中低分辨率小波融合的玉米种植面积遥感估算

采用中分辨率与低分辨率数据相结合的遥感估算方法是获取大范围作物种植面积的主要趋势之一。在MODIS时序影像和TM影像支持下,采用小波变换融合方法获取30m分辨率的NDVI时间序列信息,构建主要秋季作物的NDVI标准生长曲线,以最小距离分类器进行分层分类,获得河南原阳县玉米种植面积总量信息和空间分布,并以野外实测地块样本进行精度评价。由于充分利用MODIS影像的时间序列优势和TM影像的空间分辨率优势,通过秋季作物之间的物候差异,有效地区分出各种秋季作物的空间分布,基于融合NDVI时间序列信息玉米种植面积遥感估算的位置和面积精度分别达到79%和89%,远高于常规的监督分类,为大范围玉米种植面积遥感估算提供了一种可行的方法。     

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。     

应用高分辨率卫星影像提取水土保持措施信息的分类后处理技术研究

在应用高分辨率卫星影像进行水土保持措施信息的提取过程中,遥感分类图像后处理方法对不同类别的水土保持措施信息的提取精度具有重要影响。采用空间分辨率为2.5 m的卫星影像数据,针对黄土丘陵区水土保持措施的信息提取,用不同大小的聚类处理参数对各类型的措施面积精度进行了检验,在综合考虑水土保持措施的空间特征与图像特征基础上,确立了采用Spot5高分辨率卫星影像进行水土保持措施信息的遥感分类时,宜选用最小图斑为6×6个像元的参数值。     

定位尺度和像元空间关系对GF-1亚像元定位精度影响分析

亚像元定位技术对地表遥感信息提取及农业遥感定量化发展具有重要意义。针对当前国内外亚像元定位研究多集中于亚像元定位模型而缺少模型定位精度影响因素分析的现状,该文开展了定位尺度因素(如重建尺度、影像空间分辨率)和像元空间关系等对农业区域多光谱遥感影像亚像元定位模型精度影响的定量分析。以中国吉林省白城地区洮南市和内蒙古自治区兴安盟突泉县交界农业区为研究区域,以典型的空间引力模型为核心模型,以具有相同光谱分辨率的高分一号(GF-1)卫星8、16 m空间分辨率多光谱遥感影像为基础数据,对重建尺度、影像空间分辨率和像元空间关系等因素对遥感亚像元定位精度的影响进行了探讨。结果表明,对于8 m空间分辨率GF-1遥感影像,当重建尺度为5时,在邻接空间关系下的亚像元定位可达到最佳效果,即由40 m空间分辨率遥感影像重建8 m空间分辨率遥感影像的总体精度为74.67%,Kappa系数为0.604;对于16 m空间分辨率GF-1遥感影像,当重建尺度为4时在象限空间关系下的亚像元定位可达到最佳效果,即由64 m空间分辨率重建16 m空间分辨率遥感影像的总体精度为74.65%,Kappa系数为0.623。此外,重建尺度、影像空间分辨率和像元空间关系对亚像元定位精度具有波动影响,3个因素对应的亚像元定位总体精度最大变幅分别为18.08%、4.39%和0.08%,对应Kappa系数变化最大幅度分别为0.268、0.049和0.006。因此,在不同精度影响因素下,基于空间引力模型的GF-1亚像元定位精度影响因素轻重等级依次为重建尺度影像空间分辨率像元空间关系,这可为遥感亚像元定位模型选取、模型参数设置以及适宜的遥感数据选择提供一定参考。     

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。     

无人机遥感影像面向对象分类方法估算市域水稻面积

针对如何高效地从无人机遥感影像中提取农作物样方数据,用于农作物面积遥感估算,该文以浙江省平湖市为例,利用面向对象分类方法对无人机影像进行水稻自动化识别,作为样方数据与卫星遥感全覆盖空间分布分类结果结合,采用分层联合比估计进行2014年单季晚稻面积估算。然后,与人工目视解译识别方法获取的水稻样方数据推断的区域水稻面积估算的结果进行精度、效率对比分析。研究结果表明:1)利用面向对象分类方法对无人机影像进行分类,总体分类精度达到93%以上,满足构建样本的要求;2)通过区域作物估算对比分析发现,面向对象分类方法对无人机影像进行水稻识别,构建平湖市单季晚稻的样方数据,能够替代人工目视解译样方准确推断区域作物种植面积,有效地提高了无人机影像在遥感面积估算中的应用效率。     

冬小麦面积遥感识别精度与空间分辨率的关系

不同空间分辨率农作物面积识别精度是农情遥感监测数据源选择的依据。该文采用WFV(wide field view)、MODIS(moderate-resolution imaging spectroradiometer)、OLI(operational land imager)、Google Earth影像,在天津市武清区选择了12 km×14 km的冬小麦种植区作为研究区域,采用目视识别的方法,分析了2、5、10、15、30、100、250 m共7个空间分辨率尺度下冬小麦面积识别精度与遥感数据分辨率、农田景观破碎度之间的关系。结果表明,随着空间分辨率由2 m变化到250 m,冬小麦面积识别的总体精度逐步由98.6%降低到70.1%,精度降低28.5%;面积数量比例由5.5%扩大到110.6%,误差增加105.1个百分点;面积精度呈明显下降趋势,数量误差呈明显增加趋势,数量误差的增加速度高于精度下降的趋势。高、中、低3个景观破碎度条件下,随着分辨率由2 m降低到250 m,作物识别精度分别降低了72.8、63.2和47.0个百分点,破碎度的增加导致面积识别精度下降速度更快;同等分辨率下,破碎度越高的地区面积识别精度越低。像元内冬小麦占比与可识别能力密切相关,像元占比达到45.0%以上时才能够被正确识别为冬小麦类型,像元尺度降低导致细小斑块丢失是造成面积识别与数量精度降低的主要原因。像元空间分辨率越高,冬小麦像元的光谱一致性越强,越有利于冬小麦分类精度的提高。针对农情遥感监测业务运行的需要,上述研究结果可以作为区域范围不同用户精度要求前提下遥感数据源选择的依据。     

利用遥感数据时空融合技术提取水稻种植面积

为解决水稻种植面积提取过程中的数据缺失问题,提出了一种利用遥感数据时空融合技术提取水稻种植面积的方法。该方法从时序MODIS数据中提取地物的时间变化信息,结合早期Landsat-ETM+影像的纹理信息,融合出具有MODIS时间分辨率和ETM+空间分辨率的影像,再利用关键期的高时空分辨率融合影像,利用光谱角分类法进行水稻种植面积的提取。以江苏省南京市江宁区为研究区对该方法进行了测试。结果显示,该方法能够有效的提取水稻种植面积,水稻种植面积提取精度为93%,Kappa系数为0.96。     

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。     

多源卫星遥感农作物秸秆焚烧过火区面积估算方法

秸秆焚烧过火区面积是秸秆焚烧影响评估的重要参数之一。该文针对卫星遥感秸秆焚烧过火面积估算中因作物秸秆焚烧后农田翻耕速度较快,对卫星观测频次要求高,且由于下垫面多种类型混杂,对卫星空间分辨率要求高的双重问题,提出利用风云三号气象卫星数据高观测频次和高分一号数据高空间分辨率特点,基于卫星遥感图像光谱分析和混合像元分解技术的多源卫星遥感农作物秸秆焚烧过火区面积估算方法。使用该方法对河南省驻马店市平舆县和正阳县进行了秸秆焚烧面积估算,并采用高分一号数据进行了验证,平均精度达到94%以上,说明该文提出的方法既解决了秸秆焚烧过火区监测的高时效需求问题,又保证了过火区面积估算精度。     

利用GIS与TM资料集成技术估算龙游县早稻面积

提出利用GIS 与TM资料集成技术估算中国南方丘陵山地早稻种植面积的方法。该方法首先利用ARC/INFO对土地利用现状图进行数字化，建立拓朴关系后将其转化为栅格，然后进行投影变换，使土地利用现状图、行政图、TM数据具有相同的坐标，最后利用土地现状图，提取水田分布图，对水田分布图进行分类估算早稻种植面积。不同方法比较结果表明：非监督分类法不能用于提取丘陵山区的水稻种植面积；只用TM资料估算龙游县早稻面积，与统计数据相比，平行六面体分类法、最大似然分类法精度分别达到82.83%和59.95%；而用GIS 与TM资料集成技术对水田分布图进行分类估算早稻面积，平行六面体分类法、最大似然分类法的估算精度分别达到93.98%和60.65%，所以利用平行六面体分类法对南方丘陵山地早稻种植面积估算是可行的。     

面向对象的丘陵区水田遥感识别方法

中国南方丘陵区地形破碎,地物分布复杂,丘陵区水田的光谱特征相对于平原区较混杂,传统的基于像元的遥感数据获取受异质性因素的影响,无法利用单一时(季)像及特定的图像自动识别规则提取精度较高的水田分布信息。针对这一问题,该文基于多时像HJ-1A/1B卫星图像,结合地面调查,以湖南省湘潭市为研究区,在易康(e Cognition)软件平台上分别以光谱特征为主要参考的多层最邻近分类法和以在特征知识库支持下的决策树分类法对丘陵区水田进行图像识别。结果表明:分层最邻近分类法比单一最邻近分类提取的精度高,但在相同分割尺度下,利用特征知识库支持下的决策树分类提取水田的精度达到最高,为90.25%,总Kappa系数为0.79,说明特征知识库支持下的决策树分类方法比最邻近分类法更加适合丘陵区水田的遥感识别。     

面向对象土地覆被图像组合分类方法

研究了支持向量机在面向对象土地覆被图像分类中的应用技术,提出采用最小二乘支持向量机（LSSVM）与模糊灰色关联度联合评估（FG）相结合的一种新的组合分类方法简记FG-LSSVM,为土地覆被分类提供一种可行的高精度分类途径。根据图像上不同对象的空间尺度和光谱值特征,基于稳健的核密度梯度分割算法提取具有任意形状和唯一标识的均质对象后,为了比较提出方法的性能,采用原始对象样本依次验证了3个面向对象分类方法,即标准支持向量机方法、以模糊贴近度作为模糊因子的模糊支持向量机方法和传统K最近邻面向对象分类方法。实现了一个高精度面向对象土地覆被图像分类信息系统。试验结果表明：提出的FG-LSSVM面向对象方法相比标准支持向量机、模糊支持向量机与K最近邻方法试验精度约提高2.4%左右。提出的方法在识别效果上,符合研究区实际分类应用的要求。     

基于Landsat 8 OLI影像纹理特征的面向对象土地利用/覆盖分类

针对如何提高中低分辨率遥感影像分类精度,该研究以河北省石家庄市Landsat 8 OLI遥感影像为研究对象,对灰度共生矩阵(gray-level co-occurrence matrix,GLCM)纹理与伽博(Gabor)滤波器下的Gist纹理特征进行对比,应用J-M(Jeffries-Matusita)距离可分离性分析GLCM最优纹理特征,并利用最佳指数法(optimum index factor,OIF)获取GLCM与Gist纹理特征的最佳特征组合;其次对面向对象分类的分割尺度进行研究,提出整体最优分割尺度计算方法;最后进行基于纹理特征的面向对象分类识别与精度评价,并与基于原始数据的面向对象分类结果进行对比。研究表明:Gist纹理特征使分类精度有了一定的提高,基于纹理数据的面向对象支持向量机(support vector machine,SVM)分类及面向对象K邻近法(K-nearest neighbor,KNN)分类的总体分类精度(overall accuracy,OA)分别比基于原始数据的2种方法分类精度提高3.67和3.33个百分点,基于纹理的面向对象SVM方法具有最高的精度,OA达到85.67%。不管是基于原始数据还是纹理数据,面向对象分类精度远高于最大似然分类(maximum likelihood classification,MLC)、马氏距离分类(mahalanobis distance classification,MDC)和SVM分类精度,且面向对象分类方法对纹理数据更为敏感。该文提出的基于纹理的面向对象分类方法有效提高了遥感影像分类精度,为区域土地利用/覆盖信息提取提供了有效的途径。     

水稻遥感识别偏差修正的地统计学方法

为了进一步提高农作物遥感识别精度,充分利用高分辨率遥感影像上不同地物之间的邻域空间关系,提出农作物遥感识别偏差修正的地统计学方法。该方法综合考虑目标地物的光谱特征与空间信息,以类别隶属度偏差为研究对象,首先利用类别指示向量和类别后验概率向量之间的差异实现目标地物的类别隶属度偏差量化,然后对训练样本的类别隶属度偏差进行变异函数建模,并采用带局部均值的简单克里格插值方法预测总体类别隶属度偏差,之后用总体偏差的预测值对光谱分类所得的类别后验概率进行修正,重新确定识别结果,实现农作物遥感识别的偏差修正。以安徽省南部的一景 SPOT-5影像覆盖范围为研究区,选择2块典型区域分别作为试验区和验证区,以一季稻和晚稻为目标农作物,以支持向量机作为光谱分类的分类器,建立了水稻遥感识别的偏差修正流程;采用地面实测数据对修正效果进行评估,并与最大似然分类、模糊分类和支持向量机分类的结果进行比较。试验结果表明,该方法的总体分类精度能够达到90%以上,与传统分类方法相比,总体精度提高了近14%;且该方法能够大幅提高一季稻和晚稻的生产者精度和用户精度,有效改善了研究区的水稻识别结果,可以为中国南方复杂种植条件下的水稻识别提供参考。     

水稻冠层图像分割方法对比研究

水稻冠层信息在自动化管理上具有重要指导意义,但田间多变光照强度环境显著降低了水稻冠层图像分割和信息提取的精度。为降低光照强度的干扰,本文基于RGB、CIEL~*a~*b~*、HSV色彩空间和多色彩空间(包括RGB、CIEL~*a~*b~*和HSV色彩空间)构建水稻冠层图像的色彩特征组合,然后通过支持向量机(SVM)的线性核函数对水稻冠层图像进行分类识别,其分割方法分别定义为rgb-SVM、lab-SVM、hsv-SVM和Multi-SVM。同时,利用此方法对不同光照强度下的水稻冠层图像进行分割,并与常用的Ex GOtsu分割方法进行对比,比较不同方法的分割效果和光强稳健性。结果表明,rgb-SVM的分割效果优于Ex GOtsu方法,但对晴天条件下获取的水稻冠层图像的分割误差仍较大,光强稳健性低;lab-SVM和hsv-SVM分割方法的分割精确度较低,存在一定的欠分割现象;基于多色彩空间和支持向量机的Multi-SVM分割方法的分割效果最佳,该方法对不同光强下获取的水稻冠层图像的分割误差均控制在4.00%以内,具有较好的光强稳健性。因此,基于多色彩空间和支持向量机的Multi-SVM分割方法能够相对准确地将水稻像元从水稻冠层图像中分割出来,且对田间多变光强条件具有一定的稳健性,可为田间水稻生长发育监测和自动化管理提供一定的技术支持。     

基于混合像元分解提取大豆种植面积的应用探讨

利用中低分辨率卫星影像进行大宗作物面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度.以吉林省梨树县大豆种植面积为例,选取线性光谱混合模型对TM影像进行分类并计算出大豆种植面积,将其结果与Quickbird影像解译结果对比分析,采用以数量精度为基础的精度评价方法,分类精度达到92%.同时,使用典型的最大似然法监督分类和自组织迭代法非监督分类提取大豆种植面积,分类精度分别为87%和84%.结果表明,混合像元分解方法与其他遥感定量提取方法相比,能够提高大豆种植面积提取的精度.     

地块数据支持下的玉米种植面积遥感测量方法

统计行政单元内粮食作物种植面积及其空间分布是粮食产量估算的基础,也是制定粮食政策和调整种植结构的重要依据。以3S为代表的空间信息技术,是实现农作物种植面积统计的关键技术,也是实现常规统计进入空间统计的重要因素。该研究以玉米种植面积遥感测量为目标,选取种植结构复杂的农业区河南省原阳县为试验区,通过高分辨率融合影像建立地块边界数据,以TM影像为核心数据源,对TM数据进行预处理,结合NDVI及特征波段信息采用决策树方法对试验区进行预分类,初步获取玉米种植范围;将玉米预分类结果与耕地地块数据空间叠加分析,以地块内玉米的预分类面积比例为分层标志,建立分层模型,结合交通数据,布设野外样方;采用遥感影像与车载GPS结合的方式,设计合理的野外调查路线,开展野外样方实测工作,获取样本地块内的玉米种植比例;然后以野外GPS调查点为依据,通过决策树方法对玉米预分类结果进行修正。最后通过野外测量获取的样本地块玉米百分比及统计数据对TM数据提取的玉米种植面积结果进行评价,求得位置精度为81.8%,总量精度为91.1%。说明借助耕地地块数据库,能够提高多时相TM分类的位置精度和总量精度。     

不同特征信息对TM尺度冬小麦面积测量精度影响研究

充分挖掘遥感数据信息，改善作物识别环境，一直是农作物遥感监测的重要工作。以往研究表明最佳波段组合、纹理信息和植被指数信息可以在一定程度上提高分类精度，但这些手段是否一定可以提高作物识别的精度，不同分类器对不同特征信息组合的响应是否一致等都是值得探讨的问题，也是目前研究甚少的问题。为此，该文将平均值(Mean)、方差(Variance)、均一性(Homogeneity)、反差(Contrast)、相异性(Dissimilarity)、熵(Entropy)、角二阶矩(Angular Second Moment)、灰度相关(Correlation)7种纹理信息以及比值植被指数(RVI)、土壤调整植被指数(SAVI)、重归一化植被指数(RDVI)、植被液态水含量指数(NDWI)、有效叶面积植被指数(SLAVI)5种植被指数信息分别加入到TM多光谱数据中，同时还进行了最佳波段选择，利用最小距离、最大似然和支持向量机3种方法进行分类提取小麦，研究了不同特征信息对小麦测量精度的影响。结果表明：该试验区内最佳波段5、4、3组合，纹理信息和植被指数信息的加入，对小麦面积测量精度的提高没有贡献；同一个特征信息组合对不同的分类器影响不同。在实际小麦面积测量的操作中，作业员不应该盲目的加入特征信息。选用何种信息不仅仅和研究区本身的性质有关，还和使用的分类器有关。