基于VOSviewer的农作物遥感制图研究的文献特征与热点演变分析

目的 作为农作物长势监测、产量估测和灾害评估的基础,及时、准确获取农作物空间分布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。方法 文章从农作物遥感制图的研究热点和前沿出发,基于Science Citation Index Expanded（SCIE）和CNKI数据库,利用VOSviewer软件对2011—2020年农作物遥感制图领域的年文献量、属地分布、合作关系、发文机构、热门期刊和研究热点进行知识图谱分析。结果 总体上,作物制图领域近10年来论文发表数量在不断增加,可大致分为缓慢增长（2011—2014年）、快速增长（2015—2018年）和持续稳步增长（2019—2020年）3个阶段。以中国和美国为代表的经济快速发展国家和地区普遍重视农作物遥感制图领域研究,发文量多、影响力大。世界各国之间的合作关系逐渐增多与密切,多方合作是未来的趋势。中国在作物制图领域的发文机构与发文数量较多,但论文被引频次稍逊于美国。从研究热点看,农作物分类对象仍然以主粮作物为主,分类方法从传统机器学习向深度学习发展。结论 农作物制图过去10年领域取得了长足的进展：发文总量总体提升迅速、国内外机构合作愈加紧密,多源数据协同、历史观测数据融合应用、分类算法的改进、特征组合的优化是未来农作物遥感制图研究的重要方向。     

时间序列特征提取和分类器对农作物分类的影响研究

【目的】准确的作物空间分布是农业估产、作物长势和病虫害防控等农业遥感监测的重要基础信息。选择合适的特征和分类器对作物空间信息的提取有重要意义。【方法】文章基于北安市的Landsat 8时间序列数据探究了特征提取和分类器选择对作物分类的影响。首先,基于Google Earth Engine (GEE)平台提取光谱、植被指数、纹理和物候时序特征;其次,将不同特征及其组合输入最小距离法(Minimum Distance Classification,MDC)、朴素贝叶斯(Na?ve Bayes,NB)、K最近邻法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF) 5种分类器比较精度;最后,计算分离性指数(Separability Index,SI)评估特征对识别作物的贡献度,辅助验证分类器的分类结果。【结果】研究结果表明:(1)4类特征中光谱特征分类精度最高,3种特征组合中光谱+植被指数精度最高,但相较于光谱特征精度提仅提高0.6%,说明时序光谱特征足以得到较好的作物分类结果,提取的其他特征对精度提升作用不明显;(2)通过比较5种分类器的精度均值和标准差,性能最好的是RF,其次是SVM,MDC的性能最差;(3)在特征分离性方面,光谱特征最好,其次是植被指数、物候和纹理特征。【结论】光谱时序特征结合RF分类器效率最高,能得到较好的作物识别效果。文章能为作物分类特征提取和分类器选择提供参考和依据。     

基于众包数据和遗传规划算法的农作物遥感智能识别方法

【目的】 农作物空间分布信息是支撑相关科学研究与政策制定的重要依据。当前农作物空间分布遥感分类在理论和技术方法方面取得了长足的发展,但仍面临一些难题,包括地面样本数据的获取困难、作物特征选择存在主观性和冗余、特征构建过程中缺乏针对性和代表性等,导致农作物空间分布遥感分类的效率与精度不足。【方法】 针对这些问题,文章开展快速、准确、低成本的样本获取、特定作物分类的最优特征构建与优选,并分别选择多个研究区开展实证研究。样本获取方面,开发基于“视田”众包的样本获取平台,通过迭代更新的任务采集和历史样本库的方式高效获取地面样本。作物分类方面,提出遗传规划算法为不同作物提取差异化的特征,通过遗传进化思想实现定制化特征的构建,能够在原始特征的基础上构建高层次特征。【结果】 在北方地区,利用“视田”众包工具,由8名工作人员2天内完成了位于义县、辽中区、新民市及开原市4个区域的水稻、玉米、大豆和花生的样本采集,内业工作人员同步进行分类并迭代样本需求,分类的总体精度均大于90%,kappa系数均高于0.87。在南方地区,位于湖北省枝江市区域的春秋两季作物分类结果的总体精度均大于94%,kappa系数均高于0.86。【结论】 该文提出了一套快速、高效开展农作物遥感分类的技术体系：利用众包采集快速扩大样本数量,同时利用遗传规划算法提高样本训练效率。在不同区域、不同作物类型研究区应用,可实时、准确生产农作物空间分布图,总体效果稳定,在支撑科学研究与政策制定方面具有较强的应用前景。