基于Landsat-8和Sentinel-2A多光谱影像的陆良县日光温室面积估算

【目的】选取云南省陆良县,开展基于Landsat-8 OLI和Sentinel-2A MSI影像的设施种植区域监测研究,及时为农业生产管理提供准确的设施农业空间信息。【方法】首先分析日光温室及其他典型地物的遥感特征,然后使用目视解译以及最小距离法、马氏距离法、最大似然法、支持向量机等4种监督分类方法提取设施种植空间信息,再使用亚米级Google earth历史影像为底图建立验证样区。通过目视解译提取样区设施种植区域信息,以此验证Landsat-8和Sentinel-2A影像的监测精度,选择最优监测方法。【结果】使用Landsat-8影像,基于目视解译及4种监督分类方法的精度依次为97. 54%、77. 31%、91. 35%、91. 89%和83. 15%;使用Sentinel-2A影像,基于目视解译及4种监督分类方法的精度依次98. 82%、80. 80%、87. 01%、93. 89%和85. 41%。【结论】①2种影像的日光温室监测均适于使用最大似然法,其估算精度与目视解译精度误差分别为5. 65%和4. 93%;②遥感监测显示,2016年陆良县日光温室主要集中于该县湖积平原区。基于Landsat-8影像监测的面积为5381. 62 hm2,基于Sentinel-2A影像监测的面积为5347. 84 hm2。     

基于GF-1影像的玉米识别方法研究

本研究选取新疆昌吉市为研究区,以基于GF-1影像的作物分类与玉米识别为目的,利用2015年的5景高空间和高时间分辨率的GF-1遥感影像,经对影像进行掩膜处理后,分别利用最大似然法、马氏距离法、最小距离法、平行六面体法、神经网络法和支持向量机法对昌吉市的作物进行分类与玉米识别。结果表明,昌吉市玉米识别的最佳方法为最大似然法,最佳月份为8月,总体分类精度为98.48%,Kappa系数可达到0.98,制图精度与用户精度分别为99.93%和97.72%。     

一年一季农作物遥感分类的时效性分析

【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。     

高分一号卫星影像监测水稻种植面积研究综述

简要介绍了高分一号卫星应用于农情遥感监测的优势和水稻种植面积遥感监测的原理,着重对遥感影像数据预处理、遥感影像分类方法与水稻面积提取技术等方面的研究进展进行了综述。高分一号卫星具有高空间分辨率和时间分辨率的特点,反映作物的光谱特征明显,适合选用为农情遥感监测的数据源;基于高分辨率卫星影像的水稻种植面积提取技术比较成熟;基于决策树、人工神经网络、专家知识、人工目视解译等分类提取方法应用前景广阔,但精度有待进一步提高。     

基于无人机DSM的小麦倒伏信息提取

[目的]通过计算小麦的绝对高度来监测小麦倒伏状况,基于无人机影像获取小麦倒伏面积及其分布,为快速进行农业灾害评估提供科学依据。[方法]对奇台县境内不同地形部位的小麦地块进行调查和研究,结合小麦高度的实测值构建倒伏模型,以无人机平台获取的DSM影像为数据源,通过DSM差减法得到小麦实际高度,选取3个典型倒伏地块,用构建的倒伏模型对研究区进行分类,用像元统计的方法提取倒伏面积并采用混淆矩阵的方法对模型的分类精度进行验证。[结果]倒伏主要发生在沙漠边缘、中部平原以及丘陵区的灌溉耕地,南部山区的旱耕地未发生倒伏;模型解译的总体分类精度均在83.33%以上,Kappa系数在0.75以上,表明用文中建立的倒伏模型对奇台县灌浆期小麦进行倒伏监测是可行的。[结论]利用无人机获取的DSM数据可以有效监测小麦倒伏信息。     

基于无人机高分辨率影像的农作物分类研究

农作物分类是精准农业中的重要技术之一.为探究多品类作物分类的有效方法,基于无人机高分辨率遥感影像,分别应用基于像元和面向对象分类方法建立了研究区内28类典型农作物分类模型,并采用总体精度、Kappa系数、用户精度、生产者精度对分析结果进行了评价.结果表明:基于像元的最小距离法、马氏距离法、最大似然法、神经网络法和支持向...     

基于基本竞争型神经网络的TM影像分类研究

【目的】针对传统遥感图像分类方法精度低的缺点,运用基本竞争型神经网络模型对TM影像进行分类研究。【方法】在考虑TM影像光谱信息和地表结构变化信息的基础上,应用经过基本竞争型神经网络训练后的分类器对TM影像进行分类研究,并与利用最大似然法的分类结果进行比较。【结果】研究区TM影像采用基本竞争型神经网络进行分类的总体分类精度和Kappa系数分别为89.1%和0.873,而采用最大似然法分别为70.6%和0.646,前者的分类精度明显高于后者。【结论】基本竞争型神经网络的分类结果明显优于最大似然法的分类结果。     

基于数码相机图像的水稻冠层识别方法

采用数码相机获取水稻冠层的图像,提取图像中红(R)、绿(G)、蓝(B)三通道的色值,依据水稻冠层在可见光范围内的光谱反射规律,设置3个简单的判断条件,以决策树的形式,逐步剔除图像中的非冠层部分,从而达到识别水稻冠层的目的。与人工目视解译的结果进行对比验证,该方法的冠层识别准确率为91.91%,分别比支持向量机方法、最大似然法和神经网络方法高1.56、5.56和15.65个百分点;合计准确率为90.58%,Kappa系数为0.79,其数值低于支持向量机方法(91.55%,0.81),但均高于最大似然法(89.35%,0.77)和神经网络方法(83.48%,0.66)。该方法识别精度较高,计算简便,显示出在水稻冠层识别上有较大的应用潜力。     

应用无人机多光谱遥感对栎类食叶虫害危害程度的监测

为了探讨无人机多光谱遥感在森林病虫害危害程度的监测效果，以河南省鲁山县王沟林区的栎类树种为研究对象，将栎类虫害危害程度分为4个等级(正常、轻度、中度、重度),按照危害等级设置样本点。使用4旋翼无人机(搭载5波段镜头)获取研究样地的多光谱遥感影像，在R 4.1.3平台进行方差分析，从不同等级样点的13个植被指数中筛选出差异显著的植被指数作为特征参数，分别采用最大似然法(MLC)、面向对象多尺度分割法(eCognition)、随机森林(RF)、支持向量机(SVM)构建分类模型并检验精度。结果表明：最大似然法、多尺度分割法、支持向量机、随机森林等分类方法的总体精度分别为77.0%、82.8%、86.2%、90.8%,Kappa系数分别为为0.693、0.770、0.816、0.877,随机森林模型分类效果最佳，能够满足对栎类虫害危害程度进行准确监测。     

基于Fisher判别的层次分类法的森林遥感影像分类

通过Fisher判别法得到的混淆矩阵计算分类评价指标构建层次分类树模型,提出了一种基于Fisher判别的遥感影像森林地类层次分类法。利用杭州市部分地区的森林资源清查样地数据和Landsat8遥感影像数据进行试验,并与最大似然分类、支持向量机和随机森林分类的结果进行比较。结果表明:基于Fisher判别的层次分类法总分类精度为79.45%,比最大似然分类、支持向量机和随机森林分别高了12.33%、21.00%和10.50%,kappa系数为0.756 8,比最大似然法、支持向量机和随机森林分别高了0.145 5、0.256 4和0.126 4;基于Fisher判别分析方法的层次分类法模型中,层次分类树的节点依次是建设用地—水体—农地—竹林—阔叶林—针叶林—针阔混交林;基于Fisher判别的层次分类法中一个模型只能分出一个类别。