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。     

基于面向对象分类法的农田识别提取

【目的】利用中低分辨率遥感影像,精确获取县域尺度的农田分类结果,提供一定的方法参考。【方法】兹以中等分辨率的Landsat8 OLI遥感影像数据为数据源,采用面向对象的CART决策树分类法,对垫江县的农田进行了识别与提取,并与基于像元提取的最大似然法分类结果进行精度对比。【结果】(1)与最大似然分类法相比,CART决策树分类法的精度更高,总体精度和Kappa系数分别达到88.8%和0.85,对于旱地和水田的制图精度高达90%以上;(2)在分割尺度的确定上,使用eCognition软件中的ESP工具能快速的确定最优分割尺度,提升了效率和科学性;(3)县域尺度上,面向对象分类法对中等分辨率影像数据进行遥感提取也具有一定的适用性。【结论】基于Landsat8 OLI遥感数据的面向对象分类法能够实现县域尺度低成本高精度农田分类的需要,也为缓解精度和成本、空间分辨率和提取方法的矛盾提供了一定的参考。     

基于遥感的沙壕渠控制区作物种植结构与空间分布研究

河套灌区作物种植分类是在河套灌区进行灌溉农业研究的基础,但是仅利用遥感影像提取作物种植结构及种植面积时其精度远远不够,往往难以满足农业遥感在应用上的需求。通常多利用多元影像融合、多时相遥感影像以及遥感影像结合地面采样点来进行作物分类,以提高分类精度。本文以河套灌区内部的沙壕渠控制区为试验区,采用TM遥感影像,以实际地面采样点作为感兴趣区创建训练样本,利用最大似然法进行分类,成功提取了小麦、玉米、葵花及其他作物的种植结构及种植面积,分类总体精度达到了85.87%,Kappa系数为0.769 6。     

基于改进支持向量机的盐碱地信息精确提取方法研究

【目的】探索无人机遥感下可以精确提取盐碱地信息的方法。【方法】以甘肃省景泰川电力提灌灌区一期灌区为研究区,采用Trimble UX5固定机翼无人机采集研究区遥感数据,提出了一种基于Ada Boost算法的改进支持向量机(SVM)分类的新方法,以实现盐碱地信息的精确提取。【结果】与传统SVM分类相比,改进SVM分类精度提升显著,总精度最高达96.55%,Kappa系数为0.957 3。改进前后不同类型盐碱地提取面积与实测面积相比,最大误差为5.4%,平均误差为2.16%。【结论】该文提出的基于改进支持向量机分类方法可有效提高遥感影像的分类精度。     

基于XGBoost算法的多云多雾地区多源遥感作物识别

快速、准确地获取作物种植面积信息是长势监测、产量估算、病虫害监测和预警的基础。针对我国江南区域多云雾的特点,以Sentinel-1/2为数据源,综合采用光学遥感影像和合成孔径雷达(Synthetic aperture radar, SAR)影像等多源数据,针对研究区作物早春覆膜的特点,构建地膜植被指数(SAR plastic-film vegetation index, SPVI);利用时序光谱和植被指数特征,研究基于XGBoost算法的作物识别方法。以安徽省宣城市宣州区为研究区,开展实例验证研究。在作物生育期内,云雾影响较大,光学遥感覆盖稀疏区域以Sentinel-2影像为主,获取时序指数数据集,增加4期Sentinel-1雷达影像,用以补充云雾时期(5—7月)光学影像的缺失。以本文设计的方法,得到作物识别总体精度为84.87%,优于随机森林的83.93%,主要作物烟草制图精度88.69%,用户精度95.51%。仅使用生育期Sentinel-2影像的作物识别总体精度79.01%,主要作物烟草制图精度82.30%,用户精度93.49%。研究结果表明,本文构建的基于XGBoost算法多源...     

基于决策树和面向对象的作物分布信息遥感提取

利用我国2012年4—11月覆盖主要农作物全生育期的23幅中分辨率HJ-1A/1B卫星时序影像,采用决策树和面向对象相结合的分类方法提取黑龙江省双河农场主要农作物分布信息,并与传统决策树分类方法进行对比。通过影像预处理构建时序HJ星影像集,先利用面向对象方法提取道路,为作物提取排除田间道路及附属地物干扰;再结合作物物候历分析不同地物光谱和时序特征,筛选出7个特征指数和14个敏感时相,建立决策树分类模型,提取出玉米和水稻。研究表明,多特征指数辅助作物分类十分有效,尤其是归一化水指数NDWI对水稻提取非常有效;较之传统决策树分类,决策树和面向对象相结合的分类方法能有效剔除田间道路及附属林带沟渠对作物分类的干扰,总体分类精度从89.22%提升至95.18%,该方法可为其他地区利用中分辨率遥感影像低成本高精度提取作物分布信息提供借鉴。     

基于CBAM-U-HRNet模型和Sentinel-2数据的棉花种植地块提取

棉花是我国重要的经济作物和战略储备物资,及时、准确地获取棉花空间分布信息对于棉花产量预测、农业政策的制定与调整具有重要意义。针对高分辨率遥感影像获取难度大以及传统机器学习对特征信息利用不足的问题,本文以新疆南部地区图木舒克市为目标区域,提出一种以U-HRNet为基本框架,融合CBAM注意力机制的CBAM-U-HRNet棉花种植地块提取模型。选择U-Net、HRNet和U-HRNet作为对比模型,评估CBAM-U-HRNet模型在Sentinel-2(10 m)和GF-2(1 m)2种空间分辨率数据集上的表现以及在棉花地块提取的优势。结果表明,基于Sentinel-2遥感影像的CBAM-U-HRNet组合模型对棉花地块的提取精度最优,mIoU和mPA分别达到92.78%和95.32%。与Sentinel-2数据集相比,空间分辨率更高的GF-2数据在HRNet、U-Net和U-HRNet网络上取得了更高的精度。对于两种不同空间分辨率的数据集,基于CBAM-U-HRNet模型的棉花地块提取精度较为接近,表明CBAM-U-HRNet模型能够减少由于数据集空间分辨率不同导致的错分。与随机森林算法...     

基于主成分和云模型的冬小麦种植信息提取研究

在对Sentinel-2卫星遥感影像进行预处理的基础上，利用主成分变化提取小麦主要信息，基于云模型算法开展光谱遥感图像分类。分类时，首先根据训练样本集，由逆向云发生器生成典型小麦的云模型，然后利用云发生器计算出各波段每个象元对小麦地物的平均隶属度，在对各波段的隶属度分析基础上，摒弃含有复杂信息的第1主成分，利用第2主成分和第3主成分信息实现对冬小麦种植空间信息的提取。结果表明，提取小麦种植信息制图精度和用户精度分别为92.78%和99.90%，小麦种植田块的隶属度值因小麦长势和密度的不同有较大的差异，云模型对长势较差、密度较低的小麦像元存在漏分现象。基于云模型的算法精度极高，对小麦地块的识别错分、漏分现象少。该模型有助于冬小麦种植面积的精确提取，对于农业部门进行冬小麦生长监测与产量估测有重要的支撑作用。      

基于多源光学雷达数据融合的黄淮海平原冬小麦识别

遥感技术能够快速准确地获取农作物空间分布信息,为探究2021年黄淮海平原冬小麦空间分布信息,基于Google Earth Engine（GEE）云平台,以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源,通过计算极化特征、光谱特征和纹理特征,运用随机森林等4种机器学习方法和深度循环神经网络模型,对研究区冬小麦空间分布信息进行提取,并对比各分类器和网络架构的分类精度。结果表明,黄淮海平原冬小麦总面积约为16226667hm2,占研究区总面积的49.17%,其中冬小麦种植面积最大的是河南省,约为4647334hm2,研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势;随机森林是4种机器学习方法中识别精度最高的分类器,总体分类精度为94.30%;在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%,仅使用Sentinel-2光学数据总体精度为93.95%,而融合时序Sentinel主被动遥感数据总体精度为94.30%;在大范围的冬小麦分类上,深度学习模型的泛化性高于机器学习方法。     

基于卷积神经网络的无人机遥感农作物分类

针对采用长时间序列卫星影像、结合物候特征进行农作物精细分类识别精度较低的问题,将深度学习用于无人机遥感农作物识别,提出一种基于卷积神经网络的农作物精细分类方法,利用卷积神经网络提取高分辨率遥感影像中的农作物特征,通过调整网络参数及样本光谱组合,进一步优化网络结构,得到农作物识别模型。研究结果表明：卷积神经网络能够有效地提取影像中的农作物信息,实现农作物精细分类。除地块边缘因农作物种植稀疏、混杂而产生少许错分现象外,其他区域均得到较好的分类效果。经训练优化后的模型对3种农作物总体分类精度可达97.75%,优于SVM、BP神经网络等分类算法。     

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。     

基于VSWI和TVDI差异的河套灌区沈乌灌域耕地灌溉面积遥感监测

【目的】尝试利用遥感数据实现对河套灌区沈乌灌域灌溉面积的提取,为沈乌灌域现代化管理提供理论依据。【方法】利用Landsat-8数据对研究区域的植被供水指数VSWI、温度干旱指数TVDI进行反演,根据实测数据,构建基于VSWI和TVDI差异的灌溉面积监测模型,对沈乌灌域的灌溉面积进行遥感提取。【结果】2种模型具有较高的一致性,基于VSWI和TVDI的灌溉面积监测模型反演精度分别为85.3%和89.7%。【结论】证明了2种监测模型的可行性,同时发现基于TVDI差异的灌溉面积监测模型精度高于基于VSWI差异的灌溉面积监测模型。     

基于NSGA-Ⅱ的灌区水资源优化配置模型及应用

【目的】解决灌区水资源短缺、农业用水效率不高的问题,为灌区水资源管理提供科学依据。【方法】基于大系统分解协调原理构建了包含灌区作物种植结构和作物灌溉制度的层次优化模型,并剖析第1层模型中灌水时间对灌溉制度优化的影响,以及第2层模型中生态效益对作物种植结构优化的影响。以宝鸡峡五泉灌区为研究对象,构建了2层协调优化模型,并利用非支配排序遗传算法,实现了灌区水资源的优化配置。【结果】(1)以灌水量和灌水时间为优化对象的优化设计方案,可以提高灌区整体经济效益。第2层模型不考虑生态效益时,灌水量与灌水时间同时优化时的经济效益较只优化灌水量时增加1.87%,而第2层模型考虑生态效益时,对应的增长率为1.32%。(2)在作物种植结构的优化模型层引入生态效益优化目标,虽然经济效益有所降低,但优化后的经济效益依然显著高于现状种植结构下的经济效益,方案1、方案2、方案3和方案4与现状情况下的经济效益相比,增长率分别为15.72%、15.27%、15.99%和15.07%。(3)考虑生态效益后,优化后的生态耦合度值与现状相比也有所提升,提高23.5%。【结论】采用第1层模型优化灌溉水量和灌水时间,且第2层模型考虑经济效益和生态效益的方案,可实现水资源最优配置。     

基于深度语义分割的无人机多光谱遥感作物分类方法

为精准获取农田作物种植分布信息以满足农业精细化管理需求,基于Deep Lab V3+深度语义分割网络提出了一种面向无人机多光谱遥感影像的农田作物分类方法。通过修改输入层结构、融合多光谱信息和植被指数先验信息、并采用Swish激活函数优化模型,使网络在响应值为负时仍能反向传播。基于2018—2019年连续2年内蒙古自治区河套灌区沙壕渠灌域的无人机多光谱遥感影像,在2018年数据集上构建并训练模型,在2019年数据集上测试模型的泛化性能。结果表明,改进的Deep Lab V3+模型平均像素精度和平均交并比分别为93.06%和87.12%,比基于人工特征的支持向量机(Support vector machine,SVM)方法分别提高了17.75、20.8个百分点,比Deep Lab V3+模型分别提高了2.56、2.85个百分点,获得了最佳的分类性能,且具有较快的预测速度。采用本文方法能够从农田作物遥感影像中学习到表达力更强的语义特征,从而获得准确的作物分类结果,为利用无人机遥感影像解译农田类型提供了一种新的方法。     

基于Sentinel-2A遥感影像的潍坊市冬小麦种植面积提取研究

为准确、高效、自动化的提取大尺度范围冬小麦种植面积,利用Sentinel-2A卫星影像进行试验,提出一种基于中等分辨率影像的面向对象结合深度学习的遥感冬小麦提取方法。利用面向对象分类法和随机森林分类算法对2021年潍坊市冬小麦种植面积及种植区域进行提取和结果对比,证明面向对象分类法在提取冬小麦种植面积时的可行性和有效性。此外,利用面向对象方法得到的二值分类图像作为标签图像,基于TensorFlow框架,利用U-Net构建深度学习神经网络模型,使用训练得到最优模型提取2017—2021年潍坊市冬小麦种植面积。使用实地调查数据对分类结果进行精度验证,并对潍坊市近五年冬小麦种植面积进行年际变化分析。该分类方法的总体分类精度达93.1%,Kappa系数为0.91。本研究方法可为大范围的冬小麦种植指导和农业结构调整提供科学、可靠的依据。