基于Segformer网络的地块尺度作物种植结构精细化识别与分类

防止耕地“非粮化”、稳定粮食生产是中国粮食安全的基石。为实现地块破碎化地区作物类型及种植结构精细化识别和分类,本研究以江苏省泰兴市为研究区,基于高分辨率遥感影像和多尺度融合特征显著的Segformer语义分割模型,实现地块尺度的耕地信息精细化提取;同时结合多源遥感数据构建主要植被类型归一化植被指数(NDVI)时序曲线及植被生长关键时间节点的光谱反射特征,开展地块尺度的作物种植结构分类。结果表明：基于Segformer模型的分割方法可有效识别耕地,F1系数达92.4%;基于主要植被类型多时相NDVI时序特征及植被生长关键时间节点光谱反射特征的作物种植结构分类方法能够实现地块尺度的种植结构分类,总体分类精度达82.38%。因此,本研究建立的方法可有效实现地块尺度耕地信息的精细化提取及种植结构识别和分类,为耕地保护提供技术支持。     

农作物空间格局遥感监测研究进展

遥感技术因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握农作物空间格局提供了新的科学技术手段。本文系统总结了近10年来国内外农作物空间格局遥感监测在理论、方法、实践应用等方面取得的新进展,指出了亟待解决的问题,并对今后的发展方向进行了展望。研究认为,农作物种植面积遥感监测主要根据遥感传感器记录的不同农作物光谱特征的差异,进行不同农作物种植面积的识别,方法主要包括:基于光谱特征、基于作物物候特征和基于多源数据的农作物遥感识别方法。遥感技术应用于农作物复种模式监测主要根据时间序列植被指数描述的作物季节活动过程,利用不同的拟合方法得到作物生长曲线,实现作物复种模式有效监测。农作物种植方式遥感监测是更高层次的遥感应用,主要利用时间序列遥感数据,根据作物植被指数的变化规律区分不同作物生育周期,判断不同复种模式下作物的种植顺序和方式。在未来相当长的一段时间内,建立农作物空间格局遥感监测的理论和技术体系、发展和改进遥感影像分类方法、优化时间序列遥感数据平滑技术和提高信息提取的自动化与流程化将是农作物空间格局遥感监测需要重点解决的几个关键问题。     

基于中、高分辨率遥感影像的县域尺度马铃薯和向日葵种植面积监测

近年来,中、高空间分辨率遥感数据在农作物遥感监测上发挥着重要作用。本研究利用Landsat 8及GF-2遥感数据,基于不同作物的物候、波谱和纹理差异,采用监督分类的方法,对内蒙古自治区呼和浩特市武川县马铃薯和向日葵种植面积进行识别提取。研究结果表明,该方法在县域尺度上能够有效监测识别2种作物的种植面积,且识别精度较高,用户、制图和总体分类精度三者均高达96%以上,Kappa系数为0.935 4,可满足遥感监测作物种植面积的需求,也可为县域尺度非大宗作物的面积监测识别提供理论依据。     

农作物种植结构遥感提取研究进展

农作物种植结构信息对农业生产管理、农业可持续发展及国家粮食安全等具有重要意义。本文中概括了农作物种植结构遥感提取的理论基础,归类了近10年间不同农作物种植结构遥感提取技术方法,重点评述了不同技术方法的特点及应用情况,讨论和展望了未来农作物种植结构遥感提取研究的发展方向。当前,光谱特征、时相特征和空间特征是农作物种植结构遥感提取的三大理论基础。基于单一影像源的种植结构提取方法操作简单,但往往难以获取种植结构“最佳识别期”的遥感影像;基于多时序影像源的种植结构提取方法可以充分利用农作物季相节律特征,成为当前农作物种植结构遥感提取的主流方法。在基于多时序影像源的种植结构提取方法中,多特征参量法较单一特征参量法更适用于农作物种植结构复杂区域,基于多特征参量的统计模型法一定程度上解决了混合像元问题,但模型的鲁棒性有待提高。此外,遥感与统计数据融合的农作物种植结构提取法在国家及全球大尺度的农作物种植结构提取中具有优势,但较低的制图分辨率使得数据产品的区域适宜性较差。未来农作物种植结构遥感提取将以区域“作物一张图”为目标,充分发挥多源数据组合利用的优势,围绕多类型作物同步提取和大范围作物种植结构提取开展深入研究,重点加强遥感数据预处理、特征参量提取和分类器高效选择等关键技术研究,从而提升农作物种植结构遥感提取的时空尺度,满足多方位的农业应用需求。     

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于Bi-LSTM模型的时间序列遥感作物分类研究

【目的】及时、准确地作物分类制图是农情监测的重要依据。本研究基于双向长短期记忆网络模型探究深度学习技术在时间序列遥感作物分类与早期识别中的应用潜力。【方法】本文以黄河三角洲地区为例，以哨兵2号全年可用卫星影像为数据源，构建年时间序列NDVI数据集;采用循环神经网络构架，搭建针对结构化时序数据的双向长短期记忆网络模型（bidirectional long short-term memory，Bi-LSTM），开展遥感作物分类，并评估模型的泛化能力;通过输入不同长度时间序列遥感数据，探究满足一定制图精度条件下的作物最早可识别时间。【结果】作物年生长时序特征对于大多数作物遥感分类识别都具有较好的区分能力，基于年时间序列NDVI数据的Bi-LSTM模型作物分类总体准确率达90.9%，Kappa系数达到0.892。通过测试不同时间序列长度对作物分类的影响发现，对大多数作物来说，其分类精度随着数据时间序列长度增加而不断提高，冬小麦、水稻等作物在生长季早期即具有较为独特的分类特征，因而利用生长季早期的时间序列影像即可获得较高的制图精度，而棉花、春玉米等作物需要完整生长序列影像才能更好地保证分类精度。【结论】卫星影像时间序列蕴含的结构化特征信息可以有效地降低特定时段的作物光谱混淆;双向循环神经网络模型能够同时考虑前向和后向的时间状态信息，可以学习作物不同阶段的光谱变化特征，在水稻、棉花、春玉米等易混淆作物的识别上表现优异;模型能够有效地把握样本总体上的变化趋势，在农作物多分类任务中表现出较好的泛化能力和鲁棒性。本研究通过集成深度学习和遥感时间序列，为及时、快速的区域作物高精度制图提供了可行的思路。     

基于高空间分辨率卫星影像的新疆阿拉尔市棉花与枣树分类

【目的】 枣树和棉花是新疆地区的两大优势作物。利用高空间分辨率遥感影像对作物进行识别,更加快速、准确地获取枣树和棉花的种植面积及其分布区域,以利于相关部门政策的制定及农作物的精确管理。【方法】 本文以新疆阿拉尔市主要农作物为研究对象,运用基于像素与面向对象的遥感影像分类方法,通过比较光谱角制图（SAM）、支持向量机（SVM）、CART决策树（DTs）、随机森林（RF）这4种机器学习算法在高空间分辨率卫星影像分类中的作物识别精度,探究影像获取时期（2016-05-10、2016-09-07、2016-10-08）及面向对象的信息提取技术对作物分类精度的影响。【结果】 5月份影像（即棉花覆膜期影像）作物分类精度最高,10月份影像次之,9月份影像最差;与基于像素的作物分类方法相比,面向对象的作物分类方法可以使各时期的作物分类总体精度得到一定提高（除SAM之外）,各时期分类精度分别提高了4.83%、7.77%、7.22%,最高分类精度分别为93.52%（2016-05-10）、85.36%（2016-09-07）、88.88%（2016-10-08）,均实现了较好的作物分类效果。【结论】 5月份（棉花覆膜期）影像对棉花和枣树分类效果最好,该时期的棉花被地膜覆盖,且枣树表现出明显的植被光谱特性,两种作物生长早期呈现出差异化的光谱特征,因此棉花和枣树的遥感识别应在作物生长早期进行;面向对象的分类方法可以综合运用光谱、纹理及空间信息,特别是纹理信息的加入,可以取得比基于像素方法更高的分类精度,且提供一种高效提取田块边界的手段,对当地农田信息化管理具有重要应用价值。在棉花和枣树识别过程中,纹理特征的重要性高于光谱和空间特征,红光和绿光波段在所有波段中对棉花和枣树的识别贡献最大。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

作物环境胁迫高光谱遥感监测研究进展

作物环境胁迫频发不仅严重影响区域粮食生产和生态安全,还威胁社会经济稳定和可持续发展,高光谱遥感可实时、准确监测作物环境胁迫,与传统监测方法相比具有较大优势。首先阐述了高光谱遥感监测作物环境胁迫的理论基础,重点从基于光谱响应特征的直接监测、基于农学参数和生理信息反演的间接监测两方面,概述了高光谱遥感在监测作物病虫害、水分胁迫方面的研究进展。在此基础上,提出了目前该技术在作物环境胁迫监测应用领域的不足,如光谱响应特征的专属性认识不足、反演模型的精度及普适性较低、数据使用受到限制等,并讨论了高光谱遥感在作物环境胁迫监测方面的发展方向,旨在为农作物环境胁迫监测及预警提供参考。     

病害特征在作物病害识别中的应用研究综述

病害特征指作物在感染上病害时,在生理、形态和结构上发生病变特征,而病害识别则是利用提取出的作物病害特征来对作物进行病害识别,通常在病害形状、纹理和颜色作为识别特征的3个重要指标。将图像处理技术应用到病害特征提取识别中的研究与发展,分别从形状、颜色、纹理的特征提取出发,基于部分学习方法的病害识别,对近些年作物病害特征提取识别的应用研究进行综述,分析几种特征在病害识别研究中的优势与不足,并对病害特征在农业检测识别应用的前景进行展望。     

农作物分布格局动态变化的遥感监测——以东北三省为例

【目的】当前对涉及到耕地内部不同作物空间分布及其变化的研究较少。本文旨在探讨大尺度作物种植面积和分布格局遥感提取方法及景观生态学中景观格局指数在作物格局动态变化分析中的应用。【方法】基于2005年和2010年作物生育期内遥感影像全覆盖的MODIS-NDVI数据,利用RS、GIS技术,通过分析东北地区主要作物（水稻、玉米、大豆）的种植结构、物候历及NDVI曲线特征,建立不同作物面积遥感提取模型,提取大尺度农作物空间分布格局信息。同时,利用景观格局指数方法分析农作物格局动态变化特征和变化规律。【结果】与多年平均统计数据比较,基于MODIS遥感数据提取的作物面积信息,2005年和2010年平均精度达到了90%以上;5年间,东北地区主要作物种植结构发生了较大变化。其中大豆平均斑块面积减少,面积年动态度为-4.47%,水稻和玉米平均斑块面积均增加,且5年的变化幅度均超过20%。【结论】成本和收益是作物面积增加或减少的主要原因;用中等分辨率的遥感数据进行大尺度作物面积提取的方法是可行的;景观生态学中格局指数可以用来分析耕地内部作物格局的动态变化规律。     

基于Landsat8和高分一号影像的沙湾县作物种类识别研究

本研究探讨了如何利用中分辨率遥感影像实现县域作物快速识别的方法。以沙湾县为研究区,基于Landsat8和高分一号遥感影像,利用实地调查的2016年沙湾县作物种植信息,建立解译标志,加入耕地掩膜,选取不同的监督分类方法,对沙湾县作物识别的最佳识别时相、最佳识别方法以及最佳数据源进行研究。结果表明:Landsat8影像与高分一号影像分别在7月与9月可分离度与总体精度最高;通过六种分类方法对比,均为支持向量机分类法分类精度最高,Landsat8影像总体精度91. 22%,Kappa系数0. 916,高分一号影像总体精度88. 23%,Kappa系数0. 876,Landsat8影像分类整体精度略高于高分一号影像;对于两种数据源,棉花、玉米、小麦和其它作物分类总体精度均达到88. 23%以上,证明使用中分辨率遥感影像对县域作物进行识别是可行的。     

作物籽粒蛋白质含量遥感监测预报研究进展

【目的】梳理目前作物资料蛋白质含量遥感监测预报研究进展,掌握最新该方面的研究方法、技术等。为发展优质专用谷物并依据以蛋白质含量为主导的不同类型谷物分类收获和加工探明发展道路。【方法】通过收集国内外籽粒蛋白质含量遥感监测预测研究文献,整理、分析及归纳当前研究内容,综述前人研究等方法。【结果】概述了3种常规的作物籽粒蛋白质含量检测方法,包括常规的室内分析化学法、近红外分析方法及遥感技术预测方法;介绍了植物碳氮代谢过程与籽粒蛋白质含量形成机理以及作物籽粒蛋白质遥感预测的可行性;然后归纳了4类作物籽粒蛋白质含量遥感监测预测等方法,分别为基于‘遥感信息—籽粒蛋白质含量’模式的经验模型、基于‘遥感信息—农学参数—籽粒蛋白质含量’模式的定量模型、基于遥感数据和生态因子的籽粒蛋白质含量半机理模型、基于遥感信息和作物生长模型结合的机理解释模型,并分别综述了这4类预测模型的国内外研究进展。【结论】明确了当前在籽粒蛋白质含量遥感预测中存在的问题及进一步解决的对策。     

基于GF-1与Landsat8 OLI影像的作物种植结构提取——以新疆阿克苏地区为例

作物种植结构监测和估产是精准农业遥感应用的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。本文以新疆阿克苏地区为研究区,以2016年多时相Landsat8 OLI和GF-1影像为数据源,基于物候信息、时相特征、积温和光谱特征确定农作物识别关键时期和特征参数,构建决策树分类模型,开展作物种植结构监测研究。结果表明:多源与多时相遥感数据可以反映不同农作物的季相特征,研究中所构建的决策树分类模型能够在大区域范围内高精度地实现作物分类,总体精度达83%,Kappa系数为0.77。与统计数据对比,棉花面积精度在85%以上,玉米为81%,小麦为80%以上,水稻达80%以上。因此,利用Landsat 8和GF-1影像在大区域提取农作种植结构是可行的,为今后遥感在农业上的应用提供一个广阔前景。     

基于随机森林算法的多作物同步识别

作物类型遥感识别是农业遥感的重要组成部分,为获取作物种植面积、长势信息并进行产量估算提供了手段。目前,对玉米、水稻和小麦等大宗农作物进行单一识别或两类间分类识别的技术研究较多,对研究区多种农作物同步分类识别的研究较少。本研究基于随机森林分类器利用Landsat 8数据开展宁夏农作物分类,对八种主要农作物春小麦、玉米、水稻、苜蓿、蔬菜、葡萄、枸杞和瓜类进行同步分类试验。结果表明:随机森林方法可以满足研究区内多类作物同步监测的需求,精度可达80%以上。单时相分类精度可达到81.8%,后分类处理精度可达到82.8%,时间序列分类精度可达到85.1%,时间序列分类和后分类处理可以有效提高分类精度。随机森林分类精度随着树数量的增加而增大,当树的数量足够多时,模型趋于稳定,特征变量对精度的影响被控制在一定范围内,当特征变量设置为总特征变量的平方根或对数时,精度达到最佳。因此,基于对分类实验时效性的考虑,将参数分别设置为Ntree=100,Mtry=总特征变量的平方根或对数。     

作物种植行自动检测研究现状与趋势

大田作物一般成行种植,以提高种植效率和方便田间管理。因此,作物种植行自动检测对于智能农机携带传感器拍摄影像实现自主导航、精准打药,乃至基于无人机搭载传感器拍摄高分辨率影像生成田间的精准管理作业单元都具有重要意义,是智慧农业管理的重要组成部分。本研究首先系统归纳总结了已有作物种植行自动检测方法,分析了Hough变换法、最小二乘法、绿色像元累积法、Blob分析法、滤波法、消隐点法等作物种植行提取方法的基本原理、发展现状与优、缺点;其次,针对已有研究,提出目前还存在的、需要探讨的科学技术问题,比如不同空间和光谱分辨率影像如何影响作物种植行提取的精度;怎样基于无人机识别不同空间分布特征的作物种植行并进行长势空间精准制图;如何构建标准化的作物种植行识别技术流程等;最后,针对种植行提取技术现状与存在的问题,提出未来的若干研究方向,包括能适应高杂草压力等复杂环境的作物种植行精准识别技术,以提高智能农机自主导航精度;能基于种植行识别结果进行作物长势精准制图,从而支撑田间精准分区的方法;耦合无人机遥感精准作物长势监测与智能农机作业的田间精准管理技术等。本文可为影像中作物种植行自动提取及其相关应用研究提供参考。     

基于随机森林法的农作物高光谱遥感识别

  目的  不同农作物种类光谱差异小，通过探测众多窄波段范围的细微差别，提取区分不同农作物的特征波段，是目前实现农作物高光谱遥感识别的重要途径。如何提取区分不同农作物的特征波段，进而实现农作物的精确识别是一个挑战。近来出现的随机森林方法在多变量目标的分类识别方法展现了优势，为解决这一难题提供了一个新手段。  方法  利用随机森林法与传统方法分析杭州地区8种典型农作物的反射光谱，提取特征波段并进行分类，对比不同方法的识别效果。  结果  不同作物的反射光谱及其一阶微分、二阶微分、倒数的对数、去包络线法所提取的特征波段只能区分部分作物；随机森林法无需对反射光谱预处理，直接对全波段反射光谱数据处理，不仅筛选出了区分不同作物的特征波段，且运用所选择的波段对作物进行随机森林分类的效果也是最优的。  结论  随机森林法选择的波段（550、2 490、370、770、560、380、540、530、570、350 nm）不仅能区分不同作物，还能反映农作物生化属性的不同，使得用于分类的波段及分类方法体现了不同作物间物化性质的不同，在展现高光谱遥感识别农作物优势的同时，也为大面积农作物遥感精细分类提供借鉴。     

基于GF-7遥感卫星的冬小麦面积精细化识别

2019年11月3日发射的GF-7号卫星是我国的第二颗亚米级、多角度民用商业卫星,其在农作物面积分布精细化识别方面潜力有待评估.依据2018年国家统计局数据,全国冬小麦播种面积占粮食作物总播种面积的19.23％,通过遥感手段准确识别冬小麦分布情况,是作物长势和作物估产等后续遥感产品准确评估的保证,对确保粮食安全具有极其重要的意义.通过支撑向量机和随机森林2种机器学习算法,分析高分七号亚米级光谱特征及其纹理特征对冬小麦的精细化识别能力.结果表明,基于影像光谱特征,SVM分类器取得了最优的分类精度,其中冬小麦识别精度为93.96％,总体精度为91.01％,Kappa系数为0.7632,面积精度为91.46％.     

基于遥感光谱的作物氮含量估算研究进展

氮是作物生长不可或缺的营养物质之一,氮的亏缺或富余会严重影响作物的产量和经济效益,及时、准确和无损的作物氮素水平监测对作物的增产、合理施肥以及减少环境污染等具有重要意义。阐述了作物氮含量遥感估算的原理及国内外估算方法与研究进展,并在此基础上分析了基于遥感光谱数据的作物氮含量估算存在的问题,提出了未来研究的重点:模型普适性的提高、多源遥感数据的使用、多因素影响下作物氮含量的监测等。     

渍害田遥感空间信息提取方法综述

渍害是引起我国长江中下游地区农作物低产的主要原因之一,本文通过分析渍害田农田生态特征,介绍了三种反演与识别渍害田的方法:通过地下水位的定量反演识别渍害田的方法、基于主动雷达的土壤表层水分反演识别渍害田的方法和基于光学热红外遥感的土壤表层水分反演识别渍害田的方法。希望渍害田遥感空间信息提取成为可能。