华北平原冬小麦面积遥感提取及时空变化研究

多年作物种植面积的时空变化可以反映种植结构的调整结果,并可用于进行驱动力分析。为解决连续遥感监测作物种植面积变化过程中,不同的训练样本或分类规则不能较好地反映作物种植面积时空格局变化的问题,本文首先根据研究区(华北平原)农业气象观测站提供的主要农作物物候观测资料获得主要农作物典型物候期特征,结合HANTS滤波后的NDVI时间序列数据提取不同地物类型的NDVI时序曲线,引入复种指数,探讨了CART算法在提取华北平原冬小麦种植面积的可行性,最后提取了2000—2013年华北平原冬小麦种植面积,并参考市级的农业统计数据进行精度评价。经检验,近13年的遥感监测种植面积与农业统计面积相关系数达到0.94(置信水平为95%),且各市13年面积一致性小于40%的概率仅为15%。利用遥感监测多年冬小麦空间分布信息获得其空间种植概率,能较好地反映研究区冬小麦的主要种植区,该方法可为大范围、连续年份冬小麦种植面积时空格局的遥感监测提供参考。     

基于多物候特征指数的冬小麦分布信息提取

以往的冬小麦分布信息提取研究大多基于单个物候期或单个植被指数,未考虑不同物候期特征及不同物候期之间的联系导致分类精度较低。为提高提取精度,本文基于冬小麦播种期、越冬期、生长期及成熟期选取相应特征指数,提出一种多物候特征指数的冬小麦识别方法,并对2020年焦作市的冬小麦面积进行提取。通过对不同物候期、不同分类方法下的结果进行对比,结果表明：在物候期的选择上,加入越冬期后,随机森林与支持向量机分类的总体精度与Kappa系数呈现不同程度的提升,均方根误差(RMSE)分别减小19.3%和9.8%,提取冬小麦面积的误差百分比分别降低8.64、4.42个百分点。在不同分类方法上,随机森林相较于支持向量机、最小距离,分类的总体精度与Kappa系数更高。相较于支持向量机,随机森林分类的RMSE减小19.6%。相较于单一特征指数,基于随机森林的多物候特征指数分类的总体精度,Kappa系数更高,RMSE为1.84×10³ hm²,比单一特征指数减小33.6%,提取冬小麦面积的误差百分比减小7.14个百分点。     

土地利用分类粒子群优化概率神经网络半监督算法

针对以往土地利用监测大都采用监督分类算法,成本较高、错分漏分严重且受人为因素影响较大的问题,提出了一种粒子群优化概率神经网络的半监督分类算法.该算法通过粒子群优化算法优化分类器的参数,提高分类器的精度,运用香农熵选择高置信度的样本扩展初始训练样本集,将大量未标记的样本扩展到训练样本集中,减少了初始标签样本的数量,节约了...     

基于植被遥感信息的作物蒸散量估算模型--以华北平原冬小麦为例

本文基于作物系数法并结合植被遥感信息(MODIS/NDVI),提出一种能反映作物空间分布和土壤供水差异信息的作物蒸散量估算模型。利用该模型得到2000—2013年华北平原冬小麦的蒸散量,模拟结果与遥感蒸散产品吻合度较高(R2=0.952,RMSE=1.3×107 m3),并分析了冬小麦蒸散量和灌溉耗水量的时空变化。结果表明:1华北平原冬小麦蒸散量呈南高北低的格局。基于250 m空间分辨率上来看,山东省、河南省的黄河灌区以及太行山前平原的冬小麦蒸散量可达400 mm以上,中部平原区冬小麦蒸散量350 mm,滨海一带蒸散量200 mm。2冬小麦灌溉耗水量与其蒸散量格局相一致。在太行山前平原、河南省和山东省的引黄灌区,灌溉耗水量可达250 mm以上;河北平原北部由于冬小麦种植比例较低,灌溉耗水量100 mm。3近14年河北平原北部冬小麦播种面积下降明显,区域灌溉耗水量减少,地下水位下降趋势得到明显缓解。本文提出的作物蒸散量估算模型能够较好地用于确定较大区域作物蒸散耗水量,并可应用于区域作物灌溉量的评估与管理中。     

基于Sentinel-1A影像的原阳县玉米和水稻分类时间窗选择

使用遥感技术可以快速、准确地识别作物类型。本研究以河南省原阳县为试验区，基于Google Earth Engine(GEE)云平台，以玉米、水稻关键生育期的Sentinel-1A影像为数据源，分析各类地物的极化特征时序曲线。对6期Sentinel-1A影像进行穷举组合，使用随机森林算法对所有影像组合分类，分析各生育期影像对作物分类的重要性，选出玉米、水稻分类最佳时间窗。结果表明，作物生长中后期影像对作物分类更重要，其中玉米的乳熟期最重要，水稻的灌浆期最重要。全生育期影像组合中玉米的用户精度和生产者精度分别为90.43%和90.53%,水稻的用户精度和生产者精度分别为88.89%和89.01%。经过优选，大喇叭口期至成熟期为玉米分类最佳时间窗，相较于全生育期影像组合，此生育期影像组合的玉米用户精度和生产者精度分别提高了3.38个百分点和5.26个百分点；拔节期至成熟期为水稻分类最佳时间窗，相较于全生育期影像组合，此生育期影像组合的水稻用户精度和生产者精度分别提高了4.73个百分点和2.66个百分点。本研究结果可以为Sentinel-1A影像在原阳县及其附近区域的玉米、水稻种植结构监测研究...     

基于"残差-挤压激励"深度混合卷积网络的土地利用分类

土地利用变化的监测需要高精度的土地利用分类图，遥感技术的发展为这一工作提供了便利。然而，传统分类方法往往无法针对性的利用影像中的信息，其分类结果中地物边缘信息模糊，分类精度不高且噪声较大，难以满足土地变化监测的需要。该研究针对传统方法分类结果不理想的问题，提出一种基于"残差-挤压激励"单元的混合卷积神经网络模型，采用膨胀卷积层对影像进行"光谱-空间"特征提取，并引入"残差-挤压激励"单元，实现特征重用的同时，选择性的强调信息性特征，对噪声性特征进行抑制，最后对得到的特征进行整合实现对遥感影像的分类。该研究提出的模型与k-最邻近算法（K-Nearest Neighbor, KNN）、支持向量机（Support Vector Machine, SVM）、二维卷积网络（2D- Convolutional Neural Network, 2D-CNN）以及混合卷积网络（HybridSN）相比，在试验数据集上总体精度分别提高了11.15个百分点、11.18个百分点、0.06个百分点和2.46个百分点。且有效减少了地物边缘信息的损失，验证了该方法的有效性。此外，基于该方法分类结果统计出的耕地面积与试验区真实耕地面积仅相差0.77%，误差绝对值远低于其他分类方法。