基于SVM的县域冬小麦种植面积遥感提取

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着重要的支撑作用。本研究在对Landsat-8卫星15 m×15 m空间分辨率遥感影像进行预处理的基础上,基于最佳波段指数(OIF),采用支持向量机(SVM)算法中四种核函数进行影像分类,并比较分类精度,选择精度最高的核函数作为SVM最优核函数对盐城市大丰区冬小麦种植面积进行提取,与最大似然法、最小距离法的结果进行对比。结果表明,四种核函数中,Linear核函数分类精度最高,达到98.56%。将Linear核函数作为SVM最优核函数对大丰区冬小麦种植面积进行提取,提取到的种植面积为71 834.4 hm~2,提取精度、分类精度和Kappa系数分别为91.25%、98.56%和0.98。基于SVM的冬小麦面积提取效果明显好于传统监督分类方法,说明使用支持向量机与影像光谱特征进行影像分类能够准确提取县域冬小麦种植面积。     

基于NDVI密度分割的冬小麦种植面积提取

为解决作物面积遥感监测中常遇的混合像元问题,选用江苏省沭阳县冬小麦扬花期HJ-1A卫星遥感影像,基于不同地物光谱信息的差异性与可分割性,提出基于归一化植被指数(NDVI)密度分割的冬小麦种植面积提取方法。在利用GPS实地取样调查和建立解译标志的基础上,对HJ-1A卫星影像进行了几何与大气校正。利用NDVI灰度影像提取混合像元训练样本的NDVI值和小麦种植面积,计算小麦面积权重,确定混合像元的NDVI阈值。利用NDVI再归一化结果对NDVI灰度影像进行密度分割,依据不同密度分割系数下像元总面积及其所对应的小麦面积权重关系,最终得到沭阳县冬小麦种植面积。结果表明,根据NDVI密度分割法提取冬小麦面积为8.37×104 hm2,面积精度为92.37%,样本精度为93.31%。基于密度分割系数(P0.5)制作沭阳县冬小麦种植分布图,获取了全县冬小麦空间分布特征信息。以上结果说明NDVI密度分割法能较准确地提取研究区内冬小麦种植面积,可有效解决农作物种植面积提取中混合像元问题。     

基于GF-1影像面向对象分类方法的水稻种植信息提取研究

应用遥感技术提取水稻种植信息是农业遥感的重要内容。GF-1卫星WFV数据为农业信息提取提供了新的途径,面向对象的分类方法是遥感解译的重要方法。本研究以扬州市为研究区域,基于GF-1影像WFV数据,采用面向对象的分类方法,提取水稻种植信息,并实地调查验证试验结果,试图探讨GF-1数据面向对象分类方法在水稻种植信息提取中的可行性与影响提取精度的因素。结果表明,应用GF-1数据,采用面向对象的分类方法能够很好地完成扬州市水稻种植信息的提取,2016年扬州市有水稻种植面积214 524 hm~2,总体精度达到98.5%,Kappa系数0.95,面积精度达97.5%;实地考察能够提高提取精度,地形破碎程度越低,提取精度越高。     

基于Landsat-8和LSMM的冬小麦面积提取研究——以皖北为例

美国国家航空航天局（NASA）成功发射了最新系列的陆地卫星（Landsat-8）,搭载的陆地成像仪（OLI）对波段进行了重新调整,从而避免了大气吸收干扰,能够更好地区分植被和无植被特征,为农业遥感提供了全新的高质量数据。本文选取皖北（阜阳、蚌埠、宿州）为研究区域,以Landsat-8遥感影像为研究数据,经缨帽变换得到遥感影像的主成分信息,并用其分量甄选出不同地物的端元,最后建立线性混合像元模型（LSMM）,并对皖北地区冬小麦进行提取。与历史统计数据对比,冬小麦种植面积的提取精度达到了90%以上,说明利用Landsat-8和LSMM开展大尺度范围的小麦种植面积提取具有明显的优势。     

基于CBERS卫星遥感的冬小麦产量估测研究

对冬小麦产量进行遥感监测预报,有利于农业管理部门及时获取冬小麦区域产量信息,便于其制定有效的栽培管理措施,达到增产的目的。中巴资源卫星（CBERS-02）CCD影像具有较高的空间分辨率和较丰富的光谱信息,对植被及作物长势信息具有较强的探测能力。以江苏省泰兴市为例,进行了基于CBERS-02卫星遥感和小麦估产模型的冬小麦产量监测预报研究。在利用计算机分类结合人机交互式判读解译的基础上,结合GPS样点信息校验,进行冬小麦种植面积提取;利用影像提取的冬小麦NDVI数据,反演叶面积指数、生物量信息等,结合冬小麦估产模型,计算单点产量信息。经过线性转换,对整个区域的冬小麦产量进行分级监测预报,叠加样点的产量信息检验,最终制作了区域的冬小麦产量分级专题图。结果表明,冬小麦种植面积解译精度在90%以上,分级估产精度达到85%以上。中巴资源卫星影像数据基本能满足冬小麦长势监测和产量预报的需要,可以在实际农业生产中推广应用。     

基于TM影像的海南岛橡胶种植面积信息提取

以ERDAS IMAGINE为操作平台,利用2008年Landsat-TM卫星数据作为遥感信息源,通过监督分类方法和实际调查,提取海南岛天然橡胶种植面积信息,并与2008年年鉴中橡胶面积数据进行对比分析。结果表明:利用TM遥感影像调查橡胶种植面积的准确率约为91%,基本能反映区域橡胶种植分布情况。     

基于Radarsat-2的冬小麦种植面积提取方法研究

为探寻基于Radarsat-2的冬小麦种植面积提取方法,以设立在江苏盐城研究区的冬小麦为研究对象,选用2014年3月3日-2014年6月7日期间5期Radarsat-2全极化影像,采用支持向量机法和最大似然法分别对各时相的冬小麦种植面积进行提取,并以地面实测GPS样方进行精度验证。结果表明,以支持向量机法和最大似然法提取冬小麦面积的精度均在4月20日达到最高,分别为66.4%和63.9%。对4月20日支持向量机法的冬小麦面积提取结果进一步进行耕地地块优化和碎小图斑去除处理后,冬小麦面积的提取精度可提高到79.6%。     

基于Landsat/TM遥感的冬小麦长势分级监测研究

为给遥感技术在冬小麦长势分级监测预报中的应用提供依据,以江苏省兴化市为例,利用TM卫星遥感影像,提取冬小麦的种植面积并分析了长势情况。在利用GPS实地取样调查和建立解译标志的基础上,进行TM影像校正、非监督分类和人机交互式判读解译等操作,并将GPS样点数据校验贯穿到整个分类过程中,信息解译精度在95%以上。结合NDVI指数反演的叶面积指数数据进行小麦长势分级分类,并制作了兴化市冬小麦长势分级监测图。     

基于GEE和Landsat时间序列数据的海南岛土地利用分类研究

土地利用/覆盖变化（land use/cover change,LUCC）是当前全球变化研究的核心内容之一。土地利用遥感监测是土地利用变化相关研究的重要技术手段,尤其是高分辨率遥感技术和谷歌地球引擎（Google Earth Engine,GEE）云计算平台的出现,为土地利用空间信息的获取提供了新的途径和方法。本研究基于GEE云平台提供的Landsat-8 OLI时间序列卫星影像数据,采用随机森林（random forest,RF）和支持向量机（support vector machines,SVM）分类算法,对海南岛土地利用类型进行了遥感分类研究。结果表明：RF与SVM算法对海南岛土地利用中水体和建筑用地的分类精度均较高,对耕地、园地和林地分类精度较低。与SVM方法相比,RF分类方法能够更准确识别各类地物信息,更适于海南岛土地利用分类的研究。海南岛林地（包括天然林、橡胶林等）所占比例最大,主要分布在海南岛中部;耕地和园地面积接近,相间分布于海南岛大部分区域;水体和建筑用地面积较小,在海南岛均呈零散的分布状态,以沿海地区为主。GEE平台对于开展大区域土地利用分类与遥感动态监测具有重要的意义。     

基于遥感数据的沈阳水稻种植面积提取及精度分析

为研究MODIS遥感数据及提取方法对估测沈阳水稻种植面积的适用性,利用MODIS数据,采用监督分类的方法,同时结合水稻不同生长发育阶段特点,对沈阳水稻种植面积进行数据提取,并制作了沈阳地区水稻种植面积分布图。将提取的水稻种植面积结果与统计局统计的面积及Landset遥感数据资料进行比较分析。结果表明,通过MODIS遥感监测水稻种植面积具有良好的效果,利用监督分类的方法提取的水稻种植面积精度达92%,因此,该方法用于沈阳地区水稻种植面积的提取,结果可靠,精度较高。     

基于Sentinel-2影像和机器学习算法的冬小麦秸秆覆盖度遥感估算

为探究大范围小麦秸秆覆盖度(CRC)估测方法，以冬小麦秸秆为研究对象，基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合，利用灰色关联-随机森林(GRA-RF)敏感特征提取方法，结合高斯过程(GPR)、套索(LASSO)、岭回归(RR)和偏最小二乘(PLSR)等多种机器学习算法，开展小麦CRC估算的最优模型研究。结果表明，基于GRA-RF特征优选后的机器学习模型显著改善了小麦CRC的估算精度，LASSO算法总体对小麦CRC的估测效果最佳，并且针对不同的光谱特征组合表现出差异化的结果。其中，以光谱指数、波段和纹理信息构成的组合特征集构建的CRC遥感估算模型精度最优(r²=0.65,RMSE=9.25%),以波段与纹理两者组合特征估算的CRC精度次之(r²=0.63,RMSE=9.31%),仅利用单一的光谱指数、波段或者纹理特征估算冬小麦CRC的精度均劣于组合特征的结果。这说明应用GRA-RF组合筛选方法能够有效优选秸秆覆盖度的光谱特征；相比于单一特征，光谱指数、波段、纹理信息等构成的组合特征更能有效地监测小麦秸秆覆盖度...     

县域冬小麦生物量动态变化遥感估测研究

为给生产管理中及时掌握县域冬小麦长势的动态变化提供有效手段,以江苏省沭阳县为研究区,基于冬小麦生物量形成的生理生态过程,重构冬小麦生物量遥感估测模型。选用两景不同时相的HJ星影像数据,利用植被指数反演的LAI数据,对冬小麦生物量模型进行参数修订,并对县域冬小麦拔节期生物量的空间分布进行估测。在此基础上,进一步估测冬小麦抽穗期生物量分布特征及其动态变化特点。结果表明：（1）冬小麦拔节期生物量估测值和观测值范围分别为2 054.3~4 828.3 和1 962.5~4 568.4 kg·hm^-2 ,平均值分别为3 148和3 045.5 kg·hm^-2 ,RMSE为214.8 kg·hm^-2 ,决定系数为0.919 1,表明冬小麦生物量模型模拟精度较好;（2）冬小麦抽穗期生物量较拔节期发生明显变化,其中长势变化快的田块面积为20 108.7hm,占总种植面积的23.4%。春季气候因素的转好以及肥水措施的实施对冬小麦营养与生殖共生阶段的生长起到明显促进作用。说明本研究提出的基于遥感反演信息与生长模型协同的冬小麦生物量估测方法能有效估测县域冬小麦不同生长时期生物量的空间分布及其动态变化。     

多遥感光谱指标结合进行大田冬小麦叶片叶绿素含量估测研究

为解决大田冬小麦叶片叶绿素含量估测模型精度低、通用性弱的问题,在获取冬小麦拔节期和抽穗期冠层红光波段反射率(BR_red)和近红外波段反射率(BR_nir)的基础上,计算归一化差值植被指数(NDVI)、差值植被指数(DVI)、比值植被指数(RVI)、土壤调节植被指数(SAVI)、改进型比值植被指数(MSR)、重归一化植被指数(RDVI)、II型增强植被指数(EVI2)和非线性植被指数(NLI)等8个植被指数。经统计分析,选择与叶片叶绿素含量(SPAD值)相关性较好的5个遥感光谱指标(NDVI、MSR、NLI、BR_red和RVI)作为输入变量,建立了冬小麦叶片叶绿素含量的BP神经网络估测模型(WWLCC_BP),并对估测模型进行精度验证。结果表明,WWLCC_BP估测模型在拔节期估测的决定系数(r²)为0.84,均方根误差(RMSE)为5.39,平均相对误差(ARE)为9.87%。抽穗期的估测效果与拔节期较为一致。将WWLCC_BP和高分六号影像...     

基于Sentinel-2多光谱数据和机器学习算法的冬小麦LAI遥感估算

为了丰富大田尺度下冬小麦叶面积指数的遥感估算方法并提高估算精度,以关中地区冬小麦为对象,基于Sentinel-2多光谱卫星数据与地面同步观测的冬小麦叶面积指数样点数据,应用偏最小二乘回归(PLSR)、反向传播神经网络(BPNN)和随机森林(RF)法构建冬小麦叶面积指数估算模型,进行区域冬小麦叶面积指数遥感反演。结果表明,Sentinel-2多光谱卫星影像中心842nm近红外B8波段与冬小麦叶面积指数相关性最好,样本总体相关系数为0.778;植被指数中反向差值植被指数(IDVI)与冬小麦叶面积指数相关性最好,样本总体相关系数为0.776。各种估算模型中LAI-RF模型预测效果最佳,r~2为0.72,RMSE为0.53,RE为16.83%。基于LAI-RF估算模型,应用Sentinel-2多光谱卫星数据较好地反演了研究区冬小麦叶面积指数区域分布,其结果总体上与地面真实情况接近,说明以Sentinel-2卫星影像数据建立LAI-RF估算模型,可应用于区域冬小麦LAI反演制图。     

基于无人机多光谱影像的冬小麦倒伏提取适宜空间分辨率研究

为了解无人机图像空间分辨率对倒伏小麦提取精度的影响,选取2019年6月9日冀南地区倒伏小麦农田为研究区,采用最大似然法、人工神经网络、支持向量机和随机森林四种分类方法,以倒伏小麦分类面积和空间一致性为指标,对不同空间分辨率下小麦倒伏的提取精度进行了比较。结果表明,最大似然法存在严重的错分现象,人工神经网络、随机森林和支持向量机的总体分类结果较好,其中人工神经网络对倒伏面积提取的结果最准确;随着像元尺寸的增大,倒伏小麦分类面积相对误差变化趋势缓慢,但像元尺寸大于40 cm时,分类结果与实际倒伏区域的空间一致性迅速降低。综合考虑无人机图像数据量、获取时间和倒伏小麦提取精度,本研究认为20～40 cm是提取冬小麦倒伏面积较为适宜的空间分辨率范围。