基于时序Landsat遥感影像枣树种植面积提取

基于不同特征时间序列数据集,使用动态时间规整(dynamic time warping,DTW)方法对时间序列遥感影像进行分类.基于时间序列Landsat 8影像数据,使用NDVI、EVI、第一主成分(principal component analysis 1,PCA1)3种特征数据集结合DTW算法,对比分析不同特征量对枣树的识别精度.结果表明:基于DTW(ND?VI)的时间序列特征数据集结合DTW算法能够得到较好的分类结果,基于时序DTW(EVI)特征量的方法次之,基于时序DTW(PCA1)特征量的方法的分类精度最低,总体精度分别为95.23％、93.73％、83.84％,Kappa系数分别为0.858、0.824、0.738.     

基于OLI影像的县域冬小麦种植面积提取

以河南省虞城县为研究区域,筛选冬小麦分蘖期至拔节期内的3期(分蘖期、越冬期、拔节期)高质量OLI遥感影像,进行辐射定标及FLAASH大气校正,以便将影像DN值转算为地表反射率,并利用全色波段进行影像融合处理以提高空间分辨率。以归一化差异水体指数(NDWI)、归一化差异建筑指数(NDBI)、归一化差异植被指数(NDVI)为基础,结合外业调查数据构建决策树模型,3期影像中NDWI大于0的像元为水体,NDBI大于0的像元为居民地,NDVI分别大于0.59、0.52、0.65的像元为冬小麦纯净像元,NDVI分别小于0.49、0.44、0.56的像元为其他地物,剩余部分为冬小麦混合像元,通过实地调研确定将混合像元面积折算为冬小麦实际种植面积的权重为0.46,最后计算虞城县冬小麦的实际种植面积。结果表明,冬小麦分蘖期至拔节期是遥感监测冬小麦种植面积的最佳时期,3期影像提取的2014年虞城县冬小麦种植面积分别为76 238.79 hm2、77 406.65 hm2、77 397.82 hm2,与往年统计数据和样地实测数据相比,精度达到了99%。     

基于OLI影像的四川丘陵地区水稻种植面积监测

【目的】为使用Landsat8 OLI遥感影像准确监测四川丘陵地区水稻种植面积。【方法】根据丘谷相对高差分别选定浅丘、深丘水稻样方各4个,通过地面样方调查和同生长季Google Earth影像解译获取的样方水稻种植面积作为验证数据,评价基于OLI融合影像的川中丘陵的水稻种植面积监测精度。OLI影像经正射校正后,使用15 m全色波段影像和30 m多光谱影像融合,得到15 m分辨率的融合影像,使用最大似然法进行监督分类,获取监测结果。【结果】与样方验证数据比较,在样方面积相同的情况下基于OLI影像的水稻种植面积监测结果显示,浅丘区的平均精度为93.7%,误差范围为1.0%~8.7%;深丘区的为92.5%,误差范围为1.5%~15.8%。【结论】根据浅丘区、深丘区监测结果的误差范围差异,随着丘谷高差增大,地形趋于复杂、地块趋于狭长与破碎,OLI影像监测结果的不确定性增加,精度有下降的趋势。该研究为改进OLI影像监测四川丘陵地区水稻种植面积精度提供参考。     

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。     

基于Landsat 8 OLI辅助的亚米级遥感影像树种识别

为研究高空间分辨率遥感影像与多光谱遥感影像协同进行面向对象树种识别的有效性,本研究以QuickBird高空间分辨率(全色0.61 m)和Landsat 8 OLI(30 m)遥感影像为基础数据,在分类的过程中采用2种分割方案(有Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割和无Landsat 8 OLI遥感影像辅助的QuickBird遥感影像分割)进行多尺度分割,对2种分割方案进行比较。基于QuickBird遥感影像和Landsat 8 OLI遥感影像提取光谱、纹理、空间3方面68种分类特征,应用最邻近分类法和支持向量机分类方法进行面向对象树种分类,采用相同的分类系统、统一的分割尺度以及同一套验证样本,利用Kappa系数、总精度、生产者精度和用户精度4个评价指标进行精度评价。结果表明:单独使用QuickBird高空间分辨率遥感影像的分割结果优于QuickBird高空间分辨率遥感影像与Landsat 8 OLI遥感影像协同分割的结果,最优分割阈值与合并阈值分别为25和90。在最优分割结果的基础上,多光谱Landsat 8 OLI遥感影像与QuickBird高空间分辨率遥感影像协同进行面向对象分类,最邻近分类法和支持向量机分类方法的分类总精度分别为85.35%(Kappa=0.701 3)和88.12%(Kappa=0.853 6);单独使用QuickBird高空间分辨率遥感影像进行面向对象分类,2种方法的分类总精度分别为79.67%(Kappa=0.693 9)和83.33%(Kappa=0.792 5)。QuickBird遥感影像在Landsat 8 OLI遥感影像辅助下,分类结果的地物边界更加清晰,总体精度及主要树种识别精度均得到了提高。研究成果应用在实地森林调查与区划时可有效缩短调査时间、减少调查成本、降低劳动强度、提高成果质量。      

高分辨率谷歌地球遥感数据与Landsat 8 OLI影像的融合方法研究

探讨高分辨率谷歌地球遥感数据与Landsat8 OLI数据的融合方法,分别使用Bovey变换、Gram-Schmidt变换和主成分变换方法得到相对理想的融合结果。通过评价表明,后两种方法可以得到更好的结果,并满足大比例尺制图的需求。     

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Landsat影像的云南勐腊县橡胶遥感识别与种植面积信息提取

以ERDAS IMAGINE为操作平台,利用2020年Landsat与Planet卫星数据作为遥感信息源,通过监督分类方法和实际调查,提取云南省勐腊县天然橡胶种植面积信息,并与2020年橡胶面积统计数据进行对比分析。结果表明：利用Landsat遥感影像调查橡胶种植面积的准确率约为92.5%,基本能反映区域橡胶种植分布情况。     

基于GF-1与Landsat8 OLI影像的作物种植结构提取——以新疆阿克苏地区为例

作物种植结构监测和估产是精准农业遥感应用的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。本文以新疆阿克苏地区为研究区,以2016年多时相Landsat8 OLI和GF-1影像为数据源,基于物候信息、时相特征、积温和光谱特征确定农作物识别关键时期和特征参数,构建决策树分类模型,开展作物种植结构监测研究。结果表明:多源与多时相遥感数据可以反映不同农作物的季相特征,研究中所构建的决策树分类模型能够在大区域范围内高精度地实现作物分类,总体精度达83%,Kappa系数为0.77。与统计数据对比,棉花面积精度在85%以上,玉米为81%,小麦为80%以上,水稻达80%以上。因此,利用Landsat 8和GF-1影像在大区域提取农作种植结构是可行的,为今后遥感在农业上的应用提供一个广阔前景。     

基于Landsat 8影像的济宁市春季主要作物种植面积变化监测

准确快速获取小春作物的播种面积、空间分布及年际时空变化信息,可为农业部门制定政策、合理安排生产提供依据。利用多期Landsat 8影像,综合不同作物的光谱特征、纹理、NDVI值等信息,分别建立多时相小春作物提取模型,获取济宁市小麦和大蒜的种植信息,分析其时空动态变化。研究结果表明,济宁市大蒜和小麦的种植具有明显的区域性。小麦在农业生产上占据主导地位,空间分布广泛且较为稳定,种植重心偏移量较小且呈逐年下降趋势,其固定种植区的面积每年均稳定在3.2×10~5hm~2左右,2014-2017年,种植面积先增加后减少,但波动幅度较小;大蒜种植区主要集中在金乡县和鱼台县,受气象状况和市场影响,其种植面积呈现先减少后增加的趋势,波动幅度较大,空间分布变化也较为明显,种植重心偏移现象突出。本研究采用面向对象分类方法提取济宁市春季主要作物种植信息,可为农业部门掌握小春作物种植情况,制定农业政策提供一定的技术支持。     

基于乡镇尺度Landsat8 OLI影像融合算法适应性研究

本文利用OIF因子选择乡镇尺度下Landsat8 OLI影像MS最优波段组合,在此基础上,研究OLI影像MS波段与PAN波段对6种融合算法：Brovey法、PCA法、Daubechies小波变换法、Coifet小波变换法、HIS与小波相结合的变换法、PCA与小波相结合的变换法融合的适应性,并对融合前后影像进行SVM分类,以验证融合结果在实际生产应用中的有效性。结果表明：B456为7波段35种组合方式中最佳波段组合,其OIF值为27.842;对融合前后影像进行定性和定量精度评价,OLI影像对PCA算法融合适应性最强,各精度指标均占优;Daubechies小波算法光谱扭曲度最小;HIS-wavelet算法清晰度最高;PCA-wavelet算法相关系数最高,融合结果信息含量最大;适应性最差为Brovey算法。土地利用分类精度验证结果表明：OLI影像经PCA算法融合后有助于提高分类精度。     

基于高分二号遥感影像甘蔗种植区域面积提取

甘蔗是温带和热带农作物,是制造蔗糖的原材料,并且可以提炼乙醇作为能源替代品。甘蔗中含有丰富的糖分、水分,以及对人体新陈代谢非常有益的各种维生素、脂肪、蛋白质、有机酸、钙、铁等物质,是冬天清热生津的佳果,也是防病健身的良药。蔗糖产业一向是我国农业经济的一大支柱,广西更是我国甘蔗种植和蔗糖业大省。甘蔗的种植面积对于甘蔗生长期中病害防御、产量和甘蔗糖厂的分布规划有着重要意义。本文以广西崇左市扶绥县的种植区域为研究实验区域,选择高分二号遥感影像作为研究数据源。通过建立样本解译标志,进行非监督分类进行提取,对提取的面积信息与现势性为2019年的地理国情监测数据中的甘蔗种植面积进行对比分析,发现提取的面积精度良好,结合地理国情监测数据中甘蔗糖厂的分布,对扶绥县的甘蔗种植提出比较合理的建议,以及对甘蔗种植农户的种植发展提供数据支撑。     

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。     

基于Landsat8 OLI的内蒙古大兴安岭森林健康评价遥感模型研究

为了降低森林健康评价中野外调查人力、物力的大量消耗及对大尺度森林健康评价的需求,对森林健康评价遥感模型的研究具有十分重要的现实意义.本文分别选取内蒙古大兴安岭的针叶林(汗马自然保护区)、针阔混交林(五岔沟林场)及落叶阔叶林(赛罕乌拉自然保护区)为研究对象,分别针对3种森林类型设立30 m×30m样地(汗马18块,五岔沟...     

基于Landsat 8−OLI的高山松叶面积指数采样尺度优化分析

以Landsat 8−OLI影像数据为主要信息源,结合香格里拉32块半径15 m的圆形高山松实测样地数据,对全色波段和多光谱融合后的影像进行不同尺度重采样,依据不同尺度样地光谱特征变异分析结果构建4种不同尺度采样下高山松林LAI的支持向量机回归（SVR）模型,探究不同采样尺度对高山松LAI遥感估测精度的影响。结果表明：当样地的观测尺度从15 m增加至60 m时,LAI与遥感变量的相关性随观测尺度的增大而减小。估测模型决定系数为0.400～0.554;预测均方根误差为0.318～0.377;预测精度为83.51%～86.10%。当采样大小为15 m时估测精度最高,R²和交叉验证精度最大,分别为0.554、86.10%。本研究可为森林LAI遥感估测中的采样大小选择提供有利参考。     

基于Landsat8遥感影像的合肥市土地利用分类

基于Landsat8卫星2013年9月获取的合肥市OLI多光谱数据,在经过校正以及波段的融合等处理后得到的数据作为研究数据,采用不同分类方法进行分类识别,并且对比不同分类器在遥感影像分类中的效果和分类精度。根据国家土地利用现状分类的标准和合肥市土地利用的现状,将合肥市的土地主要分为建设用地、交通用地、水体、绿化用地、农业用地、林地等6类,并采用5种常见监督分类方法和BP神经网络分类法对于本研究数据进行分类,结合实际用地情况对分类结果进行了总结分析,完成总体分类精度和Kappa系数等指标对各分类器精度的评价,对比了各分类器对各要素的分类精度。     

基于时序遥感数据的玉米种植面积提取方法研究

探讨了在Landsat TM图像上进行玉米分布区域信息提取的基础上,利用MODIS数据NDVI植被指数的时间序列进行提取的方法,并以吉林省榆树市实验区为例,提取了2007年的玉米种植面积。研究结果发现,该方法提高了用单一时相landsat TM进行玉米面积识别的精度。     

基于无人机遥感影像的烟草种植面积信息提取

无人机遥感技术对烟田的种植面积、种植区域等信息监管具有重要意义。天津航天中为数据系统科技有限公司应用无人机遥感影像和自创的遥感图像处理软件对宁乡横市基地单元烟叶种植面积信息进行了提取。结果显示:无人机遥感技术获得的烟草种植面积信息准确度高达95%,为大面积监管烟叶种植面积提供了有效技术手段。     

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...