基于环境卫星影像的水稻种植面积提取方法研究

以环境卫星为数据源对泰兴市水稻面积进行提取,选择水稻与其他作物光谱差别最大的时期作为水稻识别的最佳时期,在利用影像原始光谱信息的基础上,分析和提取多种分类特征,运用支持向量机法、CART决策树法和最大似然法进行分类,提取水稻面积。结果表明支持向量机的分类精度最高,总体精度为80.38%,Kappa系数为0.74。说明当样本量较少时,支持向量机可以更好地利用多源信息,具有更高的分类精度。     

基于深度学习和遥感数据的水稻种植面积提取

针对现有基于深度卷积神经网络进行水稻（Oryza sativa L.）遥感识别中样本采集工作量大、样本标注要求高及水稻感受野尺度选择难等问题,构建了一种基于像元和多尺度的深度卷积神经网络（DCNN）水稻遥感识别模型。首先,针对水稻种植分布特点,综合深度卷积神经网络方法的特点,设计了基于像元的DCNN提取模型;其次,将多尺度与DCNN相结合,构建多尺度DCNN模型,增加感受野的多尺度特性;最后,为了验证多尺度DCNN模型提取水稻的效果,以高分一号和高分二号卫星影像为数据源,选取传统机器学习SVM模型、语义分割D-Linknet模型、单一尺度DCNN模型进行分类精度对比分析。结果表明,本研究提出的多尺度DCNN模型的准确率、精确率、召回率、平衡F分数分别为97.75%、96.68%、99.08%、97.85%;与其他模型相比,多尺度DCNN模型结构简单、样本制作简便、识别精度高,具有较好的应用价值。     

竹林遥感信息提取方法比较研究

以TM多光谱遥感影像为数据源,应用erdas软件提供的非监督分类、最大似然分类和子象元分类3种方法,对中国竹乡福建省顺昌县典型地物进行了分类和精度评价,研究结果表明,3种方法总体精度分别为：69.67%,78.00%,82.67%;Kappa系数分别为：63.6%,73.6%,79.2%。子像元分类法的总体精度和竹林识别精度均高于其他两种传统的分类方法,其竹林用户分类精度达80%,是进行竹林信息提取较为理想的方法。     

基于遥感影像的棉花种植面积提取方法研究

利用ERDAS IMAGINE 9.2遥感图像处理软件,设计了一种基于遥感影像的棉花种植面积提取方法。通过实地调查,该方法适用于大范围棉花种植的面积估算。     

融合主被动遥感影像的冬小麦种植面积提取研究

为了快速、准确地获取作物分布信息,探索使用主动遥感影像（Sentinel-1A）和被动遥感影像（Sentinel-2）提取冬小麦空间分布的可行性。首先,根据冬小麦的物候特征,合成冬小麦全生育期的Sentinel-1A影像;并依据各类地物的NDVI（归一化植被指数）时序曲线合成一期高质量的冬小麦越冬后Sentinel-2影像。其次,设计Sentinel-1A影像、Sentinl-2影像和融合Sentinel-1A与Sentinl-2主被动遥感影像3种分类方案,然后在Google Earth Engine(GEE)云平台上基于随机森林算法对冬小麦进行分类。结果表明,基于全生育期Sentinel-1A影像的冬小麦用户精度和生产者精度分别为83.15%和86.44%,提取结果中存在较多的“椒盐”噪声;基于冬小麦越冬后Sentinl-2影像的冬小麦用户精度和生产者精度分别为87.98%和84.75%,提取精度较使用全生育期Sentinel-1A影像有所提高,但分类结果受“异物同谱”的影响,产生许多错分;融合主被动遥感影像的冬小麦用户精度和生产者精度分别为96.57%和95.48%,相较于仅使用单...     

基于概率神经网络的遥感图像分类MATLAB实现

在遥感图像分类研究方面人工神经网络是一种有效途径,与传统的分类方法相比概率神经网络具有许多优良的性能,因此利用神经网络工具箱构建了概率神经网络,经对比分类精度选取最优SPREAD=0.009,并对一幅TM假彩色遥感图像通过训练后,仿真输出能真实地反映原始图像的特征,其分类总精度为82.62%,Kap-pa系数为0.7821,结果表明:分类精度能够满足遥感图像分类的需要。     

基于多源数据的水稻种植面积提取

引入水稻关键期提取和变化向量分析方法,以江苏省海安县水稻为研究对象,以MODIS数据和环境小卫星数据为主要数据源,分析了2009年水稻物候期内的规律,并根据该指示选择合适的中分辨率数据进行变化向量分析。研究表明,该方法可以有效地反映耕地地块内水稻像元的变化规律,且基于物候关键期内的时相选择可以提高水稻种植面积识别精度。     

作物种植面积遥感提取方法的研究进展*

 农作物种植面积监测是遥感估产的关键技术之一。回顾和总结了国内外利用遥感数据进行农作物种植面积提取的方法,重点分析了遥感影像分析方法的进展以及大面积作物种植面积提取两个方面,对农作物种植面积遥感提取的发展方向作了简要评述。     

遥感与积温数据融合的葡萄种植面积提取最佳时相选择

本研究提出一种应用遥感数据与气象学中的积温数据,结合植被指数获取区分不同作物最佳时相的新模型,达到减小提取贺兰山东麓葡萄种植面积误差的目标。选取2016年宁夏地区时间分辨率高的MODIS 250 m数据定点提取NDVI指数,构建不同作物的NDVI时间曲线,找出葡萄与其他作物的NDVI差值最大时相并确定为当年最佳时相;结合气象学中的积温数据,构建最佳时相判断模型,反推其他年份的最佳时相。试验结果表明由NDVI差值测得的最佳时相可用,即能够获取分类效果最好的最佳时段内遥感图像,为后续作物分类工作打下良好的基础。     

基于遥感影像和卷积神经网络的农田及道路信息提取

为对农用地(耕地)遥感影像中道路和农田信息进行精确高效的提取,采用卷积神经网络(CNN)的方法,以河北省献县某乡冬小麦种植田为研究区,建立“道路-背景”和“农田-背景”2个高精度遥感影像数据集,构建基于MobileNet v1的U-Net、SegNet、PSPNet、DeepLab v3+和基于MobileNet v2的DeepLab v3+共5种CNN语义分割模型,进行道路和农田提取试验;在模型训练前后加入迁移学习、图像拼接和模型融合3种策略。结果表明:1)在2个数据集上,基于MobileNet v1的U-Net和基于MobileNet v1的SegNet 2种模型的识别率和稳定性最佳;2)在提取道路和农田时,融合后模型的平均交并比值分别为0.853 3和0.956 8;3)对预测图进行后处理,可以为路径规划和作物秸秆产量计算等研究提供道路拓扑图和农田预测图。     

水稻播种面积遥感监测信息系统研究初报

本文简述了用遥感技术监测水稻播种面积的可能性。重点介绍了以遥感信息为主,结合其它基础资料进行水稻面积监测信息系统的构成,并对整个系统的各部分作了进一步的讨论;对系统应包含的基本功能也作了分析,同时还介绍了系统研究的一些结果。     

基于卷积神经网络遥感图像的荔枝花期长势评估

【目的】通过无人机获取荔枝冠层的遥感图像,评估每棵荔枝的开花率,以期为后续荔枝花期疏花保果、精准施肥施药提供决策依据。【方法】以遥感图像为研究对象,利用实例分割的方法分割每棵荔枝冠层后,结合园艺专家的综合判断,按开花率为0、10%～20%、50%～60%、80%及以上将开花率分为4类,使用ResNet、ResNeXt、ShuffleNetv2进行开花率分类比较,试验过程中发现ShuffleNetv2在识别准确率、参数量、训练和验证时间都有很大优势;在ShuffleNetv2上引入了空间注意力模块(Spatial attention module,SAM)后,增加了模型对位置信息的学习,在不显著增加参数量的情况下,提升荔枝冠层花期分类的精度。【结果】通过对多个主流深度神经网络的比较分析,ResNet50、ResNeXt50、ShuffleNetv2的分类精度分别达到85.96%、87.01%和86.84%,而改进后的ShuffleNetv2分类精度更高,达到88.60%;ResNet50、ResNeXt50、ShuffleNetv2和改进后的ShuffleNetv2对测试集单张冠层图像验...     

多时相遥感提取水稻种植区研究进展

水稻是我国主要的粮食作物之一,对水稻面积和空间分布的调查是水稻监测的基础,关系国家粮食安全问题.利用卫星遥感技术进行水稻面积与空间分布调查具有大范围、实时性等传统调查不具备的优势,成为近年来的热点.本文对近年来基于多时相遥感进行水稻种植区提取的方法进行梳理与总结,按照传感器类型从3个方面进行阐述——利用不同时相分辨率的光学传感器的提取方法、利用不同极化方式的合成孔径雷达的提取方法以及两者的结合使用的方法,对基于不同数据源的提取方法进行了概括和举例.最后对目前的研究进行合理的评价,指出存在的不足之处并对进一步的研究做出展望.     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s,分类精度分别达到89.75%、85.58%和90.25%,CNN对图像的分类精度达到92.41%,高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草,获取杂草的分布信息,生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高,生成的水稻田杂草分布图效果最好。     

基于BP神经网络的青稞白粉病早期感染高光谱遥感监测

【目的 】文章旨在探索表征西藏青稞白粉病早期感染的光谱特征参量,尝试基于机器学习算法构建白粉病高光谱遥感诊断模型的可行性,以期为经济、高效、及时、大区域的青稞白粉病早期遥感监测探索技术方法。【方法 】以西藏青稞主栽区和白粉病高发区拉萨、林芝和山南市为研究区域,开展青稞冠层光谱、病情和农学参数田间观测。提取冠层反射率（R）、反射率一阶导数（R′）、5种植被指数（VI）,并联合应用R （或R′）与VI,共形成5套备选光谱特征参量。利用Relief-F算法开展特征选择,遴选白粉病感染的敏感波段和敏感特征。在此基础上,基于BP神经网络,构建白粉病诊断模型。【结果 】（1）对于染病样本而言,基于R′的诊断模型识别精度最高（51.33%）,其次为R′与VI相结合的诊断模型（49.00%）。（2） R′的敏感波段范围为820～920 nm、1 160～1 200 nm和935～975 nm,此外445～490 nm和1 070～1 100 nm的R′也对白粉病表现出一定的敏感性。（3） 5种VI中,比值植被指数（SR）对白粉病早期感染最为敏感,远超其它植被指数。此外,基于不同特征参量的健康样本的识别...     

人工神经网络在遥感图像森林植被分类中的应用

应用人工神经网络模型对陆地卫星TM多光谱图像进行了森林植被分类的研究 ,共选取了 8种主要植被类型 ,重点是研究在不同背景条件下存在同谱异物现象的云杉、油松和落叶松等针叶林树种的分类方法 .所采用的网络模型为 3层误差后向传播神经网络模型 ,鉴于贺兰山自然植被垂直带谱明显 ,利用误差后向传播网络模型的并行分布式结构 ,研究中引入高程数据作为一个独立波段与 3个多光谱波段一起直接进行分类 ,取得了很好效果 .该方法与常规的最大似然法相比 ,存在同谱异物现象的云杉、油松和落叶松的分类精度平均提高了 2 7 5个百分点 .对存在同物异谱现象的阔叶林的分类精度也有一定程度的提高 .     

基于优化的ICNet高分遥感影像城市建成区分类

城市建成区是一类具有大面积的组合型目标群体,该区域地物丰富,光谱特征复杂多变,且具有大量的同物异谱与地物像素单元交错等现象,影像分类难度显著增加。针对图像级联网络（image cascade network,ICNet）计算复杂、分类精度低的问题,采用优化的ICNet对高分辨率遥感影像城市建城区地物分类进行研究,通过添加高效通道注意力机制（efficient channel attention,ECA）和联合金字塔上采样模块（joint pyramid upsampling,JPU）替换空洞卷积来获得ICNet改进网络,采用总体分类精度（overallaccuracy,OA）、Kappa系数与F13个指标对分类结果进行精度评估,并与随机森林（random forest,RF）、ENet和ICNet3种方法进行对比分析。结果表明,优化的ICNet网络模型能够更准确的进行地物分类,总体分类精度为75.12%,相较于其他分类方法分别提高16.56%、10.48%和4.81%。后用开源数据集进一步验证了优化模型的有效性,说明优化的ICNet网络可用于城市建成区的分类研究。     

水稻遥感估产中的稻作分区研究

水稻分布面积和单产水平具有一定的地域规律,为了提高水稻遥感估产精度,有必要作稻作分区的预处理。我们对县级水稻遥感估产中的稻作分区作了探索,结果表明:用常规综合分析分区法和遥感图像解译分区法,均能较好地实现稻作分区,但遥感图像解译分区法更能简易、快速地提取出稻田信息的地域规律,可以因地制宜地选用。     

基于模糊C均值聚类的林地遥感图像分类研究

在以往国内外相关研究的基础上,以我国东北长白山系典型林区为试验区,以2007年7月Landat5卫星TM多光谱图像为遥感数据,运用模糊C均值聚类方法对遥感图像进行分类试验．分类结果显示：模糊C均值分类方法在总分类精度和Kappa系数上都占有一定的优势,比传统分类方法有着更好的分类效果．模糊C均值方法在林地植被的遥感分类中具有较好的应用前景．