基于GF-1影像的冬小麦面积提取及年际变化动态监测

为探讨国产高分一号(GF-1)卫星影像在作物面积提取中的适用性,以冬小麦主产区山东省菏泽市为研究区域,利用GF-1卫星携带的多光谱宽幅相机(WFV)16米遥感影像为主要数据源,以菏泽市土地利用类型和野外地面调查数据作为辅助,采用决策树分类法和监督分类—最大似然分类法相结合的方法,通过分区解译方式,分别提取出菏泽市2014和2015年冬小麦种植面积和分布区域,并利用地面样方数据对分类结果进行精度验证,同时开展年际变化动态监测分析。结果表明:以GF-1/WFV 16米影像为主要数据源,将多源信息引入决策树和监督分类模型,进行种植结构复杂地区冬小麦种植面积遥感估算的方法是可行的。GF-1/WFV 16米影像在作物面积遥感监测业务运行中具有较大的开发应用潜力。2014和2015年菏泽市冬小麦位置提取精度分别达到96.5%和96.7%,面积总量提取精度分别达到96.8%和95.0%;遥感提取的两年冬小麦种植面积均略小于官方提供的统计数据,但两者呈现出的变化趋势一致,即菏泽市两年间的冬小麦种植面积呈减少趋势。     

基于吉林一号的梨树县主要农作物提取研究

本文旨在充分利用吉林一号系列卫星数据的高分辨率特征和农作物不同生长期表现出来的不同光谱特征,选择一种合适的分类方法实现梨树县主要农作物的精准分类。通过建立农作物分类样本库,联合像元谱段信息与空间结构特征,以第三次全国国土调查数据为基准,利用多层感知卷积神经网络对吉林一号多源多时相影像进行农作物分类,获取精细化的梨树县玉米、水稻、大豆和其它作物的分类产品。经过精度验证表明,梨树县2022年主要农作物遥感监测成果总体精度为96.00%;玉米、水稻、大豆和其它作物的生产者精度均大于90%;玉米、水稻和其它作物的用户精度大于90%,大豆用户精度小于90%,主要是由于大豆与其它作物(花生)易发生混分造成。通过综合利用吉林一号多光谱数据与亚米级高分辨率数据,实现了精准的农作物品种分类。经过对比分析,利用亚米级高分辨率数据可以很好的区分玉米、水稻和其它作物,但是大豆影像特征与其它作物(花生)类似,单独运用亚米级高分辨率数据无法区分大豆与花生,要结合具有短波红外波段的吉林一号多光谱数据,可较好地区分大豆与花生,但其精度受到一定影响。     

HJ-1号卫星数据与统计抽样相结合的冬小麦区域面积估算

【目的】探讨利用HJ-1号卫星遥感数据进行冬小麦种植面积测量的可行性,并进一步结合统计抽样的方法,估算区域冬小麦种植面积,解决单靠遥感进行冬小麦种植面积测量时多期影像信息误差积累和生长差异性影响的问题。【方法】以北京市为研究区,采用多时相HJ-1号卫星遥感数据与分层抽样相结合的方法进行冬小麦种植面积测量:利用多时相HJ-1号卫星遥感数据获取冬小麦遥感识别结果(56506.67hm2),结合耕地地块数据建立入样总体,以耕地地块内冬小麦遥感识别面积作为分层标志进行分层随机抽样,反推得到北京市冬小麦面积总量(59680hm2)。【结果】多时相冬小麦遥感识别结果MAE为0.17,bias为-0.05,抽样反推区域总量面积提高了约5%,在一定程度上纠正了HJ-1号卫星多期遥感影像提取冬小麦区域面积偏低的问题。【结论】本文方法能够准确测量出区域冬小麦总量面积,具有较强的应用性和普适性,为采用HJ-1号卫星遥感数据进行农作物种植面积遥感测量进行了先期的方法探讨,深化了该遥感数据源的应用。     

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CBERS-02卫星遥感图像的棉花光谱识别模型的建立

新疆南疆地区是中国重要的棉花产区,准确及时地获取棉区播种面积及长势状况对于棉花生产与管理有重要的意义。本研究以2005年7月10日中巴资源卫星CBERS-02卫星CCD1-4波段遥感图像为数据源,分析了阿拉尔垦区棉花、果园、草地、居民地、盐碱地及水库6种典型地物的光谱特征,建立了遥感解译标志。以CBERS-02卫星CCD1-4图像DN值及NDVI值组合为条件构成判断表达式,从而建立了棉花遥感光谱识别模型,并采用ERDAS遥感图像处理软件的空间建模方法提取了棉花面积及分布信息。     

基于MODIS EVI时序数据的冬小麦种植面积提取

基于MODIS EVI构建的时间序列谱,结合冬小麦生育期形态变化特征,提取了河南省冬小麦种植面积.结果表明,冬小麦在EVI特征空间中具有独特的序列谱相特征,返青期后冬小麦整体EVI表现为逐渐升高,EVI在开花期后下降,灌浆后期快速降低;采用决策树分类方法实现冬小麦分离提取,整个河南省冬小麦识别面积与官方统计面积仅相差482.00×103 hm2,精度达到90.88％;EVI时间序列谱反映的作物生长过程的生理意义明确,采用MODIS EVI时间序列谱的遥感分类方法可以较好地实现冬小麦的遥感分类提取,满足冬小麦的长势监测和遥感估产的需要.     

基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取

遥感技术能够获取大区域下冬小麦的空间分布，为冬小麦估产提供良好基础。基于2020年5月4日的高分2号多光谱卫星影像，构建包含光谱特征和植被指数的数据集，并通过改进UPerNet模型的上采样结构、激活函数以及增加注意力模块来优化模型提取冬小麦效果。选取杨凌示范区2块地物类型丰富地区作为研究区域，以此探究方法的可行性；然后基于最优方法，提取杨凌区冬小麦种植区域。研究区域结果表明，与仅使用光谱信息作为模型输入特征相比，基于多光谱和植被指数的分类效果更好。在融合光谱特征和植被指数的数据集上，改进的UPerNet模型分类精度最高，冬小麦提取精度为97.78%,总体分类精度相比于改进前的UPerNet提升了2.49%,对比DeepLab V3+提升了3.48%。基于改进方法，实现了杨凌示范区的冬小麦种植区提取；通过实地调查以及对比统计年鉴数据的方式，验证了杨凌示范区冬小麦空间分布与实际情况基本一致。改进后的UPerNet模型能够有效区分遥感数据中的地物类别，提升冬小麦种植区域提取精度，也为基于卫星影像获取冬小麦空间分布提供了技术支持。     

2009年江苏省冬小麦和水稻种植面积信息遥感提取及长势监测

以中国农业遥感监测系统(CHARMS)大尺度业务运行作物长势监测需求为实际驱动力,进行基于遥感影像全覆盖的大尺度农作物类型遥感综合自动识别的方法研究,通过分析2009年江苏地区冬小麦和水稻的种植结构、物候历特征及其生物学特性和时序NDVI曲线特征,确定冬小麦和水稻信息提取的NDVI阈值,建立不同作物面积提取模型,并最终获取了2009年CHARMS中江苏冬小麦和水稻长势监测所需的作物空间分布,并与多年平均统计数据比较,总体精度分别达到了78%和85%以上,基本可以满足农情业务化需要.其次,基于面积识别的结果,利用目前长势监测中应用最广泛的归一化植被指数NDVI对江苏2009年冬小麦和水稻长势进行监测,并用差值模型,与近5年长势的平均状况进行对比研究.结果表明,2009年江苏冬小麦和水稻长势均呈现"前期较好,中期变差,后期恢复"的趋势;空间分布上,淮北和苏中地区冬小麦全年长势较多年平均稍差,而水稻长势较差的地区主要分布在苏南地区.     

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。     

近20年华北粮食主产区冬小麦种植面积遥感快速提取研究

【目的 】基于遥感数据,研究快速提取华北粮食主产区近20年（2001—2020年）冬小麦种植面积的方法,生成准确的长时间序列冬小麦面积遥感产品,为政府决策机构和科研单位的工作提供数据支持。【方法 】文章基于经过滤波重构的MODIS植被指数产品,分析了研究区不同纬度下冬小麦在整个生长季中的时序特征,考虑到不同区域冬小麦物候差异,提出了一种关键生长季时序NDVI曲线匹配的方法,在无样本的条件下,快速提取冬小麦面积。通过使用统计年鉴进行面积验证,并结合目视解译的样本和高分辨率数据哨兵2号提取的结果,计算混淆矩阵并进行精度评价。【结果 】与2001—2018年的统计年鉴数据对比,平均相对误差为16.1%;与目视解译和哨兵2号分类结果中的6 459个采样点的精度评价相比,总体精度达到87.4%,kappa系数为0.61。【结论 】根据冬小麦的物候特征,通过提取NDVI的时序特征并采用时序NDVI曲线匹配算法,可以快速准确地提取华北粮食主产区冬小麦的种植面积和分布情况。