柴达木地区枸杞种植区遥感提取方法对比研究

枸杞作为柴达木地区特色经济作物之一,利用高分辨率遥感影像开展枸杞种植区识别与提取,有利于政府和农业部门开展市场调控和作物精细化管理。以柴达木典型枸杞种植区诺木洪农场为例,利用随机森林、Softmax、支持向量机、BP神经网络和最大似然5种分类器开展农场内不同生长年限枸杞种植区精细化提取,并对结果进行精度验证。结果表明：采用随机森林的分类效果最佳,其总体分类精度达到93.8%,Kappa 0.93,采用Softmax、支持向量机和BP神经网络方法也均获得了较高的分类精度,其总体分类精度均达到了86.6%~87.6%,Kappa系数达到0.84~0.86,而最大似然法分类效果最差,其总体分类精度仅为76.9%,Kappa系数为0.73。通过实验利用国产高分辨率卫星结合较优的分类器能够实现包括枸杞等小宗特色经济作物种植区域和种植结构的精细化识别和监测。     

基于几何语义知识的冬小麦自动分类

【研究目的】为了实现遥感影像的作物自动分类，并探索空间信息在分类中作用，【方法】本文提出结合光谱和空间信息的作物分类方法。首先，借助光谱信息实现地物初始分割，然后以目标作物历史空间分布为语义约束，根据隶属度提取目标作物。最后，在多时相遥感影像条件下，以冬小麦为目标作物进行了方法的验证，【结果】结果显示，本文方法可实现冬小麦自动提取与识别，总体精度为95.33%，Kappa系数为0.90，可满足农情监测的实际需求。另外，在单时相遥感影像条件下，本文结合几何语义知识的作物分类精度也达到了较高水平。【结论】相对于遥感影像单一光谱信息的分类方法，本文方法利用了作物空间信息，不仅能满足精度要求，还实现了分类的自动化，对工程化应用具有一定的参考价值。     

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(R2=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(R2=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(R2=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(R2=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GF-1/2卫星数据的冬小麦叶面积指数反演

叶面积指数(leaf area index,LAI)是监测作物生长状况的重要参数,准确、快速、大面积估算LAI不仅有助于更好地监测农作物,而且也有助于其在建模、总体作物管理及精准农业中的应用。本研究为了利用国产遥感影像快速、大面积反演冬小麦LAI,以GF-1/2影像作为数据源,提取常用植被指数,结合不同生育期(起身期、拔节期、开花期)实测LAI数据,建立反演冬小麦LAI的单变量和多变量经验模型,并对其进行验证。结果表明,GF-1起身期、GF-1拔节期以及GF-1开花期提取的植被指数中,MSR(modified simple ratio)、GNDVI(green normalized difference vegetation index)、EVI(enhanced vegetation index)与LAI间的相关系数最大,分别为0.708、0.671和0.743,说明这些植被指数与冬小麦LAI间的相关性较显著;GF-1不同生育期的反演模型相比,基于拔节期GNDVIGF-1建立的二次多项式模型和基于开花期EVIGF-1、GSRGF-1(green simple ratio)、NDVIGF-1(normalized difference vegetation index)建立的PLSR(partial least squares regression)模型R2最大,均为0.783,PLSR模型的RMSE小于二次多项式模型,说明该多变量模型的稳定性优于单变量模型;同一个生育期不同影像相比,基于GF-2的NDVIGF-2建立的二次多项式模型和基于NDVIGF-2、MSRGF-2、SAVIGF-2(soil-adjusted vegetation index)建立的PLSR模型精度高于基于GF-1的2种模型,R2分别为0.768和0.809;不同生育期反演的LAI分布图表明,LAI反演值与实测LAI值基本吻合。以上研究结果说明国产高分辨率遥感影像在农作物生理参数反演中有一定的应用价值,可以为以后的相关研究提供一定的参考。     

基于决策树方法的淡水沼泽湿地信息提取——以扎龙湿地为例

为了及时准确地获取湿地基础信息,对湿地进行动态监测和保护.以扎龙湿地为研究区,以区域湿地遥感信息提取为目标,采用TM影像数据、DEM数据、归一化植被指数、纹理信息等复合识别指标构建决策树模型,对研究区不同地类进行分类.然后与传统的最大监督分类法所得到的结果进行对比.结果表明,采用基于指数的决策树分类方法对扎龙湿地类型进行分类,较传统的最大似然监督分类精度提高了14.6％;总体Kappa系数提高了0.1751,分类精度较监督分类有明显的提高,证明基于多源数据决策树分类方法是内陆淡水沼泽湿地信息提取的有效手段.     

红边与短波红外谱段玉米大豆识别能力研究

[目的]研究旨在挖掘红边、短波红外谱段对玉米大豆识别精度的提升程度,发现分辨率和谱段对作物识别的综合影响规律。[方法]采用德国Rapideye和美国Landsat-OLI数据,基于最大似然监督分类的方法,针对玉米、大豆、其他等3种地物类型。[结果]结果表明,与仅有蓝、绿、红、近红外波段相比,增加红边后总体分类精度从73.1%提高到80.5%。与仅有气溶胶、蓝、绿、红、近红波段相比,增加1个短波红外波段后,总体分类精度从72.9%提高到75.4%。[结论]中分辨率多时相数据能够弥补由于缺少短波红外、降低空间分辨率造成的识别精度的下降。     

红边与短波红外谱段的玉米大豆识别能力研究

研究旨在挖掘红边、短波红外谱段对玉米大豆识别精度的提升程度,发现分辨率和谱段对作物识别的综合影响规律。采用德国Rapideye和美国Landsat-OLI数据,基于最大似然监督分类的方法,针对玉米、大豆、其他等3种地物类型进行研究。结果表明:与仅有蓝、绿、红、近红外波段相比,增加红边后总体分类精度从73.1%提高到80.5%。与仅有气溶胶、蓝、绿、红、近红波段相比,增加1个短波红外波段后,总体分类精度从72.9%提高到75.4%。中分辨率多时相数据能够弥补由于缺少短波红外、降低空间分辨率造成的识别精度的下降。     

基于颜色和纹理特征的花生仁外观品质检测研究

为了提高对花生仁外观缺陷的在线分类准确率及效率。通过对采集完好、破损、霉变的花生仁RGB图像进行均值位移法、灰度处理以及阈值分割等预处理,研究提取了花生仁HSV颜色空间下的H、S、V各分量的一阶矩和二阶矩共6个颜色特征值,再基于灰度共生矩阵法提取能量、熵、对比度、逆差分矩共4个纹理特征值,构建颜色和纹理结合的特征向量,最后分别采用BP神经网络和SVM分类器对花生仁进行分类识别。结果表明：在花生仁的整体识别准确率上,BP神经网络为96.67%,SVM分类器为97.22%,后者优于前者,在识别时间上BP和SVM分别为2.5 s和1.1 s,识别效率上也是SVM更好,综合识别准确率和效率两方面考虑,优先选择SVM分类器模型来对花生仁进行分类识别。     

基于多时相双极化SAR数据的作物种植面积提取

及时准确地获取农作物的空间分布信息和种植面积,在农业生产管理与农业政策的制定等斱面具有非常重要的作用。本文以多时相Sentinel-1A影像(4月17日、5月5日、6月16日、7月22日、8月27日、9月2日)为主要数据源,根据研究区作物的物候特征,提取棉花、玉米和果树在不同生长期的后向散射系数(Sigma)和归一化后向散射系数(Gamma)。通过对作物不同极化、不同时相后向散射系数的统计,建立散射特征时序变化曲线,幵分析其特征。利用人工神经网络(Artificial neural network)、支持向量机(Support vector machine)和随机森林(Random forest) 3种分类斱法对研究区的主要农作物迚行分类识别以及种植面积提取,幵对分类结果对比分析和验证。结果表明, 1)棉花的后向散射系数在6月现蕾期和7月开花期明显上升,8月仹达最高值,变化特征最明显,易与其他作物区分;玉米和果树的后向散射系数在9月仹与其他地物之间表现出显著差异。2)相较于神经网络和支持向量机,随机森林的分类效果最好,总体精度达88.97%。其中,对棉花和果园的分类精度为90.88%和93.17%,对玉米的分类效果最差,仅有71.6%。综上所述,多时相双极化SAR数据在不同类型作物的识别及面积提取斱面具有一定的应用潜力。     

基于GF-1卫星遥感数据识别京津冀冬小麦面积

省级尺度冬小麦面积的精准获取技术是农作物面积遥感监测研究的主要内容之一。为了获取省级尺度的冬小麦种植面积,该文以北京市(京)、天津市(津)和河北省(冀)3个省域范围为例,以国家标准地形图分幅为分类的图幅单元,利用国产GF-1/WFV数据,构建冬小麦面积指数,实现了省级尺度冬小麦面积的识别。本文以冬小麦全部9个月生育期的984景影像作为数据源,依次经过数据预处理、标准图幅单元的NDVI合成、样本点选择、冬小麦面积指数构建、冬小麦作物类型确认、省域范围制图及精度验证等步骤完成研究区域内冬小麦面积的提取。采用区域网平差和6S大气校正算法对数据源预处理,以中国1︰10万标准地形图分幅为分类图幅单元构建冬小麦面积指数,将冬小麦面积指数按照1%的比例等分,并将面积指数从0到100%分割为101个提取节点,将提取节点的NDVI值依次与类型确认样本比较,精度最高的则确认为冬小麦面积提取阈值,同时将该阈值应用于图幅单元内冬小麦面积指数影像,获取冬小麦种植分布。最后冬小麦面积识别的精度表明,以标准地图分幅作为计算单元,在GF-1影像基础上,利用冬小麦面积指数能够显著提高冬小麦与其他地物类型的波谱差异,且冬小麦的总体识别精度达到89.6%,用户精度达到89.8%,制图精度96.5%,Kappa系数0.72。在典型区域,本文算法与监督分类算法精度结果较为一致,除制图精度相差4.77%外,总体精度与用户精度差都在1.00%以内,说明本文算法具有精度高、运行效率高、分类单元识别结果一致性强的特点,能够满足省级尺度农情遥感业务监测的需要。     

冬小麦非监督分类结果的类别选择研究

为了实现基于遥感影像作物的自动分类，发挥遥感技术宏观、迅速的大范围监测特点，本文在遥感影像非监督分类的基础上，提出了一种基于ISODATA非监督分类结果的自动分类方法。该方法分为ISODATA非监督分类过程和自动分类过程，自动分类过程又可分为冬小麦样本点占比排序和类冬小麦类别确定两个方面。当非监督分类类别设置为40或50类、每类样本数量为4或5类时，冬小麦遥感分类精度较高且分类精度稳定。在200个样本点组合（40个分类类别，每个类别中5个样本点）中，基于ISODATA非监督自动分类结果的总体精度相较于最大似然分类方法提高了2.5个百分点，KAPPA系数提高了19.4%。在500个样本点组合（100个分类类别，每个类别中5个样本点）下，基于ISODATA非监督自动分类结果总体精度和KAPPA系数与最大似然分类方法相近。基于ISODATA非监督分类结果的自动分类方法可以在样本量较少时保持较高的分类精度，人机交互少，分类效率高，适用于业务化应用。     

基于关键期HJ卫星数据提取无棣县作物种植面积

探讨利用作物关键生育期HJ卫星遥感数据，进行区域主要作物种植面积快速监测的可行性，旨在建立一种方便快捷的作物种植面积提取技术。以山东省无棣县为研究区，根据该县作物栽培技术月历为参考选择关键期HJ星遥感数据，通过EVI指数时序数据分析，采用支持向量机(SVM)方法进行了该县主要作物种植空间分布信息提取。结果表明：关键期HJ星EVI指数数据结合SVM方法，能较为准确地获取该县冬小麦、玉米和棉花的种植面积，总体的面积总量精度超过93%，空间分布精度大于75%；利用关键期影像大大减少了数据处理量，便于可视化感兴趣区的选择，仅利用SVM方法就获得了满足精度要求的作物面积提取结果，大大简化了操作流程，为其他区域利用HJ卫星数据提取作物种植面积提供了参考。     

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。     

遥感影像分类结果的不确定性研究

主要从遥感数据质量的不确定性、分类算法的不确定性、分类评价方法的不确定性及分类后处理的不确定性四个方面讨论了遥感影像分类结果的不确定性。     

HJ卫星数据在棉花种植面积提取中的应用研究

 探索利用环境小卫星数据进行棉花种植面积的提取,旨在利用国产卫星数据建立一种方便快捷的棉花种植面积提取技术,为棉花的遥感估产奠定基础;选取2011年新疆北部国营农场棉花不同生育期内两期HJ卫星影像,根据棉花与研究区其他作物物候和光谱差异性、农作物生长规律,运用监督分类算法、密度分割和逻辑运算,辅助于人机交互的目视解译,得到研究区棉花种植面积;结果表明：不同监督分类算法中,神经网络分类法和最大似然法分类效果最佳;最终提取的棉花面积总体精度为87.7%;本文采用的方法较为实际、便捷,提取棉花种植面积的精度符合农场生产要求,可为棉花估产和作物种植结构分析提供科学依据。     

作物类型遥感识别研究进展

及时获取作物种植面积是研究粮食区域平衡,预测农业综合生产力和人口承载力的基础。遥感技术已经成为提取作物种植面积的重要手段,而前提是识别作物。为了理清当前该领域的国内外研究现状,以遥感在作物类型识别中的应用为主线,归纳了国内外作物类型识别研究中常用的各类遥感数据,如资源遥感影像、气象遥感影像、高分辨率影像、高光谱影像和微波影像等,分析其优缺点和适用性;同时总结了利用遥感进行作物类型识别的3类研究方法,包括基于光谱的识别方法、基于物候差异的识别方法以及光谱与物候相结合的方法,分析了各种方法的特点;指出目前作物类型遥感识别中存在的主要问题,如影像空间精度与价格的平衡问题,多分辨率遥感数据的综合应用问题,物候差异对作物识别的影响问题等;认为不同分辨率遥感数据的结合可以弥补各自不足,遥感影像的时相选择是提高精度的关键,另外需要应用除光谱和物候以外的更多解译标志;建议进一步深入研究作物识别机理和多尺度数据融合方法。以期为遥感技术在作物类型识别中的深入研究提供参考和借鉴。     

基于高光谱的水稻叶片氮含量估计的深度森林模型研究

高光谱遥感已经成为快速诊断作物水氮状态的一种有效手段。然而,传统的回归方法和机器学习往往难以挖掘高光谱的全部信息,深度神经网络又通常需要大量的训练数据,因此本研究试图探索在少量数据条件下构建深度学习模型并实现叶片氮含量的精准估计。通过在湖北省监利县开展了连续2年不同氮素胁迫水平的水稻试验,测量了作物全生育期内的216组冠层光谱和叶片氮含量。基于一阶导数光谱,本文构建了一种新的深度学习模型(深度森林DF)来进行叶片氮含量的反演,并与2种经典机器学习模型(随机森林RF和支持向量机SVM)和一种深度神经网络模型(多层感知器MLP)进行比较。结果表明,在基于少量高光谱数据的情况下,DF对水稻叶片氮含量的估算精度要高于MLP,其中预测精度最高的模型为全波段光谱反演的DF模型(R²=0.919,RMSE=0.327)。在2种经典机器学习模型中,RF的估计效果优于SVM,但2种模型结果都不够稳定。研究表明,深度森林可以提升高光谱反演叶片氮含量的精度和稳定性,并且可以通过多粒度扫描相对减轻过拟合程度。该研究结果可为少量数据条件下快速监测作物叶片氮含量提供参考。     

棉花枯萎病的光谱识别

 采用“积分球—光谱仪”联用技术测量了健康棉叶和感染了枯萎病的棉叶的光谱反射率，发现健康棉叶与感病棉叶在光谱曲线上有很高的可区分性。用健康棉叶的波谱带作为分类器分别对“健康—发病期”和“健康—潜病期”两组棉叶的波谱集合进行分类，总体分类精度分别为100%和92%。将测得的光谱数据转化为Landsat TM卫星多光谱数据，同样用健康棉叶的光谱带对以上两组波谱集进行分类，总体分类精度分别为96%和92%。试验结果为遥感技术在监测棉花枯萎病上的应用提供了理论支持。