基于Sentinel-2破碎化地块灌区作物种植结构的提取

【目的】探究基于Sentinel-2遥感影像的决策树分类模型提取破碎化地块灌区作物种植结构的适用性。【方法】选取新疆阿拉沟灌区为研究区,以2021年覆盖作物全生育期的Sentinel-2遥感影像为数据源,结合田间调查和Google高清影像目视解译采样,基于主要作物物候信息、NDVI时序特征等分析确定作物识别的关键期阈值,构建决策树模型进行灌区主要作物分类,并对分类结果精度验证。【结果】基于Sentinel-2提取的灌区种植结构分布图地块纹理清晰,能够满足灌区用水管理需要;构建的决策树分类模型可在灌区尺度实现作物分类,方法简便易行,总体精度达到81.56%,Kappa系数为0.716 6。【结论】采用Sentinel-2遥感影像和决策树分类方法识别破碎化地块灌区复杂作物分类是可行的,可为灌区输配水决策和农业用水精细化管理提供基础信息。     

基于遥感的宝鸡峡灌区作物面积信息提取

灌区中不同作物的种植面积是分配灌溉用水的重要依据,遥感方法不仅可以提取各作物种植面积,而且可以获取其空间分布情况。基于2009年Landsat5-TM影像,综合分析宝鸡峡灌区农作物种植特点和光谱特征,运用决策树分类法获取灌区各作物面积。并由地面实际调查数据和高分辨率影像对分类精度进行评价,各地物精度均达85%以上。结果表明该方法适合灌区的作物分类。     

基于决策树和SVM的Sentinel-2A影像作物提取方法

以河南省濮阳县为研究区,以2017年8月6日遥感影像为基础数据源,基于地面样方和样本点数据分析构建植被指数阈值分割分类决策树,结合支持向量机(Support vector machine,SVM)分类方法实现了秋季主要作物种植面积遥感识别,并与其他方法分类结果进行了精度验证与对比。结果表明,与最大似然法(Maximum likelihood,ML)和SVM法相比较,决策树和SVM相结合能较好地解决线状地物和小地块作物提取不全以及"椒盐"现象等问题,可以对秋季复杂作物进行有效识别,作物分类提取总体精度和Kappa系数分别为92.3%和0.886。利用中分辨率单时相遥感影像,结合波谱特征和植被指数能有效提高复杂作物分类精度,为区域复杂作物分类提取提供技术参考和借鉴价值。     

基于决策树和SVM的Sentinel-2A影像作物提取方法

以河南省濮阳县为研究区,2017年8月6日遥感影像为基础数据源,基于地面样方和样本点数据分析构建植被指数阈值分割分类决策树,结合支持向量机(Support vector machine,SVM)分类方法实现了秋季主要作物种植面积遥感识别,并与其他方法分类结果进行了精度验证与对比。结果表明,与最大似然法(Maximum likelihood,ML)和SVM法相比较,决策树和SVM相结合能较好地解决线状地物和小地块作物提取不全以及“椒盐”现象等问题,可以对秋季复杂作物进行有效识别,总体精度和Kappa系数分别为92.3%和0.886。利用中分辨率单时相遥感影像,结合波谱特征和植被指数能有效提高复杂作物分类精度,为区域复杂作物分类提取提供技术参考和借鉴价值。     

基于Sentinel-2的青铜峡灌区春小麦和苜蓿早期识别

【目的】基于决策树分类算法对青铜峡灌区春小麦和苜蓿进行早期识别。【方法】在实地调研的基础上,结合Sentinel-2遥感影像,构建能够不断融入遥感数据的决策树分类算法,对青铜峡灌区春小麦和苜蓿进行早期识别。【结果】4月上旬,由于春小麦和苜蓿生长特征较为相似,春小麦和苜蓿的总体分类精度分别为69%和75%。此后,随着观测数据的不断融入,分类精度逐步提升,5月14日二者的分类精度即可达到90%以上。5月31日利用全部5期卫星影像数据时,春小麦的总体精度可达到94%,Kappa系数为0.75,苜蓿的总体精度可达到97%,Kappa为0.86。2023年青铜峡灌区春小麦种植面积为24 000 hm²,苜蓿种植面积为2 000 hm²。其中,春小麦种植结构较为复杂,既存在集中连片的大规模种植,也存在大量面积较小的碎片化种植带。【结论】基于Sentinel-2遥感数据的决策树分类方法,可在4月上旬获取初步分类结果,在5月中旬苜蓿第1次收割之前对青铜峡灌区春小麦和苜蓿进行较为准确的识别。     

基于无人机遥感与面向对象法的田间渠系分布信息提取

针对目前农田灌排系统识别研究中遥感影像分辨率不足,难以提取田间毛渠且对无水或少水灌排沟渠识别不足等问题,以内蒙古河套灌区磴口县坝塄村为研究区域,利用固定翼无人机搭载520~920 nm多光谱相机进行航拍试验,采用基于面向对象法的特征组合分层分类的提取方法对获取的高分辨率单幅多光谱影像数据进行解译,采用分割阈值为65、合并阈值为90的遥感影像最佳分割参数。利用含水田间毛渠和无水、少水田间毛渠在光谱、几何、空间关系等特征参量中表现出的与其它地物的特异性,建立不同分类层次的规则提取田间毛渠分布信息。提取结果表明,由于水体对近红外波段光谱的强烈吸收,含水毛渠提取效果很好,精度达到97.8%;无水、少水田间毛渠提取精度为75.7%。无人机遥感技术和面向对象法的特征组合分层分类方法为灌区田间渠系识别提供了一种新途径。     

基于高分辨率影像的河套灌区乡镇尺度作物种植面积监测北大核心CSCD

【目的】有效、精确地获取乡镇尺度农作物种植面积信息。【方法】利用高精度遥感影像信息,采用最大似然法进行地物分类,对研究区主要农作物种植面积进行了估算,并通过地面抽样调查信息作为辅助参量进行了精度评价。【结果】采用高精度遥感图像结合最大似然法可以有效、精确地提取乡镇尺度农作物种植面积,玉米和葵花的用户精度均高于91%,在遥感影像受天气影响较小的2013年和2015年,各用户精度达到95%左右,Kappa系数达到0.94。研究区玉米的种植面积逐年扩大,而葵花的种植面积逐年缩小。同时由于农田改造,使得非种植区的面积有一定程度的减少。【结论】高分辨率卫星图像能帮助农民和政府低成本地估算农作物种植面积,进而调整耕地,优化种植结构。     

基于MODIS-EVI的内蒙古沿黄平原区作物种植结构分析

【目的】获取内蒙古沿黄平原区农业资源信息,提高大区域中低分辨率遥感影像上作物种植结构分类的效率和精度。【方法】利用多时相作物分类方法在内蒙古沿黄平原区构建增强型植被指数(EVI)时间序列曲线,依据不同农作物EVI时间序列曲线的差异对6种主要农作物小麦、玉米、葵花、西葫芦、番茄和苜蓿的种植结构进行了分析。【结果】小麦、玉米、葵花、西葫芦、番茄、苜蓿和其他作物的用户精度分别为:79.59%、80%、83.67%、78.18%、75.93%、82.22%、68.75%,制图精度分别为78%、80%、82%、86%、82%、74%、66%,农作物总体分类精度达到78.29%,Kappa系数为0.747。经统计沿黄灌区种植的玉米实地统计面积合计为7912.17 km²,文中提取出的面积为7412.75 km²,相对误差为6.31%。【结论】通过对MODIS-EVI时间序列的分析可以较为准确地识别大尺度测区内的主要作物,该方法能够在大区域中低分辨率影像上实现较好的分类结果。     

基于高分辨率影像的河套灌区乡镇尺度作物种植面积监测

【目的】有效、精确地获取乡镇尺度农作物种植面积信息。【方法】利用高精度遥感影像信息,采用最大似然法进行地物分类,对研究区主要农作物种植面积进行了估算,并通过地面抽样调查信息作为辅助参量进行了精度评价。【结果】采用高精度遥感图像结合最大似然法可以有效、精确地提取乡镇尺度农作物种植面积,玉米和葵花的用户精度均高于91%,在遥感影像受天气影响较小的2013年和2015年,各用户精度达到95%左右,Kappa系数达到0.94。研究区玉米的种植面积逐年扩大,而葵花的种植面积逐年缩小。同时由于农田改造,使得非种植区的面积有一定程度的减少。【结论】高分辨率卫星图像能帮助农民和政府低成本地估算农作物种植面积,进而调整耕地,优化种植结构。     

三屯河灌区水利信息化的应用研究

以昌吉三屯河灌区为研究区域, 利用ArcGIS的水文分析模块对GDEMV3 30M 分辨率数字高程数据进行河网水系的提取, 从而得出水流方向、汇流累计量、分级河网、子流域边界等河网信息,利用AIearth深度学习算法对Sentinel-1 SAR GRD遥感影像进行水体分类提取;不同于用ENVI遥感影像处理软件对研究区影像进行地物识别分类的传统操作,本研究更倾向于通过AIearth使用监督分类算法对Sentinel-2 L2A影像数据进行地物分类,进而绘制出渠系一张图,清晰生动的展现研究区域复杂的水系结构,对GDEMV3 30M 分辨率数字高程数据、野外采样点数据、天地图所选区域0.862m/像素,672瓦片数量的17级Tiff数据进行处理制作采样点的渠系地形三维图,从立体的角度深入探索了水系地貌的特征,为研究提供更全面的视角,并探讨在实验过程中遇到的难点及解决办法。