基于随机森林的水稻信息提取研究

以重庆市永川区朱沱镇Sentinel-2多光谱影像为例,构建随机森林分类模型,分别以单时相和多时相特征变量集为变量提取水稻空间分布,并对水稻对不同波谱特征集的响应程度及提取精度进行分析。分类结果显示,研究区水稻分布相对较为分散,且地块特征较为复杂,与区域典型地貌基本相适应;处于分蘖期的水稻稻田比处于灌浆期的稻田更有区分特征,利用多时相数据能够有效提高提取精度;通过传统的最大似然法、光谱角分类器提取地物精度有限,而基于机器智能分类的随机森林模型提取方法提取结果总体精度90%以上,Kappa系数达到0.80以上,可为西南山地地区作物信息提取提供参考。     

基于国产高时空分辨率卫星影像的作物种植信息提取研究

在面向对象技术支持下,首先利用高空间分辨率ZY-3遥感影像提取农田地块专题信息;然后在地块边界控制下以地块对象为单元融入HJ-1及GF-1中分传感器的多时相光谱信息,获取作物生长关键期内的时间序列光谱特征;最后,结合不同作物的物候差异性规律构建作物种植信息提取模型,对甘蔗和水稻进行识别。结果表明,所有地类的总体分类精度为86.80%,Kappa系数为0.84,总体分类效果良好。甘蔗的制图精度和用户精度分别达到92.11%和90.91%,水稻的制图精度和用户精度分别达到88.89%和90.91%。说明协同利用国产卫星的高空间和高时间分辨率影像数据提取作物种植信息确实可行,可作为作物种植面积和种植结构的精细化、快速调查方法。     

基于多时相遥感影像的水稻种植信息提取

获取水稻种植信息对于指导水稻生产,监测作物生长及合理分配水资源具有重要意义。针对基于单时相影像提取水稻信息精度有限,以Sentinel-2A/B多时相影像为数据源,构建NDVI、EVI、NDWI和光谱特征4种时序特征数据集并设计6种试验方案,结合随机森林算法对水稻种植信息进行提取。结果表明,NDVI、EVI时序曲线可以较好反映出水稻生育期的物候特征,不同地类的光谱时序曲线和NDWI时序曲线可分离度较高,有利于提高分类精度;基于NDVI时序数据集的分类精度最低,基于光谱时序数据集的分类精度最高,总体精度达95.559 0%,Kappa系数为0.943 3,与基于NDVI的分类结果相比,总体精度、Kappa系数、水稻生产者精度和用户精度分别提高了3.530 4%、0.044 9、8.64%和3.36%,水稻与旱地的混分现象得到有效抑制。该研究为区域水稻种植信息精确提取在数据源选择、时序特征构建方面提供了一种新的思路和技术手段。     

基于国产GF-2遥感影像的大麻地块提取方法研究 ——以安徽省六安市苏埠镇为例

针对传统的基于像元的分类方法提取大麻地块结果存在较为破碎、精度较低的问题,以国产"高分二号"(GF-2)4m的多光谱遥感影像为数据源,在安徽省六安市苏埠镇选取了一个研究区,使用基于规则集的面向对象的方法实现了大麻地块的精确提取。首先,对研究区预处理过的GF-2遥感影像进行多尺度分割,在多尺度分割结果的基础上,确定提取大麻地块的最优分割尺度。其次,针对不同地物类型选取样本对象生成光谱曲线,分析大麻地块与其他地物类型的异同点,并基于光谱分析结果构建规则集最终实现大麻地块的提取。最后,将基于规则集的面向对象分类结果和基于像元分类(监督分类)的结果进行对比分析。结果表明,基于规则集的面向对象方法可以有效的提取出研究区内的大麻地块,精度可以达到91.09%,解决了传统基于像元分类方法提取大麻地块结果较为破碎的问题。     

基于高时空分辨率遥感数据协同的作物种植结构调查

[目的]充分发掘遥感影像的空间、时间和光谱等特征谱信息,探索地块基元支持下的多源遥感数据作物种植信息自动识别方法,为作物种植结构信息的快速、精细化调查提供借鉴.[方法]以广西扶绥县为研究区,通过对高空间分辨率影像的多尺度分割和对象廓线编辑,提取精细农田地块信息;以地块为基元获取覆盖作物生育期内的时序光谱特征;基于时序光谱及其变化定义与作物长势状况相关的描述参量,形成静态光谱与动态过程特征结合的多维特征空间,结合作物的物候节律特征构建作物种植信息提取模型,实现主要农作物种植结构信息的提取.[结果]依据上述方法绘制出广西扶绥县甘蔗、水稻和其他作物农田及草地、林地、水体、城镇建设用地等的精细地块图,其中,提取广西扶绥县甘蔗和水稻作物的总面积分别为82420.01和6806.67 ha,作物提取的总体分类精度为86.8%,Kappa系数为0.84.[结论]提取的广西扶绥县作物种植结构的成果满足使用精度要求,可为精准农业补贴投放、农业灾害定损等政策制定提供依据,而技术方法对于作物种植结构信息的快速、精细化调查具有借鉴意义.     

基于物候特征和混合光谱信息的春玉米种植面积提取

快速、准确地获取玉米种植面积信息对国家粮食安全和现代信息农业发展有重要的现实意义。遥感技术在作物种植面积提取中具有一定优势,尤其是作物物候信息和光谱数据相结合的方法更是目前发展的趋势之一。选取辽宁省3县市为研究区,利用Savitzky-Golay滤波重构后的2014-2015年MODIS-NDVI时间序列数据,提取作物物候特征和其他主要地物的NDVI曲线变化规律,结合水稻移栽期的NDVI、LSWI数据与大豆鼓粒期的近红外波段反射率数据,训练地物分类阈值、构建决策树提取2015年春玉米种植面积。考虑到耕地的破碎化和土地覆盖类型的多样性,利用MOD09A1反射率影像提取春玉米及混合地物的端元波谱,基于线性光谱混合模型进行混合像元分解获取春玉米丰度,根据决策树分类结果与春玉米丰度信息精确提取春玉米种植面积。利用Landsat8 OLI监督分类影像对种植面积解译结果进行精度评价,结果显示研究区春玉米种植面积提取精度在81%以上,利用统计数据验证得到仅利用物候信息经决策树分类方法提取的春玉米种植面积精度为88.416%,结合混合光谱信息后的提取精度提高到92.382%。春玉米种植面积提取结果较好地反应了其地理分布,表明重构后的生长季NDVI曲线可以准确地反应作物生长变化规律,运用中分辨率MODIS-NDVI时间序列数据获取物候信息,快速、准确提取春玉米种植面积具有可行性。物候特征耦合混合光谱信息的方法突破了传统研究中的像元限制,将作物种植面积识别水平提高到亚像元尺度,效果好于传统的像元尺度MODIS时间序列信息分类方法,能够有效提高作物种植面积估算精度,对于加快数字农业进程、提升农业信息化水平具有重要作用。     

基于Segformer网络的地块尺度作物种植结构精细化识别与分类

防止耕地“非粮化”、稳定粮食生产是中国粮食安全的基石。为实现地块破碎化地区作物类型及种植结构精细化识别和分类,本研究以江苏省泰兴市为研究区,基于高分辨率遥感影像和多尺度融合特征显著的Segformer语义分割模型,实现地块尺度的耕地信息精细化提取;同时结合多源遥感数据构建主要植被类型归一化植被指数(NDVI)时序曲线及植被生长关键时间节点的光谱反射特征,开展地块尺度的作物种植结构分类。结果表明：基于Segformer模型的分割方法可有效识别耕地,F1系数达92.4%;基于主要植被类型多时相NDVI时序特征及植被生长关键时间节点光谱反射特征的作物种植结构分类方法能够实现地块尺度的种植结构分类,总体分类精度达82.38%。因此,本研究建立的方法可有效实现地块尺度耕地信息的精细化提取及种植结构识别和分类,为耕地保护提供技术支持。     

基于哨兵影像与多特征优选的溧阳市上兴镇水稻识别

水稻是中国三大粮食作物之一,提供准确、及时的水稻种植信息对水稻生产管理、水稻种植保险赔偿以及国家粮食安全指导、政策制定和实施等具有重要意义。针对中国南方水稻种植地块破碎、种植结构复杂等造成的水稻识别难点,为提高水稻识别精度,本研究以哨兵一号(Sentinel-1)、哨兵二号(Sentinel-2)遥感影像为数据源,构建光谱特征、植被/水体指数特征、纹理特征和雷达特征等特征集,设置包括优选特征在内的7种特征组合,采用随机森林算法对江苏省常州市溧阳市上兴镇的水稻进行识别。结果表明,在光谱特征中,红边波段对于水稻识别精度有着较高的提升作用。光谱特征结合植被/水体指数特征、雷达特征后,水稻识别精度有所提高。基于优选特征进行分类的精度最高,总体分类精度、Kappa系数分别为93.26%、0.904 8。综上,结合遥感影像的光谱特征、植被/水体指数特征和雷达特征等并进行特征优选可以提高水稻识别精度。     

多种光谱指标构建决策树的水稻种植面积提取

合理选取不同光谱指标制定决策树规则,能有效提高决策树分类法提取水稻面积的精度。本研究以江苏省淮安市为例,选取30 m空间分辨率HJ1A和16 m空间分辨率GF1多光谱影像,在对不同地物样点像元光谱特征分析的基础上,选择地物光谱特征明显的GF影像计算NDVI、EVI、DVI和RVI,并提取影像近红外波段反射率,利用上述5种光谱指标确定不同地物分类阈值来对两景影像进行决策树分类,进而获取淮安市水稻面积和分布情况。结果表明,GF影像地物光谱特征较明显,有利于识别不同地物,可用来确定基于多种光谱指标分类的阈值范围。其中,水稻判别条件为NDVI0.70,0.25DVI≤0.45,0.53EVI≤0.80,RVI5.5且0.30ρNIR≤0.46。HJ影像和GF影像提取水稻面积的样本精度分别为87.29%和93.70%,GF影像比HJ影像的水稻面积提取精度提高了6.41个百分点,说明利用多种光谱指标构建决策树分类模型是一种有效提取水稻种植面积的方法。     

湖南省中稻种植面积遥感监测方法研究

综合考虑大面积水稻种植区耕地地块破碎,种植结构复杂,插花、套种、错季种植现象明显,影像解译、分类难度大等特点,充分利用国产卫星GF-1数据,以湖南省中稻种植为例,通过精确作物识别与混合像元处理,实现像元尺度的中稻识别;结合国土资源土地调查数据,统计中稻的像元数量与丰度(种植面积比)水平,并扣除耕地图斑内的非耕地成份,建立中稻种植面积估算模型,最终得到精确到县级报告单元的种植面积估算结果。结果表明:通过遥感数据估算面积和地面样方调查计算结果的可决系数达到0.869 6,说明遥感监测方法在湖南省中稻种植面积估算中行之有效。GF-1卫星遥感数据的空间分辨率、波段覆盖范围、影像覆盖能力等能满足大面积农作物种植面积监测要求,基于抽样技术的地面调查与遥感影像分类相结合提取作物种植面积信息的方法可用于省级、区域级的粮食种植面积遥感监测。     

基于环境星的混合像元分解水稻面积提取

以河南省息县水稻种植面积提取为例,选取线性光谱混合模型对环境小卫星数据进行分类,并计算出水稻种植面积,将其结果与高分辨率ALOS数据进行位置精度计算,得到平均精度达87.89%。同时,与决策树分类方法和神经元网络分类等方法进行对比,混合像元分解方法总量精度显著提高。表明针对环境小卫星的混合像元分解方法可以提高水稻种植面积的提取精度。     

基于EOS/MODIS数据的抚远县水稻面积提取技术研究

为获取黑龙江省大范围的水稻种植空间分布及面积等信息,指导水稻生产,以抚远县为研究区域,利用EOS/MODIS数据进行水稻面积提取研究。结果表明:抚远县水稻面积309 513.32hm2。水稻种植区域精度较高的图框区域集中在抚远县中部及南部地区,这些地区水稻种植比较集中,且所占比例很高,其它作物较少,对混合像元的精度影响小;精度较低的图框主要集中在北部地区,这与实际情况相符合,水稻种植较零散且其它混种作物种类及荒草类别比较复杂,混合像元分类精度较低。     

基于多时相合成孔径雷达数据的水稻种植面积监测

与光学遥感相比,合成孔径雷达(SAR)遥感能够不受云雨天气影响,为大范围作物种植信息的精准监测提供新手段。本研究以天津市小站稻为例,基于2018-2021年的多时相Sentinel-1A SAR影像,提出了结合小站稻生长特征相似性分析与随机森林分类的水稻种植分布和面积监测方法。首先提取VV和VH极化方式下不同地物的后向散射系数时间序列特征曲线,并利用HANTS滤波来消除噪声影响。然后根据野外调查数据获取小站稻参考生长曲线,构建小站稻相似性指数,筛选出小站稻可能种植区域。最后采用随机森林分类模型提取小站稻种植面积。结果表明,基于多时相Sentinel-1A SAR影像相似性分析及随机森林分类能够获得较高精度的水稻种植面积,VV和VH两种极化方式下提取的水稻种植面积与统计年鉴结果的平均相对误差分别为2.67%和3.80%,总体分类精度分别达到95.52%和93.40%,Kappa系数分别为0.94和0.93;与不引入相似性指数进行分类相比,VV和VH极化方式下引入相似性指数后总体分类精度分别提高4.35个百分点和3.13个百分点,Kappa系数分别提高0.04和0.03,水稻的制图精度分别...     

多时相高分一号影像在丘陵地区大宗农作物提取中的应用

【目的】基于多时相的高分一号(GF-1)影像,利用面向地块对象分类法提取广西崇左市江州区大宗农作物种植面积,为南方多云雨丘陵地区提取作物信息提供参考。【方法】以2 m分辨率的GF-1影像为数据源,采用人机交互的方式准确识别地表覆盖的地块信息,基于对多时相GF-1影像进行云影检测,并处理生成影像的光谱、归一化植被指数(NDVI)、亮度等特征,采用面向地块对象的分类方法提取甘蔗、水稻和香蕉的作物信息。【结果】根据混淆矩阵评价分类的结果可知,提取大宗农作物的总体精度为90.08%,Kappa系数达0.85,满足农业成果应用的精度要求。【结论】利用有效影像数据,结合地块数据完成作物信息提取,该技术方法能够准确提取丘陵地区大宗农作物信息,为解决南方多云雨丘陵地区提取作物信息难题提供了有效途径。     

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GEE平台和多维特征优选的粮食作物提取——以西辽河流域为例

快速准确地掌握作物种植类型和布局，对农业生产和管理具有重要意义。选取西辽河流域为研究区，基于Google Earth Engine(GEE)云平台，以Landsat和MODIS影像作为数据源，构建时序NDVI、物候参数、光谱指数、反射率及地形因子等多维特征。分别采用随机森林、支持向量机、分类回归树等方法，对比不同特征和分类器组合，选择优选特征和随机森林分类器，完成西辽河流域玉米、大豆和水稻的提取。结果表明，基于GEE平台可快速构建作物识别的多维特征，进一步利用递归消除随机森林优选特征，当加入重要性前30位特征参数时，总体精度可基本达到最高。选择优选特征组合并基于随机森林模型进行训练分类，可以实现高效率、高精度的作物空间分布制图。在验证指标中总体精度、κ系数、统计R²等验证指标均大于0.9,说明作物识别精度较高。西辽河流域农作物主要沿河流两侧呈条带状分布，玉米是最主要的农作物类型，大豆、水稻种植面积较少。     

集成多源遥感数据与生育期时序光谱特征的水稻种植面积提取

为快速、有效地提取水稻空间分布信息，利用水稻生育期内的光学和雷达影像，依据水稻不同生育时期内的光谱变化规律，提出了简单实用的时序像元频率约束模型（TPFCM）。首先，采用中值合成法分别将Sentinel-2、Landsat-8和Sentinel-1合成为月度数据，将合成后的Sentinel-2和Landsat-8进行融合以减少云阴影对水稻像元的影响，并选取3种融合影像的特征光谱波段计算归一化植被指数（NDVI）、增强植被指数（EVI）和地表水分指数（LSWI），生成月度多维特征成果影像。其次，检索水稻5个生育时期的遥感影像数据，利用随机森林（RF）分类器提取各生育时期的种植面积，并输入TPFCM模型计算水稻生育期内每个水稻像元的频率，最终依据预提取精度、提取面积误差阈值条件控制模型输出最优水稻空间分布信息。结果表明，TPFCM模型输出的水稻提取面积相对误差为-3.83%，与基于RF分类器的单一生育时期的水稻提取面积相对误差相比绝对值减少了3.94百分点，且提取面积与统计参考面积相关性显著（R2=0.97）。     

基于时序光谱特征匹配的中分辨率遥感橡胶林提取

纹理与物候是橡胶林区别于天然林及其他地类的有效诊断特征。对多时序中分辨率遥感影像合成的多谱影像提取出橡胶林端元光谱,通过光谱角及光谱信息散度计算像元时序光谱与橡胶林端元时序光谱间的匹配度,最后通过匹配度阈值的调整提取出橡胶林信息。实验结果表明,采用时序光谱特征匹配法能够有效地提取出中分辨率遥感影像中的橡胶林信息,精度在93%以上,且光谱信息散度较光谱角匹配能取得更高的精度。     

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.