构建时空融合模型进行水稻遥感识别

传统变化检测手段进行水稻遥感识别受"云污染"和影像间配准误差导致的变化检测误差累积及"椒盐"现象的影响,水稻遥感识别精度低。本文提出时空融合模型(Temporal-Spatial-Fusion Model,TSFM)进行水稻遥感识别,旨在综合像元在时间、空间维度上的信息定义像元的水稻时空归属度,根据时空归属度划分阈值提取水稻。实验结果表明:在不同窗口尺度下,TSFM在整体和"云污染"区域对水稻提取均达到了较高精度。当窗口尺度为3×3时,水稻提取的用户精度、制图精度和总体精度分别达到93.4%、83.5%和87.9%。在不同窗口尺度下水稻提取的用户精度、制图精度、总体精度均高于分类后比较PCC(Post-Classification Comparison)和多数投票法(Majority Voting,MV);在"云污染"区域,水稻识别总体精度均在92.0%以上,水稻制图精度比PCC、MV分别至少提高了14.0%、7.6%。有效地解决了传统变化检测作物遥感识别存在的误差累积问题,在一定程度上避免了"云污染"和"椒盐"现象对识别结果的影响。另外,初步探讨了TSFM水稻提取精度与景观特征关系,发现在景观规整区域适宜采用较小的窗口,在破碎区域适宜采用较大的窗口。该方法的成功实施,为大范围开展秋粮作物遥感识别,消除"云"影响进行了前期实验探讨。     

基于GF-1的山地主要农作物种植信息提取研究

为探索GF-1 PMS多光谱数据影像在低山丘陵地貌破碎地区主要农作物遥感识别中的信息有效性,以重庆市永川区卫星湖街道为例,利用研究区多时相、多光谱特征影像,对研究区油菜、玉米、水稻等主要作物进行信息提取。提取结果显示,利用GF-1多时相多特影像,水稻作物信息提取生产精度与用户精度均达到90%以上,提取精度较低的旱地作物玉米提取效果也得到了提升,油菜作物信息提取生产精度大幅度高于用户精度,主要作物提取总体精度OA为80.93%,Kappa系数0.635,分类质量达到较好水平。基于多时相GF-1影像光谱、纹理等特征的面向对象分类方法,能够有效地提取南方低山丘陵破碎地貌地区主要农作物空间分布信息,提高主要农作物的遥感识别精度,为山地农作物遥感信息提取提供参考。     

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。     

基于MODIS的黑龙江省农作物种植结构提取研究

基于2015年多时相MODIS数据,以黑龙江省主要农作物(大豆、玉米和水稻)为研究对象,利用黑龙江省主要作物的物候期特征、NDVI特征曲线信息和NDWI反映的耕地类型,采用决策树构建不同种类农作物的遥感提取模型,以提取大尺度农作物的空间分布格局信息。结果表明,构建的遥感提取模型有效地提取了主要农作物的空间分布信息,以东北实地调查数据为评价标准,玉米、水稻、大豆的分类精度分别为83.90%、84.71%和78.26%;以统计数据为评价标准,玉米、水稻、大豆的分类精度分别为84.463%、88.094%和81.485%。     

基于GF1-NDVI时序影像对春小麦进行提取研究

利用传统方法对农作物种类、分布和种植面积等调查,需要耗费大量的人力、物力和财力。该研究以西宁市为研究区域,采用高分一号影像,对西宁市春小麦进行分类和提取模型设计。在全生育期波谱特征曲线分析基础上,提取春小麦的NDVI(归一化植被指数)曲线特征。采用基于NDVI阈值的决策分类技术,进行作物识别与提取。最后设计精度自检方案,通过混淆矩阵得出其总体精度达到93.8%,kappa系数为0.875。其用户精度和制图精度分别为93.7%和94.9%。从分类精度可以看出,利用中高分辨率遥感卫星影像,在作物NDVI时间序列变换规律分析的基础上,可以准确的进行大面积农作物的分类与提取。在全国农作物面积与农作物种类等资源调查中具有非常大的应用潜能。     

兼容多源数据的森林湿地信息提取和比较分析

针对以光谱特征差异为依据,提取森林湿地信息精度低的问题,该文采用兼容多源数据的分类回归树(CART)提取方法,并以大沾河国家森林湿地进行实证研究。基于Landsat8遥感数据、Radarsat-2极化雷达数据和地形辅助数据,采用SPM软件分别构建3种特征变量组合的CART决策树模型,并获取分类规则,最后根据规则对研究区的森林湿地信息进行提取。结果表明:3种特征变量组合中,兼容光谱、纹理、雷达与地形辅助数据的CART决策树的森林湿地信息提取精度最高,用户精度和制图精度分别达到了88.46%和82.14%。研究结果体现了雷达数据与地形辅助数据有助于提取森林湿地信息。     

基于无人机高光谱影像波段选择的薇甘菊分类

薇甘菊是危害最严重的外来入侵物种之一，其生长与传播极其迅速，对我国森林生态系统造成了严重破坏，相关管理部门需要一个有效的薇甘菊监测手段。传统人工调查方式需要投入大量的人力物力，成本高昂、效率低下；近年来快速发展的高光谱遥感技术为薇甘菊的监测提供了新思路。本文以无人机搭载的Nano-Hyperspec高光谱仪获取的广东省增城林场遥感影像数据为基础，对高光谱数据进行几何校正、影像降噪处理、辐射定标及坏带波段剔除等影像预处理；运用最佳指数因子法（OIF）、自适应波段法（ABS）、自动子空间划分（ASP）与自适应波段相结合的波段选择法（ASP+ABS）3种方法进行波段选择，获取信息量较大且波段间相关性较低的特征波段组成薇甘菊分类最佳波段组合，生成3幅遥感影像；最后采用支持向量机方法（SVM）对生成的3幅不同遥感影像进行分类，以分类结果的精度评价3种波段组合对薇甘菊高光谱特征的响应程度，选出更能反映薇甘菊的光谱特征的波段组合。试验结果表明，针对Nano-Hyperspec遥感影像数据，使用OIF波段选择法，研究区内薇甘菊的制图精度和用户精度分别为74.62%、66.52%；使用ABS波段选择法，研究区内薇甘菊的制图精度和用户精度分别为74.37%、67.43%；使用ASP+ABS波段选择法，研究区内薇甘菊的制图精度和用户精度分别达到95.98%、92.98%，分类精度最佳，相较OIF法中薇甘菊的制图精度和用户精度分别提高了21.35%、26.46%，相较ABS法中薇甘菊的制图精度和用户精度分别提高了17.15%、19.3%。可见，本文使用的子空间划分与自适应波段相结合的波段选择方法相较其他两种波段选择方法能更好地反映薇甘菊的光谱特征，可为薇甘菊监测提供有效的技术手段。     

融合时间序列环境卫星数据与物候特征的水稻种植区提取

获取高精度的区域水稻种植面积对于农业规划、配置与决策具有重要意义。区域尺度的水稻面积获取依赖于高时空分辨率影像,但受卫星回访周期和气候影响,难以获取足够时间序列的高时空分辨率影像,从而影响水稻种植面积遥感提取的精度。为此,提出适应于中国南方多雨云天气地区,基于国产环境卫星(HJ-1A/1B)与MODIS融合数据的水稻种植面积提取的新方法。以洞庭湖区为实验区,利用STARFM模型融合环境卫星NDVI数据与MODIS13Q1数据,获取时间序列的环境卫星NDVI数据,利用水稻关键期的NDVI数据结合物候特征参数对水稻种植区域进行提取。结果表明,该方法能有效提取区域水稻种植的面积,水稻种植面积提取的总体精度与Kappa系数分别达到91.71%与0.9024,分类结果明显优于仅采用多光谱影像或NDVI数据。该研究为中国南方多雨云天气地区水稻种植面积提取提供了有效的方法。     

机载LiDAR和高光谱融合实现温带天然林树种识别

将机载LiDAR(Light Detection and Ranging)与高光谱CASI(Compact Airborne Spectrographic Imager)数据融合,充分利用垂直结构信息和光谱信息进行温带森林树种分类,并与仅用高光谱数据的分类结果相比较,评估融合数据的树种分类能力。结合样地实测数据,首先用LiDAR获得的3维垂直结构信息对CASI影像上的林间空隙进行掩膜,提取林木冠层子集;然后对冠层子集分层掩膜,利用光谱曲线的一阶微分及曲线匹配技术,实现各树种训练样本的自动提取;利用SVM分类器对两种数据分类并比较精度。结果表明,融合数据的树种分类总体精度和Kappa系数(83.88%,0.80)优于仅使用CASI数据(76.71%、0.71),优势树种的制图精度为78.43%—89.22%,用户精度为75.15%—95.65%,整体也优于仅使用CASI的制图精度(68.51%—84.69%)和用户精度(63.34%—95.45%)。结果表明,机载LiDAR与CASI基于像元的融合对温带森林树种识别的精度较仅高光谱数据有较大提高。     

未种植耕地动态变化遥感识别——以阿根廷为例

连续多年的高强度耕作会导致耕地层土壤养分、土壤有机质等逐渐下降,在作物收获之后作物秸秆还田量较少的情况下尤其突出,而对耕地利用状况动态变化(种植耕地与未种植耕地的动态变化)的识别,能够有效地反映出不同作物的轮作模式以及耕地种植强度的变化。本文以阿根廷3大农业主产省份(布宜诺斯艾利斯省、科尔多瓦省以及圣太菲省)为研究区,利用中分辨率成像光谱仪(MODIS)16天合成的归一化植被指数(NDVI)数据产品,在分析不同地物类型、不同耕作模式下的NDVI动态变化过程的基础上,结合地面样本数据统计获得有作物种植农田与无作物种植农田的识别阈值,综合利用阈值法和植被指数动态变化过程分析法对阿根廷3大主产省份开展了耕地利用状况动态变化遥感识别,实现了不同年份的耕地利用状况动态变化识别。地面观测数据验证结果表明,在阿根廷3大主产省内有作物种植耕地和未种植耕地的总体识别精度高于97%,但在不同的作物生长阶段,未种植耕地识别结果的精度差异较明显,在作物生长季内作物生长较为茂盛的时期,有作物种植耕地和未种植耕地的识别精度几乎达到99%,但在双季或多季作物种植区,作物轮作期间的耕地利用状况识别精度相对偏低,总体精度在95%左右,主要是受16天合成NDVI数据的最大值合成法限制。     

高精度作物分布图制作

中国自然条件复杂 ,农业种植结构多样 ,地块小而分散 ,利用遥感影像制作作物分布图的精度很难满足农业遥感估产的需求。该文利用目前最高分辨率的商用遥感卫星 (QuickBird)影像 ,采用面向对象的影像分析方法提取耕地种植地块图 ,结合详细的地面调查制作高精度的作物分布图 ,为农业遥感估产服务。     

Mapping crop phenology using NDVI time-series derived from HJ-1 A/B data

With the availability of high frequent satellite data, crop phenology could be accurately mapped using time-series remote sensing data. Vegetation index time-series data derived from AVHRR, MODIS, and SPOT-VEGETATION images usually have coarse spatial resolution. Mapping crop phenology parameters using higher spatial resolution images (e.g., Landsat TM-like) is unprecedented. Recently launched HJ-1 A/B CCD sensors boarded on China Environment Satellite provided a feasible and ideal data source for the construction of high spatio-temporal resolution vegetation index time-series. This paper presented a comprehensive method to construct NDVI time-series dataset derived from HJ-1 A/B CCD and demonstrated its application in cropland areas. The procedures of time-series data construction included image preprocessing, signal filtering, and interpolation for daily NDVI images then the NDVI time-series could present a smooth and complete phenological cycle. To demonstrate its application, TIMESAT program was employed to extract phenology parameters of crop lands located in Guanzhong Plain, China. The small-scale test showed that the crop season start/end derived from HJ-1 A/B NDVI time-series was comparable with local agro-metrological observation. The methodology for reconstructing time-series remote sensing data had been proved feasible, though forgoing researches will improve this a lot in mapping crop phenology. Last but not least, further studies should be focused on field-data collection, smoothing method and phenology definitions using time-series remote sensing data.     

利用无人机遥感监测农作物种植面积

南方平原耕地具有地块破碎、农作物种植品种多且空间分布混杂程度高等特点，运用传统的遥感技术方法精确监测农作物面积较为困难。无人机航拍具有拍摄时间灵活、空间分辨率高、成本低等优势，为解决这一难题提供了有利途径。本文通过地面样地调查，获取杭州市余杭区瓶窑镇农作物样地的位置及种植品种数据，利用面向对象的多尺度分割方法与随机森林的分类方法对无人机航拍数据进行分割、分类，深入挖掘高分辨率遥感数据信息，用于提取农作物种植品种及其空间分布信息，实现高精度的农作物种植面积遥感监测，推进无人机遥感在农业中的深入应用，提高农业遥感应用效益。     

基于知识推理的农作物空间分布监测方法研究

利用遥感技术进行农作物识别和监测是遥感应用领域的重要研究内容之一。以2006—2007年两个时相的CBERS-02 CCD影像为主要遥感数据源,对山东省某市的主要农作物的种植分布情况进行监测。将农作物的物候特征、光谱特征和纹理特征及GIS辅助信息等多源信息融合,建立识别知识规则,通过知识推理,逐步识别出冬小麦、夏玉米和棉花。最后,利用混淆矩阵对实验结果进行验证。通过分析比较,证明上述方法在监测作物空间分布方面具有较高精度。     

统计数据总量约束下全局优化阈值的冬小麦分布制图

大范围、长时间和高精度农作物空间分布基础农业科学数据的准确获取对资源、环境、生态、气候变化和国家粮食安全等问题研究具有重要现实意义和科学意义。本文针对传统阈值法农作物识别过程中阈值设置存在灵巧性差和自动化程度低等弱点,以中国粮食主产区黄淮海平原内河北省衡水市景县为典型实验区,首次将全局优化算法应用于阈值模型中阈值优化选取,开展了利用全局优化算法改进基于阈值检测的农作物分布制图方法创新研究。以冬小麦为研究对象,国产高分一号(GF-1)为主要遥感数据源,在作物面积统计数据为总量控制参考标准和全局参数优化的复合型混合演化算法SCE-UA (Shuffled Complex Evolution-University of Arizona)支持下,提出利用时序NDVI数据开展阈值模型阈值参数自动优化的冬小麦空间分布制图方法。最终,获得实验区冬小麦阈值模型最优参数,并利用优化后的阈值参数对冬小麦空间分布进行提取。通过地面验证表明,利用本研究所提方法获取的冬小麦识别结果分类精度均达到较高水平。其中冬小麦识别结果总量精度达到了99.99%,证明本研究所提阈值模型参数优化方法冬小麦提取分类结果总量控制效果良好;同时,与传统的阈值法、最大似然和支持向量机等分类方法相比,本研究所提阈值模型参数优化法区域冬小麦作物分类总体精度和Kappa系数分别都有所提高,其中,总体精度分别提高4.55%、2.43%和0.15%,Kappa系数分别提高0.12、0.06和0.01,这体现出SCE-UA全局优化算法对提高阈值模型冬小麦空间分布识别精度具有一定优势。以上研究结果证明了利用本研究所提基于作物面积统计数据总量控制以及SCE-UA全局优化算法支持下阈值模型参数优化作物分布制图方法的有效性和可行性,可获得高精度冬小麦作物空间分布制图结果,这对提高中国冬小麦空间分布制图精度和自动化水平具有一定意义,也可为农作物面积农业统计数据降尺度恢复重建和大范围区域作物空间分布制图研究提供一定技术参考。     

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.     

Generation of high spatial and temporal resolution NDVI and its application in crop biomass estimation

Abstract

While data like HJ-1 CCD images have advantageous spatial characteristics for describing crop properties, the temporal resolution of the data is rather low, which can be easily made worse by cloud contamination. In contrast, although Moderate Resolution Imaging Spectroradiometer (MODIS) can only achieve a spatial resolution of 250 m in its normalised difference vegetation index (NDVI) product, it has a high temporal resolution, covering the Earth up to multiple times per day. To combine the high spatial resolution and high temporal resolution of different data sources, a new method (Spatial and Temporal Adaptive Vegetation index Fusion Model [STAVFM]) for blending NDVI of different spatial and temporal resolutions to produce high spatial–temporal resolution NDVI datasets was developed based on Spatial and Temporal Adaptive Reflectance Fusion Model (STARFM). STAVFM defines a time window according to the temporal variation of crops, takes crop phenophase into consideration and improves the temporal weighting algorithm. The result showed that the new method can combine the temporal information of MODIS NDVI and spatial difference information of HJ-1 CCD NDVI to generate an NDVI dataset with both high spatial and high temporal resolution. An application of the generated NDVI dataset in crop biomass estimation was provided. An average absolute error of 17.2% was achieved. The estimated winter wheat biomass correlated well with observed biomass (R ² of 0.876). We conclude that the new dataset will improve the application of crop biomass estimation by describing the crop biomass accumulation in detail. There is potential to apply the approach in many other studies, including crop production estimation, crop growth monitoring and agricultural ecosystem carbon cycle research, which will contribute to the implementation of Digital Earth by describing land surface processes in detail.     

Derivation of crop phenological parameters using multi-date SPOT-VGT-NDVI data: A case study for Punjab

Crop phenological parameters, such as the start and end time of the crop growth, the total length of the growing season, time of peak vegetation and rate of greening and senescence are important for planning crop management and crop diversification/intensification. Multi-temporal remote sensing data provides opportunity to characterize the crop phenology at regional level. This study was conducted during the kharif season of the year 2001–02 for Punjab. The ten-day Normalised Difference Vegetation Index (NDVI) composite products, with 1 km spatial resolution, available from the Vegetation sensor onboard SPOT4 were used for the study. Twenty-one temporal datasets from May 1, 2001 to November 21, 2001 were used. Logical modelling approach was followed to compute the minimum and maximum NDVI, the amplitude of NDVI, the threshold NDVI during sowing and harvest, the crop duration, integrated NDVI and skewness of profile. The analysis showed that before July beginning, in the whole of Punjab, sowing/planting was over. It was found that the crop emergence in the eastern part of the state started earlier than the western region. The maximum NDVI, which represented peak vegetative stage, was above 0.7 and occurred mostly during August. The duration of crops ranged between 90–140 days, with majority between 110–120 days. Total integrated NDVI in Punjab was generally above 60. Using principal component analysis and divergence analysis seven best metrics were selected for crop discrimination.     

构建地块二维表征及CNN模型的作物遥感分类

本文旨在研究基于地块数据约束的深度学习模型的分类特征表示方法,以识别不同作物在不同时相上光谱差异从而对作物类型进行分类。通过Google Earth Engine平台获取作物生育期内全部Landsat 8影像,利用其质量评定波段完成研究区无云时相及区域上的地块统计,提取地块级别的各波段反射率均值按照时相顺序及波长进行排列,构建波谱、时相二维特征图作为该地块的抽象表示。通过构建相对最优的卷积神经网络CNN（Convolutional Neural Network）结构完成对特征图的分类,从而完成对地块的分类。构建CNN模型并不需要手工特征和预定义功能的需求,可完成提取特征并遵循端到端原则进行分类。将该模型的分类结果与其他最为常用机器学习分类器进行了比较,获得了优于常用遥感分类算法的分类精度。结果表明地块数据的加入可以有效的缩减计算规模并提供了准确的分类边界。所提出得方法在地块特征表示及作物分类中具有突出的应用潜力,应视为基于地块的多时相影像分类任务的优选方法。     

MODIS植被指数的美国玉米单产遥感估测

针对中国开展的国外农作物产量遥感估测大多依靠中低分辨率耕地信息、省级(州级)或国家级作物产量统计数据的现状,本文以美国玉米为例,探讨利用多年中高分辨率作物分布信息、时序遥感植被指数和县级作物产量统计数据开展国外重点地区作物单产遥感估测技术研究,以期进一步提高中国对国外农作物产量监测精度和精细化水平。首先,利用美国农业部国家农业统计局(NASS/USDA)生产的作物分布数据(CDL)获得多个年份玉米空间分布图,并对相应年份250 m分辨率16天合成的MODIS-NDVI时序数据进行掩膜处理,统计获得每年各县域内玉米主要生育期NDVI均值;其次,以各州为估产区,以多年县级玉米统计单产和县域内玉米主要生育期NDVI均值为基础,建立各州玉米主要生育期NDVI与玉米单产间关系模型;然后,通过主要生育期玉米单产和玉米植被指数间拟合程度,筛选确定各州玉米最佳估产期和最佳估产模型。最终,利用最佳估产模型实现美国各州玉米单产估测和全国玉米单产推算。其中,建模数据覆盖时间为2007年—2010年,验证数据为2011年。结果表明,应用最佳估产模型的2011年美国各州玉米单产估测相对误差在-4.16%—4.92%,均方根误差在148.75—820.93 kg/ha,各州估测结果计算获得全国玉米单产的相对误差仅为2.12%,均方根误差为285.57 kg/ha。可见,本研究的作物单产遥感估测技术方法具有一定可行性,可准确估测全球重点地区作物单产信息。