基于时间序列环境卫星影像的作物分类识别

环境星影像具有较高的时间和空间分辨率,利用其时序遥感数据进行作物信息提取优势明显。该文以黑龙江垦区友谊农场作物为研究对象,利用2010年6月至9月共10景HJ-CCD数据进行作物种植分类信息提取。首先,通过SPLINE算法对云影响区域插值去噪,重构时间序列影像数据;其次,通过分析试验区主要作物的光谱和植被指数时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了黑龙江友谊农场大豆、玉米和水稻的种植信息,分类总体精度达到96.33%。同时,将分类结果同基于时间序列植被指数影像的支持向量机和最大似然法分类结果相比较,结果表明,决策树分类效果最好,支持向量机次之,最大似然分类较差。研究表明,通过去云处理后构建的时间序列HJ卫星遥感影像,结合作物的光谱和典型植被指数时序变化特征,借助于决策树分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

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。     

中低分辨率小波融合的玉米种植面积遥感估算

采用中分辨率与低分辨率数据相结合的遥感估算方法是获取大范围作物种植面积的主要趋势之一。在MODIS时序影像和TM影像支持下,采用小波变换融合方法获取30m分辨率的NDVI时间序列信息,构建主要秋季作物的NDVI标准生长曲线,以最小距离分类器进行分层分类,获得河南原阳县玉米种植面积总量信息和空间分布,并以野外实测地块样本进行精度评价。由于充分利用MODIS影像的时间序列优势和TM影像的空间分辨率优势,通过秋季作物之间的物候差异,有效地区分出各种秋季作物的空间分布,基于融合NDVI时间序列信息玉米种植面积遥感估算的位置和面积精度分别达到79%和89%,远高于常规的监督分类,为大范围玉米种植面积遥感估算提供了一种可行的方法。     

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。     

时空协同的地块尺度作物分布遥感提取

地块尺度作物分布信息清晰直观地反映了农田位置、空间形态等空间细节和种植类型信息,对精准农业管理、种植补贴发放和农业资源调查等具有重要价值。虽然遥感时空协同思路为地块尺度作物分布提取提供了解决方案,但在农田地块提取和时序特征构建方面尚存在不足。该研究基于遥感时空协同的思路,以Google Earth高空间分辨率影像为底图,利用擅于学习影像视觉特征的D-LinkNet深度学习模型,快速、精准提取农田地块形态;以地块为观测单元,利用Landsat8和Sentinel-2多源遥感的"碎片化"无云数据构建地块时序数据集,基于加权Double-Logistic函数重建地块归一化植被指数(Normalized Difference Vegetation Index,NDVI)时序曲线;提取地块物候特征和多时相光谱特征,经过特征优选和随机森林分类模型构建,开展地块尺度作物分布制图。以广西扶绥县为研究区开展试验,共提取地块43.7万个,边界准确率为84.54%,相较于常规基于多尺度分割的地块提取,基于D-LinkNet的地块提取方法直接排除了非农田地物的干扰,地块形态与现实情况符合度更高;地块NDVI时间序列重建结果能够较好地捕捉作物开始生长、旺盛期、成熟收获期的动态变化趋势;分类特征重要性评价结果显示,红边特征、与时间相关的物候特征在分类中发挥重要作用,当联合物候特征和光谱特征时分类效果最佳;根据特征重要性分析不同特征数量情况下的分类精度,当特征数量大于40维时,作物分类精度和Kappa系数保持稳定,总体分类精度维持在88%左右;对扶绥县地块尺度作物分布进行制图,提取甘蔗地块277 421个、水稻地块33 747个、香蕉地块4 973个、柑橘地块102 055个,分别占农田地块总数的63.48%、7.72%、1.14%、23.35%,种植面积占比分别为69.78%、7.12%、1.71%、18.06%。该研究在理论上构建了遥感时空协同的地块尺度作物分类模型,为大范围、地块尺度作物分布遥感提取提供了实用化方案。     

NDVI时序相似性对冬小麦种植面积总量控制的制图精度影响

遥感技术获取的区域作物面积与作物面积统计数据间常常存在不一致的问题,这在一定程度上影响了作物分布遥感制图信息的应用。为获得与作物面积统计数据一致的高精度作物分布遥感制图信息,该研究以河北省衡水市武邑县为研究区,以时序Sentinel-2遥感影像生成的归一化差值植被指数(Normalized Difference Vegetation Index, NDVI)为研究数据,将冬小麦面积目视解译数据作为遥感提取的区域冬小麦面积总量参考,提出基于复合型混合演化算法(Shuffled Complex Evolution-University of Arizona, SCE-UA)和区域作物种植面积总量控制的NDVI时序相似性阈值优化冬小麦分布制图方法,并进行精度验证。在此基础上,进一步开展不同生育阶段NDVI时序相似性及其相似性组合的冬小麦分布提取精度对比研究。结果表明,利用全生育期NDVI时序相似性获得的冬小麦分布制图结果总量精度达99.99%以上,总体精度达98.08%,Kappa系数为0.96,可以保证遥感提取的区域冬小麦面积与冬小麦种植面积总量控制参考间的高度一致性且能获得较高的作物遥感识别精度。从不同生育阶段NDVI时序相似性及其相似性组合的冬小麦分布提取结果可知,利用出苗期-分蘖期、返青期-拔节期的NDVI时序可获得高精度冬小麦分布提取结果,而利用抽穗期-成熟期的NDVI时序数据提取冬小麦结果则精度较低,且综合不同生育阶段NDVI时序数据有利于冬小麦制图精度的提高。该研究可为高精度冬小麦分布提取和制图技术及其方案优化提供一定参考依据,也可为遥感数据和作物面积统计数据融合的大范围农作物分布遥感制图及统计数据空间化提供一定技术方法参考和思路借鉴。     

基于异源多时相遥感数据提取灌区作物种植结构

用遥感技术提取灌区作物种植结构需要源影像具有适宜的时空分辨率以适应其动态变化特征。该文综合运用多种遥感影像数据,将Landsat ETM+与MODIS NDVI数据融合区分灌区土地利用类型,由融合后的时间系列数据非监督分类结果提取植被指数变化信息,结合作物系数变化规律运用光谱耦合技术提取作物种植结构。根据该方法将漳河灌区作物种植结构区分为水稻—油菜、水稻—小麦、单季夏季作物以及双季经济作物。由地面统计数据和高分辨率IKONOS影像进行了检验,分类精度达到91%并且与统计数据相吻合。结果表明该法不仅能提供更为准确的灌区作物种植结构时空信息,而且节省影像购买成本,方便灌区尺度遥感应用。     

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。     

基于多时相遥感影像的作物种植信息提取

为了快速、准确地在遥感影像上对作物种植信息进行提取,该研究运用多时相的TM/ETM+遥感影像数据和13幅时间序列的MODISEVI遥感影像数据,采取基于生态分类法的监督分类与决策树分类相结合的人机交互解译方法,建立决策树识别模型,对黑龙港地区的主要作物进行遥感解译,总体分类精度达到了91.3%,与单纯对TM影像进行监督分类相比,棉花、玉米、小麦、蔬菜4类作物的相对误差的绝对值分别降低了1.3%、20.5%、2.0%、13.8%。结果表明该方法的分类精度高,能较好的反映作物的分布状况,可为该地区主要作物种植结构调整提供科学依据,还可为其他区域尺度作物分布信息的提取提供参考。     

基于MODIS EVI图像时间序列的冬小麦面积提取

植被指数的时间序列能够很好的反映植被在时间维上的生长变化,这为地表植被的分类以及作物面积的提取提供了思路。将TM数据作为过渡数据,利用地面测量数据间接对MODIS EVI数据进行了样本提取和验证,并结合冬小麦物候信息,将冬小麦植被指数时间曲线参量化为生长速率、衰减速率和峰值与休眠期比值,建立了华北平原冬小麦的面积提取模型。经验证,兖州地区MODIS数据和TM数据提取的冬小麦面积一致性为89.13%,整个华北地区选取13县市的MODIS提取面积与官方统计数据比对,表明有12县市的提取误差小于20%,误差主要源于MODIS的空间分辨率较粗而华北平原的地块较为细碎。     

利用MODIS-EVI时序数据对河南省土地覆盖进行分类

基于遥感的土地覆盖信息提取对农林业生产、环境监测具有直接的应用意义。该文选取河南省作为研究区域,利用2005年23个时相的MODIS EVI数据,结合农作物物候历、其他分类参考数据及河南省种植结构的相关文献,在对时序数据进行去云、平滑处理后,采用SVM（支持向量机）分类器,对河南省的土地覆盖进行分类。分类结果上,一方面参照2005年河南省农作物种植面积的统计数据得到面积精度,对大面积种植的农作物：小麦为81.47%、玉米94.87%、水稻82.43%;经济作物：油菜39.81%、大豆93.65%、棉花95.21%、花生74.27%;另一方面,参照2000年1：10万全国土地覆盖的分类数据,将2000年的对应数据和分类结果分别归并为：耕地、林地、草地、水体、建筑进行精度比较,结果表明总体识别精度为78.07%,Kappa系数为0.6556。从分类精度验证来看,表明MODIS植被指数时序数据及该文研究方法在农作物信息提取中的有效性。     

基于作物生长模型和遥感数据同化的区域玉米产量估算

为了将遥感观测到的玉米生长期间作物冠层方向反射波谱的时间序列变化信息用于区域玉米产量估算,该文将时间序列中分辨率成像光谱仪(moderate resolution imaging spectroradiometer,MODIS)数据和高空间分辨率LandsatTM遥感观测数据相结合,以叶面积指数(LAI)作为耦合作物生长模型(crop environment resource synthesis-Maize,CERES-Maize)和植被冠层反射率模型(scattering by arbitrarily inclined leaves,SAIL)的关键参数,提出了将耦合模型与时间序列遥感观测数据同化进行区域玉米产量估算的方案。该文选择吉林省榆树市为研究区,采用MODIS和LandsatTM2种尺度数据集,利用SCE-UA(shuffled complex evolution method developed at the University of Arizona)算法分别进行玉米产量同化估产研究,得到玉米单产空间分布的估计结果,结合遥感估算的种植面积求算榆树市玉米总产量。结果表明,与玉米统计总产量相比,2007、2008和2009年遥感数据同化估算的总产量误差分别为9.15%、14.99%和8.97%;与仅利用CERES-Maize模型模拟得到的产量误差相比,3a间遥感估算总产量的误差分别减小了7.49%、1.21%和5.23%,且采用MODIS和TM遥感数据估算的玉米产量表现了其空间差异性。利用榆树市3a间玉米产量的明显差异,分析了时序遥感数据对作物长势和产量变化信息的表达能力,同年份内时序归一化差值植被指数越大,对应的玉米产量越高;年际间遥感观测反射率的差异通过数据同化方法能够反映年际间玉米产量差的变化。该文提出的玉米估产方案为将来进一步结合多源遥感数据、植被冠层反射率模型与作物生长模型进行区域玉米估产研究提供了参考。     

利用多源时序遥感数据提取大范围水稻种植面积

为避免大范围作物面积提取中的分区问题,提出了一种新的采用时序MODIS日反射率产品（MOD09GA）和HJ-1CCD数据的大范围水稻种植面积提取方法。利用样区多时相高分辨率HJ-1CCD数据,进行高分辨率水稻制图,获取水稻移栽期和生长期的特征。再利用时序MODIS日反射率产品自动提取移栽期稻田水分信息和生长期生长信息,实现大范围的水稻种植面积测量。以江苏省为试验区对该方法进行了试验,结果表明该方法可以较高精度的测量大范围的水稻种植面积,水稻提取精度为93.3%,Kappa系数0.88。     

利用Terra/MODIS数据提取冬小麦面积及精度分析

利用遥感技术提取作物播种面积是农情监测研究中一种实用而可行的方法。以河北省藁城市为研究区域,研究利用多时相Terra/MODIS数据提取2004年冬小麦播种面积的技术方法。在分析MODIS波谱特性与冬小麦生物学特征,并考虑了有关植被指数图像对面积提取精度的影响基础上,选择将MODIS数据的Red、Blue、NIR和ESWIR波段作为基础工作波段。利用4种方法提取了2004年藁城市各乡镇的冬小麦播种面积,并利用2004年各乡镇统计数据及土地利用数据进行了精度评价。结果表明：4种方法提取的冬小麦播种面积总体上都与参考值比较吻合,总体误差和平均误差均小于5%。可见,利用Terra/MODIS数据提取冬小麦播种面积是完全可行的。研究还发现,最佳的MODIS数据是冬小麦抽穗期的Red、Blue、NIR、ESWIR波段图像和冬小麦播种期与抽穗期EVI差值图像的组合。     

基于MODIS数据和模糊ARTMAP的冬小麦遥感识别方法

针对国家级农情遥感监测与信息服务系统对农作物遥感识别的需求,利用Terra/MODIS数据相对于NOAA/AVHRR数据具有的高光谱和中等空间分辨率的优势,以中国华北地区冬小麦识别为例,采用多时相和波谱分析方法,选取合适波段,构造特征植被指数,建立模糊ARTMAP影像分类模型进行大尺度农作物识别,实现农作物遥感自动识别.用Landsat TM进行局部抽样验证,结果精度可达到85.9%.研究表明,仅利用MODIS自身光谱信息,即可实现作物遥感全覆盖自动识别,并可达到较高精度,与传统方法认为冬小麦遥感识别的最佳时间为处于返青期的3月份相比,在时间上可提前约一个季度,因此可以确实地为农业决策部门提供信息服务.     

基于时间序列Landsat影像的棉花估产模型

为提高棉花遥感估产精度,该文选取加州San Joaquin Valley地区2个棉花地块作为研究区,利用时间序列Landsat_5_TM、Landsat_7_ETM遥感影像数据,结合野外实测产量数据,进行棉花产量遥感预测模型研究。结果表明：基于Landsat影像纯像元的植被指数时间序列准确地揭示了棉花整个生长期的长势情况,不同长势的棉花植被指数随时间变化在花铃期差异比较显著;整个花铃期植被指数与产量之间的相关系数均大于0.80,最大相关系数达0.90,花铃期NDVI平均值建模决定系数为0.82,均方根误差为463.69,证明花铃期比其他生长期更适用于棉花产量预测;单一时期最优模型为第206天（7月25日）,多时期最优模型以NDVI最大值前三期NDVI平均值为自变量;整个花铃期NDVI最大值建模决定系数为0.81,均方根误差为477.82,该模型具有普适性。该文的研究成果为基于MODIS_NDVI最大值合成法的相关研究提供了理论依据,并且为其他农作物的估产模型建立提供借鉴。     

利用MODIS_EVI图像时间序列提取作物种植模式初探

作物种植模式对于高效、可控农业管理具有非常重要的意义,通过遥感手段获取种植模式信息是目前亟待解决的难题.以华北平原为试验区,收集了2003年全年每16天合成的MODIS_EVI时间序列图像,从种植模式的MODIS_EVI时间谱分析入手,提取了表征冬小麦及其后茬夏玉米与其他同季生长作物物候差异性特征,分析表明返青期和峰值时期对冬小麦提取贡献最大,而峰值时间和大小以及表征营养生长向生殖生长转化时生物量累积差异的参量(偏斜度)对玉米提取贡献最大.建立了冬小麦和夏玉米的提取模型,各省17个县的抽样表明,冬小麦的总体提取精度为88.38%最后形成了小麦─玉米、小麦─水稻和小麦─其他种植模式的分布图,与作物熟制气候分布图具有较好的一致性.