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。     

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。     

玉米和大豆光合有效辐射吸收比例与植被指数和叶面积指数的关系

基于东北典型黑土区的玉米和大豆的实测光谱反射率、光合有效辐射及叶面积数据,选取常用的9种植被指数,并根据光谱曲线特征和植被指数结构建立了两种新的植被指数,对其估算玉米和大豆冠层FPAR效果进行了对比分析。结果表明,各植被指数与冠层光合有效辐射吸收比例(FPAR)的关系因植被类型而异。以近、短波红外波段较以可见光、近红外波段计算植被指数的估算效果好。NDVI、RVI在可见光、近红外波段计算的植被指数中估算FPAR效果较好,玉米估算模型R²分别为0.81和0.82,大豆估算模型R2均为0.81;NDSI、RSI在近、短波红外波段计算的植被指数中较好,玉米估算模型R2均为0.86,大豆估算模型R2均为0.84,优于NDVI和RVI。试验表明,利用近、短波红外波段估算FPAR是可行的;冠层含水量较土壤背景对FPAR影响更大;玉米和大豆冠层FPAR与叶面积指数(LAI)呈较好的对数关系,估算模型R²分别为0.75和0.70;但用植被指数估算FPAR效果要优于用叶面积指数。     

冬小麦拔节期冻害后高光谱特征

以霜箱模拟冻害, 采用高光谱仪测定盆栽冬小麦叶片叶绿素含量及冠层高光谱反射率曲线, 以期为冻害遥感监测提供借鉴。结果表明, 冻害低温胁迫后, 对照组叶绿素含量比冻害组高约2~5个单位, 差异显著; 短期内高光谱曲线反射率接近, 线形相似, 约20 d后, 受损叶片过早衰败变黄, 高光谱曲线在黄、红波段区域反射率显著增强, “红谷”不明显, 曲线形状呈水平趋势; 光谱 “红边”具有“蓝移”、“红谷”具有“红移”现象。冻害程度的相关系数与绿峰、红边、红谷、光谱吸收指数分别为0.36*、-0.69*、0.42**、0.33**, 与蓝、绿、黄、红宽波段范围反射率面积分别为0.34*、0.43**、0.45**、0.44**, 与红边、红谷归一化植被指数为-0.33*, 与近红外、红波段反射率面积归一化植被指数为-0.39*, 与叶绿素含量为-0.49**。高光谱反射率曲线特征部位值差异显著性检验表明, 可利用近红外、红波段反射率面积构成的NDVI差异进行冻害识别, 其差异分级可划分冻害程度。     

基于Landsat-8 影像森林植被信息计算机自动提取研究

Landsat-8能够提供15 m全色波段和30 m分辨率的多光谱波段,Landsat-8上携带有OLI（operational land imager,陆地成像仪）和TIRS（thermal infrared sensor,热红外传感器）2个主要载荷,OLI陆地成像仪包括9个波段,TIRS包括2个热红处波段,全色波段Band8波段范围较窄,这种方式可以在全色图像上更好区分植被和无植被特征。本研究以攸县为例,采用Landsat-8遥感影像为数据源,进行缨帽变换及主成分分析处理,利用决策树分类模型进行提取。结果表明：Landsat-8遥感数据经过缨帽变换和主成分分析处理后,增强纹理信息,突出各地物的特征,把各地物在经过处理后的灰度值作为决策树分类模型的阈值,利用计算机自动提取,提取的总体精度为84.7%,攸县森林植被的面积为150911.7 hm2与以往的只利用波段的灰度值及植被指数等作为阈值相比,精度明显提高,方法也得到改善,得到了比较好的提取结果。     

基于机器学习与高光谱数据的湿地植被物种识别研究

为了探索利用高光谱高空间分辨率遥感数据进行湿地植被物种识别，笔者在分析6 种湿地植被原反射光谱、二阶微分及连续统去除光谱的基础上，利用马氏距离法和相关系数法提取特征波段，并将其作为特征参数参与C5.0 决策树分类与信息提取。结果显示：（1）基于机器学习的C5.0 决策树法总体分类精度为79.87%，Kappa 系数为0.765，与监督分类最大似然法相比，植被信息提取总体精度提高9.95%，Kappa系数提高0.114；（2）机器学习C5.0 决策树法与最大似然法相比，其独特的优势在于对藻类的信息提取精度大大提升，狐尾藻和水蕴草的用户精度提升最大，分别提升了18.67%和15.86%。该方法能够实现湿地植被物种信息的高精度提取，为同类研究提供借鉴，为湿地生态健康评价提供科学与技术上的支持。     

淹水胁迫下棉花叶片SPAD高光谱估算模型研究

【目的】建立淹水胁迫下棉花叶片SPAD的高光谱模型。【方法】利用灌排可控的试验田在棉花花铃期模拟淹水处理,分析受涝1 d、3 d、6 d、9 d后棉花叶片光谱反射率、SPAD值的变化特征;并对淹水胁迫后棉花叶片高光谱特征参数与SPAD值进行相关与回归分析,探寻用于估算淹水胁迫下棉花叶片SPAD变化的高光谱模型。【结果】(1)受涝3 d时棉花倒4叶SPAD值就显著低于对照,到受涝9 d时SPAD值比对照减少15%左右。(2)棉花花铃期受涝后倒4叶绿光波段反射峰变陡,近红外短波段的反射率升高。花铃期受涝使棉花倒4叶红边位置"蓝移",涝害持续9 d时红边位置向短波方向移动了4~5 nm,红边幅度和红边面积呈先增大后减小趋势,在受涝6 d时达到最大,红边偏度和红边峰度增大。(3)涝后棉花叶片SPAD值与红边幅值(Dr)、红边位置(λr)、绿峰反射率(Rg)、绿峰位置(λg)、红谷位置(λo)、蓝边面积(SDb)、黄边偏度(Sy)、黄边峰度(Ky)、红边偏度(Sr)、红边峰度(Kr)等光谱特征参数极显著相关;分别以Sy、Sr、Kr为自变量的一元线性、多项式和指数模型估算SPAD值较优,其决定系数(R~2)均大于0.9,均方根误差(RMSE)均小于1;多元逐步回归分析发现以λg、SDr/SDb(VI3)、Sb、Sy、Ky为自变量的多元线性模型估算SPAD值较优,R~2高达0.973,RMSE为0.393。【结论】该模型可以作为估算淹水胁迫棉花叶片SPAD值的遥感模型。     

基于高光谱分数阶微分的烟叶SPAD值估测

基于高光谱分数阶微分估测烟叶SPAD值,旨在提升高光谱数据估测烟叶SPAD值的准确度。首先,确定估测烟叶SPAD值的最优变换方式,并进行分数阶微分处理;然后,基于相关性分析、袋外数据(OOB)重要性、随机森林(RF)相结合的方法,筛选特征波长;最后构建烟叶SPAD值估测模型。结果表明：（1）估测烟叶SPAD值的特征波长主要有绿波段(499、500 nm),红边波段(634、636、702、703、732 nm)、近红外波段(972、1286、1289、1295、1298、1316 nm)、短红外波段(1450、1453、1456、1806 nm)。（2）以1.9阶次的特征波长所构建的RF-SPAD模型的精度最高,R²=0.690,较0、1、2阶次分别提高了22.1%、42.6%、87%,RMSE=2.799,比0、1、2阶分别减少了13.5%,20.2%,27.8%。利用1.9阶次特征波长构建的RF-SPAD模型较整数阶次模型有效提高了烟叶SPAD值的估测精度,为高光谱分数阶微分技术估测SPAD值提供了新的思路。     

单作套作大豆叶片氮素积累与光谱特征

种植模式和氮肥水平直接影响作物的生长和氮素的吸收,无损、即时监测大豆叶片氮素水平对大豆生产中的氮肥精确管理十分重要。本研究设置4个氮肥水平,分析单作套作下大豆在不同生育时期叶片氮素动态和光谱特征,明确对叶片氮素敏感的光谱特征参数,构建单作套作大豆通用的叶片氮素积累量估测模型。结果表明,随大豆生育时期的推进,单作套作种植模式下的大豆冠层叶片氮素积累量均呈现单峰变化趋势,最大值出现在N3处理下的结荚期,两种模式两年最大值平均分别为8.70 g m~(–2)和8.38 g m~(–2);不同生育时期和种植模式的大豆冠层原始反射光谱的变化规律与冠层叶片氮素变化规律均为先增加后降低,原始反射光谱在700~1000 nm波段的反射率以结荚期为拐点先增大后减小,最大反射率达到60%~70%左右;通过对单作套作大豆冠层光谱一阶导数变换,红边幅值呈现先增加后降低的趋势,同时红边位置随叶片氮积累量的增加和减小出现"红移"与"蓝移"现象。经波段自由组合和回归分析表明,以DSI(771、755)构建的线性(y=–1.249+3.209x,R~2=0.847)和乘幂(y=–1.470x~(1.676),R~2=0.872)模型能较精确地估测不同生育时期大豆冠层叶片氮素状况。     

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。     

利用无人机遥感提取育种小区玉米倒伏信息

研究了无人机遥感技术在小区尺度上进行玉米倒伏信息提取的可行性。笔者使用小型无人机通过无地面控制点的倾斜摄影方式，获得研究区的数字表面模型(DSM)，结合图像的红、绿、蓝色彩特征，采用图像分类的方法提取玉米倒伏信息，并在小区尺度上与田间调查结果进行对比分析。结果表明，数字表面模型所代表的玉米冠层高度差异信息与图像色彩特征具有良好的互补性，二者结合能够极大地提高玉米倒伏信息的提取精度。与田间调查数据相比，倒伏株数的误差只有4.44%，受倒伏影响的小区数量误差为9.26%，且85%以上小区内的株数误差小于5棵。玉米冠层高度结合色彩特征信息可精准地提取玉米倒伏信息；倾斜摄影测量方式可有效降低地面控制点缺失带来的模型内畸变，提高工作效率。该方法为小区尺度的玉米倒伏调查提供了一种简单、快速、有效的手段。     

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...     

基于中等分辨率遥感影像的桃源县竹林信息提取研究

为了提高竹资源调查效率,为资源的合理开发和科学规划提供依据,以湖南省桃源县为研究对象,以中等分辨率Landsat TM遥感影像、桃源县二类调查资源分布图等为数据源,利用ENVI 4.5对Landsat TM进行图像预处理,运用非监督分类、最大似然分类、马氏距离分类、最小距离分类4种分类法对竹林信息进行提取,并对其精度进行评价。结果表明：非监督分类、最大似然分类、最小距离分类、马氏距离分类总体精度分别为60.47%、92.15%、71.70%、82.81%,Kappa系数分别为0.4263、0.8890、0.6085、0.7595。监督分类的精度比非监督分类要高,其中最大似然法分类的总体精度、用户精度、Kappa系数均比其他3种分类精度要高,在保证竹林分类精度的同时,其他植被类型的分类精度也能得到满意的结果,因此它是进行竹林信息提取的较为理想的方法。     

玉米大豆轮作遥感监测技术研究

基于黑龙江省北安市2014—2015年的Google Earth影像、多时相OLI数据和Rapid Eye影像,采用遥感目视解译的方法,构建了玉米大豆轮作遥感监测业务化技术流程。主要技术环节包括数据预处理、地块位置与面积信息的精准获取、农作物类型识别、精度验证、变化统计等5个内容。研究结果表明:工程区域总面积4528.7 hm~2,计有447个地块;其中,2014年玉米轮作为2015年大豆的地块为193块3794.4 hm~2,大豆轮作为玉米的地块为65块88.0 hm~2;采用地块逐一调查的方式进行验证,地块吻合率为100.0%。研究提出的技术方法具有较高的地块测量准确性和监测效率,可以作为农作物种植结构调整政策落实程度核查技术使用。     

小波分析在大豆叶绿素含量高光谱反演中的应用

实测了不同水肥耦合作用下,大豆冠层高光谱反射率与叶绿素含量数据,并对光谱反射率、微分光谱与叶绿素含量进行了相关分析;采用叶绿素A与叶绿素B诊断波段构建了特定植被指数,对叶绿素A、叶绿素B进行了回归分析;采用小波分析对采集的光谱反射率数据进行了能量系数提取,并以小波能量系数作为自变量进行了单变量与多变量回归分析,对叶绿素含量进行估算。经分析发现,叶绿素A、B与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致——在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度（R2>0.73）;小波能量系数回归模型可以进一步提高大豆叶绿素含量的估算水平,以一个特定小波能量系数作为自变量的回归模型,叶绿素A其确定性系数R2为0.76,叶绿素B为0.78;以4变量与9变量回归分析结果表明：叶绿素A实测值与预测值的线性回归确定性系数R2分别大于0.85、0.89;叶绿素B实测值与预测值的线性回归确定性系数R2分别为0.86、0.90。     

单时相MERSI数据在冬小麦种植面积监测中的应用

以FY-3A MERSI可见光到近红外波段250 m分辨率数据为信息源,采用PPI（像元纯净指数）提取结合实测数据的方法,经反复试验最终提取了山西南部冬小麦区的不同地物覆盖特征谱,进而采用基于监督分类的最大似然法、神经网络等方法进行不同地物类型的分类,同时根据不同地物光谱特征采用混合像元分解技术提取冬小麦种植面积。结果表明：单时相FY-3A MERSI数据提取作物种植面积是可行的,神经网络法好于最大似然法,混合像元分解提取的面积同实际种植面积最为接近。     

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。     

基于颜色和纹理特征的玉米干旱识别

探究以颜色和纹理为特征,以神经网络建模为方法,识别玉米干旱的效果。利用可见光成像方式采集不同干旱胁迫下的玉米图像,通过编程从玉米图像中自动提取颜色和纹理特征变量,以多个BP神经网络集成学习的方法构建玉米不同生长发育阶段的干旱识别模型,识别不同干旱程度的玉米植株。结果表明：玉米出苗—拔节阶段的模型在训练和验证时的平均识别准确率和平均识别精度均在90%以上,识别误差均值小于0.1;拔节—抽雄阶段的模型在训练和验证时识别干旱的平均准确率和平均识别精度均在85%以上,识别误差均值为0.1和0.14;抽雄—成熟阶段的模型在训练和验证时识别干旱的平均准确率分别为85.36%和84.27%,平均精度在均在80%以上,识别误差均值为0.15和0.16。玉米出苗—拔节、拔节—抽雄、抽雄—开花3个阶段的干旱识别模型对田间玉米干旱的平均识别准确率在75%左右,平均识别精度在80%以上,平均识别误差依次为0.22、0.21、0.29。总之,出苗—拔节阶段的玉米干旱识别模型识别干旱的能力最强,拔节—抽雄阶段的模型次之,抽雄—成熟阶段的模型较差,同一模型对同一干旱程度的识别,模型训练时的识别效果最好,验证时的识别效果次之,测试效果较差,同一模型对不同干旱程度的识别,总体表现为对中旱水平识别效果最不理想,对适宜和特旱水平的识别效果最好。研究结果为玉米干旱特征模式识别和利用表型特征实现玉米旱情自动监测预警提供参考。     

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。