基于分层多端元混合像元分解的水稻面积信息提取

为了解决中低分辨率遥感影像混合像元问题以提高水稻种植信息的提取精度,该文提出了一种基于层次分类与多端元混合像元分解相结合提取水稻面积信息的方法(stratified multiple endmember spectral mixture analysis,SMESMA)。层次分类有效降低了地物复杂度,而多端元混合像元分解通过对每一类地物选取多个端元光谱参与解混,克服了"同物异谱"造成的光谱变异问题,两者结合可有效提高分类精度。以江苏如皋市为研究区,基于HJ-1B CCD影像,分3个层次,当某类地物信息被提取后便将其从影像中去除,进行下一层次分类,各层次均采用多端元混合像元分解方法,综合EARMSE、MASA、CoB等算法以选取最佳端元,实现了如皋市水稻种植面积信息有效提取。结果显示SMESMA法分类精度达85.78%,kappa系数为0.85,基于最大似然分类法(MLC)的分类精度为79.1%,kappa系数为0.78。表明SMESMA是一种适合基于中低分辨率影像进行作物分类和面积提取的有效方法。     

基于决策树和混合像元分解的江苏省冬小麦种植面积提取

归一化植被指数(normalized difference vegetation index,NDVI)时间序列曲线能提供作物生长动态变化信息,将其应用于农作物种植面积提取具有一定优势。该文以江苏省为研究区域,采用2013年1月1日-2014年12月19日46景250 m空间分辨率的MODIS-NDVI时间序列数据、2014年4月23日的MOD09A1反射率影像及Landsat数据,开展冬小麦种植面积的遥感识别,首先利用MODIS数据建立作物的归一化植被指数时间序列曲线,再采用Savitzky-Golay滤波方法对NDVI时间序列数据进行重构,并基于农作物物候历、种植结构和种植模式等信息,提取研究区域典型地物物候生长期的关键值,在分析冬小麦、林地、水稻物候期(生长期开始时间、生长期结束时间、生长期幅度、生长期长度及生长期的NDVI最大值)变化趋势的基础上,综合比较分析不同地物平滑重构后的NDVI时间序列曲线特征,界定作物种类,确定训练规则,利用快速、高效的决策树方法,通过多阈值限定进行分类,初步提取冬小麦的空间分布范围;但是由于存在混合像元,阈值范围的设定会影响冬小麦种植面积的提取精度,针对此类问题,运用地表反射率影像数据提取冬小麦端元波谱曲线,结合线性光谱混合模型进行混合像元分解,进而根据冬小麦丰度比例精确提取冬小麦种植面积;最后利用统计数据和空间分辨率较高的Landsat TM 8影像数据对提取结果进行县域级验证。精度评价结果表明,研究区域的冬小麦种植面积提取精度达到90%,能够较准确地反映研究区域冬小麦的分布情况,表明运用中高分辨率遥感时间序列影像数据可以准确提取作物种植面积,为农作物种植面积信息提取提供参考。     

利用独立变量分析与高光谱植被指数模型监测成熟期水稻中砷污染

水稻中过量砷（As）能够损害叶片中叶绿素和叶片内部结构,进而影响水稻光合作用效率,并改变水稻在光谱上的表现。利用高光谱植被指数（CARI、PRI、SIPI）和独立变量分析（ICA）模型对水稻中As含量进行了研究。结果表明,以上3种高光谱植被指数与水稻中As含量均呈一定的相关关系,其相关系数在0.67以上;而经过独立变量分析（ICA）可知,在蓝光波段（440～540nm）和红光波段（600～700nm）之间各有一个独立变量与水稻中As含量高度相关,相关系数达到0.95以上。将上述植被指数与独立变量和水稻中As含量之间进行回归分析,得到水稻中As含量的线性回归方程。研究表明,重金属As对水稻生长的影响可以通过其在光谱上的特征（如相关植被指数）改变来体现,并可以用独立变量分析（ICA）方法提取光谱中关于As胁迫的隐含弱信息,建立遥感预测模型,为大面积监测农作物As污染提供依据。     

棉花遥感识别的混合像元分解

为了进一步提高棉花遥感识别精度,以新疆玛纳斯县为研究区,运用线性光谱混合模型（LSMM）,对TM遥感数据的混合像元分解技术与方法进行了研究。将棉花、玉米、番茄和土壤4类典型的端元组分光谱值代入线性模型,在非约束条件下,用最小二乘法估计混合系数,得到每种地物类型的丰度及RMS误差图,以实地测量的棉花种植面积对模型分解效果进行评估,结果表明：线性光谱混合模型构模简单、计算量小,棉花线性光谱混合像元分解精度达到90%以上,可用于新疆棉花的遥感识别。     

基于相似性分析及线性光谱混合模型的双季稻面积估算

为了解决大范围水稻种植信息提取时的混合像元问题,以便能够准确及时地获取水稻信息、指导水稻生产、保证粮食安全,该文提出了一种基于相似性分析和线性光谱混合模型复合的水稻提取业务化方法。以江西省为研究区,利用2010年4月15日至2010年10月31日的MODIS合成地表反射率数据(MODIS09A1),计算出时间序列MODIS-EVI指数,运用Savizky-Golay滤波方法对其进行平滑处理减少云等噪声的影响。根据双季稻的生长规律,结合野外调查和HJ-1ACCD2影像,确定双季稻样点,提取出标准双季稻EVI生长变化曲线,构建图像像元相似性指数,然后采用线性光谱混合像元分解模型对疑似双季稻像元进行混合像元分解,获得江西省双季稻种植面积信息的分布情况。结果显示,运用该方法提取的江西省双季稻种植分布情况与实际情况吻合,与江西省2010年统计年鉴中全省双季稻种植面积相比,提取精度为93%,精度较理想,与各地区统计面积相关性较好,R2=0.9659,可以为今后高精度水稻种植信息业务化的提取提供参考。     

基于多季相光谱混合分解和决策树的干旱区土地利用分类

该文利用2015年Landsat 8多季相数据,以民勤县为例探讨了干旱区土地覆被/利用分类方法。首先进行了研究区多季相遥感数据的主成分变换,确定了Landsat OLI光谱空间的内在维数。其次通过对各季相主成分空间的分析,确定了光谱混合分解的端元类型及各自的代表性季相。获取端元光谱之后,采用全约束线性光谱混合模型分解各个季相的遥感影像,估计各端元组分占像元的面积百分比（端元丰度值）。最后利用端元丰度值的多季相估计结果,依据先验知识和训练样本建立决策树分类规则进行土地覆被/利用分类。分类方法的总体精度达到90.94%,Kappa系数为0.90。研究表明：将物理意义明确的端元丰度值作为分类变量,能够快速、有效地获取分类规则,生成树的结构简单、合理、清晰,对训练数据的依赖性较低,因此具有应用于整个旱地系统土地覆被/利用分类的潜力。     

Landsat TM8及GF-1影像黑龙江省线状地物实际与解译宽度对比

线状地物又称为线性地物,是一种普遍存在的土地利用方式。在遥感图像上,线状地物大量存在,这种存在表现为线状地物的可见性,即线状地物的图像特征表现为数个像元宽度的狭长型地物;另一方面,大量线状地物被"淹没"在遥感图像的混合像元中,这部分线状地物在遥感图像上具有相对不可见性。在面状地物解译中,线状地物常常由于遥感影像分辨率有限而包含在面状地物中,使面状地物解译结果偏大而不够准确。因此,准确解译线状地物可以校正面状地物解译结果。Landsat TM8影像与GF-1影像作为近几年新出现的高质量高分辨率卫星遥感影像,在各行各业中应用较为广泛,在农业遥感中亦是如此。在农作物面积估算中,Landsat TM8影像与GF-1影像线状地物扣除技术的精确程度直接影响农作物面积估算精度。Landsat TM8影像与GF-1影像线状地物实际宽度与解译宽度对比研究对于农作物面积估算和估产具有重大意义。由于分辨率相差较大,在线状地物解译中,GF-1影像具有明显优势。该文以23景Landsat TM8影像和14景GF-1影像为基础,运用统计学方法对黑龙江省341条线状地物实际宽度与解译宽度做对比研究。结果表明,对线状地物解译精度影响较大的主要因素为卫星遥感影像分辨率。Landsat TM8影像解译精度较差(|夸张系数|50%)的线状地物共94条,占全部线状地物的27.5660%;在这部分线状地物中,通常是解译宽度远大于实际宽度;以线状地物实际宽度分类中的0~10 m类别中,线状地物的解译精度最差,而按走向分类和按类型分类对线状地物解译精度影像不大。GF-1影像解译精度较差的线状地物共有29条,占全部线状地物的8.5044%,在这部分线状地物中,通常是解译宽度远大于实际宽度。     

基于无人机图像混合像元分解模型提高小麦基本苗数的反演精度

及时、精确地获取小麦基本苗数在田块内部的空间差异信息，有利于实施精准变量追施氮肥，实现化肥减量增效。传统的无人机农业遥感仅关注植被与土壤2类特征而忽略混合像元的影响，导致小麦基本苗数反演精度差、可靠性低。为解决上述问题，该研究利用大疆Mini 无人机获取麦田图像，基于不变目标法完成图像的相对辐射标定，并利用像元纯净指数提取植被端元与土壤端元。根据端元光谱特性建立混合像元的线性分解模型，求解混合像元中植被组分的丰度，基于像元统计法计算植被覆盖度，进而建立植被覆盖度与小麦基本苗数地面真值的线性回归模型。该研究方法获得的模型，决定系数R2为0.87，均方根误差为1.97株/m2。而基于传统植被指数法分别利用可见光波段差分植被指数、绿红差分指数、绿红比值指数获取的相应植被覆盖度与小麦基本苗数地面真值的线性回归模型决定系数R2及均方根误差分别为0.79、0.56、0.47及6.06、7.04、4.43株/m2。由此可知，基于混合像元分解模型定量反演小麦基本苗数的方法具有较高的精度，研究成果可为小麦精准减量追施氮肥作业提供数据支持。     

基于参数型指数混合熵模型的农业遥感分类不确定性评价

针对对像元尺度上独立于分类方法的不确定性评价的需要和对数混合熵函数在评价遥感影像分类不确定性中存在的不足,该文提出了一种基于参数型指数混合熵模型的农业遥感影像分类不确定性评价方法。研究首先对指数混合熵函数进行改进,推导出参数型指数混合熵函数并确定出适合于评价农作区遥感影像分类的参数;然后,使用该函数建立一种像元尺度上独立于分类的不确定性评价模型;最后,将该模型应用于空间分辨率退化10倍的SPOT-5影像中,并使用原始影像对评价结果进行验证。试验结果表明,当模型中参数型指数混合熵函数的参数分别为4和1时,该函数比对数混合熵函数更好地统一了模糊性和随机性,熵值范围提高了2.11倍。该模型不确定性评价结果与原始影像3种分类的不确定像元比例相关系数分别为0.60、0.66、0.70,评价结果较为准确。因此,该模型可以在像元尺度上独立于分类方法将地物类别相对复杂的农业遥感影像分类不确定性更为精确地表达出来,为确保农作物种植面积提取、区域产量遥感估测精度提供了有力支撑。     

玉米种植面积空间抽样调查方案优化设计

抽样比、样本空间布局及抽样单元尺度是组成空间抽样调查方案的基础要素。为进一步改善现行农作物种植面积空间抽样调查效率,该文以吉林省德惠市为研究区,以玉米种植面积为研究对象,选取正方形网格作为抽样单元,通过空间分析、"3S"技术与传统抽样方法相结合进行农作物种植面积空间抽样方案优化设计试验研究。结果表明,抽样单元间空间自相关性随单元尺度的增大而增大,两者间呈线性正相关关系。当抽样单元尺度为500 m×500 m时,抽样单元间空间自相关性几乎不存在。遵循传统抽样理论要求样本间相互独立原则,选取500 m×500 m作为最优抽样单元尺度;对抽样单元内玉米种植面积与耕地面积进行相关分析发现,两者间存在极显著线性正相关关系。为提高玉米种植面积空间分层抽样效率,可选取耕地面积作为分层标志;以抽样外推总体相对误差(r)和变异系数(coefficient of variation,CV)为空间抽样效率评价指标,在4种(简单随机、系统等距、分层随机及分层系统等距)样本空间布局方式中,选取分层系统等距抽样作为最优样本布局方式;在7种抽样比(0.5%、1.0%、1.5%、2.0%、2.5%、3.0%、3.5%)设计水平中,选取1%作为最优抽样比。该文可为提高农作物面积空间抽样调查效率提供试验依据。     

应用田间行走式红外光谱进行土壤碳含量估测研究

对应用田间行走式设备获取的土壤红外光谱数据,通过特征变换和特征选择相结合,以提高所建立土壤碳校正模型的预测精度。首先应用独立成分分析（ICA）、主成分分析(PCA)和小波分析(WA)对土壤红外光谱数据进行特征变换,然后分别应用无信息变量消除法(UVE)、连续投影算法(SPA)、无信息变量消除结合连续投影算法(UVE-SPA)、基于遗传算法和偏最小二乘法的变量选择法(GA-PLS)来进行特征选择,基于所选择的特征建立了土壤碳校正模型。结果表明,通过ICA进行特征变换,然后进行特征选择,可以建立比直接对光谱数据进行波长选择精度更好的预测模型;而WA或PCA与特征选择方法结合,只能获得与对光谱数据直接进行波长选择相近的效果。因此,针对田间条件下通过行走式设备获得的光谱数据由于受复杂的环境条件下干扰多的情况,可以将ICA与特征选择方法结合起来对光谱数据进行特征变换和选择,以建立更可靠的土壤碳含量预测模型。     

基于主成分变换的ASAR数据水稻种植面积提取

合成孔径雷达(SAR)数据是多云多雨地区水稻监测的重要数据源,多极化的SAR数据有利于识别精度的提高。通过对水稻生长期ENVISAT ASAR双极化数据后向散射系数分析得知,水稻VV极化的后向散射系数比VH极化大,两者总体上都随着水稻的生长而增大。在水稻生长后期,VV极化保持稳定,略有下降,VH极化持续增大。对6个通道的ASAR进行主成分变换,发现水稻种植区在第二主分量(PC2)上值较大,色调很亮,而在第五主分量(PC5)上值较低,色调很暗,分别反映了VV极化和VH极化在水稻生长茂盛期与生长初期的差异,两者差值(PC2-PC5)突出了水稻与其它地类的差异。利用主成分分量的差值(PC2-PC5),基于面向对象分类方法,建立了水稻种植区快速提取方法。利用该方法对福州地区2004年早稻面积进行提取,获得了满意的结果。     

基于波谱分析技术的遥感作物分类方法

为获取东北三省作物类型分布信息,精确地进行粮食估产,该文以250mMODIS时间序列NDVI数据为主要数据源,以东北三省主要粮食作物水稻、玉米、大豆、小麦为研究对象,利用波谱分析方法对东北三省作物类型的空间分布进行研究。研究结果表明,大豆的遥感反演面积和统计面积的相关性最好(R2=0.770),其次是玉米(R2=0.710),水稻(R2=0.686)。该文使用的作物分类方法适用于试验条件有限,实测数据较难获得并以遥感数据为主要数据源且研究区域较大、作物类型单一、种植面积广的情况。     

时序滤波对农作物遥感识别的影响

获取长时序且高质量遥感观测数据是捕捉不同农作物关键物候节律信息,进而获取高精度农作物空间分布信息的关键.受云雨天气影响,卫星遥感易产生低质量观测,其往往不参与或采用时序滤波处理后再用于农作物遥感识别.然而,时序滤波对于农作物遥感识别的影响机制尚未摸清,为高效且高精度农作物遥感制图带来了较大挑战.该研究基于HLS(Har...     

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.     

基于籽粒RGB图像独立分量的玉米胚部特征检测

玉米胚部特征是重要的农艺性状之一,目前主要通过手工方法进行测量。为实现通过机器视觉图像处理的方法进行玉米胚部特征的自动检测,提出一种基于独立分量分析ICA的玉米胚部测量方法,并建立了检测模型。首先对玉米籽粒的RGB图像进行ICA分析,发现具有最大熵的独立分量IC代表着胚部与籽粒其他部分的对比。根据此IC能够实现玉米胚部的准确分割。然后,提取了玉米胚部面积等9个特征。和手工检测结果相比,面积误差为0.7%,决定系数达0.984,其他8个特征的误差总体也都在2%以下。与前人的基于颜色模型区域生长的检测结果比较,检测准确度有明显提高。表明采用基于ICA的方法检测的结果准确可靠,能够用于玉米胚部的自动检测。