基于高光谱数据的主要农作物类型信息提取

黑龙江省是我国最大的商品粮生产基地,其农作物种植信息对于粮食估产,防灾减灾,乃至保障国家粮食安全均具有重要意义。为提高黑龙江省主要农作物种植类型信息的提取精度提供有参考意义的方法,以黑龙江省齐齐哈尔市为研究区,针对多光谱数据在区分玉米和大豆种植信息方面的局限性,基于环境减灾星高光谱数据(HSI),利用决策树法提取主要农作物类型信息。结果表明,齐齐哈尔市的土地覆盖类型以农耕地(包括大豆、玉米、水稻和其它作物)为主,占该市土地面积的70%以上,其中玉米种植区是该市最主要的土地利用类型,各作物分类精度均超过80%,总体精度达到88.71%。     

基于光谱特征分异的玉米种植面积提取

玉米种植面积的准确获取是进行玉米长势监测和产量估测的前提与基础。在对Landsat-8/OLI影像进行辐射定标、大气校正、几何精校正和裁剪等预处理的基础上,基于典型地物光谱空间差异与物候特征的异同,选取具有代表性的4种植被指数[归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、绿度植被指数(GVI)]和近红外波段反射率,通过构建植被光谱特征指标阈值对不同地物进行识别和分类,最后获取玉米种植面积。结果表明,利用近红外波段反射率可以将农作物与其他地物区分开来,即当其反射率值大于0.37时,地物为农作物。对不同种类农作物识别时,选择NDVI0.86、DVI0.53、RVI13.00、GVI3 713.60作为分类阈值,可以将玉米与水稻和大豆区分,准确提取到玉米的种植面积。利用样本数据和当地农业部门提供的数据进行面积提取精度验证,总体精度为92.75%,说明基于多光谱特征指标建立分类阈值的方法可以准确提取玉米种植面积,该方法可以为江淮玉米种植区县域玉米种植面积的提取提供参考。     

基于多光谱影像和专家决策法的作物分类研究

[目的]探讨基于多光谱影像和专家决策法的作物分类,验证利用单时相多光谱影像区分农作物的可行性。[方法]以呼伦贝尔地区典型农业种植区为研究区,根据野外实测光谱数据,寻找区分研究区主要作物大麦、小麦、油菜的最佳时间,根据作物波谱特征,采用决策树方法,结合光谱角度制图（SAM）等光谱匹配方法,开展了作物分类研究。[结果]利用8月上旬获取的LandsatTM影像,在对影像进行几何校正、大气校正的基础上,构建决策树,成功提取了小麦、大麦、油菜、种植草场的种植信息,分类总体精度达到86.90%,Kappa系数达到0.8311。[结论]以典型时相的多光谱影像为数据源,应用决策树方法提取作物类型信息,具有较好的应用前景。     

协同多源国产高分影像和面向对象方法的南方农作物遥感识别

【目的】中国南方地区云雨频繁且农业景观破碎，是我国农作物遥感监测最具挑战的区域之一。我国自主研发的高分系列卫星具有高时空分辨率和高质量成像的特点。本研究挖掘多源高分系列卫星的时间和空间双重优势，实现多云雨及景观异质区作物精细化识别。【方法】基于国产高空间分辨率高分二号（GF-2）影像表征农田空间几何特征，协同中空间分辨率高分一号（GF-1）和高分六号（GF-6）加密影像观测时间序列，充分表征农作物光谱季相节律。通过构建光谱-时相-空间三维分类特征，基于随机森林进行农作物分类并计算不同特征的重要性。同时，设置不同影像组合和不同分类单元下的多种分类场景，进一步分析不同高分数据协同利用在农作物识别上的表现差异。【结果】基于GF-1、GF-2和GF-6影像和面向对象的农作物分类在湖北省潜江市研究区的总体精度为95.49%,Kappa系数为0.94；在枣阳市的总体精度为93.78%,Kappa系数为0.92。协同GF-2和GF-6进行农作物分类精度优于协同GF-2和GF-1。此外，基于GF-2进行面向对象的农作物分类效果优于面向像元，其中潜江总体精度提升了1.4%，枣阳提升了1.32%。相比GF...     

基于随机森林的水稻信息提取研究

以重庆市永川区朱沱镇Sentinel-2多光谱影像为例,构建随机森林分类模型,分别以单时相和多时相特征变量集为变量提取水稻空间分布,并对水稻对不同波谱特征集的响应程度及提取精度进行分析。分类结果显示,研究区水稻分布相对较为分散,且地块特征较为复杂,与区域典型地貌基本相适应;处于分蘖期的水稻稻田比处于灌浆期的稻田更有区分特征,利用多时相数据能够有效提高提取精度;通过传统的最大似然法、光谱角分类器提取地物精度有限,而基于机器智能分类的随机森林模型提取方法提取结果总体精度90%以上,Kappa系数达到0.80以上,可为西南山地地区作物信息提取提供参考。     

基于Bi-LSTM模型的时间序列遥感作物分类研究

【目的】及时、准确地作物分类制图是农情监测的重要依据。本研究基于双向长短期记忆网络模型探究深度学习技术在时间序列遥感作物分类与早期识别中的应用潜力。【方法】本文以黄河三角洲地区为例,以哨兵2号全年可用卫星影像为数据源,构建年时间序列NDVI数据集;采用循环神经网络构架,搭建针对结构化时序数据的双向长短期记忆网络模型（bidirectional long short-term memory,Bi-LSTM）,开展遥感作物分类,并评估模型的泛化能力;通过输入不同长度时间序列遥感数据,探究满足一定制图精度条件下的作物最早可识别时间。【结果】作物年生长时序特征对于大多数作物遥感分类识别都具有较好的区分能力,基于年时间序列NDVI数据的Bi-LSTM模型作物分类总体准确率达90.9%,Kappa系数达到0.892。通过测试不同时间序列长度对作物分类的影响发现,对大多数作物来说,其分类精度随着数据时间序列长度增加而不断提高,冬小麦、水稻等作物在生长季早期即具有较为独特的分类特征,因而利用生长季早期的时间序列影像即可获得较高的制图精度,而棉花、春玉米等作物需要完整生长序列影像才能更好地保证分类精度。【结论】卫星影像时间序列蕴含的结构化特征信息可以有效地降低特定时段的作物光谱混淆;双向循环神经网络模型能够同时考虑前向和后向的时间状态信息,可以学习作物不同阶段的光谱变化特征,在水稻、棉花、春玉米等易混淆作物的识别上表现优异;模型能够有效地把握样本总体上的变化趋势,在农作物多分类任务中表现出较好的泛化能力和鲁棒性。本研究通过集成深度学习和遥感时间序列,为及时、快速的区域作物高精度制图提供了可行的思路。     

基于随机森林算法的多作物同步识别

作物类型遥感识别是农业遥感的重要组成部分,为获取作物种植面积、长势信息并进行产量估算提供了手段。目前,对玉米、水稻和小麦等大宗农作物进行单一识别或两类间分类识别的技术研究较多,对研究区多种农作物同步分类识别的研究较少。本研究基于随机森林分类器利用Landsat 8数据开展宁夏农作物分类,对八种主要农作物春小麦、玉米、水稻、苜蓿、蔬菜、葡萄、枸杞和瓜类进行同步分类试验。结果表明:随机森林方法可以满足研究区内多类作物同步监测的需求,精度可达80%以上。单时相分类精度可达到81.8%,后分类处理精度可达到82.8%,时间序列分类精度可达到85.1%,时间序列分类和后分类处理可以有效提高分类精度。随机森林分类精度随着树数量的增加而增大,当树的数量足够多时,模型趋于稳定,特征变量对精度的影响被控制在一定范围内,当特征变量设置为总特征变量的平方根或对数时,精度达到最佳。因此,基于对分类实验时效性的考虑,将参数分别设置为Ntree=100,Mtry=总特征变量的平方根或对数。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

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。     

梨树县两区作物品种监测研究及分析评价

为研究梨树县“两区”作物品种种植结构特点,分析其合理化程度,为科学合理调整作物品种种植结构和更大面积的“两区”作物品种监测提供一种手段和尝试。本文利用分辨率为0.75m的吉林一号卫星影像数据和梨树县“两区”数据等相关数据,对梨树县“两区”作物品种进行监测和分析,发现梨树县“两区”作物品种种植结构不合理。按“两区”划定面积要求,梨树县“两区”作物中,玉米面积过大,比划定面积大4901.51hm²,水稻和大豆面积过小,分别小4869.99hm²和8731.56hm²,因此,需要采取更加积极的做法,调整“两区”作物品种种植结构,使其不断趋于合理。     

遥感在作物分类中的应用

在提取作物种植分类信息方面,多时相和多光谱特征信息综合应用十分重要。环境与灾害监测预报小卫星影像具有较高的时间、空间分辨率,采用时间序列分析的方法提取作物种植分类信息优势显著。本研究以宁夏平罗地区作物为研究对象,利用HJ-CCD数据提取主要农作物分类信息,采用非监督分类、最大似然分类、决策树分类3种算法挖掘数据。研究表明,通过构建的时间序列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,能够有效进行农作物分类。     

基于迁移学习的嫩江市主要农作物遥感分类

【目的 】机器学习模型在农作物分类研究领域有着较高精度,但如何利用历史样本用于当前时间的作物分类是一个难点。迁移学习的核心思想在于找到已有数据与新数据之间的相似性,文章旨在探索迁移学习方法使用历史样本进行作物分类的可靠性。【方法 】该文以嫩江市为研究区域,基于实地采样数据与遥感数据,用随机森林（Random Forest,RF）分类器,结合多种遥感指数,对2020—2021年嫩江市玉米与大豆种植区域进行分类;利用动态时间规整方法,以2020—2021年实地采样数据生成2022年的分类样本,用RF对2022年嫩江市的玉米与大豆种植区域进行分类。【结果 】（1）对2020—2021年玉米与大豆种植区域进行分类,RF的平均总体精度达到97.8%。（2）对动态时间规整方法生成的2022年玉米与大豆种植区域进行分类,RF的总体精度达到87.5%。【结论 】基于迁移学习的作物识别方法达到较高精度,具有实践意义,可提高历史时期样本的利用效率。     

基于物候特征和混合光谱信息的春玉米种植面积提取

快速、准确地获取玉米种植面积信息对国家粮食安全和现代信息农业发展有重要的现实意义。遥感技术在作物种植面积提取中具有一定优势,尤其是作物物候信息和光谱数据相结合的方法更是目前发展的趋势之一。选取辽宁省3县市为研究区,利用Savitzky-Golay滤波重构后的2014-2015年MODIS-NDVI时间序列数据,提取作物物候特征和其他主要地物的NDVI曲线变化规律,结合水稻移栽期的NDVI、LSWI数据与大豆鼓粒期的近红外波段反射率数据,训练地物分类阈值、构建决策树提取2015年春玉米种植面积。考虑到耕地的破碎化和土地覆盖类型的多样性,利用MOD09A1反射率影像提取春玉米及混合地物的端元波谱,基于线性光谱混合模型进行混合像元分解获取春玉米丰度,根据决策树分类结果与春玉米丰度信息精确提取春玉米种植面积。利用Landsat8 OLI监督分类影像对种植面积解译结果进行精度评价,结果显示研究区春玉米种植面积提取精度在81%以上,利用统计数据验证得到仅利用物候信息经决策树分类方法提取的春玉米种植面积精度为88.416%,结合混合光谱信息后的提取精度提高到92.382%。春玉米种植面积提取结果较好地反应了其地理分布,表明重构后的生长季NDVI曲线可以准确地反应作物生长变化规律,运用中分辨率MODIS-NDVI时间序列数据获取物候信息,快速、准确提取春玉米种植面积具有可行性。物候特征耦合混合光谱信息的方法突破了传统研究中的像元限制,将作物种植面积识别水平提高到亚像元尺度,效果好于传统的像元尺度MODIS时间序列信息分类方法,能够有效提高作物种植面积估算精度,对于加快数字农业进程、提升农业信息化水平具有重要作用。     

基于时序Sentinel-2数据的马铃薯遥感识别研究

【目的 】文章以黑龙江省北大荒农垦集团克山农场为研究区域,以当地马铃薯全生育期为研究时段,以早熟马铃薯、晚熟马铃薯及其他主要农作物大豆、玉米、水稻为研究对象,开展基于时序Sentinel-2数据的识别差异性研究。【方法 】基于早熟马铃薯、晚熟马铃薯及大豆、玉米、水稻各时期各波段光谱反射值,利用光谱差异性指数,创建了光谱振幅指数,结合各种作物生育期数据,评价不同波段、不同时间序列对早熟马铃薯、晚熟马铃薯识别的差异性;筛选出可以较好区分早熟马铃薯、晚熟马铃薯、大豆、玉米、水稻的波段和时间序列组合。【结果 】在该文的时序内,能够同时区分早熟马铃薯、晚熟马铃薯与大豆、玉米、水稻的Sentinel-2数据时段为2022年8月9日和8月31日,波段为Band 5、Band7和Band 11。利用计算机自动分类,结合人工目视解译方式获得2022年克山农场种植结构,马铃薯、大豆、玉米、水稻、其他作物比例为13∶57∶27∶0∶2 （其中的水稻比例不足0.30%）。【结论 】综合Sentinel-2数据各波段反射值、光谱差异性指数,结合生育期资料,使用单一时相识别马铃薯时,最佳时段为晚熟马铃薯的成熟期后...     

基于众包数据和遗传规划算法的农作物遥感智能识别方法

【目的】 农作物空间分布信息是支撑相关科学研究与政策制定的重要依据。当前农作物空间分布遥感分类在理论和技术方法方面取得了长足的发展,但仍面临一些难题,包括地面样本数据的获取困难、作物特征选择存在主观性和冗余、特征构建过程中缺乏针对性和代表性等,导致农作物空间分布遥感分类的效率与精度不足。【方法】 针对这些问题,文章开展快速、准确、低成本的样本获取、特定作物分类的最优特征构建与优选,并分别选择多个研究区开展实证研究。样本获取方面,开发基于“视田”众包的样本获取平台,通过迭代更新的任务采集和历史样本库的方式高效获取地面样本。作物分类方面,提出遗传规划算法为不同作物提取差异化的特征,通过遗传进化思想实现定制化特征的构建,能够在原始特征的基础上构建高层次特征。【结果】 在北方地区,利用“视田”众包工具,由8名工作人员2天内完成了位于义县、辽中区、新民市及开原市4个区域的水稻、玉米、大豆和花生的样本采集,内业工作人员同步进行分类并迭代样本需求,分类的总体精度均大于90%,kappa系数均高于0.87。在南方地区,位于湖北省枝江市区域的春秋两季作物分类结果的总体精度均大于94%,kappa系数均高于0.86。【结论】 该文提出了一套快速、高效开展农作物遥感分类的技术体系：利用众包采集快速扩大样本数量,同时利用遗传规划算法提高样本训练效率。在不同区域、不同作物类型研究区应用,可实时、准确生产农作物空间分布图,总体效果稳定,在支撑科学研究与政策制定方面具有较强的应用前景。     

基于遥感的西南地区水稻种植信息提取

为探索西南地区水稻种植信息的有效提取方法,以重庆市永川区朱沱镇为例,根据Sentinel-2多光谱影像,结合高分一号(GF-1)影像数据选取样本分布点,构建水稻作物信息随机森林提取模型,同时分析样本地类像元光谱曲线,构建不同地类样本影像像元光谱库,并将随机森林分类结果与传统最大似然法、光谱角及基于时差的光谱角水稻空间种植信息分类结果进行对比及精度分析。结果显示,通过光谱角分类器提取地物精度有限,结合时差特征能够明显提高目标提取精度,而基于水稻样本信息训练构建的光谱角模型提取方法获取水稻种植面积准确率高达90.62%,分类结果总体精度达91.50%,Kappa系数达到0.83,实现了对西南地块破碎地区分散作物种植信息的有效提取,可为西南地形复杂、地块破碎地区农作物信息提取提供一定参考。     

基于Sentinel-1A影像的原阳县玉米和水稻分类时间窗选择

使用遥感技术可以快速、准确地识别作物类型。本研究以河南省原阳县为试验区，基于Google Earth Engine(GEE)云平台，以玉米、水稻关键生育期的Sentinel-1A影像为数据源，分析各类地物的极化特征时序曲线。对6期Sentinel-1A影像进行穷举组合，使用随机森林算法对所有影像组合分类，分析各生育期影像对作物分类的重要性，选出玉米、水稻分类最佳时间窗。结果表明，作物生长中后期影像对作物分类更重要，其中玉米的乳熟期最重要，水稻的灌浆期最重要。全生育期影像组合中玉米的用户精度和生产者精度分别为90.43%和90.53%,水稻的用户精度和生产者精度分别为88.89%和89.01%。经过优选，大喇叭口期至成熟期为玉米分类最佳时间窗，相较于全生育期影像组合，此生育期影像组合的玉米用户精度和生产者精度分别提高了3.38个百分点和5.26个百分点；拔节期至成熟期为水稻分类最佳时间窗，相较于全生育期影像组合，此生育期影像组合的水稻用户精度和生产者精度分别提高了4.73个百分点和2.66个百分点。本研究结果可以为Sentinel-1A影像在原阳县及其附近区域的玉米、水稻种植结构监测研究...     

无人机可见光遥感影像的农作物信息提取及验证

为实现无人机遥感农作物类别的快速识别提供参考,以贵定县马场河乡马长河村部分耕地遥感影像作为研究对象,采用无人机采集地面农作物遥感影像,分析农作物之间纹理和色彩特征差异,对农作物的类型及面积信息进行提取和检验,获取不同种类农作物的种植基本信息。结果表明:利用色彩纹理特征组合对大豆、水稻和玉米种植信息的提取结果误差分别为7. 01%、9. 71%和1. 75%,提取效果较好。可为农作物分类提取提供参考。     

基于随机森林法的农作物高光谱遥感识别

  目的  不同农作物种类光谱差异小,通过探测众多窄波段范围的细微差别,提取区分不同农作物的特征波段,是目前实现农作物高光谱遥感识别的重要途径。如何提取区分不同农作物的特征波段,进而实现农作物的精确识别是一个挑战。近来出现的随机森林方法在多变量目标的分类识别方法展现了优势,为解决这一难题提供了一个新手段。  方法  利用随机森林法与传统方法分析杭州地区8种典型农作物的反射光谱,提取特征波段并进行分类,对比不同方法的识别效果。  结果  不同作物的反射光谱及其一阶微分、二阶微分、倒数的对数、去包络线法所提取的特征波段只能区分部分作物;随机森林法无需对反射光谱预处理,直接对全波段反射光谱数据处理,不仅筛选出了区分不同作物的特征波段,且运用所选择的波段对作物进行随机森林分类的效果也是最优的。  结论  随机森林法选择的波段（550、2 490、370、770、560、380、540、530、570、350 nm）不仅能区分不同作物,还能反映农作物生化属性的不同,使得用于分类的波段及分类方法体现了不同作物间物化性质的不同,在展现高光谱遥感识别农作物优势的同时,也为大面积农作物遥感精细分类提供借鉴。     

极化SAR 农作物分类研究进展

【目的】农作物分类是农情遥感监测的重要环节。及时、准确地获取农作物类型、面 积及空间分布信息对加强农业生产管理、制定经济政策以及保障国家粮食安全具有重要意 义。【方法】文章从监测的农作物类型、使用的数据源、分类特征、算法及精度等方面系统 总结了近10 余年来农作物极化SAR 分类的研究进展,梳理归纳了农作物SAR 分类特征及 其提取方法,对比分析了各种极化SAR 分类方法的优缺点及适用条件,并总结了多源多时 相数据在极化SAR 农作物分类中的应用。【结果】利用极化SAR 数据进行作物分类的精度 逐步提高,但仍存在以下不足：早期极化SAR 监测的作物类型较为单一,以水稻为主,近 期虽涉及多种作物类型,但针对个别旱地作物的分类研究精度仍不高;针对农作物尤其是旱 地作物的散射机制研究明显不足,适合各种旱地作物的分类特征尚未明确与优选;农作物极 化SAR 分类算法以统计方法和机器学习算法为主,机理性和稳定性不强。【结论】农作物极 化SAR 分类未来的发展方向：（1）深入研究农作物散射机制,发展更具普适性的分类算法; （2）选取用于分类的关键时相、关键特征;（3）多源数据融合,充分发挥各自优势,提高分 类精度。