排序方式: 共有31条查询结果,搜索用时 15 毫秒
1.
2.
农作物遥感识别中的多源数据融合研究进展 总被引:8,自引:2,他引:8
农作物遥感识别是地理学和生态学研究的前沿和热点,多源数据在农作遥感识别中日益发挥重要作用。笔者从多源数据融合的角度,归纳了2000年后多源数据在农作物遥感识别中应用的总体概况,系统梳理并提炼了当前多源数据融合的主要融合技术和融合模式。围绕与多源数据融合和农作物遥感识别相关的关键词,在Google学术、ISI Web of Knowledge和中国知网中对2000-2014年间国内外发表的论文进行检索,并统计不同传感器的使用频率及结合方式。研究表明,以提高空间分辨率为目标的多源数据融合和以提高时间分辨率为目标的多源数据融合技术是当前的两种主要方式,可以在一定程度上实现时空尺度的扩展。前者的融合技术包括图像融合、正态模糊分布神经网络模型、成分替换、半经验数据模型融合及多分辨率小波分解等,可以提升遥感数据的空间分解力和清晰度,较好弱化混合像元产生的影响,但农作物光谱信息有一定程度的丢失或扭曲,农作物空间分布局部细节信息与纹理特征依然会缺失;后者的融合技术形式灵活多样,可分为同源数据联合扩展时序的时空优化技术和异源数据联合扩展时序的时空优化技术,其可以有效排除短时间段内农作物生育期交叉,但易受不同遥感数据源间光谱反射率或植被指数转换模型及光谱波段设置差异的影响。在融合模式方面,根据数据类型分为光学数据的融合、光学数据与微波数据的融合以及遥感与非遥感数据的融合,以实现卫星资源优势互补为宗旨,充分挖掘不同类型农作物在遥感数据上呈现的光谱、时间和空间特征差异信息。同样,农作物遥感识别研究中的多源遥感数据融合也存在诸多挑战,在未来一段时间内,完善不同传感器之间的合作、更深层次挖掘融合信息以及多尺度长时间序列的中高分辨率农作物空间分布数据集的需求是多源数据融合的农作物遥感识别研究的重点发展方向和亟待解决的问题。研究结果有助于更好地理解多源遥感数据融合的技术和模式,为摸清多源数据融合在农作物识别中总体进展提供支撑,同时也为其他多源数据融合研究提供借鉴。 相似文献
3.
【目的 】机器学习模型在农作物分类研究领域有着较高精度,但如何利用历史样本用于当前时间的作物分类是一个难点。迁移学习的核心思想在于找到已有数据与新数据之间的相似性,文章旨在探索迁移学习方法使用历史样本进行作物分类的可靠性。【方法 】该文以嫩江市为研究区域,基于实地采样数据与遥感数据,用随机森林(Random Forest,RF)分类器,结合多种遥感指数,对2020—2021年嫩江市玉米与大豆种植区域进行分类;利用动态时间规整方法,以2020—2021年实地采样数据生成2022年的分类样本,用RF对2022年嫩江市的玉米与大豆种植区域进行分类。【结果 】(1)对2020—2021年玉米与大豆种植区域进行分类,RF的平均总体精度达到97.8%。(2)对动态时间规整方法生成的2022年玉米与大豆种植区域进行分类,RF的总体精度达到87.5%。【结论 】基于迁移学习的作物识别方法达到较高精度,具有实践意义,可提高历史时期样本的利用效率。 相似文献
4.
【目的】科学探明世界第二大洲--非洲的耕地资源禀赋、准确揭示2000-2010年耕地动态变化规律和过程,服务全球粮食安全。【方法】采用全球首套30 m空间分辨率地表覆盖数据GlobeLand30 的 2000年和 2010年耕地数据产品,在不同分析指标和空间尺度上分析10年间非洲耕地利用格局的总体变化、地理差异特征及其生态环境背景。【结果】2000-2010 年,非洲耕地总面积增加了1 540.63×104 hm2,变化率为 7.42%;5个区域10年间耕地面积变化率从大到小依次是:中非(10.42%)、东非(9.49%)、西非(7.55%)、北非(6.74%)和南部非洲(4.86%);耕地面积数量增加排在前10位的国家是尼日利亚、坦桑尼亚、苏丹、肯尼亚、莫桑比克、乍得、阿尔及利亚、赞比亚、津巴布韦和布基纳法索;耕地面积数量减少排在前10位的国家是科特迪瓦、马里、安哥拉、加纳、马拉维、突尼斯、布隆迪、卢旺达、刚果(金)和南非。2010年,非洲耕地复种指数为98.11%,10年间变化率为13.54%;2010年,5个区域的复种指数从大到小依次是西非(163.75%)、中非(148.01%)、东非(76.64%)、北非(75.20%)和南部非洲(57.56%)。耕地空间格局变化区域差异明显,耕地在各经纬度带上以增加为主,以东半球和北半球面积增加较多;新增耕地主要由林地、草地和灌木地等植被类型开发利用转入,分别占转出总量的 15.19%、66.37%和 11.20%,减少耕地主要转成为林地、草地和灌木地,转出面积分别占转出总量的 21.15%、61.19%和11.78%,新增的耕地面积远大于减少的面积。从耕地变化与生态环境因子之间的关系来看,耕地增减变化主要发生在年均温度为20-30℃区域和年均降水为600-1 200 mm的区域,以及500-1 000 m高原区间和坡度小于2°的平缓地带。【结论】2000-2010年,非洲耕地面积数量和空间变化剧烈,不同区域和国家的耕地变化存在明显差异。研究结果揭示了非洲耕地空间分布及时空变化特征,不仅可为分析全球耕地空间分布格局、揭示其地域差异和时空波动规律提供重要基础参考,也可为耕地增减变化比较集中的区域的政策导向、土地产权制度调整提供科学依据,服务全球粮食安全问题解决。 相似文献
5.
【目的 】东北地区是国家粮食安全的“压舱石”,农业灾害监测、农作物种植结构监测、农作物长势监测、估产和农业土地资源普查监测等一系列农业遥感研究及应用对于保障国家粮食安全具有重要意义。【方法 】文章从东北地区农业遥感研究及应用进展出发,对存在的问题进行论述,并对未来发展方向进行展望。【结果 】东北地区在农业灾害监测、农作物种植结构监测、农作物长势监测与估产和农业土地资源普查方面充分发挥了遥感技术的优势,并得到较好的应用。【结论 】面对东北地区面临的一系列问题,未来从“天空地网”一体化农情监测与预警,推广发展智慧农业、无人农场的现代农业,黑土地保护及耕地质量监测,聚集面向国家重大需求等方向开展深入研究,将能不断促进东北农业的高效、绿色、安全发展。 相似文献
6.
7.
做好母猪冬季繁殖管理工作 ,提高其产仔成活率 ,是实现母猪高产高效的关键所在。多年来 ,很多养殖场户 ,在冬季母猪的繁殖饲养过程中 ,由于技术及设施水平较低 ,使产仔率及成活率受到严重影响。经调查研究 ,总结出本项技术措施 ,经实践验证 ,对提高冬繁母猪产仔成活率有显著效应。1 加强妊娠后期管理 ,提高仔猪初生重研究表明 ,胚胎到妊娠 80天以后 ,才开始迅速发育 ,至 1 1 0天完全成熟。而初生重的大小 ,直接关系着仔猪生后的成活率及生长 ,即人们所说的 :初生重差一两 ,断乳重差 1斤 ,出栏重差 1 0斤。所以 ,为了促进胎儿快速发育 ,提高… 相似文献
8.
【背景】中高空间分辨率(≤30 m)影像是在耕地破碎、种植结构复杂的中国南方开展农作物遥感识别研究的重要数据。然而,要克服中高分辨率传感器重访周期较长以及南方多云雨天气的影响,对影像进行时间窗口合成以协同使用多源中高分辨率遥感数据,是获取时空连续农作物制图结果的必要保障。由于不同卫星影像获取的周期不同,且不同农作物物候季相节律存在较大差异,如何选择影像合成时间窗口是农作物准确识别的关键前提。【目的】通过探究影像合成时间窗口对于农作物识别的影响机制,为大尺度复杂农作物种植结构制图提供重要参考依据。【方法】以农作物类型多样且云雨天气频繁的湖北省江汉平原为研究区,通过协同Landsat-8和Sentinel-2A/2B卫星影像,设置7种时间合成窗口(15、20、25、30、40、50和60 d)情景,分别从影像的覆盖度、不同农作物时序光谱特征以及不同农作物分类精度等角度,深入分析影像时间合成窗口对农作物遥感识别的影响。【结果】在影像20 d时间合成窗口的情景下,江汉平原农作物(冬油菜、冬小麦、水稻、稻虾田和其他作物)的总体分类精度最高,为93.13%。对比而言,在影像较短时间合成窗口(如15... 相似文献
9.
10.
【目的】微波遥感因具有全天时、全天候数据获取的特点,在多云雨的中国南方水稻识别研究中表现出巨大潜力。本研究通过对比Sentinel-1SAR遥感数据和Sentinel-2光学遥感数据用于水稻遥感制图的效果,分析光学和SAR遥感数据对于单双季稻识别结果的一致性,并探索水稻识别的最优SAR影像特征。【方法】本研究使用Sentinel-1/2卫星数据,基于面向对象的随机森林分类算法和Google Earth Engine平台,提取洞庭湖平原4个典型水稻种植区的单双季稻空间分布。通过比较9种不同传感器和特征组合场景的分类精度和分类结果统计指标,并计算NDVI和SAR特征时序(VH、VV、VH/VV)的R2和DTW距离,分析识别单双季稻的最优SAR特征,评估光学和SAR遥感数据对于单双季稻识别结果的一致性。【结果】VH、VV和VH/VV时序识别单双季的总体精度分别为90.42%、82.08%和88.33%,而联合VH和VH/VV时序识别单双季稻的总体精度可达91.67%。VH(VH/VV、VV)时序与单双季稻NDVI时序的R2和DTW距离分别为0.870(0.915、0.986)、4.715(1.896、5.506)(单季稻)和0.597(0.783、0.673)、2.396(1.839、3.441)(双季稻)。较高的R2和较低的DTW距离说明单双季稻的VH/VV时序与NDVI时序相关度更高,可以较好地反映单双季稻的生长周期规律。同时,VH可以较好地反映单双季稻移栽期的淹水特征。基于光学数据和SAR数据在6个时间窗口的特征(S-2:NDVI、EVI、LSWI;S-1:VH、VH/VV)识别单双季稻的总体精度分别为91.25%和90.00%,识别结果面积相关性可达95.70%。【结论】SAR遥感数据与光学遥感数据水稻识别结果一致性较高。应用Sentinel-1在多云雨区识别单双季稻具有巨大潜力,VH和VH/VV后向散射系数时序是识别水稻的优质特征。研究结果为多云多雨区使用SAR数据进行特征优选以高精度识别单双季稻提供了重要技术支撑。 相似文献