利用物候差异与面向对象决策树提取油菜种植面积

及时、准确地获取农作物种植信息,对于农业生产管理和国家粮食安全有重要意义。目前越来越多的免费卫星数据可以用于作物分类及生理参数反演。Sentinel-2卫星于2015年6月发射,提供了13个光谱波段,具有较高的时间分辨率、空间分辨率和光谱分辨率,为不同作物特征区分以及大范围作物种植面积快速提取业务化运行的精度与效率提高带来了契机。随着Sentinel-2数据的免费下载,这就为大面积生产下一代区域或者国家尺度的高分辨率（10~30 m）农情遥感产品提供了可能。物候信息包含了作物随着季节不断变化的特征,利用如NDVI等时间序列植被指数找出不同作物的特征进而开展作物分类得到了广泛应用。本文以油菜为主要研究对象,以长江中下游地区的江汉平原为实验区,基于作物物候差异与面向对象决策树的方法,对Sentinel-2卫星影像用于油菜种植区提取的效果进行了评估与分析。首先利用作物不同生长时期各波段光谱信息以及归一化植被指数等信息的差异分析并找出油菜种植区提取的最佳时相,然后对影像进行多尺度分割,根据对象特征建立决策树逐一去除非植被、林地等干扰类型,进而提取出油菜种植区域。通过分析发现,基于Sentinel-2影像的图像分割可以有效生成不同作物类型的对象;油菜开花期的特征是其区分于其他作物的关键因素,利用该特征可以有效消除分类时其他地物类型对油菜的影响,提高作物分类信息提取的精度和效率。研究表明：在区分油菜的决策树分类特征信息中,贡献最大的是归一化植被指数（NDVI）,近红外波段（NIR）和亮度（Brightness）信息。用162个油菜验证样本点计算混淆矩阵,油菜种植面积提取的总体分类精度为98%以上,Kappa系数为0.95。说明结合物候信息利用Sentinel-2数据进行大范围作物种植面积提取具有巨大潜力,可以提高大范围油菜种植区域快速提取的精度和效率。     

融合多源遥感数据的黑河中游地区生长季早期作物识别

在生长季早期获取作物的种植情况,对于农业水资源管理,尤其是缺水地区的水量分配等具有重大的意义。本文利用改进型时空自适应融合模型（ESTARFM）,将作物生长早期3—6月的Sentinel 2影像与MOD09GQ数据计算得到的NDVI数据进行融合,建立NDVI时间序列,并利用随机森林分类方法对2019年黑河流域中游地区作物种植结构进行早期识别。利用3-6月Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列,作物分类精度达到91.42%,kappa系数为0.85,相比仅使用Sentinel-2 NDVI时间序列的作物分类精度提高1.05%,kappa系数提高0.02。与使用整个作物生长期（3—10月）Sentinel-2 NDVI时间序列的作物分类结果相比,精度仅低1.53%,kappa系数仅低0.03。利用Gini系数对利用Sentinel-2 NDVI与时空融合NDVI相结合建立的时间序列进行特征重要性评估,发现Gini系数得分高于平均值的10期NDVI影像中,有6期为时空融合影像,说明时空融合获取的NDVI数据利于提高分类精度的有效性。对比使用不同长度NDVI时间序列对作物种植结构进行早期识别的精度发现,最早可在4月中旬与4月下旬分别实现对苜蓿和玉米的早期识别;玉米的分类精度受NDVI时间序列长度的影响较大,可在5月下旬实现对玉米的早期识别。     

黑河流域中游地区作物种植结构的遥感提取

及时、准确地获取农作物种植结构对区域水资源管理与作物产量估测等具有重要意义。随着对通过遥感手段获得作物种植结构的深入研究,如何优选遥感数据和分类器成为需要重点考虑的关键问题。针对黑河流域中游地区的作物分布与种植特点,提出一种基于多时相遥感影像与多分类器组合的作物种植结构提取方法。利用2018年18景16 m分辨率的GF-1 WFV影像,构建NDVI时间序列。根据NDVI时间序列表征的作物季相节律和物候变化规律特点,采用分层的策略,首先解译一级土地覆被类型,再解译二级土地覆被类型。一级土地覆被类型解译中,使用决策树分类方法先将NDVI特殊且易提取的水体进行解译,再使用面向对象分类方法通过分区将需借助NDVI纹理信息提取的建设用地进行解译,最后使用随机森林分类方法解译耕地、林地、草地、裸地和湿地。在对耕地的进一步分类中,使用决策树分类方法首先将具有特殊物候规律且易于区分的苜蓿类别解译出来,再将与其他类别物候差异较大的小麦解译,最后将物候相似的玉米、蔬菜及其他解译。黑河流域中游研究区内一级土地覆被分类总体精度为97.24%,卡帕系数为0.96;作物种植结构解译总体精度为86.58%,卡帕系数为0.80。此外,还分析了影响黑河流域中游研究区解译精度的4个因素：对土地覆被类别的定义、混合像元、影像分割时基础影像的选择以及分类方法的选择。通过对不同分类方法的比较发现,与仅使用最大似然分类方法、支持向量机分类方法或随机森林分类方法相比,本文提出方法的解译结果更好,解译精度更高。     

基于时序遥感影像的西南山区地块尺度作物类型识别

西南山区地块破碎且复杂,种植类型多样,且该地区多云多雨,可利用遥感数据有限,利用单一的光谱特征或植被指数难以实现作物的有效识别。物候特征能够反映作物的生长周期规律,可用于复杂地区作物的精细监测。本研究以重庆市潼南区为例,基于多时相中分辨率的Sentinel-2和Landsat8遥感影像,对地块尺度的NDVI、EVI等6个植被指数进行时间序列构建并提取其物候特征,通过特征优选构建多维数据,利用随机森林分类模型对柠檬、油菜、水稻、玉米等作物进行识别。结合植被指数与物候特征进行作物分类,总体精度达94.52%,Kappa系数为0.90,柠檬、油菜、玉米、水稻的精度分别为89.88%、87.30%、84.98%和95.57%。研究表明,利用时序遥感数据的植被指数与物候特征能够有效进行地块尺度的作物识别,为复杂种植结构地区获取大范围作物分布制图提供参考。     

基于NDVI时间序列影像的张掖市农作物种植结构提取

HJ卫星(环境与灾害监测预报小卫星)数据具有较高的时间和空间分辨率,可以有效地进行农作物种类识别,利用其时间序列数据进行作物信息提取具有很大优势。以甘肃省张掖市为研究区,利用2012年4月~2012年10月15个时相的HJ卫星CCD(电荷耦合元件,charge-coupled device)数据,通过分析玉米、油菜、大麦和小麦农作物在整个生长阶段的时间序列NDVI(归一化植被指数,normalized difference vegetation index)变化特点,提取四类农作物NDVI随时间变化的特征曲线,利用决策树分类方法,对2012年张掖市农作物进行分类,并以外业调查得到的实际地面验证点对分类结果进行验证。验证结果表明,可以有效地识别玉米、油菜、大麦和小麦4类农作物,制图精度分别为94.74%、82.35%、78.95%和90%;总体分类精度达到86.43%。而后提取了张掖市2014年农作物种植面积和分布格局,通过对比分析发现,2012~2014年,张掖市玉米、油菜的种植面积有不同程度的增加,大麦和小麦的种植面积各有一定程度的较少。可以为张掖市主要作物的种植结构调整提供科学依据,还可以为黑河流域农作物信息提取研究提供参考。     

基于光谱时间序列拟合的中国南方水稻遥感识别方法研究

多云多雾现象是农作物遥感分类经常遇到的问题,影响分类精度。为解决此类问题,本文提出一种基于时间序列GF-1号遥感影像识别水稻方法。利用多时相时间序列的GF-1号遥感影像提取中稻、晚稻的近红外波段（NIR）反射率、红光（R）波段反射率、归一化植被指数（NDVI）特征;拟合光谱和植被指数时间序列特征曲线;分析多时相影像离散近红外波段 、红光波段、NDVI值落在拟合中稻、晚稻近红外波段、红光波段、NDVI时间序列曲线两侧的敏感性区域的比例,该区域也可以视为水稻作物识别特征的目标特征区域,只有达到一定的比例才能视为某类水稻作物。在此情形下,需要综合3种情况进行集中投票决定其最终分类结果。研究表明：该方法可以在多云雾地区对中稻和晚稻精确识别,中稻和晚稻用户精度可达95.97%和95.95%,总体精度为95.76%,kappa系数为0.9335。实验结果表明了NIR、R、NDVI时间序列曲线拟合的有效性,以及拟合曲线目标特征区域设置的合理性。     

基于NDVI时序数据的水稻种植面积遥感监测分析——以江苏省为例

MODIS植被指数时间序列产品能够连续反映植被的覆盖情况,是农作物遥感测量的重要数据源.本文选取江苏省为研究区,利用2008年23个时相的MODIS NDVI数据,采用S-G滤波法进行时间序列的重构,提高NDVI时间序列信息的真实性.另结合农作物物候历、种植结构、地面调查样本等辅助资料,将水稻植被指数时间序列曲线参量化...     

基于Google Earth Engine和NDVI时序差异指数的作物种植区提取

为提高农作物种植信息遥感监测的效率,扩展数据适用范围,本文提出了一种基于时间序列NDVI差异指数的作物种植区提取方法。随着海量遥感与云计算的发展,Google Earth Engine作为一个全球尺度地理空间分析云平台,弥补了单机计算耗时长的不足,为快速遥感分类带来了新机遇。基于Google Earth Engine平台,以河南省开封市杞县为研究区,以2019—2020年杞县地区多时相Sentinel-2影像为数据源,结合物候信息,根据不同作物在时间序列NDVI曲线上的差异构建NDVI时序差异指数,从而提取作物种植区,区分不同作物类型,并与其他方法进行了精度验证和对比。结果表明：① NDVI时序差异指数法以作物物候信息为基础,与GEE高性能的计算能力相结合,形成了作物种植信息快速提取框架,可以方便快捷地进行作物种植区提取,较本地处理具有明显优势;② 杞县冬小麦和大蒜种植区有明显的空间分异性,冬小麦种植区主要集中在研究区西北部以及南部的农村居民点周围,而杞县大蒜则由于产品流通需要,主要集中在研究区中部以及东北部,居民点较为密集,交通便利的城市周边;③ 与时间序列支持向量机法和最大似然法相比较, NDVI时序差异指数进行作物种植区提取的总体精度达到83.72%, Kappa系数为0.67,分别比最大似然法提高了10.02%和0.21,比支持向量机法提高了4.18%和0.09,表明该方法能更高效率,更高精度地提取作物种植信息,实现区域作物种植信息的高效准确监测。总体来看,该方法在一定程度上可拓展遥感数据在农业领域的应用范围,具有推广价值。     

LSTM支持下时序Sentinel-1A数据的太白山区植被制图

植被分类是森林资源调查与动态监测的基础与前提。当前植被分类研究大都利用光学遥感影像,然而,光学遥感成像易受到云雨覆盖的影响,难以构建完整时间序列,植被分类精度有限。微波遥感具有全天时全天候、时间序列完整的优势,在植被调查与分析中具有巨大的应用潜力。本文利用2018年Sentinel-1A微波遥感时间序列数据和深度循环网络方法,对秦岭太白山区的森林植被进行分类制图。首先利用Sentinel-2光学影像与数字高程数据对研究区进行多尺度分割;然后将处理后的时间序列Sentinel-1A数据空间叠加到分割地块上,构建地块的多元时间序列曲线;最后利用深度循环网络提取与学习多元时间序列的时序特征并分类。实验结果表明：① 与传统机器学习方法（如RF、SVM）相比,本文提出的深度循环网络方法的分类精度提高10%以上;② 在Sentinel-1A微波极化特征组合中VV+VH表现最好,与VV+VH+VV/VH极化特征组合的精度相近;③ 使用全年的时间影像构建时间序列分类精度最高,达到82%。研究表明,利用深度循环网络与时间序列Sentinel-1A数据的方法能够有效提高植被分类的精度,从数据源与分类方法上为森林植被分类研究提供了新的思路。     

农业土地利用遥感信息提取的研究进展与展望

农业用地占到全球土地面积近一半,农业土地利用（包括耕地及作物分布、种植制度、土地管理等）变化直接影响到粮食安全、水安全、生态安全和气候变化。遥感已经成为土地利用信息获取的重要手段,近年来中分辨率遥感卫星如Landsat、Sentinel以及中国高分卫星等的免费开放为国内外农业土地利用信息提取提供了前所未有的机遇,取得了一系列重要研究进展。本文从耕地分布、作物类型识别、农业种植制度以及农业土地管理4个角度分析了土地利用信息提取的最新研究进展。结果发现：① 耕地分布产品已经由过去的粗分辨率提升到10~30 m,耕地现状数据较为丰富,但挖掘遥感数据实现耕地变化历史回溯的能力有待加强;② 作物分类方面多采用地面调查数据和卫星遥感（Landsat和Sentinel-2为主）相结合的方式进行,在北美和欧洲得到了业务化运行,但对作物种植面积早期监测的能力有待加强;③ 基于遥感的农业种植制度信息获取（如撂荒）研究多集中在东欧等地区,在中国由于经济和政策因素导致的撂荒、轮作、休耕等现象也十分普遍,但具有针对性的遥感监测研究目前还相对缺乏;④ 农业土地管理措施信息提取方面,区域灌溉面积产品取得了重要进展,但数据的可靠性和准确性仍有待提高。在此基础上,我们结合遥感大数据、深度学习算法、云计算平台的发展对未来农业土地利用信息提取研究进行了展望：① 融合多源数据形成更高维度空间、光谱和时间信息的遥感大数据,提升特征提取和数据挖掘能力;② 机器学习和深度学习算法等智能化方法与基于地理学和物候信息的专家知识方法的耦合;③ 遥感云计算和大数据挖掘等前沿遥感和计算技术的应用。     

关键生育期冬小麦和油菜遥感分类方法

农作物空间分布的遥感识别是地理学、生态学和农学等多学科研究的前沿和热点,多源遥感数据在其中发挥着重要的作用。本研究结合冬小麦和油菜的种植及生长特点,以安徽省合肥市为研究区域,利用ZY-3、Sentinel-2和GF-1等多源遥感影像数据,以高程、坡度等数据为辅助信息,结合以多尺度分割、最邻近法和阈值法等为主要步骤的面向对象的分类方法,提取研究区合肥市冬小麦和油菜种植的空间分布信息。结合来自于GVG农情采样系统和Google Earth高分辨率影像上获得的地面验证数据进行分类精度验证,计算得到分类结果的混淆矩阵,并根据混淆矩阵数据计算出分类的总体精度为94.43%,Kappa系数为0.914。结果表明,本研究提出的方法能够有效地区分在冬小麦和油菜的混种区域里两种作物种植区域的空间分布,且这种多种策略相结合的分类方法体系,能够适用于其它区域甚至是更加大尺度上的作物分类。     

Object-oriented crop classification based on UAV remote sensing imagery

UAV remote sensing images have the advantages of high spatial resolution,fast speed,strong real-time performance,and convenient operation,etc.,and have become a recently developed,vital means of acquiring surface information.It is an important research task for precision agriculture to make full use of the spectrum,texture,color and other characteristic information of crops,especially the spatial arrangement and structure information of features,to explore effective methods for the classification of multiple varieties of crops.In order to explore the applicability of the object-oriented method to achieve accurate classification of UAV high-resolution images,the paper used the object-oriented classification method in ENVI to classify the UAV high-resolution remote sensing image obtained from the orderly structured 28 species of crops in the test field,which mainly includes image segmentation and object classification.The results showed that the plots obtained after classification were continuous and complete,basically in line with the actual situation,and the overall accuracy of crop classification was 91.73%,with Kappa coefficient of 0.87.Compared with the crop planting area based on remote sensing interpretation and field survey,the area error of 17 species of crops in this study was controlled within 15%,which provides a basis for object-oriented crop classification of UAV remote sensing images.     

面向对象的特色农作物种植遥感调查方法研究

宁夏自治区具有土地、光能、引黄灌溉等优势,为宁夏特色农作物（硒砂瓜、枸杞、大枣）的生长提供了先天条件。快速准确地获取特色农作物的种植信息不仅是宁夏特色农作物监测、估产和灾害评估的重要依据,同时也是分析特色农作物结构分布变化和评价区域特色农业生产影响的重要凭证。近年来,随着航天技术和卫星传感器的不断发展,越来越多的学者将遥感技术运用到农作物种植信息的提取研究中。但是传统的遥感调查模型都是基于中低分辨遥感数据建立的,对于新的高分数据没有完备的信息提取模型。此外,基于GF-1遥感影像对类似宁夏特色农作物（硒砂瓜、枸杞、大枣）的信息提取研究相对较少,决策条件和分类模型的选择也难以满足高分农业的需求。基于此,本文利用国产GF-1 PMS遥感影像,在分析3类特色农作物光谱特征和纹理特征的基础上,建立了面向对象的支持向量机（SVM）分类模型,总体分类精度达到94.94%,Kappa系数为0.9174。同时将分类结果与传统的SVM分类结果相比较,研究发现面向对象的SVM模型的精度更高,效果最好,纹理信息的引入使光谱特征差异较小的枸杞和大枣更容易区分,有效降低了模型错分和漏分误差,改善了模型分类结果。研究结果为实现宁夏特色农作物的快速自动化提取提供了有效途径,也为开展农作物承保和受灾定损评估体系建设提供技术支撑。     

多星数据协同的地块尺度作物分类与面积估算方法研究

为了解决多云雨地区遥感数据时空覆盖缺失的问题,以满足对地块尺度作物种植信息日益迫切的应用需求,本文在遥感图谱认知理论框架下发展了一种基于多星数据协同的地块尺度作物识别与面积估算方法。首先,基于米级高分辨率影像提取农田地块对象;其次,通过对多源中分辨率时序影像的有效化处理和指数计算,获取“碎片化”的高时空覆盖有效数据,并以地块对象为单元构建时间序列;然后,在时序分析基础上,建立多维特征空间,结合作物生长物候特征,构建决策树模型进行作物分类识别与面积计算;最后,以湖南省宁远县为研究区开展了水稻种植信息的提取实验。结果表明：本文方法可在农田地块尺度下实现不同水稻类型的准确识别及其种植面积的精细提取,早、中、晚稻的用户精度分别可达94.33%、90.76%和95.95%,总体分类精度为92.51%,Kappa系数为0.90;早、中、晚稻面积提取精度分别为93.37%、91.23%和95.42%。试验结果证明了本文方法的有效性,为其他作物种植信息的精细提取提供了借鉴。     

基于多层神经网络与Sentinel-2数据的大豆种植区识别方法

大豆作为全球最重要的油料作物,是中国进口的大宗农产品,对其种植区的精准识别是决策制定、种植结构调整基础,对国家粮食安全有重要意义。本文利用Sentinel-2作为数据源,利用多层神经网络方法与对大豆进行提取,并与随机森林、决策树、支持向量机等机器学习进行对比,发现F1-Socre指标显示多层神经网络的分类精度最高,为93.53%,其次为随机森林、支持向量机、决策树。将神经网络分类结果与SLIC面向对象分割聚合之后,结果既忽略了同一地块的微小差别,又区分出了不同地块的作物差异,很好的体现了大豆的分布。Sentinel-2数据是进行大尺度大豆种植监测的绝佳数据源,大豆与玉米等其他作物在第二个红边波段的反射率有较为明显的差异。多层神经网络方法在图像分类任务中表现出色,结合图像分割算法精度可达到95.51%,可以满足大豆种植面积监测的需求。     

面向对象和DEM的ZY-1 02C影像湿地提取研究

本文运用面向对象分类与DEM数据相结合的方法,对资源卫星一号02C卫星遥感影像进行湿地提取。探索了基于对象与DEM信息的提取技术,在02C影像湿地的提取应用,对研究我国国产卫星在湿地监测和保护方面有重要的意义。研究结果表明：（1）面向对象的遥感影像信息提取方法,可同时兼顾影像光谱信息及空间信息,适用于02C影像的湿地提取,精度得到明显提高;（2）基于对象与DEM信息的提取方法,使沼泽地与草地相混淆的现象明显减轻,湿地分类精度进一步提高,该方法适用于高分辨率遥感影像的湿地提取研究;（3）基于对象与DEM信息提取的水田、水体、沼泽地及河滩的精度,分别为88.46%、97.44%、86.96%和83.33%,满足资源卫星一号02C遥感影像对湿地进行监测和保护的需要。