基于多光谱影像和专家决策法的作物分类研究

[目的]探讨基于多光谱影像和专家决策法的作物分类,验证利用单时相多光谱影像区分农作物的可行性。[方法]以呼伦贝尔地区典型农业种植区为研究区,根据野外实测光谱数据,寻找区分研究区主要作物大麦、小麦、油菜的最佳时间,根据作物波谱特征,采用决策树方法,结合光谱角度制图（SAM）等光谱匹配方法,开展了作物分类研究。[结果]利用8月上旬获取的LandsatTM影像,在对影像进行几何校正、大气校正的基础上,构建决策树,成功提取了小麦、大麦、油菜、种植草场的种植信息,分类总体精度达到86.90%,Kappa系数达到0.8311。[结论]以典型时相的多光谱影像为数据源,应用决策树方法提取作物类型信息,具有较好的应用前景。     

基于多时相Sentinel-2遥感影像的江汉平原夏收作物提取方法

以江汉平原潜江市为研究区,选取2017年9月至2018年7月期间12幅Sentinel-2多光谱(MSI)影像,通过分析研究区夏收作物不同生长期的光谱特征和归一化植被指数的时序变化,利用决策树算法提取2017—2018年夏收作物种植面积;将提取结果与最佳时相的多光谱数据面向对象、随机森林算法的提取结果进行对比试验,利用实测数据计算混淆矩阵评价分类精度.结果表明,基于Sentinel-2时序NDVI的面向对象决策树方法的提取精度最高,总体精度为96.47%,Kappa系数为0.951 8.基于Sentinel-2的面向对象决策树分类能够准确而有效地提取研究区农作物种植面积,并直观地反映作物的空间分布格局,为江汉平原地区调整作物种植结构提供依据,也为其他区域精细尺度作物的提取提供参考和借鉴.     

基于多光谱影像和专家决策法的作物分类研究

[目的]探讨基于多光谱影像和专家决策法的作物分类,验证利用单时相多光谱影像区分农作物的可行性。[方法]以呼伦贝尔地区典型农业种植区为研究区,根据野外实测光谱数据,寻找区分研究区主要作物大麦、小麦、油菜的最佳时间,根据作物波谱特征,采用决策树方法,结合光谱角度制图（SAM）等光谱匹配方法,开展了作物分类研究。[结果]利用8月上旬获取的LandsatTM影像,在对影像进行几何校正、大气校正的基础上,构建决策树,成功提取了小麦、大麦、油菜、种植草场的种植信息,分类总体精度达到86.90%,Kap-pa系数达到0.831 1。[结论]以典型时相的多光谱影像为数据源,应用决策树方法提取作物类型信息,具有较好的应用前景。     

多时相Sentinel-2A与SPOT-7影像在油菜识别中的差异

[目的]研究多时相Sentinel-2A识别种植结构复杂的小尺度区域中的油菜面积,获取高精度的作物分布信息。[方法]以多时相Sentinel-2A和一景SPOT-7数据为数据源,选取种植结构复杂的小尺度区农业区为研究区,构建不同特征向量组合,利用支持向量机(support vector machine,SVM)的方法提取油菜种植面积。[结果]通过对比分析基于不同特征向量组合的油菜识别精度,利用一景油菜最佳识别期内的Sentinel-2A影像可以得到高达89.1%的制图精度和92.1%的用户精度;添加油菜最佳纹理特征后,多时相Sentinel-2A数据的制图精度与用户精度分别提高了2.9%和2.5%,仅比SPOT-7影像的识别精度低了1.7%和2.1%,2种数据的油菜提取精度差异进一步减小;Sentinel-2A与SPOT-7数据油菜最优分类结果对比后,一致性精度和Kappa系数分别为93.3%和0.89。[结论]多时相Sentinel-2A数据可以很好地识别种植结构复杂地区的油菜,加入最佳纹理信息能够提高油菜的识别精度;Sentinel-2A可以广泛应用于小尺度区域作物分布信息的快速提取。     

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。     

基于光学与雷达遥感的山地油菜分布提取研究

通过对Sentinel-2光学影像主成分特征波段、植被指数和多时相Sentinel-1 SAR不同极化散射特征波段构建多种地物特征影像集组合,基于支持向量机分类(SVM)算法对重庆市合川区2019年产季冬油菜分布进行识别提取精度分析.结果表明:植被指数可以大幅度提高油菜作物分布提取的制图精度,基于红边波段的植被指数要比传统的近红外波段对改善油菜提取的制图精度更加有效,制图精度提高4.5%;在一定程度上,多时相极化SAR数据VV-VH特征组合可以替代光学影像用于丘陵山地地块破碎地区油菜种植分布信息的提取,油菜制图精度提高15.74%,融合绿熟期油菜作物光学特征和同期SAR散射特征的波段组合因冠层角果含水量增加,油菜作物雷达散射特征加强,油菜制图精度由46.07%提高到66.29%,总体精度提高到60.40%.在光学影像主成分特征与多时相SAR散射特征下,油菜制图精度提高到70.79%,用户精度提高至85.14%,总体精度提高10%左右.在西南多云雾地区,以时间序列SAR数据为主导,光学影像为补充的方法用于西南丘陵山地作物种植信息提取是一种较为可靠的方法,可为我国西南地区农作物信息提取提供参考.     

基于多时相环境卫星的冬前油菜种植面积估算

【目的】油菜是我国重要的油料作物之一,监测油菜种植面积有助于了解油菜生长状况,为油菜病虫害、湿渍害、冻害等灾害损失评估提供数据基础。【方法】文章以湖北省荆州市江陵县为研究区,使用国产HJ-1A/B 30 m分辨率时序多光谱数据,通过地面调查及资料分析确定油菜与其它易混淆作物的主要NDVI时序特征,建立油菜识别决策树,估算了2009—2015年(不包括2011—2012年生长季)冬前油菜种植面积。将基于油菜开花期影像的最大似然法提取的油菜面积作为定性验证数据。以油菜籽面积统计数据和Google Earth高分辨率影像数据对冬前油菜提取的面积和空间位置结果进行定量评价。【结果】定性评价结果:2009—2011年生长季的决策树方法提取冬前油菜面积结果与开花期影像最大似然法提取结果基本一致,2012—2015年生长季的油菜提取面积空间分布差异较大。定量评价结果:决策树方法提取冬前油菜面积的用户精度达到80.40%～95.56%,生产者精度达到82.56%～91.43%,相对误差低于15%。【结论】基于NDVI时间序列特征的决策树算法估算冬前油菜面积具有可行性,但仍受到云和冬小麦的影响。     

基于多时相影像植被指数变化特征的作物遥感分类

高分一号GF1/WFV遥感影像具有较高的时间和空间分辨率,利用多时相影像开展农作物分类调查具有明显优势。以安徽省颍上县为研究区域,利用2017年5月至9月共6景多时相GF-1/WFV卫星遥感影像数据对主要农作物的分类识别提取。首先,通过分析研究区主要农作物的典型植被指数NDVI、EVI和WDRVI时序变化特征,明析了不同作物在各时相对不同VI的响应特征;其次,基于作物在不同时相的敏感VI变化响应,构建了决策树分层分类模型,成功提取了研究区玉米、水稻、大豆和甘薯四种主要作物种植空间分布情况。结果表明:总体精度达到90.9%,Kappa系数为0.895。同时,采用最大似然法、支持向量机对研究区作物进行分类,通过分类效果对比发现,最大似然法最差,支持向量机次之,决策树分类方法最佳。研究表明:利用多时相时间序列的遥感影像数据,结合作物植被指数特征,采用决策树分类方法可以有效提高作物分类的精度。     

基于GF-1与Landsat8 OLI影像的作物种植结构提取——以新疆阿克苏地区为例

作物种植结构监测和估产是精准农业遥感应用的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。本文以新疆阿克苏地区为研究区,以2016年多时相Landsat8 OLI和GF-1影像为数据源,基于物候信息、时相特征、积温和光谱特征确定农作物识别关键时期和特征参数,构建决策树分类模型,开展作物种植结构监测研究。结果表明:多源与多时相遥感数据可以反映不同农作物的季相特征,研究中所构建的决策树分类模型能够在大区域范围内高精度地实现作物分类,总体精度达83%,Kappa系数为0.77。与统计数据对比,棉花面积精度在85%以上,玉米为81%,小麦为80%以上,水稻达80%以上。因此,利用Landsat 8和GF-1影像在大区域提取农作种植结构是可行的,为今后遥感在农业上的应用提供一个广阔前景。     

基于Sentinel-2影像的冬小麦种植面积早期提取研究

【目的】 文章旨在探讨基于高分辨率多光谱遥感影像进行冬小麦种植面积早期快速提取、冬小麦空间分布情况快速制图与精度验证的方法,为山东省冬小麦高产、优质种植和农艺肥水的处方决策提供全局性信息。【方法】 （1）对Sentinel-2遥感影像数据进行预处理,然后采用历史种植分布数据自动提取与人工选取相结合方式构建冬小麦识别样本库,将样本分为小麦、林地、水体、建筑和道路及其他作物五大类;（2）采用随机森林算法计算机自动分类与影像人工解译相结合的方式,提取研究区冬小麦种植面积,绘制冬小麦种植空间分布图,并进行精度验证。【结果】 （1）解译得到研究区冬小麦种植面积为54.41万hm²,冬小麦种植面积的总体分布精度为97.05%,kappa系数为0.94,解译效果良好;（2）该文提出的方法可实现冬小麦种植面积高精度提取以及快速制图。【结论】 早期精准掌握冬小麦种植面积及空间分布信息,能够为地方政府和农业部门指导农事活动提供科学依据。     

基于Sentinel-2时序NDVI的麦冬识别研究

【目的 】 为掌握四川省重要中草药麦冬的种植面积,开展麦冬遥感识别及空间信息提取研究。 【方法 】 文章以四川省绵阳市三台县麦冬主要种植区为研究区,选取2020年11月至2021年5月共计6期Sentinel-2遥感影像,结合实地调查数据建立麦冬、油菜、小麦3种地类的样本数据集,分析该时期内麦冬、油菜、小麦的NDVI时序差异,基于随机森林算法构建麦冬提取模型。随后选取区分度最大的3期NDVI作为输入变量与以全6期NDVI作为输入变量进行麦冬提取精度对比。 【结果 】 （1） 麦冬与油菜、小麦的NDVI在11月、3月、5月差异较大;（2） 以6期的NDVI作为输入变量的麦冬种植信息提取总体精度为91.92%,Kappa系数为0.892;（3） 以3期的NDVI作为输入变量的麦冬种植信息提取总体精度为90.05%,Kappa系数为0.823 2,分类精度略低于6期NDVI全输入,但基于3期关键节点的NDVI时序数据能较准确提取麦冬种植信息。 【结论 】 该结果可为四川省麦冬遥感识别和种植区变化监测提供参考。     

基于Softmax分类器的小春作物种植空间信息提取

[目的]使用浅层机器学习分类方法和多光谱遥感影像快速准确提取研究区小春作物(油菜、小麦)种植空间信息。[方法]选择研究区小春作物识别最佳时期的Sentinel 2A MSI多光谱影像,融合得到10 m分辨率影像,然后降尺度生成15、20、30 m分辨率影像,结合地面调查数据,建立油菜、小麦、林地、居民地、水体等典型地物感兴趣区,训练Softmax分类器,基于不同空间分辨率影像提取油菜、小麦种植空间信息。[结果]①基于Softmax分类器和10 m分辨率融合影像的小春作物分类总体精度为90.02%,Kappa系数为0.8344,其中油菜生产者精度和用户精度分别为93.14%、91.42%,小麦的分别为87.93%,98.09%;②Softmax法的小春作物分类精度随影像空间分辨率下降而降低,15、20、30 m分辨率影像的分类精度较10 m的分别下降9.80%、12.04%和13.04%,Kappa系数依次减少0.1538,0.1873和0.2088;③15、20、30 m分辨率影像的油菜分类精度较小麦的低,影响因素为油菜花期和种植地块破碎分散。[结论]Softmax分类器在10～30 m中高分辨率影像小春作物分类中具备较高的精度,可作为常规方法应用于业务化的作物监测工作。     

基于HJ-1 CCD影像的玉米种植面积估算研究

本研究以HJ-1 CCD影像为主要数据源,风云三号(FY-3)和高分一号(GF-1)影像为辅助数据源,选取作物种植结构复杂的菏泽市为研究区域,采用多时相NDVI阈值剔除法与监督分类相结合的分类方法,以土地利用类型和训练样本区数据作为辅助,提取出菏泽市玉米种植面积和分布区域,并检验其精度。结果显示:在复杂的作物混合种植区可以利用HJ-1 CCD影像提取出玉米种植面积和分布信息,总体分类精度为90.2%,面积总量精度为91.7%。本研究为其他区域利用HJ-1卫星影像提取作物种植面积提供了参考。     

基于Sentinel-2时序NDVI的麦冬识别研究*杨玉婷,董秀春,刘忠友,蒋怡,李宗南,刘泳伶

【目的】为掌握四川省重要中草药麦冬的种植面积,开展麦冬遥感识别及空间信息提取研究。【方法】文章以四川省绵阳市三台县麦冬主要种植区为研究区,选取2020年11月至2021年5月共计6期Sentinel-2遥感影像,结合实地调查数据建立麦冬、油菜、小麦3种地类的样本数据集,分析该时期内麦冬、油菜、小麦的NDVI时序差异,基于随机森林算法构建麦冬提取模型。随后选取区分度最大的3期NDVI作为输入变量与以全6期NDVI作为输入变量进行麦冬提取精度对比。【结果】(1)麦冬与油菜、小麦的NDVI在11月、3月、5月差异较大;(2)以6期的NDVI作为输入变量的麦冬种植信息提取总体精度为91.92%,Kappa系数为0.892;(3)以3期的NDVI作为输入变量的麦冬种植信息提取总体精度为90.05%,Kappa系数为0.823 2,分类精度略低于6期NDVI全输入,但基于3期关键节点的NDVI时序数据能较准确提取麦冬种植信息。【结论】该结果可为四川省麦冬遥感识别和种植区变化监测提供参考。     

基于HJ-1CCD影像的冬小麦种植面积提取研究

针对目前省域冬小麦种植面积遥感监测业务化运行中所存在的监测精度与成本之间相互制约的问题,本研究选取冬小麦主产区——山东省为研究区域,利用HJ-1卫星提供的CCD遥感影像,采用决策树分类法,同时以山东省土地利用类型之林地数据和野外地面调查数据作为辅助,通过分区解译提取出山东省冬小麦种植面积和分布区域。研究表明:利用HJ-1 CCD影像进行山东省冬小麦种植面积提取是可行的,位置精度和面积总量精度分别达到93.0%和96.8%,对国产卫星的推广应用具有良好的示范作用。     

基于分类回归树分析的棉花种植面积提取——以库、新、沙三县为例

以研究区2012年的HJ卫星CCD影像为数据源,通过物候历和主要农作物的光谱特征分析,确定棉花识别最佳时相。采用分类回归树分析(CART)的决策树方法提取棉花种植面积信息,并以农田实地调查样点和统计数据为参考对提取的棉花种植面积结果进行评价。结果表明,基于HJ-CCD数据,使用CART算法的决策树可以较好地提取棉花覆盖信息,最终提取的棉花种植面积总量精度为94.29%,位置精度为88.57%;本研究采用的决策树方法,操作方便、容易实 现,分类结果较为实际,基本满足棉花种植面积遥感监测的需求,可对棉花种植面积估算和种植结构分析提供一定的参考。     

基于高分六号影像的四川盆地油菜种植调查

目的:使用高分六号多光谱影像调查评价四川地区油菜种植空间分布现状。方法:以四川盆地四川部分油菜种植区为调查区,选择油菜识别最佳时期的高分六号卫星多光谱影像,进行正射校正及几何精纠正,通过最大似然监督分类方法提取调查区内油菜种植空间信息,初步评价该区油菜种植区的空间分布现状。结果:结合地面调查样方数据验证:①基于高分六号影像的油菜分类总体精度为82.06%,Kappa系数为0.6997。②盆地内四川地区2019年油菜种植面积约为103.24万hm~2,规模种植区主要分布于成都、德阳、绵阳、雅安、眉山、乐山等地区。结论:高分六号遥感数据及监测结果可为四川农业产业发展及种植结构调整优化提供参考信息。     

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。     

一年一季农作物遥感分类的时效性分析

【目的】基于遥感影像的作物分类研究是提取作物种植面积和长势分析及产量估测的基础,也是推动现代化农业快速发展的动力。研究结果可为农业等相关部门掌握农情,进行宏观调控提供依据。目前,农业遥感研究主要集中于中低分辨率遥感影像,影响植被信息提取的精度,应用高分辨率多时相遥感影像和选择最优分类方法可以提高植被信息提取精度。明确农作物遥感分类的时效性与最优分类方法,为快速、准确地获取作物空间分布数据和农情定量遥感监测提供依据。【方法】基于黑龙江省虎林市2014年5—10月覆盖完整生长期的20幅遥感影像,构建16 m分辨率NDVI时间序列曲线,建立决策树分类模型,通过分类影像进行系列阈值分割,并结合辅助背景数据及专家知识,成功提取虎林市土地利用覆被信息;利用20幅影像依次波段合成的方式进行作物分类,明确最优时相;将提取的耕地范围作为作物分类规则,并与未提取耕地范围的作物分类结果进行比较;同时通过最大似然法、马氏距离法、神经网络法、最小距离法、支持向量机、波谱角分类法、主成分分析法多种分类方法进行作物分类;利用农业保险投保地块数据进行精度验证。【结果】(1)7月初、7月末到8月初、9月末是研究区一年一季作物遥感分类的3个关键时相;(2)决策树分类方法在提取土地利用覆被信息的结果中精度最高,总体精度90.24%,Kappa系数0.87;(3)6月初与7月初2幅影像结合采用最大似然法对作物进行分类的总体精度高达94.01%,Kappa系数为0.79,6月初与7月初的影像结合,可以解决作物分类的时效性;(4)结合9月21日的影像,总体精度进一步提高,大豆分类精度明显提高,最终确定最大似然法为最优作物分类方法。【结论】通过遥感数据能实现在7月上旬对作物进行精准分类,拓展了遥感数据在农业领域的应用价值,对一年一季地区作物快速分类与农情定量遥感监测有重要意义。     

基于Sentinel-2遥感影像的农作物分类与适宜性评价

农作物种植结构信息是作物长势监测和农业结构调整的重要参考依据,及时准确地通过土地分类和农作物适宜性评价获取农作物空间分布与适宜性种植信息对农业可持续发展意义重大.该文以河北张家口沽源县为研究对象,利用Sentinel-2多光谱数据提取的NDV,NDBI,NDWI,NDRE1,SR_re和CI_red-edge数据为特征,分别采用SVM支持向量机、决策树法、随机森林法对研究区内典型农作物进行精细化提取,探究主要作物空间分布情况,并通过对比kappa系数探讨不同方法对农作物分类的精度,选择最优分类方法.选取土壤性质、土壤侵蚀度、高程、坡度、坡向5个指标建立农作物适宜性评价体系,采用GIS层次分析法与土地适宜性分级指标对沽源县农作物适宜性进行评价.结果表明：基于随机森林分类法对研究区内8种主要农作物进行分类的精度最高,其总体准确率为65.10%, Kappa系数为0.587 1;研究区内主要农作物在空间上整体呈现出镶嵌结构;研究区内中度适宜种植当地主要农作物的用地面积最大,其次是适宜种植面积居中,不适宜种植地区的面积最小.