基于Sentinel-2影像的冬小麦种植面积早期提取研究

【目的】 文章旨在探讨基于高分辨率多光谱遥感影像进行冬小麦种植面积早期快速提取、冬小麦空间分布情况快速制图与精度验证的方法,为山东省冬小麦高产、优质种植和农艺肥水的处方决策提供全局性信息。【方法】 （1）对Sentinel-2遥感影像数据进行预处理,然后采用历史种植分布数据自动提取与人工选取相结合方式构建冬小麦识别样本库,将样本分为小麦、林地、水体、建筑和道路及其他作物五大类;（2）采用随机森林算法计算机自动分类与影像人工解译相结合的方式,提取研究区冬小麦种植面积,绘制冬小麦种植空间分布图,并进行精度验证。【结果】 （1）解译得到研究区冬小麦种植面积为54.41万hm²,冬小麦种植面积的总体分布精度为97.05%,kappa系数为0.94,解译效果良好;（2）该文提出的方法可实现冬小麦种植面积高精度提取以及快速制图。【结论】 早期精准掌握冬小麦种植面积及空间分布信息,能够为地方政府和农业部门指导农事活动提供科学依据。     

基于Sentinel-1A数据的冬小麦种植面积提取

【目的】 利用2018—2019年冬小麦生长季的雷达数据对河南省驻马店市上蔡县、正阳县、平舆县、汝南县的冬小麦种植面积进行提取，为雷达数据在冬小麦种植面积提取研究提供参考。【方法】 文章在对冬小麦生长关键物候期多时相Sentinel-1A SAR（Synthetic Aperture Radar，合成孔径雷达）数据中VV极化和VH极化影像的后向散射系数进行分析的基础上，利用最大似然法开展了河南省驻马店市上蔡县、正阳县、平舆县、汝南县4个“产粮大县”的冬小麦种植面积提取研究，并通过统计年鉴数据对VV极化和VH极化的冬小麦提取结果进行了初步评价。利用2018年12月22日，2019年3月28日和2019年4月21日的SAR时间序列影像数据进行冬小麦分类提取。【结果】 从整个研究区来看VV极化方式的提取结果为4 461.14 km²，VH极化的结果为4 277.22 km²，与统计数据相比，VV极化的误差为13.17%，VH极化的误差为8.51%，VV极化的提取误差要大于VH极化的提取误差。各个县的结果显示，VH极化的提取误差均小于VV极化的结果，误差最小的为利用VH极化提取的正阳县的结果，误差仅为1.85%，误差最大的为利用VV极化提取的平舆县的结果，误差为19.72%。【结论】 基于冬小麦生长关键物候期多时相Sentinel-1A的后向散射系数，能够实现较高精度的冬小麦种植面积提取。     

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Sentinel-2遥感影像的农作物分类与适宜性评价

农作物种植结构信息是作物长势监测和农业结构调整的重要参考依据,及时准确地通过土地分类和农作物适宜性评价获取农作物空间分布与适宜性种植信息对农业可持续发展意义重大.该文以河北张家口沽源县为研究对象,利用Sentinel-2多光谱数据提取的NDV,NDBI,NDWI,NDRE1,SR_re和CI_red-edge数据为特征,分别采用SVM支持向量机、决策树法、随机森林法对研究区内典型农作物进行精细化提取,探究主要作物空间分布情况,并通过对比kappa系数探讨不同方法对农作物分类的精度,选择最优分类方法.选取土壤性质、土壤侵蚀度、高程、坡度、坡向5个指标建立农作物适宜性评价体系,采用GIS层次分析法与土地适宜性分级指标对沽源县农作物适宜性进行评价.结果表明：基于随机森林分类法对研究区内8种主要农作物进行分类的精度最高,其总体准确率为65.10%, Kappa系数为0.587 1;研究区内主要农作物在空间上整体呈现出镶嵌结构;研究区内中度适宜种植当地主要农作物的用地面积最大,其次是适宜种植面积居中,不适宜种植地区的面积最小.     

基于Sentinel-2A影像的矿区土地利用信息提取方法

为研究中高分辨率遥感影像大范围精确提取矿区土地利用信息的技术方法,选取山东省兖州市兴隆庄煤矿作为研究区,针对遥感影像的光谱特征,采用监督分类和归一化指数计算相结合的方式进行矿区土地利用信息提取试验。结果表明,选择融合后Sentinel-2A卫星影像的四个高分辨率波段可应用于土地利用的精确识别;根据地物光谱特征,最大似然监督分类法提取建设用地、裸地效果较好,可作为精确提取两种地类的方法;结合归一化植被指数运算和归一化水体指数运算提取植被、水体信息可明显提高总体分类精度,提取精度可达93.54%,进而可利用该分类结果精确高效地识别和测算矿区土地利用类型及其分布特征,为矿区土地整治、村庄搬迁等提供依据。     

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...     

应用Sentinel-2A卫星遥感影像估测森林蓄积量

为了探讨应用Sentinel-2A遥感影像进行森林蓄积量估测的可行性,以内蒙古自治区某林业局的一类清查样地数据、二类调查小班数据、数字高程模型(DEM)以及林地数据为数据源,以遥感影像的波段灰度信息、比值波段及地形信息为自变量,采用k-近邻法(k-NN)、稳健估计及偏最小二乘估计等方法,分林型构建研究区域的森林蓄积量估测模型,从林业局、林场及小班尺度进行估测精度评价.结果表明:k-NN方法在林业局、林场和小班等3个尺度中的估测精度分别达到了97％、93.2％和83.6％,均表现出良好的估测效果;稳健估计法在3个尺度中的估测精度分别为89.3％、72.4％、69.3％;偏最小二估计法在3个尺度中的估测精度分别为85.7％、75.8％、71.7％.k-NN方法估测效果明显优于稳健估计方和偏最小二估计法,因此,Sentinel-2A遥感影像能够有效应用于森林蓄积量估测.     

县域尺度上基于GF-1PMS影像的冬小麦种植面积遥感监测

为探究县域尺度上基于高分一号卫星(GF-1)PMS影像进行冬小麦遥感监测的可行性及精准性,以河南省滑县为研究区,遴选2015年2月上旬GF-1 PMS影像6景,对影像进行辐射定标、FLAASH大气校正、NNDiffuse融合、几何精校正、地图投影转换等预处理后,在外业调查和样本分析的基础上构建一种新的冬小麦决策树分类模型,模型第1层决策方案中NDVI0.311的像元为冬小麦,得到冬小麦的粗分类结果;在此基础上进行第2层决策分类,以进一步提高冬小麦的分类精度,分类方案为第1波段地表反射率0.146、第2波段地表反射率0.148、第3波段地表反射率0.135、第4波段地表反射率0.250的像元为冬小麦。对分类结果进行形态学滤波处理,以消除或减少分类结果中孤立的像元。分别基于决策树分类模型与ENVI软件自带的IsoData非监督分类模型,对比分析GF-1PMS影像和同时期Landsat-8OLI影像在冬小麦面积提取上的精度。结果表明:基于新构建的决策树分类模型,2015年滑县冬小麦种植面积为115 715.81hm2,混淆矩阵检验总体精度为99.62%,Kappa系数为0.99;PMS影像提取冬小麦的混淆矩阵总体精度比OLI影像高出9个百分点。说明县域尺度上基于单时相GF-1PMS影像在冬小麦收获前提取冬小麦种植面积是可行的,提取精度较高。     

基于GEE与Sentinel-2影像的落叶针叶林提取

【目的】针对森林资源精细监测评价的需求，探索多时相、多特征的Sentinel-2影像在落叶针叶林识别中的应用潜力，根据落叶针叶林的物候特征构建分类模型，为大范围落叶针叶林识别提供方法参考。【方法】基于GEE平台，以黑龙江省孟家岗林场为研究区，分析不同季节落叶针叶林与其他森林之间的差异。研究使用2020年春季（5月7日和5月27日）、夏季（8月9日）和秋季（10月19日）的4景Sentinel-2影像，提取光谱特征、纹理特征和地形特征构建多特征数据集，根据特征重要性得分进行特征优选，最后使用随机森林分类器得到落叶针叶林识别的最佳模型，实现孟家岗林场落叶针叶林的精确提取。【结果】试验结果表明落叶针叶林具有明显的植被光谱特征和季相特性，多时相影像数据包含落叶针叶林更多物候期，春季和秋季的影像更有利于区分落叶针叶林与其他森林。此外，近红外、短波红外波段的光谱信息对识别落叶针叶林有较大帮助。利用GEE平台和多时相Sentinel-2影像可以高效快速地提取植被信息，落叶针叶林提取总体精度与Kappa系数分别达到91.20%,0.82。【结论】基于GEE平台和Sentinel-2影像构建的分类模型对...     

基于Sentinel-2影像的甘蔗种植区遥感提取方法——以广西崇左市为例

为了解决在多云雨天气与复杂地形条件下难以快速精准大面积绘制喀斯特山区甘蔗种植区的问题,亟须探究适用于喀斯特山区甘蔗种植区提取的方法。以广西壮族自治区崇左市为研究区域,利用Sentinel-2数据计算多种植被指数,根据Sentinel-2原始波段、光谱指数和纹理信息特征分析,选取地物训练样本,并引入DEM、土地利用等辅助识别特征变量,采用神经网络、随机森林、支持向量机3种机器学习方法,实现2018—2021年甘蔗种植区遥感提取,再利用Google Earth影像和统计数据进行精度评价。结果表明,基于Sentinel-2的甘蔗种植区遥感提取效果较好,崇左市甘蔗种植区总体分类精度均高于91%,κ系数均大于0.88;3种分类方法提取面积误差均值为-4.84%。2018—2021年,崇左市甘蔗种植面积趋于较平稳状态;主要甘蔗种植区以扶绥县、江州区、龙州县及大新县南部和宁明县北部为主。Sentinel-2数据在识别地类复杂多样、农田极其碎片和多云天气频繁等特点的作物信息方面具有较好潜力。     

基于相邻轨道图像的冬小麦面积提取及长势分析

冬小麦是我国北方主要农作物之一,及时掌握冬小麦面积信息及长势情况,能够快速地为农业生产管理者以及财政部门提供决策依据,有利于小麦增产、提高农民收入。本文以山东省滨州、东营市为研究区,通过主成分分析、监督及非监督分类结合的方法提取ETM+遥感影像的冬小麦信息,以SPSS聚类分析法估测滨州市冬小麦长势,用距离加权法构建相邻轨道图像的植被长势分级模型并估测东营市的冬小麦长势。结果显示：小麦提取平均精度约为93.79%,冬小麦分布呈现“西多东少,南多北少”的特征,一般小麦分布较多的地区长势也较好。基于重叠区距离加权法构建的植被长势分级模型,能够在一定程度上消除相邻轨道遥感图像的时间差异,实现大区域的植被长势分析。     

基于MODIS的农作物面积遥感监测及应用

MODIS遥感数据具有探测周期短、覆盖面积广、数据开放等优点,适合大尺度、动态的农业遥感监测应用。结合了MODIS遥感数据资源的特点和农作物物候特征,提出了基于MODIS的农作物面积遥感监测方法,并根据黄淮地区冬小麦种植面积提取的应用需求,选用地理空间数据云平台提供的3种MODIS数据产品进行了农作物面积提取。结果表明,使用5 d合成数据产品的提取精度较高。     

小麦调优栽培遥感监测技术初探

目前,优质高产是小麦生产的主题,利用信息技术实现小麦的优质高产是当前农业生产中有效途径之一。针对目前小麦生产中存在的主要问题,提出了利用遥感技术进行小麦产量和品质监测的技术思路,在小麦的生产过程中应用遥感监测技术,对生产管理和质量控制进行监测,从而在一定程度上实现小麦调优栽培的信息化。     

湖北省油菜种植面积的遥感监测方法探讨

遥感技术是农作物种植面积监测的一种快速、经济和准确的新技术。论文研究了适宜于湖北省油菜种植面积的遥感监测的最佳时相、最佳数据源、影像解译方法等。结果表明,湖北省油菜面积遥感监测的最佳识别时相位于3月中旬—4月中旬,即油菜的开花期。对于湖北省省域范围油菜种植面积遥感监测,为了既能兼顾经济上的可行性和技术上的精度,建议对于油菜非成片分布的低山丘陵地区,采用10m-ALOS影像自动分类,对于油菜连片分布的平原地区,采用至少有1景成像于油菜开花期的双时TM影像,同时采用"时序差值+自动分类"方法的技术方案。     

基于无人机遥感影像的冬小麦倒伏面积信息提取

倒伏是农业生产中造成减产、作物品质降低的主要原因,基于无人机飞控平台农情监测系统的灾情严重度实时监测以及时采取防治措施提供科学依据。以人工目视解译统计得到的倒伏面积作为判别依据,通过对比最小距离法、最大似然法、神经网络、支持向量机四种监督分类方法对单张无人机影像的分类效果,择优用于无人机拼接数码影像,估算江苏里下河地区小麦倒伏面积。结果表明:最小距离法、最大似然法、神经网络、支持向量机四种方法的分类精度分别为63.57%、98.15%、81.13%、85.04%,最大似然分类法得到的精度最高,其运算速度也最快,与无人机遥感平台农情监测系统快速、便捷的需求相符。将最大似然法应用于整张拼接影像,监测得到倒伏像元个数为7 183 950,估算面积为353.810 8m2,与人工目视解译结果的误差为7.43%,突出了无人机在信息获取方面方便、快捷的特点,表明搭载数码相机的无人机遥感平台对农情监测有一定可行性,可以为精准农业深入开展提供新的契机。     

基于GF-7遥感卫星的冬小麦面积精细化识别

2019年11月3日发射的GF-7号卫星是我国的第二颗亚米级、多角度民用商业卫星,其在农作物面积分布精细化识别方面潜力有待评估.依据2018年国家统计局数据,全国冬小麦播种面积占粮食作物总播种面积的19.23％,通过遥感手段准确识别冬小麦分布情况,是作物长势和作物估产等后续遥感产品准确评估的保证,对确保粮食安全具有极其重要的意义.通过支撑向量机和随机森林2种机器学习算法,分析高分七号亚米级光谱特征及其纹理特征对冬小麦的精细化识别能力.结果表明,基于影像光谱特征,SVM分类器取得了最优的分类精度,其中冬小麦识别精度为93.96％,总体精度为91.01％,Kappa系数为0.7632,面积精度为91.46％.     

省域冬小麦种植面积遥感本底调查方法——以安徽省冬小麦遥感本底调查为例

遥感技术目前在农业方面得到了广泛的应用,冬小麦作为我国重要粮食作物,农业部先后2次在全国范围内组织开展了冬小麦遥感本底调查工作。该研究介绍了2015年安徽省冬小麦遥感本底调查的遥感数据选择、数据预处理、解译方法,并对调查结果进行了分析,总结了省域冬小麦种植面积遥感本底调查方法和经验。     

基于RS的冬小麦种植面积提取及最佳时相选择

为探求冬小麦种植面积提取的方法,本研究通过多种图像处理方法对TM数据进行处理,结合实地调查和研究区主要种植作物的物候历,利用TM数据提取了冬小麦的种植面积。同时为了提高解译精度,结合GIS进行了两次目视解译过程,消除了分类器分类会出现的多分和漏分现象。结果表明:通过分类后计算混淆矩阵与地面真实感兴趣区(ROI)进行比较,发现Mahalanobis Distance分类法阈值(最大误差距离)为2.9时分类效果最佳。得到2007年研究区域冬小麦遥感监测面积为560 650 hm2,提取精度达到了95.23%。三个地区以临汾地区提取精度最高,而晋中地区最低。因此利用该方法提取冬小麦种植面积是可行的。     

基于遥感技术对河北省棉花种植面积的监测分析

为了配合政府对河北省棉花种植面积的统计和规划,准确、客观地获取种植面积,遥感技术作为农情监测中对农作物种植面积监测的方法,其应用越来越广泛。以2017年为例,通过抽样的方式对河北省47个县(市)棉花种植样区的面积进行遥感监测,并在抽样区域实地走访调查的基础上对遥感监测样区的结果进行补充修正。结果表明,2017年监测区的种植面积为72.47 hm2,与2016年种植面积(44.44 hm2)比较,2017年度的种植面积略有增加。根据近几年河北省棉花种植面积比较,找出了变化总体趋势及原因,进一步分析了目前存在的问题和对未来的建议。