI与冬小麦综合茎数、株高、叶绿素浓度之间的关系, 尝试建立遥感监测作物长势指标与地面实测作物长势指标的定量关系。研究发现GF-1 的NDVI与冬小麦综合茎数的相关性最高(R ²=0.8961), 而与其他指标相关性较弱; MODIS的 NDVI指数与冬小麦综合茎数相关性较低(R ²=0.4432), 对作物长势的遥感监测精度较低。统计MODIS冬小麦像元内GF-1像元的NDVI平均值, 并与MODIS的NDVI对比, 发现两者之间的相关性较低(R ²=0.3944); 在消除MODIS与GF-1影像传感器光谱响应函数差异及NDVI尺度效应后, MODIS影像的冬小麦作物长势遥感监测精度得到一定提高(R ²=0.4633)。对MODIS像元内GF-1 NDVI标准差排序发现, MODIS像元内冬小麦长势一致性越高, MODIS的长势遥感监测精度越高。GF-1和MODIS影像NDVI长势监测主要代表地面冬小麦综合茎数, 且卫星影像分辨率越高, NDVI值越能反映实际的作物长势。MODIS像元内冬小麦长势一致性越高, 基于NDVI的MODIS与GF-1数据冬小麦长势监测结果越一致。从区域长势监测角度来看, 尽管MODIS与GF-1数据的监测结果趋势较为一致, 并且通过光谱、尺度归一化能够进一步提高监测结果的一致性, 但MODIS NDVI长势监测总体精度较低, 为满足作物长势精细化监测的业务需要, 应逐步使用高分辨率的遥感数据替代中低分辨率遥感数据进行作物长势遥感监测, 并将其作为长势监测业务化运行的研究重点。     

基于HY-1C/CZI数据的冬小麦早期识别研究

[目的]为充分发掘海洋一号C星(HY-1C)CZI数据的农业应用潜力,[方法]该文以HY-1C/CZI数据为基础数据源,结合土地利用现状数据、目视解译结果数据,以河南省商丘市及其附近区域作为研究区,对早播冬小麦、晚播冬小麦、裸地及建筑、森林、水体五类地物的光谱特征进行了分析,并在光谱分析的基础上基于决策树分类方法对冬小麦区域进行了提取。[结果]冬小麦面积提取结果表明,2018年研究区内冬小麦总播种面积69.42万公顷。以目视解译获得的地面验证点数据对提取结果进行精度验证,结果表明,冬小麦提取结果的总体精度为91.80%,Kappa系数为0.84,冬小麦用户精度和制图精度分别为91.88%和92.91%。 [结论] 基于HY-1C/CZI数据可以实现对冬小麦的早期识别和提取,提取精度较高,达到了其他相似数据源相近的识别精度,表明基于海洋一号卫星CZI数据具有一定的农业应用潜力。     

基于多时相MODIS数据监测水、旱作物种植面积及空间分布

针对农业信息服务中大范围水田、旱田种植面积信息调查业务的现状与需求,以黑龙江省为研究区,通过分析水田、旱田作物发育期特征、MODIS数据植被指数(NDVI、EVI、LSWI)时序特征,引入积温条件分区构建决策规则,提取检测农田与其他、水田与旱田作物种植的空间分布。以实地调查地面验证点对分类结果进行验证,结果表明,分类结果达到了较高的识别精度,分类结果的总体精度为90.68%,Kappa系数为0.81,其中水稻制图精度为81.13%,用户精度为97.73%;旱地制图精度为98.46%,用户精度为87.07%;与不考虑积温条件相比,分类结果总体精度提高了12.77%,水稻制图精度提高了22.57%,旱地制图精度提高了5.94%。本研究通过引入积温条件,提高了大范围水稻、旱地作物提取精度,具有自动化程度高、分类结果稳定的特点。     

基于HJ卫星的中国南方地区甘蔗面积提取研究

为了研究大范围甘蔗种植面积的提取方法，以广西、云南、广东湛江和海南为研究区，以30 m空间分辨率的多时相HJ卫星影像为数据源，采用基于NDVI时间序列的决策树分类模型提取研究区内2014/2015年度甘蔗种植面积。结合农业部门的统计数据对甘蔗种植面积提取结果进行精度评价，总体精度达到87.5%。对研究区广东湛江甘蔗种植区域进行抽样调查，抽样调查精度达到93.2%，Kappa系数为0.81。表明该方法可以高效地应用于中国南方地区的甘蔗种植空间信息识别。     

基于HJ-1数据的冬小麦种植面积、长势与收割进度遥感监测

及时、准确地获取冬小麦种植面积、长势、收割进度等信息对冬小麦产量预报和农田精细管理具有重要意义。本研究采用HJ-1A/B CCD1/CCD2影像,结合S-G滤波算法、波段最大化的光谱角目标探测器、阈值分割等方法进行新乡市冬小麦种植面积、小麦长势和收割进度等遥感监测。结果表明：（1）利用HJ卫星NDVI时间序列数据结合波段最大化的光谱角度目标探测器方法,可以进行冬小麦种植面积提取,各县市冬小麦种植面积提取相对误差在10%以内;（2）单景影像NDVI值阈值分割可以反映冬小麦长势在时空差异;（3）冬小麦达到抽穗期的时间不一致,NDVI值在4月15日和21日附近达到最大值;（4）利用成熟期和收割期不同时间的NDVI影像,可监测各县市冬小麦收割进度的时空差异。各县市冬小麦在6月4日前开始收割与6月15日左右完成收割工作。HJ卫星时间序列遥感数据可以进行冬小麦种植面积、长势、收割进度等遥感监测。     

城镇化背景下基于时序TM/NDVI的建成区检测方法——以福州市为例

对1990—2010年49景福州市TM时间序列影像进行处理,采用MODTRAN4+模型进行大气校正,得到研究区土地覆盖类型的NDVI值的多时相轨迹图。分析城镇化背景下建成区的变化特征和NDVI时间序列数据的季节特征,添加耕地发展为建设用地的地物特征到学习样本,比较不同数据组合对最大似然法、支持向量机、神经网络法、面向对象法对分类和检测城镇化背景下建设用地精度的影响,以及比较添加样本特征后对城镇化进程中建设用地检测方法的影响。结果表明,对于小样本数据集,面向对象法具有最高的分类精度,不同的数据组合与不同季节对面向对象法分类精度的影响分别达3.49%和5.22%,引入NDVI时间序列数据和添加变化地物的学习样本,总体分类精度提高了3.54%,建设用地的制图精度提高了4.24%。     

基于Landsat 8影像提取豫中地区冬小麦和夏玉米分布信息的最佳时相选择

遥感技术对大尺度农业实时监测提供了一个理想的手段,遥感影像植被分类的最佳时相对作物种植面积遥感监测非常重要。本文选取2020年至2021年的6景Landsat 8影像,覆盖了夏玉米从乳熟到收获、冬小麦从越冬到成熟的生育期,以此分析不同时相的冬小麦-夏玉米与其他地类在光谱特征和NDVI上的差异,通过决策树的方法提取豫中地区冬小麦-夏玉米的空间分布情况。结果表明,冬小麦-夏玉米在不同生长发育时期,提取到的面积比有所不同,对于夏玉米而言,乳熟时期的提取效果要优于之后的时期,其在2020年8月26日的总体精度最高,为83.60%,Kappa系数为0.72,分类质量很好;对于冬小麦而言,最佳识别时期则处于冬小麦的越冬期,其在2021年1月1日的总体精度最高,为92.36%,Kappa系数为0.81,信息提取效果很好。除了作物自身生长过程的覆盖度变化,分类精度随成像时间而改变。多时相信息提取也发现,受到天气等环境条件限制,夏玉米和冬小麦的种植区域不完全重叠,山区冬季不适合冬小麦种植从而没有与夏玉米出现重叠分布。本研究有助于我们从宏观上对作物分布及生长状况作出及时有效的判断,对农业监测,特别是对轮作...     

随机森林方法在玉米-大豆精细识别中的应用

研究基于遥感影像的作物精确识别技术方法, 对获取作物分布信息具有重要意义。随机森林分类(random forest classification, RFC)是机器学习的一种, 本文使用Landsat-8 OLI卫星影像数据, 针对研究区内的大豆、玉米和其他地物等3种主要作物类型, 系统比较了该方法与较为成熟的最大似然分类(maximum likelihood classification, MLC)、支持向量机分类(support vector machine, SVM)方法的分类精度。结果表明, MLC、SVM、RFC的总体分类精度分别为91.68%、91.49%、94.32%, Kappa系数分别为0.87、0.87、0.91, RFC方法作物识别精度比MLC和SVM分类显著提升。对原始7波段影像进行主成分变换(principal component analysis, PCA), 提取前4个主成分分量, 同时计算归一化植被指数(normalized difference vegetation index, NDVI)和归一化水体指数(normalized difference water index, NDWI), 将6个额外辅助特征波段叠加到原始7个波段影像上进行再次分类, MLC和SVM方法作物识别精度未有提升, RFC方法总体精度提高了1.49个百分点, Kappa系数提高0.03, 精度提升幅度有限, 主要原因是6个辅助波段在类型识别中作用较小。在分类耗时上, MLC、SVM、RFC分别为145 s、11 000 s、1800 s, 表明随机森林分类具有最好的分类精度和适中的耗时。综合评价后, 随机森林分类方法在进行大豆-玉米精细识别中具有较大优势, 具有业务应用的潜力。     

安徽省冬小麦长势遥感监测与评估方法研究

沿淮淮北是安徽省主要的冬小麦种植区,为了对该区域冬小麦长势进行实时、动态地监测,通过采用变化向量分析方法,利用2005-2010年EOS/MODIS数据,在HANTS算法重构无云NDVI时间序列图像以及安徽省冬小麦种植区提取等数据处理基础上,研究基于NDVI变化向量、曲边梯形面积的长势综合监测模型,对研究区的年际与年内长势变化进行时间和空间上的定量分析。结果表明：HANTS处理平滑后的MODIS的10天合成植被指数的年时序曲线有效消除了云和数据缺失的影响,重构后的生长曲线可以更清楚地反应作物生长变化趋势和规律,有利于监测模型的建立;冬小麦种植区提取,大大提高了卫星监测精度,构建的综合监测模型适合单一生长季苗情长势遥感监测,该模型在2011年冬小麦长势评估中取得了良好的监测效果。     

基于GF-1卫星数据与面向对象分类的达里诺尔湿地自然保护区土地覆盖信息提取

以达里诺尔湿地自然保护区为研究区，基于国产GF-1遥感影像，采用面向对象和传统目视解译的分类方法对研究区土地覆盖遥感信息进行提取，并对其结果进行对比分析，采取混淆矩阵对面向对象分类结果进行精度验证。结果表明：（1）充分利用了GF-1遥感影像的光谱信息，面向对象分类采取试错法确定最优分割尺度为550，形状和紧致度因子分别为0.6和0.5，各波段权重均为1。（2）面向对象分类总体分类精度达98.22％，KAPPA系数为0.96；（3）面向对象分类方法可快速准确提取类型较为复杂的土地覆盖信息，为内陆湿地精准快速提取研究区土地覆盖分类信息提供参考，以期为湿地遥感业务化监测提供技术规范。     

基于分层抽样的平湖市小麦种植面积遥感测算方法研究

为了更准确地了解县级粮食播种面积,笔者以浙江省平湖市为例,利用高分一号和RapidEye 卫星的影像数据,通过监督分类提取小麦的大概种植区域,在小麦种植区域范围内分层抽样,在保证95%置信区间95%估算精度前提下,估算浙江省平湖市2015 年小麦种植面积为141.73 km2。该结果与平湖市小麦实际种植面积较为相符,说明采用监督分类的方法并且结合分层抽样估算县级粮食播种面积的方法是可行的,此方法适用于浙江省县级粮食播种面积业务化运行。     

基于新遥感数据源的县域冬小麦种植面积提取

Landsat-8卫星的成功发射为农业遥感提供了新的重要数据源。以虞城县为研究区域,探讨基于Landsat-8影像估算县域冬小麦种植面积的可靠性,讨论不同分辨率影像的提取精度。选取冬小麦起身生拔节长期的影像以最大程度的扩大冬小麦与背景地物的波谱差异,根据波谱特征构建提取冬小麦种植面积的决策树模型。结果表明：与统计数据对比,使用30 m空间分辨率影像提取的精度为96.30%,使用15 m空间分辨率影像提的取精度达到99.17%,该方法可为县域冬小麦面积提取提供技术支撑。