基于环境卫星影像的水稻种植面积提取方法研究

以环境卫星为数据源对泰兴市水稻面积进行提取,选择水稻与其他作物光谱差别最大的时期作为水稻识别的最佳时期,在利用影像原始光谱信息的基础上,分析和提取多种分类特征,运用支持向量机法、CART决策树法和最大似然法进行分类,提取水稻面积。结果表明支持向量机的分类精度最高,总体精度为80.38%,Kappa系数为0.74。说明当样本量较少时,支持向量机可以更好地利用多源信息,具有更高的分类精度。     

基于中巴资源卫星数据的水稻种植面积监测——以梁平县为例

以Landsat TM影像数据为参照标准, 中巴卫星CBRES CCD影像为基础数据, 并结合土地利用现状图与实地考查资料, 综合应用了RS和GIS技术手段, 对重庆市梁平县进行地物分类和水稻种植面积提取, 获得的研究区水稻种植信息与TM数据提取的结果相比较, 精度达到92.37%. 通过试验研究得到以下初步结论: (1) 利用CBRES-02 CCD数据提取研究区的水稻种植面积可以得到比较满意的效果. (2) 水稻识别精度受到海拔高度与地形因素的影响, 海拔越低, 地势越平坦, 水稻分布越集中, 水稻识别精度越高; 海拔越高, 地形条件越复杂, 地块越破碎, 水稻识别的精度越低.     

RapidEye卫星数据在水稻种植面积遥感调查中的应用研究——以桂平市晚稻为例

本研究在以桂平市RapidEye卫星影像为例,深入探讨RapidEye卫星影像南方地区水稻种植面积遥感调查的可行性。从RapidEye图像的几何纠正精度、图像合成处理、遥感解译标志和调查结果看,采用RapidEye图像调查的精度和实效性高,可以满足南方地区水稻种植面积遥感调查的需要。     

RapidEye卫星数据在水稻种植面积遥感调查中的应用研究——以桂平市晚稻为例

本研究在以桂平市RapidEye卫星影像为例,深入探讨RapidEye卫星影像南方地区水稻种植面积遥感调查的可行性。从RapidEye图像的几何纠正精度、图像合成处理、遥感解译标志和调查结果看,采用RapidEye图像调查的精度和实效性高,可以满足南方地区水稻种植面积遥感调查的需要。     

利用SPOT4与SPOT5卫星数据目视解译黑龙江省水稻种植面积精度的对比分析

以黑龙江省桦川县水稻种植集中区域为示范区,选择8 km×8 km为试验样区,分别利用SPOT4（20 m）、SPOT5（10 m）数据对水稻播种面积进行人工目视解译,并结合地面实际测量获得道路、林带、沟渠等线状地物,最后利用GIS软件对数据进行综合分析,分别求得2种数据源的水稻提取结果,以Quick-Bird（0.61 m）的解译成果为真值进行对比分析。结果表明：工作区内SPOT4（20 m）与SPOT5（10 m）数据源解译数据误差在1.20%,在黑龙江省利用SPOT4（20 m）数据人工目视解译水稻种植面积与SPOT5（10 m）的数据精度相差不大,在实际水稻种植面积提取中可以利用SPOT4（20 m）数据代替SPOT5（10 m）数据。     

基于CBERS-02B卫星影像光谱信息的水稻种植面积提取方法——以南京市溧水县为例

利用水稻成熟期的影像,在进行光谱信息的统计和分析的基础上,对比水稻与其他植被在各波段DN(digital number)值以及NDVI(normalized difference vegetable index)值的数值差异,总结出水稻与其他植被反射光谱特征,认为成熟期的水稻在红光、绿光、蓝光波段DN值以及NDVI值上具有异于其他植被的特征,并通过波段运算扩大其数值差异,建立水稻像元提取模型,确定阈值,从而进行水稻种植面积的提取,精度可达91.95%。该方法能满足小区域的水稻种植面积提取和制图,并能够满足一定的精度要求。     

基于多源数据的水稻种植面积提取

引入水稻关键期提取和变化向量分析方法,以江苏省海安县水稻为研究对象,以MODIS数据和环境小卫星数据为主要数据源,分析了2009年水稻物候期内的规律,并根据该指示选择合适的中分辨率数据进行变化向量分析。研究表明,该方法可以有效地反映耕地地块内水稻像元的变化规律,且基于物候关键期内的时相选择可以提高水稻种植面积识别精度。     

基于遥感影像的棉花种植面积提取方法研究

利用ERDAS IMAGINE 9.2遥感图像处理软件,设计了一种基于遥感影像的棉花种植面积提取方法。通过实地调查,该方法适用于大范围棉花种植的面积估算。     

面向对象方法在SPOT5影像土地分类中的应用——以京杭大运河南旺地区为例

结合京杭大运河山东地区SPOT全色和多光谱融合后的遥感数据,应用面向对象分类法对其进行地物分类,并和传统的基于像元的分类方法进行结果对比分析。结果表明,该方法速度快、精度高、效果好,可以满足对京杭大运河保护规划监测的需求。     

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...