基于混合像元分解提取大豆种植面积的应用探讨

利用中低分辨率卫星影像进行大宗作物面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度.以吉林省梨树县大豆种植面积为例,选取线性光谱混合模型对TM影像进行分类并计算出大豆种植面积,将其结果与Quickbird影像解译结果对比分析,采用以数量精度为基础的精度评价方法,分类精度达到92%.同时,使用典型的最大似然法监督分类和自组织迭代法非监督分类提取大豆种植面积,分类精度分别为87%和84%.结果表明,混合像元分解方法与其他遥感定量提取方法相比,能够提高大豆种植面积提取的精度.     

气象卫星混合像元分解研究综述

介绍了目前气象卫星混合像元分解的几种主要方法,对各种方法的可用性和局限性作了适当的评价,并提出了几点看法。     

基于分层多端元混合像元分解的水稻面积信息提取

为了解决中低分辨率遥感影像混合像元问题以提高水稻种植信息的提取精度,该文提出了一种基于层次分类与多端元混合像元分解相结合提取水稻面积信息的方法(stratified multiple endmember spectral mixture analysis,SMESMA)。层次分类有效降低了地物复杂度,而多端元混合像元分解通过对每一类地物选取多个端元光谱参与解混,克服了"同物异谱"造成的光谱变异问题,两者结合可有效提高分类精度。以江苏如皋市为研究区,基于HJ-1B CCD影像,分3个层次,当某类地物信息被提取后便将其从影像中去除,进行下一层次分类,各层次均采用多端元混合像元分解方法,综合EARMSE、MASA、CoB等算法以选取最佳端元,实现了如皋市水稻种植面积信息有效提取。结果显示SMESMA法分类精度达85.78%,kappa系数为0.85,基于最大似然分类法(MLC)的分类精度为79.1%,kappa系数为0.78。表明SMESMA是一种适合基于中低分辨率影像进行作物分类和面积提取的有效方法。     

混合像元分离的研究进展

遥感成像中混合像元的产生是不可避免的,它的存在严重影响了遥感影像的解译精度,是传统的像元级遥感分类和面积量测精度难以达到实用要求的主要原因。介绍了混合像元存在的普遍性及对其研究的重要性,重点阐述了线性模型、概率模型、几何光学模型等几种分离方法及其它们各自的特点并对它们目前存在的不足和以后要重点研究的内容进行了讨论。最后,指出了现有研究的不足并对今后研究的重点问题给出了建议。     

基于多源数据和决策树估算夏玉米种植面积

以低空间分辨率遥感数据为主要信息源提取大范围作物种植信息时,为克服混合像元影响,提高提取精度,提出一种基于多源数据和决策树的夏玉米种植面积估算方法。综合FY-3/MERSI数据的时间序列特征和TM数据的中空间分辨率光谱特征,在对作物物候历进行分析的基础上制定多时相决策树规则,融合多时相MERSI数据和TM数据,分析多源融合后NDVI时序数据的光谱特征确定阈值,提取夏玉米种植信息,根据农业统计数据验证种植面积提取精度为95.1%,根据野外调查数据验证位置精度为81.0%。研究结果可为大范围的作物种植信息准确提取提供方法支持。     

应用线性混合模型遥感监测冬小麦种植面积

中分辨率成像光谱仪（MODIS）具有多光谱、多时相以及免费接收使用的优势。该文利用冬小麦返青期间的MODIS多光谱数据,采用传统的监督分类和阈值方法研究冬小麦种植区域的分布情况,同时针对遥感像元多为混合像元的特点,重点将线性混合像元分解技术应用于冬小麦种植面积的分解计算研究。比较不同分类方法对冬小麦种植面积估算的精度分析表明,采用线性混合分解模型,绝大部分（98.45%）的均方根误差都小于0.01,对比实际冬小麦种植面积数据,相对误差约3%,明显优于传统遥感分类方法的精度。     

基于HJ-CCD数据和决策树法的干旱半干旱灌区土地利用分类

为了实现干旱半干旱灌区地表信息低成本、高效率的动态监测,利用HJ-CCD数据的多时相和多光谱信息,探讨了平罗县土地利用遥感分类方法。首先建立研究区内典型地物的NDVI时间序列曲线,提取反映该区物候模式的时序特征参数;然后对土壤信息丰富的3月份多光谱影像进行主成分变换,选取第1主成分(PC1)作为光谱特征参数,最后基于分类回归树(classification and regression tree,CART)算法进行决策树监督分类。总体分类精度达到92.26%,Kappa系数为0.91,比最大似然法分类结果精度提高了2.58%。研究表明:构建的NDVI时间序列曲线对研究区内的地类具有较强的代表性,提取的时间维和光谱维的分类参数对各地类均有很好地区分性,CART决策树算法分类结果清晰准确且精度较高。该方法为HJ小卫星在干旱半干旱区等区域的深入应用提供科学依据和实证基础。     

基于多季相光谱混合分解和决策树的干旱区土地利用分类

该文利用2015年Landsat 8多季相数据,以民勤县为例探讨了干旱区土地覆被/利用分类方法。首先进行了研究区多季相遥感数据的主成分变换,确定了Landsat OLI光谱空间的内在维数。其次通过对各季相主成分空间的分析,确定了光谱混合分解的端元类型及各自的代表性季相。获取端元光谱之后,采用全约束线性光谱混合模型分解各个季相的遥感影像,估计各端元组分占像元的面积百分比（端元丰度值）。最后利用端元丰度值的多季相估计结果,依据先验知识和训练样本建立决策树分类规则进行土地覆被/利用分类。分类方法的总体精度达到90.94%,Kappa系数为0.90。研究表明：将物理意义明确的端元丰度值作为分类变量,能够快速、有效地获取分类规则,生成树的结构简单、合理、清晰,对训练数据的依赖性较低,因此具有应用于整个旱地系统土地覆被/利用分类的潜力。     

基于像元二分模型的昌都县植被盖度遥感估算

以Landsat TM遥感影像为数据源,利用归一化植被指数(NDVI)建立适用于昌都县的像元二分模型,并进行植被盖度估算。根据实测植被盖度数据对估算结果进行精度验证,实测值与估算值的相关系数为0.862 4,平均精度为82.5%。研究结果表明,基于NDVI的像元二分法适用于西藏自治区昌都县植被盖度的估算且精度较高。     

利用遥感监测亚像元分解遗传算法估算森林火灾面积

牛顿迭代法是林火亚像元分解的常用算法,但其火区面积计算精度取决于背景温度的估算精度,遗传算法具有全局寻优能力,本文尝试以火区面积百分比Af、火区温度Tf、背景温度Tbg为优化变量,采用RAGA遗传算法对林火亚像元辐射率平衡方程全局寻优求解。结果表明：用RAGA遗传算法比牛顿迭代法计算的结果更符合实际,迭代误差低2个数量级,用此方法对2005年四川省木里县三处森林火灾某时刻燃烧区面积进行估算,其结果对火情通报和火灾扑救工作具有重要的参考价值。     

基于GF-1卫星遥感的冬小麦面积早期识别

GF-1号卫星是中国高分卫星系列首颗卫星,自2013年04月26日发射以来,提供了大量的2 m/8 m/16 m空间分辨率的卫星数据,成为中国农业遥感监测的主要数据源之一。该文以GF-1卫星携带的16 m空间分辨率的宽视场(wide field view,WFV)传感器为主要数据源,采用2013年10月2日、10月17日、11月7日和12月5日4个时相的数据,以多尺度分割后的对象为基本分类单元,采用分层决策树分类的方法对冬小麦面积进行提取,并利用地面样方数据对分类结果进行了精度验证。结果表明,北京市顺义区冬小麦面积7 095 hm2,分类总体精度达到96.7%,制图精度为90.0%,其他未分类类别精度为97.3%,Kappa系数为0.8。研究区内冬小麦的播种时间可以分为10月1-5日早播、10月6-10日中播、10月11-15日中晚播、10月16-20日晚播等4个时间段,不同播期对应着归一化植被指数(normalized difference vegetation index,NDVI)不同的变化规律,是分层的基础,结合波段反射率、波段反射率和、波段反射率比值等参数的变化规律,通过分层可以有效的剔除草坪、桃树等容易同冬小麦混淆的地物类型,GF-1/WFV提供的多时相遥感数据能够可靠的反映冬小麦发育变化的规律,是冬小麦面积准确提取的基础,在农作物面积遥感监测业务运行中具有较大的开发应用潜力。     

利用动态阈值决策树分类的华北平原冬小麦动态监测

华北平原是中国最大的粮食生产基地,准确监测其冬小麦种植面积及其变化对粮食产量预测和国家粮食安全具有重要意义。然而,不同土地利用产品所估算的小麦面积、空间分布及其动态均存在较大分歧,不能有效反映出冬小麦的长期变化特征。该研究结合作物物候特征和已有小麦专题数据产品,首先构建动态阈值决策分类算法,以降低传统方法在阈值设定和样本筛选方面的不确定性;进而分析了2003—2022年华北平原区冬小麦播种面积的长期变化规律。结果表明：1）该研究提出的动态阈值决策分类算法能准确地提取冬小麦面积,平均总体精度为93.44%,且与统计数据具有较高的一致性;2）2003—2022年华北平原冬小麦种植面积整体呈上升趋势,不同地区变化类型差异较大;3）研究时段内,持续种植冬小麦的耕地面积仅占各年份种植范围总面积的5%,种植次数低于10 a的面积占比达55%;4）河北中南部、山东省西部和河南省中北部冬小麦种植面积相对稳定,京津冀地区以及山区冬小麦播种面积变化相对频繁。该研究可为大尺度冬小麦动态监测提供了新的方法视角,并对科学制定耕地调控策略具有重要意义。     

融合多尺度特征的冬小麦空间分布提取方法

获取到高质量的特征是从遥感影像中提取高精度的农作物空间分布的关键,该研究针对利用哨兵2A（Sentinel-2A）影像提取高精度的冬小麦空间分布开展研究。针对影像中存在的数据空间尺度不一致的问题,以生成式对抗网络为基础建立了降尺度模型REDS（Red Edge Down Scale）,用于将B5、B6、B7、B11 4个通道的空间分辨率从20 m降为10 m;然后利用卷积神经网络构建了逐像素分割模型REVINet（Red Edge and Vegetation Index Feature Network）,REVINet以10m分辨率的B2、B3、B4、B5、B6、B7、B8、B11,以及提取出的增强植被指数、归一化植被指数和归一化差值红边指数组合作为输入,进行逐像素分类。选择ERFNet、U-Net和RefineNet作为对比模型同REVINet开展对比试验,试验结果表明,该研究提出的方法在召回率（92.15%）、查准率（93.74%）、准确率（93.09%）和F1分数（92.94%）上均优于对比方法,表明了该研究在从Sentinel-2A中提取冬小麦空间分布方面具有明显的优势。     

基于NDVI加权指数的冬小麦种植面积遥感监测

该文针对农业信息服务中冬小麦种植面积调查业务的现状与需求,提出了一种基于NDVI（normal difference vegetation index）时间序列的冬小麦NDVI加权指数（WNDVI,weighted NDVI index）影像算法,可在训练样本、验证样本选择的基础上实现冬小麦面积的自动提取,并以河北省安平县及周边地区2013－2014年度冬小麦面积提取为例,采用GF-1/WFV（wide field view）数据进行了算法实现。算法的主要思路是在时序影像基础上,通过冬小麦NDVI加权指数影像的构建,扩大冬小麦地类与其他地类的差异,结合自适应的阈值获取方法,区分冬小麦地类,获取冬小麦作物面积。算法包括冬小麦时间序列影像的获取、基于网格的样本点设置、构建冬小麦 NDVI 加权指数影像、迭代确定冬小麦NDVI加权指数提取阈值、精度验证这5个部分。影像的获取根据冬小麦的生长时间确定,保证每月1景GF-1/WFV无云影像,并进行预处理及NDVI计算;同时将研究区划分为一定数量的网格,每个网格再等分为2×2个子网格,根据目视解译、专家知识、实地调查等方法,确定左上网格中心点及右下网格中心点的地物类型。统计该期所有左上网格点冬小麦及其他地物的NDVI均值,冬小麦NDVI大于其他地物的将该期影像的权值设置为1,否则设置为?1,将所有时相NDVI影像进行加权平均,即可获取冬小麦NDVI加权指数影像。获取冬小麦NDVI加权指数影像后,还需设置合适的阈值提取冬小麦。该文选用右下网格点目视解译分类结果作为阈值提取依据,具体方法是将冬小麦指数从小到大按照一定间隔划分,作为冬小麦 NDVI 加权指数提取阈值,将各阈值二值法运用,与右下网格点的冬小麦提取的目视解译结果对比,精度最高的就是最优冬小麦 NDVI 加权指数分割阈值。在所有网格中,以初始识别获取的冬小麦面积为准,等概率选择10个样方作为精度验证样方进行验证。精度验证结果表明分类总体精度达到94.4%,Kappa系数达0.88。该文通过构建冬小麦NDVI加权指数,将比较复杂的多个参数转换为一个参数,并且农学意义明确,相比传统的NDVI时序影像进行冬小麦面积的提取,具有自动化程度高、面积提取精度高、分类结果稳定的特点,已经在全国农作物面积遥感监测业务中进行了应用。     

基于种植制度利用MODIS数据提取冬小麦种植面积

为了及早获取冬小麦种植面积,为国家制定相关政策提供科学依据,该文基于山东省种植制度,将山东省冬小麦划分为“机播冬小麦—玉米”和“人工撒播冬小麦—水稻”两种类型,利用MODIS影像数据,分析冬小麦播种后、越冬期前冬小麦、大蒜、温室蔬菜的归一化差值植被指数（NDVI）值特征,结合9月中旬前茬作物NDVI特征建立当年机播冬小麦提取条件;鉴于稻茬麦播种后、越冬前的光谱特征与温室蔬菜光谱特征极为相似,则在水稻种植区利用拔节期冬小麦生物量迅速增长的特点提取上一年稻茬麦种植面积,由于“人工撒播冬小麦—水稻”这种耕作模式在山东特定地区较为固定,因此将上一年稻茬麦面积作为当年稻茬麦种植面积;合并两种类型冬小麦面积,用284组定位点数据对提取结果进行检验,精度达到了94.01%,结果表明：于越冬期前提取冬小麦种植面积是可行的,提取时间较利用拔节期NDVI值方法提前4个月。     

基于改进N-FINDR算法的华北平原冬小麦面积提取

为了解决MODIS数据中普遍存在的混合像元问题,该文利用2008年和2009年多时相的MODIS13Q1影像,以经过优化的N-FINDR算法进行线性混合像元分解提取冬小麦种植面积,各省的误差均控制在正负4%左右。利用同期多时相的HJ-1星分类数据作为参考值,在试验区域选择14个均匀分布的样区验证混合像元分解结果。结果显示6个样区的相对误差在10%以内,其余8个样区的误差基本在15%左右。该研究可为冬小麦种植面积的监测提供参考。     

基于像元物候曲线匹配的生长季内河北省冬小麦空间分布识别

及时、准确的农作物空间分布信息是进行作物长势监测、灾害评估与产量估计的基础。传统方法一般在作物收获期前后进行作物的识别,时间上滞后,难以满足农业生产的应用,时空泛化能力差,模型复用程度低。该研究以历史知识为支撑,提出冬小麦像元匹配模型（Pixel-Matched Model,PMM）进行冬小麦空间分布提取,旨在生长季内实现冬小麦空间分布的快速提取。研究结果表明,PMM能充分利用作物物候特征变化,排除冬小麦种植物候空间异质性的影响,能够在播种后2个月内实现冬小麦的准确提取,总体精度达到了95.49%,F1分数为0.83,且不随物候曲线的延伸而大幅提高精度。与传统参考曲线模型（Reference Curve Model,RCM）相比,PMM在消除区域内冬小麦生长物候差异方面具有优势,可在年际间实现冬小麦的准确识别,具有较强的时间泛化能力,能够实现冬小麦的自动化识别。     

不同水氮条件下冬小麦生育期NDVI和光合速率的变化

在不同水氮条件下,分析了冬小麦生育期归一化植被指数(Normalized difference vegetable index:NDVI)和光合速率的变化及两者和籽粒产量的关系,结果表明:(1)灌水对拔节期与孕穗期的NDVI值以及扬花期与灌浆期的光合速率有显著影响(p<0.05);起身水+孕穗水+灌浆水处理(I3)的孕穗期NDVI值和灌浆期光合速率平均比起身水处理(I1)分别显著增高6.7%和8.0%,起身水+扬花水处理(I2)的扬花期光合速率平均比起身水处理(I1)显著增高5.5%。(2)施氮对NDVI值和光合速率的影响均达到极显著水平;0～270 kg/hm2范围内,增加施氮能显著提高拔节期NDVI值以及灌浆期光合速率,但随着生育期的推进,增加施氮对NDVI值的提高作用逐渐下降。(3)拔节期NDVI值和光合速率与冬小麦籽粒产量相关性最高,相关系数分别达到0.968和0.864。     

基于环境减灾卫星时序归一化植被指数的冬小麦产量估测

依托国产环境减灾卫星构建作物归一化植被指数(NDVI)时序曲线,不但能提供与MODIS-NDVI、AVHRR-NDVI几乎相当的作物生长动态变化信息,还能提供更高分辨率的空间信息,将其应用于作物估产应更有优势。该研究以地处鲁西北平原的山东省禹城市为研究区,探讨基于环境减灾卫星影像构建冬小麦NDVI时序曲线,基于曲线特征参数,开展遥感估产的可行性。结果表明,可依赖环境减灾卫星遥感影像,重建冬小麦NDVI时序曲线,求算其生长季最大NDVI、返青期NDVI、生长季累积NDVI、营养生长期NDVI的变化速率、生殖生长期NDVI的变化速率等特征参数,建立可靠的估产模型。所建模型的建模决定系数为0.87,相对误差为5.02%;交叉检验决定系数为0.78,相对误差为6.87%。该研究可为基于遥感的作物估产提供参考。