基于无人机遥感影像的覆膜农田面积及分布提取方法

针对基于无人机遥感的覆膜农田识别研究甚少的现状,该文以云南省昭通市鲁甸县为研究区,获取了研究区中地表类型复杂程度不同的2幅航空影像(复杂区影像和简单区影像)作为试验数据,利用灰度共生矩阵对原始航片影像进行纹理特征提取并选择纹理特征最佳提取参数;然后基于随机森林算法进行纹理特征重要性评价,优选纹理特征,结合原始数据进行最大似然初步分类;运用众数分析进行分类后处理;最后结合图像形态学算法与面积阈值分割法提取出了最终的覆膜农田面积及分布。通过试验结果发现,依据该文提出的方法,复杂区和简单区覆膜农田识别的总体精度、Kappa系数、产品精度、用户精度和面积误差分别达到了94.84%、0.89、92.48%、93.39%、0.38%和96.74%、0.93、97.39%、94.63%、1.95%。该文提出的融合监督分类和图像形态学算法的覆膜农田提取方法可以简单、快速的将地膜连成块,形成覆膜农田对象,进而通过面积阈值分割法获取高精度的覆膜农田分布信息。该方法可以为精准覆膜农田识别算法的发展提供参考。     

无人机遥感影像面向对象分类方法估算市域水稻面积

针对如何高效地从无人机遥感影像中提取农作物样方数据,用于农作物面积遥感估算,该文以浙江省平湖市为例,利用面向对象分类方法对无人机影像进行水稻自动化识别,作为样方数据与卫星遥感全覆盖空间分布分类结果结合,采用分层联合比估计进行2014年单季晚稻面积估算。然后,与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析。研究结果表明:1)利用面向对象分类方法对无人机影像进行分类,总体分类精度达到93%以上,满足构建样本的要求;2)通过区域作物估算对比分析发现,面向对象分类方法对无人机影像进行水稻识别,构建平湖市单季晚稻的样方数据,能够替代人工目视解译样方准确推断区域作物种植面积,有效地提高了无人机影像在遥感面积估算中的应用效率。     

基于深度学习的温室大棚实例识别及模型迁移

温室大棚实例提取在蔬菜种植面积测算和产量估计等方面具有重要意义。该研究以高效准确地识别大尺度范围内温室大棚实例为目标,提出了一种基于卷积神经网络和形态学后处理的“区域-边界”实例提取方法,以及单纯迁移模式、尺度适应模式、模型微调模式3种不同的迁移模式。试验结果表明,利用UNet网络构建“区域-边界”多分类模型识别温室大棚实例效果最优（实例召回率达到91.05%）。形态学后处理操作能够进一步优化温室大棚实例提取结果（单元交并比相比于操作前提高10.53个百分点）。探讨了3种模型迁移模式应用在不同场景时的表现,迁移效果由高到低依次为模型微调模式（实例召回率为87.93%）、尺度适应模式（实例召回率为41.72%）、单纯迁移模式（实例召回率为24.15%）。基于“区域-边界”实例提取方法并根据预测区域和训练区域的场景差异选择不同的迁移模式可以快速精准地识别大尺度范围内温室大棚实例,为农业设施的智能化建设提供信息支撑。     

基于像元物候曲线匹配的生长季内河北省冬小麦空间分布识别

及时、准确的农作物空间分布信息是进行作物长势监测、灾害评估与产量估计的基础。传统方法一般在作物收获期前后进行作物的识别，时间上滞后，难以满足农业生产的应用，时空泛化能力差，模型复用程度低。该研究以历史知识为支撑，提出冬小麦像元匹配模型（Pixel-matched Model，PMM）进行冬小麦空间分布提取，旨在生长季内实现冬小麦空间分布的快速提取。研究结果表明，PMM能充分利用作物物候特征变化，排除冬小麦种植物候空间异质性的影响，能够在播种后2个月内实现冬小麦的准确提取，总体精度达到了95.49%，F1分数为0.83，且不随物候曲线的延伸而大幅提高精度。与传统参考曲线模型（Reference Curve Model，RCM）相比，PMM在消除区域内冬小麦生长物候差异方面具有优势，可在年际间实现冬小麦的准确识别，具有较强的时间泛化能力，能够实现冬小麦的自动化识别。     

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％.     

基于遥感识别误差校正面积的农作物种植面积抽样高效分层指标研究——以冬小麦为例

【目的】在遥感与空间抽样相结合进行农作物面积调查中,由于传统的基于面积规模的分层指标设计中缺失对遥感识别结果分类误差的表达,一定程度上影响抽样效率,因此提出基于遥感分类误差校正面积的分层标志--误差校正面积,以期改进农作物种植面积抽样调查效率。【方法】选取北京市通州、大兴区为研究区域,以冬小麦为例,选择16 m分辨率GF-1号影像（获取时间2015年4月4日）为遥感数据源,进行抽样方案的设计。设计与计算高效分层指标,先从像元尺度判断像元相应的错入、错出方向并计算其对应的误差面积,再在抽样单元尺度上统计所有像元的误差面积,将其用于面积规模的校正,校正后结果即为所提出的分层抽样指标--误差校正面积（S_correct）;构建边长为90-300 m的规则正方形格网为抽样框,并完成设置分层层数、确定分层界限方法、样本量分配方式、总体估计方式等空间抽样方案设计。基于设计的抽样方案进行试验,进行研究区冬小麦的区域总量面积反推。以误差校正面积指标和传统分层指标--面积规模为分层指标,进行多次种植面积抽样推断后进行指标有效性分析和精度评价,通过对相关性、典型区域分类错误像元误差分布、总体方差、平均相对误差 、CV值等方面的对比分析,验证所提出指标的可行性与优势。【结果】（1）通过结合原始影像、目标真值分布、遥感分类结果图、分类错误像元误差分布图的对比分析,从像元尺度验证了该指标能校正分类错误像元,从而改善分类结果;在试验抽样框下,误差校正面积的相关系数相较于面积规模略有提高,且数值大于0.7,可保证其与真值较高且稳定的相关性。验证了该指标作为分层指标的有效性。（2）在试验抽样框下,使用误差校正面积作为分层指标进行多次外推面积得到的总体方差在1.70×10¹³-2.41×10¹³,面积规模的总体方差为2.05×10¹³-3.11×10¹³,误差校正面积在推断稳定性方面高于面积规模;采用误差校正面积作为分层指标得到的 为4.21%-5.00%,面积规模的 为4.87%-5.98%,误差校正面积指标能稳定提高近1%的精度;选择误差校正面积指标作为分层指标进行抽样估算结果的CV值在试验抽样框下始终低于面积规模的推断结果,能稳定减少近0.8%。因此误差校正面积指标在与目标真值相关性、抽样精度、推断稳定性等方面均优于传统面积规模分层指标。【结论】误差校正面积指标可在一定程度上提高种植面积抽样调查精度,保证推断的稳定性,验证了遥感识别误差校正面积指标作为分层标志的有效性,能够提高抽样效率,其相较面积规模指标更具有优势。     

基于移动LiDAR 点云的树木三维重建

【目的】树木三维结构的描述是进行农林生态研究的重要科学基础,而移动激光雷达的使用将有利于快速、高效的农林树木三维结构重建。【方法】文章利用同时定位与构图技术实现基于移动激光雷达点云的农林样地树木三维重建,并以地基激光雷达数据为参考,验证三维重建精度,同时对比树木胸径,分析移动激光雷达在农林树木三维重建中的有效性和可行性。【结果】同时定位与构图技术可实现移动激光雷达点云的树木三维重建,其中,水平方向重建精度为0.038 m,垂直方向重建精度为0.017 m;以地基激光雷达数据拟合出的树干胸径为真实值,移动激光雷达点云拟合出的树干胸径为观测值,两者的相关系数为0.715 6,均方根误差(RMSE)和平均绝对误差(MAE)分别为0.011、0.01 m。【结论】移动激光雷达可实现农林树木三维结构快速重建,且基于重建结果可实现树干胸径准确提取。因此,移动激光雷达对提高农林树木测量效率具有积极作用。     

时-空-谱融合自动纯化生成样本的农作物遥感分类

准确及时地获取农作物种植面积是粮食估产的重要基础,对稳定市场和粮食安全至关重要。随着卫星遥感技术的发展和农作物识别算法的成熟,遥感在农业领域得到了广泛深入的应用,但农作物自动化识别普遍受到缺乏足够代表性训练样本数据的制约。该研究提出了一种多阶段样本纯化策略,综合考虑时间、空间、光谱和物候信息,基于历史作物空间分布图和当季遥感影像自动生成高质量的训练样本,以支持农作物的自动化识别。利用谷歌地球引擎（google earth engine,GEE）云平台及Sentinel-2数据,采用随机森林算法对浙江省两地区的水稻进行自动化识别。研究结果表明,该方法能够利用历史专题数据和当季遥感影像生成最新且充足的训练样本,样本点精度高达98.5%。样本点数量和影像特征对分类结果影响的定量分析结果表明,作物识别的精度超过96%,Kappa系数超过0.93。此外,所提算法对含有误差的历史分类数据表现出较好的鲁棒性。研究结果可为区域级农作物识别提供一种可靠的样本自动化生成方法,在大尺度自动化作物制图中具有广泛的应用潜力。     

气候变化下干旱对中国玉米产量的影响

了解干旱的时空变化特征及其对农业生产的影响对于维护农业可持续发展具有重要意义。该研究以中国五大主要玉米种植区中241个地级行政单元作为研究对象,采用AquaCrop作物模型分别对rcp2.6、rcp4.5、rcp8.5,3种代表性浓度路径情景中玉米在不同灌溉条件下的受到的水分胁迫及相应产量进行模拟,在此基础上通过建立回归模型评估干旱强度对玉米产量损失的影响。结果表明,1)未来中国的干旱强度分布及玉米产量损失在空间上均呈现由西北至东南递减的趋势;2)未来时期全国大部分地区干旱水平相比于历史时期有所上升;3)玉米干旱损失率随干旱指数的变化特征符合Logistic曲线,回归结果的R~2为0.96。4)未来北方春播玉米区和黄淮海夏播玉米区的玉米产量对干旱强度反应最敏感,应当引起格外重视。     

采用AquaCrop作物生长模型研究中国玉米干旱脆弱性

干旱脆弱性评价作为干旱风险评估和灾损评估的重要环节,在保障国家粮食安全和农业可持续发展中具有重大意义。该文以中国5大玉米种植区为研究区域,以其中241个主要玉米种植城市为基本单元,采用扩展傅里叶幅度检验法选取出2个敏感参数(作物冠层形成后到衰老之前的作物系数和参考收获指数),并在此基础上对AquaCrop作物模型进行逐市的参数标定。利用参数标定后的模型对不同灌溉条件下玉米受到的水分胁迫及相应情景下的产量进行模拟计算,分别建立了5个玉米种植区对应的干旱脆弱性曲线。结果表明:5个区域的脆弱性曲线拟合结果均为S形曲线,当干旱强度指标达到0.2附近时,产量损失率开始迅速增加;当干旱强度指标达到0.6左右时,产量损失率接近最大值。拟合函数的决定系数R^2分别在0.47~0.98之间,曲线拟合结果较好,在中国区域性玉米干旱脆弱性研究与干旱风险评估领域具有一定的理论与应用价值。