农作物分类成数的精度检验

选择山西太谷一个 5km× 5km的实验区 ,利用样条采样框架结合GVG农情采样系统调查农作物分类成数。同时借助QuickBird甚高分辨率遥感影像进行地面作物种植地块勾绘 ,并派出地面调查队伍进行作物填图 ,统计汇总出的农作物分类成数的真实值。然后将两种不同方法得出的分类成数进行对比 ,发现利用样条采样框架和GVG农情采样系统对于大宗粮食作物分类成数的调查相对误差在 3%以内 ,能够满足中国农情遥感速报系统的运行需要。而对于小成数作物的调查精度较低 ,且存在漏采现象 ,不能满足需求 ,同时也由于漏采现象的存在和图片判读的主观性。利用样条采样框架和GVG农情采样系统获取的大宗作物分类成数略大于真实值 ,存在少量的系统误差 ,需要进行地面验证并加以克服。     

作物种植成数的遥感监测精度评价

以河南开封和山西太谷地区作为研究区域 ,选用LandsatTM作为农作物种植面积遥感监测的数据源。利用LandsatTM提取河南开封实验区 2 0 0 1年的夏季作物和山西太谷地区 2 0 0 3年秋季作物的作物种植成数。同时 ,利用IKONOS ,QuickBird高分辨率遥感影像 ,通过地面调查进行了地面作物填图和分类 ,同样得到实验区的农作物种植成数。最后通过两种结果对比 ,表明开封实验区夏季作物的监测精度达到 99%以上 ,太谷实验区秋季作物的监测精度达到 97%以上 ,由此推断 ,表明利用LandsatTM监测农作物种植成数的精度能够满足中国农情遥感监测的运行化要求     

全国作物种植结构快速调查技术与应用

现有种植结构的分析都是基于统计数据 ,时效性低及精度差 ,难以及时为各级政府部门提供决策支持。以“中国农情遥感速报系统”使用的GVG农情采样系统和样条采样框架为基础 ,提出了快速获取全国农作物种植结构的技术方法 ,并以 2 0 0 2年为例 ,开展全国夏粮和秋粮种植结构的调查与现状分析。全国夏粮的粮经比例为 5 8%∶2 1% ,秋粮的粮经比例为 79%∶14 % ,粮食作物仍然占有较大的比例。调查表明 ,全国范围的种植结构在时间和空间上变化很大。黑龙江省的大豆种植成数最高 ,达到38% ,是中国的大豆主产区 ;吉林和辽宁两省的春玉米种植成数相差不大 ,高达 71% ;黄淮海地区夏粮以种植冬小麦为主 ,种植成数高达 97% (河北省 ) ,秋粮以夏玉米为主 ,种植成数高达 82 % (河南 ) ;以长江为界 ,冬小麦和油料在长江南北的种植成数变化很大 ,长江以北冬小麦与油料并重 ,以南以油料为主。秋粮则以中晚稻为主 ,种植成数均超过 6 6 % ;华南夏粮和秋粮均以水稻为主 ,其中广东的蔬菜瓜果的种植成数高达 2 9% ;西南地区的秋粮以中稻和夏玉米为主 ,其中云南省的棉麻糖的种植成数高达19% ,说明云南省仍然是中国的烟草大省。经济发达或邻近经济发达地区的省份的蔬菜瓜果的种植成数较大 ,如天津市高达 34%。     

农作物种植面积遥感估算的影响因素研究

针对不同的农作物种植结构区,研究影响遥感影像分类各因素与农作物种植面积估算精度的定性和定量关系是十分必要的。以Rapid Eye影像提取的早稻种植信息为研究对象,从农作物的种植成数、种植破碎度和地块形状指数3个角度进行了不同空间分辨率下各因素对农作物面积监测的影响研究。结果表明:随着农作物种植成数的降低,种植结构越来越破碎,种植地块趋于狭长分布,各分辨率下农作物面积估算精度均呈递减趋势;要达到85%以上的面积估算精度,当作物种植成数在50%以上时,可选取高于150 m分辨率的遥感数据;当作物种植较为破碎时,需要在提高影像空间分辨率的同时融入其他技术手段;当作物种植地块为狭长分布时,提高影像的空间分辨率并不能保证面积估算精度,必须通过其他技术手段达到精度要求;并最终得到了4种影响因素对面积估算精度的定量评估模型。研究结果为解决不同农作物种植结构区遥感数据的选择、面积估算精度的提高,以及在特定研究区和数据源条件下可达到的面积估算水平等问题提供了理论基础。     

GVG农情采样系统及其应用

介绍了通过对GPS、VIDEO摄像头、GIS的综合集成 ,用于野外农作物采样的信息快速采集、定位和处理分析系统 ,简称为GVG农情采样系统。系统包括影像采集卡、视频摄像头、GPS接收卡、GPS天线和工控计算机 ,在野外采集时采用汽车为主要工作平台 ,以各级公路为样线进行动态采样。系统工作时实时采集GPS信号 ,捕捉视频影像 ,同时根据GPS位置自动获得GIS属性信息 ,并自动记录在后台数据库。野外工作结束后 ,系统提供的功能允许操作人员对每条记录的照片中各类农作物所占比例进行赋值 ,统计单元内各种作物的分类成数 ,包括采样线、县级、农业区划级和省级单元。GVG系统的自动数据采集方式和GIS支持下的图像分析和统计方法提高了数据的采集和室内数据分析的效率 ,同时保证了采样的精度 ,经过不同地区的精度检验 ,作为“中国农情遥感监测系统”的重要组成部分 ,在全国范围内对大宗农作物分类成数的监测精度达到 95 %以上。     

中国农情采样网络的组织与实施

首先分析了农情采样网络建设所面临的问题 ,确定了中国农情采样网络的采样目的主要是农作物分类成数调查 ,并将全国划分为 9个采样片分别组织采样队伍进行农情采样的方案。从采样片划分及调整、农情采样队伍建设、农情采样内容、采样频次和采样时间 ,以及质量控制等角度讨论了农情采样网络的组织建设工作。从技术培训、督促、野外采样、室内汇总、质量检查和年终总结等方面介绍了中国农情采样网络的实施情况。实践证明 ,文中介绍的农情采样方案效率高 ,成本低 ,仅用 9个专业小组就完成了全国的农情采样工作 ,是一种符合中国国情的农情采样方案 ,有一定的推广价值。     

基于GF-1卫星数据的冬小麦种植面积估算模型

目前遥感技术越来越广泛地应用于农作物面积的估算,本文研究了基于高分辨率卫星影像的农作物面积测量技术,提出一种冬小麦种植面积估算模型。该模型采用最大似然法对遥感影像进行监督分类,利用耕地矢量数据优化分类结果,结合高分辨率样本村数据拟合估算冬小麦种植面积。以泗洪县为研究区,采用GF-1卫星数据完成了泗洪县冬小麦面积提取实验,验证了该模型的有效性。     

基于总体抽样设计的子总体作物面积遥感测量

讨论了在普遍适用的遥感与PPS抽样相结合的农作物种植面积估算方法中,基于总体抽样设计下的子总体参数的估计。该方法省去了针对子总体所需要的新的抽样体系设计及外业调查等繁重工作,分析了子总体估计量的性质。以北疆主要棉花产区沙湾县、玛纳斯县、呼图壁县为总研究区进行抽样体系设计,以沙湾县为子总体,以棉花种植面积为研究对象进行了试验。结果显示,该方法在基于总体抽样设计的条件下不仅能够有效提取农作物种植面积,而且简便易操作,反推精度达到92.5%,变异系数为0.025 27。     

通过训练样本采样处理改善小宗作物遥感识别精度

训练样本质量是决定农作物遥感识别精度的关键因素,虽然高空间分辨率卫星的发展有效地解决了农作物遥感识别过程中的混合像元问题,但是当区域内不同作物种植面积差异较大时,训练集中不同类别样本数量往往相差较大,这样的不均衡数据集影响分类器的训练,导致少数类别的识别精度不理想。为研究作物遥感识别过程中的不均衡样本问题,本文基于GF-2号卫星数据,首先挖掘了地物的光谱信息、纹理信息,用特征递归消除RFE (Recursive Feature Elimination)方法进行特征优选,然后从数据处理的角度采用了5种采样算法对不均衡训练集进行处理,最后使用采样后的均衡数据集训练分类器,对比数据采样前后决策树与Adaboost(Adaptive Boosting)两种分类器的识别结果,发现:(1)经过采样处理后两种分类算法明显提升了小宗作物的分类精度;(2)经过ADASYS (Adaptive synthetic sampling)采样处理后,分类器性能提升最多,决策树的Kappa系数提高了14.32%,Adaboost的Kappa系数提高了10.23%,达到最高值0.9336;(3)过采样的处理效果优于欠采样,过采样对分类器的性能提升更多。综上所述,选择合适的采样方法和分类方法是提高不均衡数据集遥感分类精度的有效途径。     

中国农情遥感速报系统

介绍了中国农情遥感速报系统的建设情况 ,系统内容包括农作物长势监测、农作物种植面积监测、农作物单产预测与粮食产量估算、作物时空结构监测和粮食供需平衡预警等。简要介绍了 1998年以来中国农情遥感速报系统在监测内容与监测范围、监测频率、技术发展以及质量控制与过程检验体系建立等方面的进展 ,并就中国农情遥感速报系统的发展方向提出了展望。     

农作物单产预测的运行化方法

提出了适于运行化农作物单产预测的方法。即以农作物单产区划为基础 ,通过搜集不同地区不同作物的单产预测模型 ,分析每个模型的空间适用范围 ,并从模型参数等角度筛选模型 ,然后利用这些模型进行气象站点的作物单产预测 ,并以NDVI分布图为参考数据将点上的单产数据空间外推到区域尺度。借助耕地分布估计区域水平的农作物单产。最后以 2 0 0 3年冬小麦为例 ,进行了全国 10个省的冬小麦平均单产估算 ,花费了较少的人力和时间 ,符合运行化遥感估产要求     

Improvement in Precision of Crop Acreage Estimation by Remote Sensing Using Frequency Distribution Based Stratification

A study was conducted to improve precision of crop acreage adopting stratified random sampling approach. Remotely sensed data was used to classify mustard crop for the states of Rajasthan, Madhya Pradesh, Uttar Pradesh, Gujarat and Haryana covering 81% of mustard area of India. A grid of size 5 × 5 km was super-imposed on classified image of study area and proportion of mustard crop within the grid was ascertained. Crop proportion was used to determine strata. Stratification was done based on equal interval of proportion, equal sample number and cumulative square root of frequency method. Cumulative square root of frequency method gave highest precision in all the cases.     

A quantitative performance comparison of paddy rice acreage estimation using stratified sampling strategies with different stratification indicators

Various indicators derived from thematic maps have been widely used to determine the strata needed to perform stratified sampling. However, these indicators typically do not quantify the spatial errors in the crop thematic maps that are needed to reduce the uncertainty. To address this lack of error information, this paper introduces a hybrid entropy indicator (HEI). Two conventional indicators, the acreage indicator (AI) and the fragmentation indicator (FI), were also evaluated to compare the results of the three indicators in a homogeneous agricultural area (Pinghu, PH) and a heterogeneous agricultural area (Zhuji, ZJ). The results show that HEI performs the best in heterogeneous areas with the lowest coefficient of variation (CV) (as low as 1.59%) and also has the highest estimation accuracy with the lowest standard deviation of estimation. For both areas, the performances of HEI and AI are very similar, and better than FI. These results highlight that the HEI should be considered as an effective indicator and used in place of AI and FI to help improve sampling efficiency of crop acreage estimation, while FI is not recommended. Furthermore, the positive performance achieved using HEI indicates the potential for incorporating thematic map uncertainty information to improve sampling efficiency.     

Crop classification and acreage estimation in North Korea using phenology features

In North Korea, reliable and timely information on crop acreage and spatial distribution is hard to obtain. In this study, we developed a fast and robust method to estimate crop acreage in North Korea using time-series normalized difference vegetation index (NDVI) derived from the Moderate Resolution Imaging Spectroradiometer (MODIS) data. We proposed a method to identify crop type based on NDVI phenology features using data collected in other areas with similar agri-environmental conditions to mitigate the shortage of ground truth data. Eventually the classification map (MODIScrop) was assessed using the Food and Agriculture Organization (FAO) statistical data and high-resolution crop classification maps derived from one Landsat scene (LScrop). The Pareto boundary method was used to assess the accuracy and crop distribution of the MODIScrop maps. Results showed that acreage derived from the MODIScrop maps was generally consistent with that reported in the FAO data (a relative error <4.1% for rice and <6.1% for maize, and <9.0% for soybean except for in 2004, 2008, and 2009) and the maps derived from the LScrop (a relative error about 5% in 2013, and 7% in 2008 and 2014). The classification accuracy reached 74.4%, 69.8%, and 73.1% of the areas covered by the Landsat images in 2008, 2013, and 2014, respectively. This indicates that features derived from NDVI profiles were able to characterize major crops, and the approaches developed in this study are feasible for crop mapping and acreage estimation in regions with limited ground truth data.