利用MODIS-EVI时序数据对河南省土地覆盖进行分类

基于遥感的土地覆盖信息提取对农林业生产、环境监测具有直接的应用意义。该文选取河南省作为研究区域,利用2005年23个时相的MODIS EVI数据,结合农作物物候历、其他分类参考数据及河南省种植结构的相关文献,在对时序数据进行去云、平滑处理后,采用SVM（支持向量机）分类器,对河南省的土地覆盖进行分类。分类结果上,一方面参照2005年河南省农作物种植面积的统计数据得到面积精度,对大面积种植的农作物：小麦为81.47%、玉米94.87%、水稻82.43%;经济作物：油菜39.81%、大豆93.65%、棉花95.21%、花生74.27%;另一方面,参照2000年1：10万全国土地覆盖的分类数据,将2000年的对应数据和分类结果分别归并为：耕地、林地、草地、水体、建筑进行精度比较,结果表明总体识别精度为78.07%,Kappa系数为0.6556。从分类精度验证来看,表明MODIS植被指数时序数据及该文研究方法在农作物信息提取中的有效性。     

基于MODISNDVI多年时序数据的农作物种植识别

为了获取陕西省农作物种植模式和类型分布信息,实现对于多年农作物长势分析及精确的估产和耕地生产力的估算,该文以2003-2012年的MOD09Q1时间序列遥感数据集为数据源,以陕西省主要农作物冬小麦、夏玉米、春玉米、水稻和油菜为研究对象,利用Savitzky-Golay滤波方法重建NDVI长时间序列数据集,充分利用农作物的物候信息,构建农作物年际间动态阈值方法,实现了农作物种植模式和类型的识别。通过对混合像元进行分解,更精确地提取农作物种植面积信息。利用空间和定量2种方式对农作物类型识别结果进行分析验证,空间对比分析得到分类的总体精度和Kappa系数为88.18%和59.64%,定量对比分析得到分类的总体一致性为87.56%。研究结果表明,结合物候信息与时间序列数据利用该文的分类方法可以有效的识别大尺度农作物信息。     

基于支持向量机分类的遥感土壤盐渍化信息监测

遥感技术在大尺度土壤盐渍化检测方面有着宏观性、实时性、动态性等优势和广阔的应用前景,但是传统的遥感图像分类方法精度不高、分类效率较低和不确定性.提出了基于支持向量机(SupportVectorMachine,SVM)的分类方法,介绍了SVM算法的基本原理,通过支持向量机分类法与传统分类方法(最大似然法和最小距离法)在盐渍化信息提取结果上进行对比,表明基于SVM的遥感图像分类方法能够较好的检测土壤的盐渍化信息,分类总精度达到95.66%,比最大似然法和最小距离法分类精度(分别为91.54%和85.42%)更高,因此更适合于遥感图像分类和盐渍化信息检测.     

GEE平台下利用物候特征进行面向对象的水稻种植分布提取

为高效提取高精度水稻种植分布及其面积,该研究基于谷歌地球引擎（Google Earth Engine,GEE）平台,以辽宁省盘锦市为研究区,利用2020年Sentinel-2影像提取水稻生命周期内4个水稻物候期相应的光谱指数,利用简单非迭代聚类（Simple Non-Iterative Clustering,SNIC）算法来分割影像,灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）来计算纹理特征,结合支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）算法构建6种不同的模型进行水稻种植分布提取,并基于目视解译及实地调查数据,对比6种模型提取水稻的验证精度和实测精度,确定最优模型。结果表明：在水稻种植分布提取中,面向对象方法有助于提高水稻种植分布提取精度,且RF算法优于SVM算法。其中SNIC图像分割结合RF模型具有最高提取精度,总体精度和Kappa系数分别为96.83%、0.934,经实测数据验证,水稻实测精度为95.43%,可满足区域水稻种植分布和面积监测需求。     

基于GF-1影像NDVI年度间相关分析的冬小麦面积变化监测

为实现区域冬小麦种植面积变化的快速监测,减少监测难度,提高监测效率和精度,该文提出一种基于年际NDVI相关关系的监测方法(relationship analysis of normal difference vegetation index,rNDVI)。选择河北省黄骅市、孟村县、海兴县3个县市为研究区,基于2014年4月14日、2017年4月26日两个时期的GF-1/WFV数据,基于rNDVI方法,通过将样本点两年度的NDVI值构建二维空间,采用最小二乘法拟合的方法获得不变地物点的上下包络线方程,进而得到冬小麦变化区域的监测阈值,提取冬小麦种植增加和减少区域,实现对研究区域的变化监测。结果表明,采用rNDVI算法总体精度分别为90.60%,Kappa系数为0.84,相比传统的先最大似然分类后再提取冬小麦种植变化区域的方法,总体精度与Kappa系数分别提高了6.6个百分点和16.7%。对冬小麦增加区域、冬小麦减少区域的变化监测结果进行分析,发现基于rNDVI的变化监测方法可以有效提高裸地、线状道路、破碎的冬小麦地块等区域的变化识别能力,提高监测精度。同时分别利用2014年3月1日和2017年3月12日、2014年5月17日与2017年5月20日两对GF-1/WFV数据进行基于rNDVI的冬小麦变化区域监测,结果表明3月份的监测精度较低,主要是由于3月份冬小麦长势尚不明显,5月份与4月份的总体精度相近,主要是由于5月份冬小麦NDVI已较高,易于识别。上述研究结果表明,基于rNDVI的冬小麦变化快速监测方法可以有效监测区域冬小麦种植面积的变化情况,算法简单高效,且能够在种植结构相对单一的冬小麦分布区域保持较高精度,能够满足农情遥感监测信息快速获取的需要。     

基于遥感与多变量概率抽样调查的作物种植面积测量

针对传统抽样调查工作中调查基础资料时效性不高和野外调查工作量较大等问题,该文提出了一种遥感与MPPS(multivariate probability proportional to size)抽样调查相结合的农作物种植面积测量方法。利用第2次农业普查数据进行抽样框的编制;利用时序中分辨率遥感数据进行农作物种植面积的分类;在中分辨率遥感分类图的基础上进行MPPS抽样;采用高空间分辨率遥感数据对抽选样本进行面向对象的分类;根据MPPS抽样方法进行总体农作物种植面积的推断;计算CV值,评价抽样精度,以国家统计局公布数据为标准进行总体面积精度评价。以辽宁省北镇市为研究区对该方法进行了测试。结果显示,该方法能够有效的提取县级农作物种植面积,农作物种植面积提取精度优于92%。     

NDVI时序相似性对冬小麦种植面积总量控制的制图精度影响

遥感技术获取的区域作物面积与作物面积统计数据间常常存在不一致的问题,这在一定程度上影响了作物分布遥感制图信息的应用。为获得与作物面积统计数据一致的高精度作物分布遥感制图信息,该研究以河北省衡水市武邑县为研究区,以时序Sentinel-2遥感影像生成的归一化差值植被指数（Normalized Difference Vegetation Index, NDVI）为研究数据,将冬小麦面积目视解译数据作为遥感提取的区域冬小麦面积总量参考,提出基于复合型混合演化算法（Shuffled Complex Evolution-University of Arizona, SCE-UA）和区域作物种植面积总量控制的NDVI时序相似性阈值优化冬小麦分布制图方法,并进行精度验证。在此基础上,进一步开展不同生育阶段NDVI时序相似性及其相似性组合的冬小麦分布提取精度对比研究。结果表明,利用全生育期NDVI时序相似性获得的冬小麦分布制图结果总量精度达99.99%以上,总体精度达98.08%,Kappa系数为0.96,可以保证遥感提取的区域冬小麦面积与冬小麦种植面积总量控制参考间的高度一致性且能获得较高的作物遥感识别精度。从不同生育阶段NDVI时序相似性及其相似性组合的冬小麦分布提取结果可知,利用出苗期-分蘖期、返青期-拔节期的NDVI时序可获得高精度冬小麦分布提取结果,而利用抽穗期-成熟期的NDVI时序数据提取冬小麦结果则精度较低,且综合不同生育阶段NDVI时序数据有利于冬小麦制图精度的提高。该研究可为高精度冬小麦分布提取和制图技术及其方案优化提供一定参考依据,也可为遥感数据和作物面积统计数据融合的大范围农作物分布遥感制图及统计数据空间化提供一定技术方法参考和思路借鉴。     

基于相关向量机的冬小麦蚜虫遥感预测

蚜虫的流行严重影响了冬小麦的产量。区域尺度上及时准确的预报冬小麦蚜害发生范围能为蚜害的有效预防提供基础信息,从而降低冬小麦产量的损失。该研究利用多时相的环境星CCD光学数据和IRS热红外数据,分别提取了冬小麦的长势因子,比值植被指数(ratio vegetation index,RVI)和归一化植被指数(normalized difference vegetation index,NDVI),以及生境因子,地表温度(land surface temperature,LST)和垂直干旱指数(perpendicular drought index,PDI),利用相关向量机(relevance vector machine,RVM)、支持向量机(support vector machine,SVM)和逻辑回归(logistic regression,LR)方法建立了北京郊区冬小麦灌浆期蚜虫发生预测模型,并对比分析了3种模型预测精度。试验结果表明,RVM总体预测精度达到87.5%,优于SVM的79.2%和LR的75.0%。另外,RVM模型计算量较小,相比于SVM和LR模型,其预测时间可分别缩短7倍和60倍。较高预测精度和较小计算量的特性扩大了RVM在实际中的应用价值。     

基于高光谱信息融合和相关向量机的种蛋无损检测

为了尽可能早的检测出无精蛋和受精蛋,该文提出采用透射高光谱成像技术,融合图像和光谱信息,对其受精信息进行检测。利用高光谱图像系统采集孵化前种蛋在400~1 000 nm的高光谱图像,提取图像特征(长短轴之比、伸长度、圆度、蛋黄面积与整蛋面积之比);筛选出400~760 nm的波段,通过Normalize预处理结合相关系数法提取155个光谱特征变量;运用主成分分析法对图像和光谱的融合信息进行降维,采用相关向量机(relevance vector machine,RVM)分别建立基于图像、光谱和图像-光谱融合信息的受精蛋和无精蛋分类判别模型,并与支持向量机(support vector machine,SVM)模型进行比较,RVM模型检测正确率分别为90%,91%,96%;测试集检测时间分别为0.6619,1.0821,0.5016 s。SVM模型检测正确率分别为84%,90%,93%;测试集检测时间分别为5.9386,5.9886,5.6672 s。结果表明,基于图像-光谱融合所建立的模型优于单一信息的模型,在分类精度上,采用RVM分类精度高于SVM的分类精度;在分类时间上,RVM的分类时间比SVM短,因此,利用高光谱融合信息和相关向量机可以提高种蛋检测精度,研究结果为孵前无精蛋和受精蛋的在线实时检测提供参考。     

基于Relief F和PSO混合特征选择的面向对象土地利用分类

针对面向对象土地利用分类存在特征维数过高的问题,提出了一种结合Relief F和粒子群优化算法(particle swarm optimization,PSO)的混合特征选择方法,即首先利用Relief F作为特征预选器滤除相关性小的特征,然后以PSO作为搜索算法,以支持向量机(support vector machine,SVM)的分类精度作为评估函数在剩余特征中选择出最优特征子集。该文以吉林省长春市部分区域为研究区,采用Landsat8遥感影像为数据源,首先对其进行多尺度分割,然后提取影像对象的光谱、纹理、形状和空间关系特征,利用提出的混合特征选择方法选取最优特征子集,最后使用SVM分类器对研究区进行土地利用分类,总体分类精度和Kappa系数分别为85.88%和0.8036,与基于4种其他特征选择方法的土地利用分类结果进行比较,基于Relief F和PSO的混合特征选择方法利用最少的特征获得最高的分类精度,能够有效地用于面向对象土地利用分类。     

基于变化向量分析的冬小麦长势变化监测研究

现有的农作物长势遥感监测的基本思路是利用NDVI曲线形态变化与作物苗情变化的响应关系,提取特征参数,推测作物的生长发育状况.但由于表征NDVI时间序列曲线的特征参数较多,难以对所有特征参数进行全面变化分析.本研究引进变化向量分析理论,以东部五省冬小麦为研究对象,以1999-2005年SPOT-VGT的旬最大合成NDVI数据为主要数据源,采用Savizky-Golay滤波器重构NDVI时间序列,进而构建基于变化向量分析的长势监测模型,分别对研究区的年际与年内长势变化进行时间和空间上的定量分析.研究表明,变化向量分析方法能有效地从空间域和时间域反映东部五省冬小麦长势变化规律,以单一综合性指标综合了NDVI时间序列曲线的大多数特征参数,为农作物长势遥感监测提供了一种新的研究思路.     

冬小麦冻害灾情及长势恢复的变化向量分析

大尺度监测冬小麦冻害灾情,需要结合受冻后长势监测,以提高冻害监测精度。鉴于温度并非唯一冻害因子,且归一化植被指数（NDVI）易高估封垄前冬小麦覆盖度,该文引入基于多时相植被指数的变化向量分析法,进行冬小麦冻害灾情及受灾后长势监测研究。选取河北藁城2010年冬小麦冻害作为研究对象,利用多时相环境小卫星数据提取多种植被指数,构建变化向量并分析其动态变化趋势,结合冬小麦冻害光谱特征敏感性分析,建立冻害灾情遥感监测模型,并展开长势恢复程度监测。结果表明,变化向量分析法能有效地反映冬小麦受冻和长势恢复程度及空间分布,在基于多种植被指数建立的变化向量监测模型中,基于光谱结构不敏感指数SIPI建立的模型较精度最高,其冻害监测及长势恢复监测模型精度分别达83.3%、88.9%。因此,变化向量分析法能有效地监测冬小麦冻害灾情与灾后长势恢复情况,同时对其他作物灾害监测提供了途径。     

地块破碎度对软硬变化检测法识别冬小麦分布精度的影响

软硬变化检测作物识别(soft and hard change detection,SHCD)是一种新型的作物识别方法。该研究针对不同耕地地块破碎程度的农业景观地区进行SHCD冬小麦识别,分析地块破碎程度对SHCD冬小麦识别精度的影响。试验结果表明,在种植地块破碎试验区,SHCD的RMSE对分辨率不敏感,均小于0.15,bias也比较小,R2随着检测窗口的增加,相关性逐步升高,达到98%以上。在种植地块规整试验地区,亦能够得到相同试验结论。SHCD方法综合了硬变化(hard change detection,HCD)和软变化(soft change detection,SCD)各自的优势,能够达到稳定且较高的识别精度,不受影像分辨率的影响;有效地解决了SCD在硬变化区(纯净像元)受到光谱不稳定性和HCD在软变化区(混合像元)识别为"0-1"排他性结果的不足,保证了冬小麦的识别精度,为大范围进行冬小麦识别以及其他作物的变化检测识别提供前期的试验基础。     

基于NDVI加权指数的冬小麦种植面积遥感监测

该文针对农业信息服务中冬小麦种植面积调查业务的现状与需求,提出了一种基于NDVI（normal difference vegetation index）时间序列的冬小麦NDVI加权指数（WNDVI,weighted NDVI index）影像算法,可在训练样本、验证样本选择的基础上实现冬小麦面积的自动提取,并以河北省安平县及周边地区2013－2014年度冬小麦面积提取为例,采用GF-1/WFV（wide field view）数据进行了算法实现。算法的主要思路是在时序影像基础上,通过冬小麦NDVI加权指数影像的构建,扩大冬小麦地类与其他地类的差异,结合自适应的阈值获取方法,区分冬小麦地类,获取冬小麦作物面积。算法包括冬小麦时间序列影像的获取、基于网格的样本点设置、构建冬小麦 NDVI 加权指数影像、迭代确定冬小麦NDVI加权指数提取阈值、精度验证这5个部分。影像的获取根据冬小麦的生长时间确定,保证每月1景GF-1/WFV无云影像,并进行预处理及NDVI计算;同时将研究区划分为一定数量的网格,每个网格再等分为2×2个子网格,根据目视解译、专家知识、实地调查等方法,确定左上网格中心点及右下网格中心点的地物类型。统计该期所有左上网格点冬小麦及其他地物的NDVI均值,冬小麦NDVI大于其他地物的将该期影像的权值设置为1,否则设置为?1,将所有时相NDVI影像进行加权平均,即可获取冬小麦NDVI加权指数影像。获取冬小麦NDVI加权指数影像后,还需设置合适的阈值提取冬小麦。该文选用右下网格点目视解译分类结果作为阈值提取依据,具体方法是将冬小麦指数从小到大按照一定间隔划分,作为冬小麦 NDVI 加权指数提取阈值,将各阈值二值法运用,与右下网格点的冬小麦提取的目视解译结果对比,精度最高的就是最优冬小麦 NDVI 加权指数分割阈值。在所有网格中,以初始识别获取的冬小麦面积为准,等概率选择10个样方作为精度验证样方进行验证。精度验证结果表明分类总体精度达到94.4%,Kappa系数达0.88。该文通过构建冬小麦NDVI加权指数,将比较复杂的多个参数转换为一个参数,并且农学意义明确,相比传统的NDVI时序影像进行冬小麦面积的提取,具有自动化程度高、面积提取精度高、分类结果稳定的特点,已经在全国农作物面积遥感监测业务中进行了应用。     

基于像元物候曲线匹配的生长季内河北省冬小麦空间分布识别

及时、准确的农作物空间分布信息是进行作物长势监测、灾害评估与产量估计的基础。传统方法一般在作物收获期前后进行作物的识别,时间上滞后,难以满足农业生产的应用,时空泛化能力差,模型复用程度低。该研究以历史知识为支撑,提出冬小麦像元匹配模型（Pixel-Matched Model,PMM）进行冬小麦空间分布提取,旨在生长季内实现冬小麦空间分布的快速提取。研究结果表明,PMM能充分利用作物物候特征变化,排除冬小麦种植物候空间异质性的影响,能够在播种后2个月内实现冬小麦的准确提取,总体精度达到了95.49%,F1分数为0.83,且不随物候曲线的延伸而大幅提高精度。与传统参考曲线模型（Reference Curve Model,RCM）相比,PMM在消除区域内冬小麦生长物候差异方面具有优势,可在年际间实现冬小麦的准确识别,具有较强的时间泛化能力,能够实现冬小麦的自动化识别。     

基于HJ卫星CCD数据的冬小麦病虫害面积监测

遥感在农作物病虫害监测中广泛采用的简单植被指数阈值法难以判别冬小麦的健康状况。该研究选择二值逻辑回归法,分别建立实测光谱得到的植被指数与其健康状况之间的关系模型。结果表明,重归一化植被指数RDVI模型和三角植被指数TVI模型可信度较好。考虑到遥感监测冬小麦病虫害时,涉及的地域范围广,冬小麦生长状况存在明显的局域差异,采用了3×3邻域像元的一致性假设消除局部环境差异。将模型应用到中国新近发射的环境与灾害监测预报小卫星星座HJ-CCD传感器数据,得到提取的冬小麦受病虫害胁迫范围与枣阳市植保站普查结果相符,也与地面实测结果相一致,其中,TVI模型结果的精度达到76.47%,能够满足农作物病虫害面积遥感监测要求。     

基于地块尺度多时相遥感影像的冬小麦种植面积提取

针对仅利用单一遥感影像数据获取农作物信息精度不够问题,该文选择冬小麦主产地河南省兰考县乡镇作为研究区,以2017年多时相中分辨率Landsat8 OLI影像和Google earth上下载的亚米级高分影像为遥感数据源,结合光谱差异和农田地块信息实现冬小麦的精确提取。该算法首先构建不同时相决策树模型,分别实现2个时相的冬小麦区域初步提取;其次通过将对高分影像多尺度分割产生的地块信息分别与2个时相冬小麦播种面积初步区域相互叠加,完成地块单元控制下的冬小麦播种面积分地块统计,并通过设定不同统计阈值,分析落在每一地块单元下的冬小麦区域,生成基于地块单元的冬小麦播种面积分布图;最后通过多时相交叉验证,获取最终冬小麦播种区域。结果表明：该方法能更加准确提取冬小麦种植面积,保持较低的误判率（1.3%）水平下,得到较高的提取正确率（95.9%）,较通过对比单一Google earth高分辨率影像获取冬小麦精度（85.6%）高,该研究对通过融合多源多时相影像数据获取农作物提供参考。     

基于支持向量机模型和图像处理技术的甜椒叶面积测定

叶片是作物进行光合作用的重要器官,是研究作物对光能吸收的一个主要的生物学指标。应用支持向量机理论,建立了支持向量机叶面积模型,输入参数为叶片长度、叶片最大宽度,输出参数为叶面积。通过对应用计算机图像处理技术测量所得到的样本数据进行训练,以叶片的长度、宽度作为输入参数对叶面积进行模拟及检验,并将模拟结果与线性回归和人工神经网络模型进行了对比。结果表明,支持向量机叶面积模型的最大误差为6.09%,平均误差为2.73%,模拟精度达到0.996。该方法能较真实地反映甜椒叶面积的实际大小,具有较好的实用价值和应用前景。