基于多源光学雷达数据融合的黄淮海平原冬小麦识别

遥感技术能够快速准确地获取农作物空间分布信息,为探究2021年黄淮海平原冬小麦空间分布信息,基于Google Earth Engine（GEE）云平台,以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源,通过计算极化特征、光谱特征和纹理特征,运用随机森林等4种机器学习方法和深度循环神经网络模型,对研究区冬小麦空间分布信息进行提取,并对比各分类器和网络架构的分类精度。结果表明,黄淮海平原冬小麦总面积约为16226667hm2,占研究区总面积的49.17%,其中冬小麦种植面积最大的是河南省,约为4647334hm2,研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势;随机森林是4种机器学习方法中识别精度最高的分类器,总体分类精度为94.30%;在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%,仅使用Sentinel-2光学数据总体精度为93.95%,而融合时序Sentinel主被动遥感数据总体精度为94.30%;在大范围的冬小麦分类上,深度学习模型的泛化性高于机器学习方法。     

基于主成分和云模型的冬小麦种植信息提取研究

在对Sentinel-2卫星遥感影像进行预处理的基础上，利用主成分变化提取小麦主要信息，基于云模型算法开展光谱遥感图像分类。分类时，首先根据训练样本集，由逆向云发生器生成典型小麦的云模型，然后利用云发生器计算出各波段每个象元对小麦地物的平均隶属度，在对各波段的隶属度分析基础上，摒弃含有复杂信息的第1主成分，利用第2主成分和第3主成分信息实现对冬小麦种植空间信息的提取。结果表明，提取小麦种植信息制图精度和用户精度分别为92.78%和99.90%，小麦种植田块的隶属度值因小麦长势和密度的不同有较大的差异，云模型对长势较差、密度较低的小麦像元存在漏分现象。基于云模型的算法精度极高，对小麦地块的识别错分、漏分现象少。该模型有助于冬小麦种植面积的精确提取，对于农业部门进行冬小麦生长监测与产量估测有重要的支撑作用。      

河南省冬小麦种植面积遥感监测及其时空特征研究

【目的】准确实现河南省冬小麦种植面积的遥感提取,并探索河南省冬小麦种植面积的变化过程。【方法】将遥感监测与统计数据结合,以多时相MODIS遥感影像作为数据源,分析制定了冬小麦信息的提取规则,利用统计数据辅助确定规则中的阈值选取,以减少阈值选取的主观性,提取出河南省2004—2013年冬小麦种植面积,并分析了河南省2004—2013年冬小麦种植面积的时空变化。【结果】遥感监测结果与各地市统计值具有较高的相关性(R2=0.938 5),在平原地区具有较高的精度,监测精度为89.5%,而在受到地形等因素影响的地区,冬小麦种植面积的分布相对破碎,监测精度具有较大误差,个别地区甚至不足50%。从空间上看,河南省冬小麦种植面积的空间分布总体较为集中,主要分布在河南中东部的黄河平原和淮河平原地区和豫西南的南阳盆地地区。从时间上看,河南省冬小麦种植区域总体变化较小,种植年份较为稳定的区域主要分布于豫东平原地区,累积种植年数显著增加地区主要分布于南阳盆地地区,累积种植年数显著减少地区的分布较为分散,无明显的分布趋势。【结论】基于遥感和统计数据相结合的方法可准确监测平原区冬小麦种植面积,河南省冬小麦种植面积的时空变化均较为稳定,为保障我国粮食安全发挥着重要作用。     

基于遥感的宝鸡峡灌区作物面积信息提取

灌区中不同作物的种植面积是分配灌溉用水的重要依据,遥感方法不仅可以提取各作物种植面积,而且可以获取其空间分布情况。基于2009年Landsat5-TM影像,综合分析宝鸡峡灌区农作物种植特点和光谱特征,运用决策树分类法获取灌区各作物面积。并由地面实际调查数据和高分辨率影像对分类精度进行评价,各地物精度均达85%以上。结果表明该方法适合灌区的作物分类。     

基于面向对象分类法的农田识别提取

【目的】利用中低分辨率遥感影像,精确获取县域尺度的农田分类结果,提供一定的方法参考。【方法】兹以中等分辨率的Landsat8 OLI遥感影像数据为数据源,采用面向对象的CART决策树分类法,对垫江县的农田进行了识别与提取,并与基于像元提取的最大似然法分类结果进行精度对比。【结果】(1)与最大似然分类法相比,CART决策树分类法的精度更高,总体精度和Kappa系数分别达到88.8%和0.85,对于旱地和水田的制图精度高达90%以上;(2)在分割尺度的确定上,使用eCognition软件中的ESP工具能快速的确定最优分割尺度,提升了效率和科学性;(3)县域尺度上,面向对象分类法对中等分辨率影像数据进行遥感提取也具有一定的适用性。【结论】基于Landsat8 OLI遥感数据的面向对象分类法能够实现县域尺度低成本高精度农田分类的需要,也为缓解精度和成本、空间分辨率和提取方法的矛盾提供了一定的参考。     

基于遥感的沙壕渠控制区作物种植结构与空间分布研究

河套灌区作物种植分类是在河套灌区进行灌溉农业研究的基础,但是仅利用遥感影像提取作物种植结构及种植面积时其精度远远不够,往往难以满足农业遥感在应用上的需求。通常多利用多元影像融合、多时相遥感影像以及遥感影像结合地面采样点来进行作物分类,以提高分类精度。本文以河套灌区内部的沙壕渠控制区为试验区,采用TM遥感影像,以实际地面采样点作为感兴趣区创建训练样本,利用最大似然法进行分类,成功提取了小麦、玉米、葵花及其他作物的种植结构及种植面积,分类总体精度达到了85.87%,Kappa系数为0.769 6。     

基于RF算法优选多时相特征的冬小麦空间分布自动解译

为探讨如何利用遥感影像自动解译技术,实现冬小麦种植情况统计调查、提高提取精度,选择冬小麦关键生育期6个时相的高分二号遥感影像数据,分别从6个时相的近红外灰度(NIR)、红波段灰度(R)、绿波段灰度(G)、蓝波段灰度(B)、比值植被指数(RVI)、归一化植被指数(NDVI) 6个特征中优选出对冬小麦面积提取最敏感的1个特征作为输入变量,每个时相选择1个特征,6个时相共选出6个特征作为输入变量,利用随机森林算法构建模型,提取冬小麦空间分布特征。选择研究区不同长势、不同种植品种的地块样本构建训练集,利用多时相特征构建模型,并将模型推广应用于整个大厂回族自治县,得到大厂回族自治县冬小麦的空间分布情况。通过与统计结果对比分析,经过多时相特征优选构建的模型对冬小麦的识别精度接近90%。经过样本优化和后期处理仍可提升精度,此方法能在保证提取精度的前提下对冬小麦进行快速提取,提高相应的工作效率。     

基于MODIS数据的冬小麦种植面积快速提取与长势监测

利用MODIS-NDVI数据,以中国冬小麦主产区为例,探讨了基于遥感影像全覆盖的大尺度冬小麦种植面积遥感综合自动识别及长势监测的方法。通过分析冬小麦的种植结构、物候历特征及其生物学特性和时序NDVI曲线特征,确定了冬小麦信息提取的NDVI阈值,建立了冬小麦面积提取模型,并最终获取了2010—2011年中国农情遥感监测中冬小麦长势监测所需的空间分布数据,与多年平均统计数据比较,总体精度达到81%以上。基于提取的冬小麦面积信息空间分布数据,利用MODIS-NDVI差值模型,对冬小麦2011年的长势进行监测。结果表明,与近5年平均状况对比,2011年冬小麦在其整个生育期内长势基本与常年持平,但时空分布差异较大。     

基于无人机遥感影像的多生育期冬小麦种植行检测方法

大田环境下小麦种植行的识别与定位对农机田间喷药和除草等任务的导航作业具有重要意义。以分蘖期和拔节期的冬小麦无人机可见光遥感影像为研究数据，结合深度语义分割和霍夫变换直线检测，提出了一种多生育期小麦种植行检测方法。采用SegNet深度语义分割提取小麦种植区域，克服传统检测方法对光照敏感的同时提高检测精度。基于霍夫变换的小麦种植行预检测结果，提出采用二分k均值聚类进一步提炼检测结果，以识别出小麦种植行区域的中心线。实验结果表明，对于分蘖期和拔节期的冬小麦图像，种植行直线平均位置偏差的绝对值分别为0.55、0.11 cm;平均角度偏差的绝对值分别为0.001 1、0.000 37 rad,检测精度与直线漏检率等指标都显著优于传统方法。研究结果为智能农机导航作业中的作物种植行检测提供了方法支持。     

基于SE-UNet的冬小麦种植区域提取方法

传统的小麦面积提取方法主要依靠人工野外调查,存在工作量大、效率低、成本高等问题,而遥感技术具有准确、快速和动态等优点,已成为作物面积提取的有效手段。本文以石家庄市正定县各镇的Landsat-8卫星遥感影像为训练数据,藁城区增村镇影像为测试数据,并分别选取分辨率8m的高分六号（GF-6）以及分辨率10m的哨兵二号（Sentinel-2）作为对比验证数据,提出了一种改进U-Net网络的冬小麦种植区域提取方法。首先,对Landsat-8遥感影像进行预处理,标注小麦区域制作标签集,其次,在U-Net网络中添加Squeeze and excitation(SE)注意力机制模块融入特征通道间信息,并利用Batch normalization(BN)层抑制过拟合问题;最后,经过Softmax分类器得到分类结果。选择SegNet、Deeplabv3+、U-Net作为对比模型,分别利用GF-6、Sentinel-2和Landsat-8 3种数据构建预测模型。结果表明,SE-UNet网络在基于Landsat-8数据预测模型下测试数据集表现最优,MPA和MIoU分别达到89.88%和81.44%。本方法可为大范围冬小麦种植区提取提供参考。     

基于Sentinel-1/2数据特征优选的冬小麦种植区识别方法研究

为了提高冬小麦种植区识别精度,本文基于谷歌地球引擎(Google Earth Engine, GEE)平台和随机森林算法,对比雷达和光学遥感数据对冬小麦提取效果的差异,并对多类特征变量进行重要性分析,研究特征优选对冬小麦识别精度的影响。选取2019年3—5月冬小麦关键生育期的Sentinel-1和Sentinel-2影像为数据源,构建Sentinel-1的极化特征和纹理特征以及Sentinel-2的光谱特征、植被指数特征、植被指数变化率特征共5类特征变量;设置不同数据源和不同特征组合的冬小麦种植区提取方案;对方案中特征变量进行优选,得出最优特征组合,利用最优特征组合对河南省驻马店市冬小麦种植区进行提取。结果表明,无论是否进行特征优选,基于多源遥感数据的冬小麦识别精度均优于仅采用光学或雷达数据的精度;经过特征优选后,各方案的分类精度均有不同程度的提升,说明多源数据特征变量组合和特征优选均能够提高分类精度。不同月份和类型的特征变量对分类精度的贡献率不同,贡献率由大到小为4月、3月和5月;贡献率由大到小的特征类型为极化特征、植被指数变化率特征、植被指数特征、光谱特征和纹理特征。基于多源数据特...     

基于特征降维和机器学习的覆膜冬小麦LAI遥感反演

为进一步提升无人机遥感快速监测覆膜条件下冬小麦叶面积指数(Leaf area index, LAI)的能力,以垄沟覆膜冬小麦为研究对象,利用无人机搭载五通道多光谱传感器获取2021—2022年冬小麦出苗期、越冬期、返青期、拔节期、抽穗期和灌浆期的遥感影像数据,使用监督分类剔除背景并计算50种可见光和近红外植被指数,采用主成分分析、相关系数法、决策树排序和遗传算法进行特征降维,结合偏最小二乘、岭回归、支持向量机、随机森林、梯度上升和人工神经网络6种机器学习算法建立不同输入特征变量下的覆膜冬小麦LAI反演模型,并进行精度评价。结果表明,剔除覆膜背景使冬小麦冠层反射率更接近真实值,提高反演精度。采用适宜的特征降维方法结合机器学习算法能够提高覆膜冬小麦LAI的反演精度和稳定性,对比特征降维前的反演精度,主成分分析和相关系数法无法优化反演效果,决策树排序只适用于基于树模型的随机森林和梯度上升算法,遗传算法优化效果明显,遗传算法-人工神经网络模型反演效果达到最优(决定系数为0.80,均方根误差为1.10,平均绝对值误差为0.69,偏差为1.25%)。研究结果可为无人机遥感监测覆膜冬小麦生长状况提供...     

基于多物候特征指数的冬小麦分布信息提取

以往的冬小麦分布信息提取研究大多基于单个物候期或单个植被指数,未考虑不同物候期特征及不同物候期之间的联系导致分类精度较低。为提高提取精度,本文基于冬小麦播种期、越冬期、生长期及成熟期选取相应特征指数,提出一种多物候特征指数的冬小麦识别方法,并对2020年焦作市的冬小麦面积进行提取。通过对不同物候期、不同分类方法下的结果进行对比,结果表明：在物候期的选择上,加入越冬期后,随机森林与支持向量机分类的总体精度与Kappa系数呈现不同程度的提升,均方根误差(RMSE)分别减小19.3%和9.8%,提取冬小麦面积的误差百分比分别降低8.64、4.42个百分点。在不同分类方法上,随机森林相较于支持向量机、最小距离,分类的总体精度与Kappa系数更高。相较于支持向量机,随机森林分类的RMSE减小19.6%。相较于单一特征指数,基于随机森林的多物候特征指数分类的总体精度,Kappa系数更高,RMSE为1.84×10³ hm²,比单一特征指数减小33.6%,提取冬小麦面积的误差百分比减小7.14个百分点。     

基于多时相卫星影像的复杂山区烤烟种植区域提取

为提高卫星影像对复杂山区烤烟种植区的提取精度。以高分六号2m分辨率卫星影像作为遥感数据源，基于多时相卫星遥感影像序列，根据烤烟不同生长期的卫星影像特征，采取面向对象分类方法，分别完成3个不同时相卫星影像的烤烟种植区初步提取，再利用多时相植被指数规则初步提取烤烟种植区，最后通过交叉验证获取烤烟种植区域，并完成精度验证。结果表明：该研究方法能较为准确的提取复杂山区烤烟种植区，能够保持较低的错分率（5.3%），提取精度达94.67%，较基于单一时相卫星影像提取烤烟种植区域精度（90%）明显提升。     

基于RSTCNN的小麦叶片病害严重度估计

以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural network,RSTCNN)对小麦叶片病害进行严重度估计。RSTCNN包含3个尺度网络,并由区域检测子网络进行连接。每个尺度网络以VGG19作为基础网络以提取病害的特征,同时为了统一区域检测过程中前后特征图的维度,在全连接层前引入空间金字塔池化(Spatial pyramid pooling,SPP);区域检测子网络则采用空间变换（Spatial transformer,ST）有效提取尺度网络特征图中病害的注意力区域。小麦叶片病害图像通过每个尺度网络中卷积池化层得到的特征图,一方面可作为预测病害严重度类别概率的依据,另一方面通过ST进行注意力区域检测并将检测到的区域作为下一个尺度网络的输入,通过交替促进的方式对注意力区域检测和局部细粒度特征表达进行联合优化和递归学习,最后对不同尺度网络的输出特征进行融合再并入到全连接层和Softmax层进行分类,从而实现小麦叶片病害严重度的估计。本文对采集的患有条锈病和白粉病的小麦叶片图像结合数据增强方法构建病害数据集,实验验证了改进后的RSTCNN在3层尺度融合的网络对病害严重度估计准确率较佳,达到了95.8%。相较于基础分类网络模型,RSTCNN准确率提升了7~9个百分点,相较于传统的基于颜色和纹理特征的机器学习算法,RSTCNN准确率提升了9～20个百分点。结果表明,本文方法显著提高了小麦叶片病害严重度估计的准确率。     

基于Deeplabv3+模型的成都平原水产养殖水体信息提取

为应用深度学习和遥感影像实现养殖水体信息的快速提取,以成都平原为研究区,以Sentinel 2A和高分6号多光谱影像为数据源,基于国产开源深度学习平台PaddlePaddle训练Deeplabv3+语义分割模型,构建遥感影像的水体语义分割模型,用于提取成都平原养殖水体信息。Deeplabv3+方法的总体精度和Kappa系数分别达到94.14%和0.88,均高于归一化差分水体指数法和最大似然监督分类法;模型对阴影和建筑物等误分为水体的抑制效果较好,而对小面积和细小线状水体信息的提取则受影像分辨率影响,效果无明显改进;成都平原2018年和2020年养殖水体面积分别为22.3 khm²和28.6 khm²,其验证区青白江区、新津县和广汉市养殖水体面积的泛化提取结果验证误差均≤±10%。该研究结果可为应用深度学习平台建立遥感影像的水体语义分割模型及提取水产养殖水体信息提供参考。     

基于决策树和混合像元分解的玉米种植面积提取方法

Landsat 8影像具有较高空间分辨率和时间分辨率,长时间序列Landsat 8-NDVI曲线反映农作物的物候历、种植模式和种植结构信息,是精确提取玉米种植面积的理想数据源。基于时序Landsat 8-NDVI影像提取玉米种植面积的方法中,决策树方法快速、高效,可通过多阈值限定进行分类,但由于混合像元问题,如果阈值设置过宽,提取面积偏大;阈值设置过窄,提取面积偏小;混合像元分解通过计算端元组分丰度可以排除异质地类干扰。因此,以时序NDVI为数据源、耦合使用2种算法是精确提取作物种植面积的有效方法。本研究基于时序Landsat 8-NDVI,提取河北省保定市大田玉米的种植面积。首先,分析典型作物区的NDVI曲线特征,并构建决策树从而初步提取早播夏玉米、小麦夏玉米和春玉米的分布范围。然后,根据端元平均NDVI波谱曲线,进行3种玉米混合度分解,进而根据玉米丰度比例精确提取玉米种植面积。精度评价结果表明:利用本方法提取的玉米种植区总分类精度在98%以上,Kappa系数在0.97以上;所提取的玉米种植类型主要是夏玉米,春玉米种植主要集中在涿州市中部,这与实地调查结果一致。上述定量和定性的评价结果表明该方法可用于快速、精确提取玉米种植面积。     

基于多源Sentinel数据的县域冬小麦种植面积提取

冬小麦是我国主要的粮食作物之一,及时准确地获取冬小麦种植面积对农业政策的制定具有重要意义。以河南省扶沟县为研究区域,以多生育期Sentinel-1A和Sentinel-2A/B遥感影像为数据源,构建光谱特征、植被特征和极化特征的多生育期数据集,分析各类地物的特征曲线,采用随机森林算法对单生育期单传感器、单生育期多传感器、多生育期单传感器和多生育期多传感器的遥感影像进行精细分类,实现县域冬小麦制图。结果显示：单生育期的雷达影像无法满足制图要求,拔节期的总体精度最高,仅为62.9%,多生育期雷达影像分类精度达到81.9%,基本满足制图要求;单生育期的光学影像和融合影像在成熟期的精度最高,总体精度分别为93.4%和95.1%,Kappa系数分别为92.4%和94.8%,可以绘制较为精准的冬小麦分布图;多生育期融合影像绘制的扶沟县2019年冬小麦空间分布图,总体精度为96.8%,结果最优。研究结果表明融合的多生育期遥感影像可以为县域冬小麦种植面积的提取提供技术依据。