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。     

基于历史增强型植被指数时序的农作物类型早期识别

快速准确地获取农作物分布数据对作物估产、灾害预警具有重要意义。该文针对目前农情遥感监测业务中普遍存在的缺乏地面数据和分类时效性较低的问题,以美国堪萨斯州为研究区,提出了基于参考时间序列获得训练样本的方法。首先,基于2006到2013年的MODIS EVI时间序列数据和cropland data layer(CDL)数据,使用免疫系统网络方法建立苜蓿、玉米、高粱和冬小麦的参考EVI时间序列;根据2006年到2013年作物分布情况,将作物超过总记录年数一半的象元作为2014年"潜在"训练样本;通过计算参考EVI时间序列和"潜在"样本的MODIS EVI时间序列的欧氏距离确认2014年训练样本;最后使用这些样本和2014年Landsat NDVI月合成数据进行30 m作物识别,并且评价时间序列长度对作物识别结果的影响。试验结果表明,时间序列长度为4-8月时,获得2014年样本10 183个,样本正确率为96.32%,总体分类精度为94.02%,接近使用完整时间序列数据的结果(总体分类精度94.89%);提取的苜蓿、玉米、高粱和冬小麦的面积分别为549.5、1 999.5、2 851.5和6 415.3 km~2,与CDL数据相比误差低于20%,说明基于参考时间序列方法获得的训练样本具有较高的正确率,具备进行30 m作物早期制图的潜力。该研究可为提高农作物遥感制图工作效率提供参考。     

基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选

为寻找适宜分类的空间尺度,该文提出一种基于小波包的空间尺度选择方法。该文以无人机航拍农作物影像为数据源,针对高空间分辨率遥感影像农作物分类问题,基于小波包变换对影像分类特征进行多尺度定量分析。将七种农作物影像样本进行小波包分解,从高频部分获取均值,方差,能量,能量差四种纹理信息,从低频部分获取光谱信息,构建分类特征矢量,通过作物样本之间的J-M距离,分析在不同小波包分解层样本之间的可分性,并进一步通过农作物面向对象分类精度和分割耗时评价适宜尺度。该文选择位于河北的涿州农场为研究区,利用无人机航空影像,对提出的方法进行试验验证,结果显示:小波包分解到第三、四层级时,即空间分辨率为0.32~0.64 m时,适宜农作物面向对象分类;在适宜尺度下,基于小波包分解的面向对象分类总体分类精度可达到89%,Kappa系数可达到0.85。研究结果可为高空间分辨率遥感农作物精细识别提供支撑。     

数据驱动的农作物遥感分类地面样本点布设

地面样本点是农作物遥感分类模型训练的基础，样本点数量和质量是影响模型分类精度的2个主要因素。该研究构建了数据驱动的样本点布设方法，利用待分类影像的光谱、植被指数等特征构造分层抽样底图，结合分层随机抽样方法进行地面样本点布设，并分析不同抽样策略对农作物遥感分类结果的影响。采取基于k-means聚类分析的数据驱动方法，考虑6景哨兵2号影像提取的共78个分类特征，生成同一个最优k的聚类结果图；设计等量分配和按面积比分配2种样本量分配方式，样本点数量为25、49、100、169、225的5个总样本量；基于不同抽样策略获取地面样本点信息，利用同一个支持向量机模型对待分类影像进行监督分类，并通过与139个样本点的理论总样本量和400个样本点的传统方式总样本量对比分析，定量解析不同抽样策略对分类精度的影响。结果表明：1）在数据驱动非监督聚类生成的底图上进行抽样（按面积比分层抽样法、等量分层抽样法）获得的样本点质量和分类精度明显优于没有该底图的抽样策略（简单随机抽样法、系统抽样法）；2）当总样本量低于理论总样本量时，等量分层抽样法能获取比按面积比分层抽样法更高的分类精度。例如，当理论样本量为139时，...     

基于HJ时间序列数据的农作物种植面积估算

通过对长时间序列遥感影像的波谱变化特征分析,可以有效地进行农作物种类识别与信息提取,提高农作物种植面积的遥感监测精度。中空间分辨率多光谱遥感影像适合于中国大范围大宗农作物面积监测,也是能够提供稳定时间序列遥感数据源之一。该研究以河北省衡水市为研究区域,采用2011年10月3日-2012年10月24日期间,16景30 m空间分辨率的HJ-1A/B卫星CCD(电荷耦合元件,charge-coupled device)影像月度NDVI(归一化植被指数,normalized difference vegetation index)时间序列数据,针对冬小麦、夏玉米、春玉米、棉花、花生和大豆等主要作物类型,在全生育期波谱特征曲线分析基础上,提取主要作物类型的曲线特征,采用基于NDVI阈值的决策分类技术,进行了农作物种植面积遥感识别,以15个规则的2 km×2 km的地面实测GPS(全球定位系统,global positioning system)样方进行了精度验证。考虑到大豆和花生2种作物的NDVI时间序列特征相似性较高,将这2种作物合并为一类进行分类,并命名为小宗作物。结果表明,冬小麦、夏玉米、春玉米、棉花和小宗作物等5类目标可以有效识别,分类总体精度达到90.9%,制图精度分别为94.7%、94.7%、82.4%、86.9%和81.2%,其他未分类类别精度为85.9%。利用中高分辨率遥感时间序列卫星影像,在大宗农作物时间序列的变化规律分析基础上,可以准确地提取大宗农作物种植面积,在农作物面积资源调查中具有较大的应用潜力。     

基于非线性降维时序遥感影像的作物分类

当前基于时序遥感数据的作物分类方法大都需要较多专家知识及人工干预,难以自动化,也难以移植到其他地区。将光谱降维技术用于时序遥感影像分析可以很好地解决这一问题。其中,非线性降维方法已经成功应用于高光谱数据,并且获得了比线性降维方法更好的结果。但是,直接将非线性降维方法用于时序遥感影像无法充分利用其时相维度的信息。该文改进了一种非线性降维算法——Laplacian Eigenmaps(LE)用于时序遥感影像的作物分类,该方法更加关注相同时相下不同作物生长季的物候特征差异,而不再仅依赖于整个生长季的物候曲线轮廓。改进的LE算法被应用于美国伊利诺伊州覆盖作物全生长季的Landsat 8时间序列影像。降维后保留的波段结合随机森林分类器基于美国农业部Cropland Data Layer(CDL)提供的训练数据完成了一系列的分类试验,并与传统插值未降维的方法进行对比。试验结果表明,改进的LE降维方法完成了更高的整体及各个类别的分类精度,其中整体分类精度达到85.37%,该方法作为一种自动化的方法,不需要人工干预,可直接移植到其他研究区,并且只需要较少的训练样本就可以完成一个较高的分类精度,为日后不同尺度的作物识别和提取研究提供了有效的方法。     

基于多源遥感数据融合和LSTM算法的作物分类研究

准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。     

水稻遥感识别偏差修正的地统计学方法

为了进一步提高农作物遥感识别精度,充分利用高分辨率遥感影像上不同地物之间的邻域空间关系,提出农作物遥感识别偏差修正的地统计学方法。该方法综合考虑目标地物的光谱特征与空间信息,以类别隶属度偏差为研究对象,首先利用类别指示向量和类别后验概率向量之间的差异实现目标地物的类别隶属度偏差量化,然后对训练样本的类别隶属度偏差进行变异函数建模,并采用带局部均值的简单克里格插值方法预测总体类别隶属度偏差,之后用总体偏差的预测值对光谱分类所得的类别后验概率进行修正,重新确定识别结果,实现农作物遥感识别的偏差修正。以安徽省南部的一景 SPOT-5影像覆盖范围为研究区,选择2块典型区域分别作为试验区和验证区,以一季稻和晚稻为目标农作物,以支持向量机作为光谱分类的分类器,建立了水稻遥感识别的偏差修正流程;采用地面实测数据对修正效果进行评估,并与最大似然分类、模糊分类和支持向量机分类的结果进行比较。试验结果表明,该方法的总体分类精度能够达到90%以上,与传统分类方法相比,总体精度提高了近14%;且该方法能够大幅提高一季稻和晚稻的生产者精度和用户精度,有效改善了研究区的水稻识别结果,可以为中国南方复杂种植条件下的水稻识别提供参考。     

基于合成孔径雷达的农作物识别研究进展

精准识别农作物对于及时准确估计农作物种植面积、产量等关键农情信息具有重要意义。合成孔径雷达（synthetic aperture radar,SAR）以其不受云雨天气影响,可全天时、全天候监测等优点已被广泛应用于农情遥感监测领域,为大区域尺度的农作物遥感识别提供了强有力的数据保障和技术支持。该文以雷达技术的发展进程为论述主线,对20余年来国内外农作物SAR识别研究与实践应用的新进展进行了系统总结,具体归纳为4个方面：早期研究（20世纪80年代末－2002年）,特征是以单波段、单极化、多时相SAR数据为主;基于多极化、多波段SAR数据进行农作物识别与面积监测研究;利用SAR与光学遥感相结合提高农作物的识别精度与效率研究;农作物SAR分类算法研究。在今后农作物SAR识别研究中,对于复杂种植结构背景下的旱地作物识别,如何优化组合SAR系统工作参数（极化方式、频率及入射角等）及与光学遥感融合来提高农作物识别精度与时效性,发展机理性的农作物SAR分类算法将是需要重点解决的3个问题。     

基于时序Landsat遥感数据的新疆开孔河流域农作物类型识别

快速、准确地获取农作物类别信息对农业部门的生产管理、政策制定具有重要作用。目前基于时间序列数据进行农作物分类主要是采用长时间序列的中低分辨率影像,大量的混合像元限制了农作物的分类精度。在农作物分类的特征选择方面主要是采用归一化植被指数(normalized differential vegetation index, NDVI),而其他特征量的应用还相对较少。该文以新疆开孔河农业区为研究区域,利用2016年的Landsat7 ETM+、Landsat8 OLI影像数据集,基于时间加权的动态时间规整(time weighted dynamic time warping,TWDTW)方法开展农作物类型识别研究,主要包括香梨、小麦、辣椒、棉花等。根据野外采集的样本点构建主要农作物的NDVI和第一主成分(principal component analysis 1,PCA1)时间序列,以反映不同农作物间的物候差异。基于NDVI数据分别利用DTW和TWDTW算法计算各未知像元序列与标准序列间的相似性程度,得到农作物的分类结果,2种方法的分类精度分别为65.69%、82.68%,表明时间权重的加入提高了DTW算法识别不同农作物的能力。结合NDVI与PCA1后,TWDTW的分类精度又提高了2.61个百分点,部分农作物的误分现象明显减少,说明PCA1能够进一步扩大作物间的差异性,提高分类精度。同时,还通过选取有限时相的影像组合进行分类,试验结果表明TWDTW算法在中高分辨率数据较少的情况下能够得到较为满意的分类结果,说明TWDTW算法在中高分辨率影像越来越丰富的时代具有应用潜力。     

基于Landsat8 OLI与MODIS数据的洪涝季节作物种植结构提取

洪涝灾害会造成农作物严重受损,因此洪涝季节作物的种植结构是估算洪涝灾害损失、进行防灾减灾措施的必要信息。为了能够快速便捷地提取洪涝季节作物种植结构,该文以湖北省监利县为研究区域,探讨了采用空间分辨率较高的Landsat8陆地成像仪(operational land imager,OLI)影像和时间分辨率较高的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)数据,综合利用多源多时相遥感影像提取中小尺度范围的洪涝季节作物种植结构的方法。首先利用MODIS数据建立作物的归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线,并采用改进后的Savitzky-Golay滤波器对曲线进行平滑处理,然后根据作物的物候特征设定阈值,界定作物种类,进而以此为依据在作物关键生育时期的Landsat8 OLI高清影像中选择合适的感兴趣区域(region of interest,ROI)作为先验知识,使用BP(back propagation)神经网络模型对OLI数据进行监督分类,提取作物种植面积分布。最后利用统计数据与资源三号卫星数据对提取结果进行验证,平均精度达到88%,能够较准确地反映监利县洪涝季节作物的分布情况。该研究可为洪涝灾害损失估算提供可靠基础。     

东北地区主要作物种植结构遥感提取及长势监测

以中国东北地区为研究区域,探讨基于遥感影像全覆盖的大尺度作物种植结构自动提取及长势遥感监测的技术方法。通过分析东北地区春玉米、春小麦、一季稻及大豆等主要作物时序光谱特征,确定不同作物种植结构遥感提取的阈值,建立基于MODIS NDVI数据的上述4种作物种植结构提取模型,获取2009年东北地区主要作物空间种植结构格局特征。其次,基于MODISNDVI数据,利用差值模型,通过与近5 a作物长势的平均状况进行对比,分析研究东北地区2009年4种作物的长势状况。结果显示,与多年平均统计数据比较,基于遥感提取的作物种植结构信息,总体精度达到了87%以上;不同作物长势在其整个生育期内在时间和空间分布上都有较大差异。研究表明,通过MODIS数据提取不同作物种植结构及进行大尺度作物长势监测的技术和方法是可行的,研究为中国农业遥感监测系统大尺度业务化运行的作物种植结构提取提供了有效方法。     

基于GF遥感数据纹理分析识别制种玉米

仅利用多时相遥感数据识别作物,其精度难以满足制种玉米识别的实际需求。该文针对制种玉米种植特点,利用国产GF遥感数据,构建了制种玉米遥感识别方法。首先利用多时相国产卫星GF-1 WFV数据,依据研究区作物的物候历,构建各地类EVI时序曲线,提取玉米种植区域;进一步利用抽雄期的GF-2 PAN数据,以田块为对象,通过Sobel边缘检测算子,提取作物纹理信息,并利用Hough变换检测制种玉米田块中的条带状纹理信息,最终提取出制种玉米。该文以新疆维吾尔自治区奇台县坎尔孜乡为研究区,对该文构建的方法进行试验验证,试验结果显示,制种玉米识别精度为90.0%,Kappa系数为0.80。该文不但拓宽了中国国产遥感数据的应用领域,同时也为中国玉米制种监管提供了新的技术支撑。     

基于多时相OLI数据的宁夏大尺度水稻面积遥感估算

为客观获取宁夏水稻面积空间分布信息,也为区域农作物遥感监测奠定技术基础,该文以宁夏回族自治区为研究区域,选择美国LandSat-8携带的陆地成像仪(operational land imager,OLI)数据,采用2016年3月11日-7月01日间的15景影像,基于水稻田耕地与水体特征反射率随着季节变化规律的分析,采用归一化植被指数(normalized difference vegetation index,NDVI)、近红外波段反射率(infrared reflectance,IR)、短波指数(short waved index,SWI)3个指数,以及多时相NDVI最大值、IR最小值、SWI最小值3个衍生指数,共6个指数为基础进行决策分类树构建,对全区水稻进行识别与提取,采用该区水稻面积本底遥感调查结果进行精度验证,水稻种植面积提取误差仅.4.22%,Kappa系数为0.83,水稻空间分布的用户分类精度分别为85.11%,制图精度为81.67%;同时与监督分类方法提取的水稻面积进行对比,该文方法提取水稻的用户精度提高了8.13个百分点,制图精度更是提高了20.01个百分点。研究结果表明,利用中高分辨率的OLI遥感时间序列卫星影像,在大宗农作物时间序列的变化规律分析基础上,构建分类决策树,可以准确地提取大宗农作物种植面积,是区域农作物面积遥感监测业务运行中具有潜力的方法。     

时序滤波对农作物遥感识别的影响

获取长时序且高质量遥感观测数据是捕捉不同农作物关键物候节律信息,进而获取高精度农作物空间分布信息的关键.受云雨天气影响,卫星遥感易产生低质量观测,其往往不参与或采用时序滤波处理后再用于农作物遥感识别.然而,时序滤波对于农作物遥感识别的影响机制尚未摸清,为高效且高精度农作物遥感制图带来了较大挑战.该研究基于HLS(Har...     

地块尺度的复杂种植区作物遥感精细分类

实现复杂农区作物种植信息的精准、动态监测是中国农业精细化管理面临的迫切需求,而作物种植碎片化和异质性给作物遥感精细分类带来了诸多挑战,该文旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法,以满足实时获取复杂农区作物详细分布信息需要。研究选取武汉市新洲北部为典型区,以WorldView-2影像为数据源,利用ReliefF-Pearson方法优选作物遥感特征,采用人工神经网络、K最近邻和随机森林算法进行作物分类,并对比分析其精度。研究发现：1）RVI、NDVI、相关性和边界长度等12个特征构成了地块尺度作物分类的相对较优特征,可在充分表征影像信息同时降低数据冗余;2）相比于人工神经网络和K最近邻算法,随机森林算法分类精度最高,其总体精度达79.07%;3）以光谱特征差异为作物区分基础,形状和纹理特征的使用能有效改善地块尺度作物分类精度,总体精度可提高4%左右;4）研究所采用的方法体系能有效提升复杂种植区地物分类精度,水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分类精度均达到了80%以上。研究成果可为复杂种植区作物遥感精细分类提供新的思路和方法借鉴,亦可为作物种植信息精准普查、土地利用精细化管理以及农业产业结构调整动态监测等提供参考。     

微生物固化砂质黏性紫色土的三轴抗剪强度与浸水抗压强度

实现复杂农区作物种植信息的精准、动态监测是中国农业精细化管理面临的迫切需求,而作物种植碎片化和异质性给作物遥感精细分类带来了诸多挑战,该文旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法,以满足实时获取复杂农区作物详细分布信息需要。研究选取武汉市新洲北部为典型区,以WorldView-2影像为数据源,利用ReliefF-Pearson方法优选作物遥感特征,采用人工神经网络、K最近邻和随机森林算法进行作物分类,并对比分析其精度。研究发现：1）RVI、NDVI、相关性和边界长度等12个特征构成了地块尺度作物分类的相对较优特征,可在充分表征影像信息同时降低数据冗余;2）相比于人工神经网络和K最近邻算法,随机森林算法分类精度最高,其总体精度达79.07%;3）以光谱特征差异为作物区分基础,形状和纹理特征的使用能有效改善地块尺度作物分类精度,总体精度可提高4%左右;4）研究所采用的方法体系能有效提升复杂种植区地物分类精度,水稻、棉花、荷等主要作物以及裸旱地、裸水田等地物分类精度均达到了80%以上。研究成果可为复杂种植区作物遥感精细分类提供新的思路和方法借鉴,亦可为作物种植信息精准普查、土地利用精细化管理以及农业产业结构调整动态监测等提供参考。