利用Landsat时序NDVI数据进行新疆石河子垦区灌溉作物分类

精确的农作物分类信息对于农业环境评估、水资源利用规划非常重要,尤其是在干旱、半干旱地区。本文利用30 m分辨率的Landsat NDVI时间序列数据进行了新疆石河子垦区混合农作物精确区分的潜力研究。首先利用S-G滤波重构了Landsat NDVI时间序列,然后基于SVM模型对研究区域农业类型进行了精确分类。在SVM分类模型作用下,S-G重构后的时间序列有效地将该地区棉花、玉米、小麦等主要作物区分开来,精度高于0.86,Kappa系数大于0.82。结果表明,S-G滤波能够有效提高NDVI时间序列数据质量;TM影像时间序列在监测干旱、半干旱地区的作物类型和种植方式随时间的变化方面存在巨大潜力。     

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。     

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。     

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     

基于时间序列叶面积指数稀疏表示的作物种植区域提取

以华北平原黄河以北地区为研究区域,以时间序列叶面积指数LAI(Leaf Area Index)傅里叶变换的谐波特征作为不同作物识别的数据源,利用稀疏表示的分类方法识别2007年—2016年冬小麦、春玉米、夏玉米等主要农作物种植区域。首先利用上包络线Savitzky-Golay滤波分别对2007年—2016年的时间序列MODIS LAI曲线进行重构,进而对重构的年时间序列LAI进行傅里叶变换,以0—5级谐波振幅、1—5级谐波相位作为作物识别的依据,基于各类地物的训练样本,通过在线字典学习算法构建稀疏表示方法的判别字典,对每个待测样本利用正交匹配追踪算法求解稀疏系数,从而计算对应于各类地物的重构误差,根据最小重构误差判定待测样本的作物类型,并对作物识别结果的位置精度进行验证。结果表明,2007年—2016年作物识别的总体精度为77.97%,Kappa系数为0.74,表明本文提出的方法可以用于研究区域主要作物种植区域的提取。     

农作物长势综合监测——以印度为例

提出农作物长势综合监测方法,利用卫星遥感得到的NDVI时间序列数据,综合采用实时监测、过程监测和时间序列聚类监测方法,明确不同方法适用的监测尺度及监测目的,对不同范围农作物长势进行监测。改进了Crop Watch全球农情遥感速报系统运行化作物长势监测方法,克服了原有作物长势监测中实时监测方法无法反映相同区域苗情在整个生长过程中的连续变化情况的缺点。实现对相同区域作物长势连续变化的定量描述,可对作物长势进行更准确的判断。利用官方发布的作物单产变幅数据,对单产变幅较大的12个作物主产省区作物长势监测结果的准确性进行判断,结果表明:6个邦的实时监测和聚类监测方法所得结果一致,都符合作物单产变化的实际状况;4个邦的聚类监测方法所得结果对作物长势监测更为准确,更符合该区域作物单产的实际变化;1个邦实时监测结果对作物长势监测比聚类监测方法更为准确;只有1个邦采用两种方法对作物长势的监测存在误差,聚类监测方法在对农作物生长过程的连续监测及空间分布的定量化表述方面,比实时监测更为准确。3种方法可以综合使用,实现业务化运行的农作物长势监测。     

基于珠海一号高光谱数据的农作物精细化分类研究

利用高光谱遥感影像识别精细化农作物类型,已经成为农业遥感的热点领域。本文以绥化市北林区内的水稻、玉米、大豆、烤烟等典型农作物为分类对象,以ZH-1高光谱数据为主要数据源,结合外业采集样本,探讨利用高光谱数据对精细化农作物类型信息提取的方法。针对高光谱数据的冗余问题,对其进行PAC降维处理,采用支持向量机分类方法对农作物种植结构进行提取。最后,采用混淆矩阵方法对分类结果进行验证,分类总体精度达到87.08%,Kappa系数为0.86。分类结果表明,高光谱数据在精细化农业分类研究上得到较好的应用。     

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HJ-1A/B卫星CCD数据的江汉平原农田物候探测

利用HJ-1A/B卫星CCD数据,提取2013—2015年三年江汉平原农田的归一化植被指数NDVI,构建时间序列曲线,利用小波变换对HJ-1A/B卫星所得的NDVI数据进行平滑降噪处理,结合地面调研资料,提取江汉平原农作物的物候信息。研究结果表明,HJ-1A/B卫星可用于农田物候监测,对于小区域的农田作物长势监测具有独特的优势。     

月尺度农作物提取中GF-1 WFV纹理特征的应用及分析

农作物种植结构包含农作物种类、数量结构和空间分布特征等信息,是农业科学管理的基础.在不考虑农作物时间序列最佳窗口期的前提下,以石津灌区为研究区,基于高分一号(GF-1)WFV影像计算并分析纹理特征在农作物分类识别中的能力.并在纹理特征分类效果相对较差的时相内引入植被指数,从而弥补纹理在农作物表达上的缺陷.经过对比各组分...     

基于MODIS EVI时序数据的江汉平原油菜种植分布信息提取

油菜是我国主要的食用油料作物。及时、准确地获取油菜种植分布信息对油菜长势监测、估产以及灾情评估具有十分重要的意义。以江汉平原为研究区,利用250 m空间分辨率的MODIS EVI时序数据,以TM数据作为野外采样数据与MODIS EVI数据之间的过渡数据,间接提取MODIS EVI数据农作物的训练样本;通过分析江汉平原油菜和冬小麦的EVI光谱特征及物候信息,建立油菜种植面积提取模型;采用多次阈值比较法提取2014—2015年间江汉平原油菜种植分布信息。研究结果表明,2014年和2015年油菜面积遥感提取结果与农业局统计数据相比,总体提取精度分别达到95.22%和91.29%;2014年MODIS数据与TM数据提取的油菜面积一致性为88.61%;基于时间序列MODIS EVI数据,结合EVI光谱特征和物候信息,利用该方法可以有效提取江汉平原油菜种植分布信息。     

复种指数遥感监测方法

复种指数是反映水土光与自然资源利用程度的指标 ,其实质是沿时间序列 ,反映某一种植制度对耕地的利用程度。联系复种指数与时间序列NDVI曲线的纽带是农作物年内的循环规律。时间序列的NDVI值蕴涵着植被的生长和枯萎的年循环节律 ,经时间序列谐函数分析法 (HarmonicAnalysisofTimeSeries ,HANTS)重构的NDVI曲线 ,可以准确地反映农作物的出苗、拔节、抽穗、收获等物理过程。因此 ,根据时间序列的NDVI曲线的周期性 ,可以反向捕捉到耕地农作物动态的信息 ,进而得到耕地的复种指数。本文依据上述原理 ,提出复种指数遥感监测的方法 ,然后用 1999年至 2 0 0 2年 4年的VGT(SPOT4卫星vegetation数据 )旬合成NDVI时间序列数据集提取了复种指数 ,并利用地面样区观测结果和统计数据进行检验 ,取得很高的精度。     

基于Sentinel-2和MODIS数据的宣恩县水稻遥感估产研究

基于作物的波谱反射特征,利用公开的多源遥感数据和相关技术能够实现农作物种植面积提取和产量预估,为作物长势监测等农业需求提供科学决策依据。本文首先基于Sentinel-2卫星影像,结合基于人工目视解译的监督分类、基于规则的面向对象分类和基于专家知识的决策树分类3种影像分类方法综合确定县级研究区的水稻种植范围,再选取水稻生育物候期内的多时相多光谱MODIS13Q1影像产品,建立影像提取出的植被指数EVI与水稻年产量之间的多元统计回归模型并应用于年产量预估,估产结果精度均达94%以上,符合实际需求。该模型可用性较强,对县域农作物遥感估产应用具有一定的指导意义。     

基于典型物候特征的MODIS-EVI时间序列数据 农作物种植面积提取方法 —小区域冬小麦实验研究

利用MODIS植被指数时间序列这一特性,以北京市通州及周边为实验区,冬小麦种植面积为研究对象,提出 了农作物种植面积指数模型(Pan-CPI模型)的概念,并构造了冬小麦特征物候期植被指数与种植面积的定量函数关系, 通过样区TM影像求解关键参数,对研究区冬小麦种植面积测量方法进行了试验研究。研究结果表明：(1)Pan-CPI模 型能够很好地反映特定目标农作物种植面积状况,为基于植被指数时间序列影像识别农作物种植面积提供了新方法; (2)精度分析结果表明：Pan-CPI模型具有很高的稳定性,且不受样本变化的影响,只要达到满足模型计算的样本量(如： 5%),多次测量结果间具有很好的一致性。选取MODIS 6×6像元大小的窗口时,TM样本的复相关系数(R2)稳定在0.85 左右,与TM结果比较,窗口相对精度稳定在95%左右,区域精度稳定在92%以上,经调整的区域精度高达96%以上; (3)对于种植结构复杂、目标作物种植破碎的地区,Pan-CPI模型可以充分利用MODIS植被指数时间序列的优势,有效改 善TM单时相和多时相提取信息因时相缺失无法表征作物变化的不足。     

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。     

农作物叶片病害迁移学习分步识别方法

农作物病害的准确识别有助于提高农作物的产量与质量。针对作物病害图像训练样本数据量较少的情况,本文采用迁移学习方法结合分步识别模型对多种农作物病害种类进行了识别。将PlantVillage公开数据集中3种农作物的10类作物叶片图像作为训练样本,利用直接识别方法分别对VGG16和ResNet的原始模型和迁移学习模型进行训练,得到模型的分类结果;提出分步识别方法,将训练样本按作物种类和病害类型归类,分别进行模型训练并构建分步识别模型。试验结果表明：利用迁移学习方法能够在原始模型的基础上将识别精度提高20%以上;在其基础上引入分步识别方法并与直接识别方法对比,能够将VGG16和ResNet模型精度再分别提高14%和8%。本文提出的迁移学习分步识别方法能够实现在小样本训练数据情况下的作物病害准确识别,可为作物病害防治提供有效的技术支持。     

区域作物生长过程的遥感提取方法

提出利用时序NDVI数据提取作物生长过程方法。遥感数据在采集过程中受云、大气因子的影响 ,以及混合像元问题 ,造成时序植被指数值变得没有规律 ,对比性不强。采用基于最小二次方拟合的谐函数分析方法 ,依据作物轮作规律和生长周期性特征 ,用主要频率的正弦、余弦谐函数重建时序图像 ,去除了影像中云污染的影响。以中国的旱地为例 ,考虑到像元内旱地对NDVI值的贡献率 ,计算区域内旱地像元加权平均值来反映其作物生长过程。同时与区域所有像元的平均值、旱地平均值等统计方法的结果进行对比分析 ,表明区域内旱地的加权平均值能够削弱旱地比例和地域间的差异 ,突出耕地上作物的生长过程特征。通过与地面实测数据分析 ,平滑前后的作物生长过程与叶面积指数相关性增加 5 %— 11% ,采用区域加权平均的方法得到的作物生长过程 ,比旱地平均和NDVI平均的结果与叶面积指数的相关性增加 14 %— 17%。     

光谱特征扩展的时间序列Landsat数据地表覆盖分类

时间序列遥感影像常用于地表覆盖监测及其变化监测。然而,利用时序遥感数据—尤其是中分辨率遥感数据监测地表覆盖变化,其方法基本是先对多期影像分别进行监督分类然后对比分类结果。由于这种方法需要对每期遥感影像单独选择分类训练样本,而对于历史影像,常常难以获得可靠的样本数据。本文基于遥感数据定量化处理,尝试利用光谱特征扩展方法对时间序列Landsat数据进行分类:首先,结合一种新的大气校正方法和相对辐射归一化方法,对时间序列Landsat数据进行定量化处理,以消除各期影像之间的辐射差异,获得地表反射率数据。然后,论文选择一期易于获得分类训练样本的反射率数据作为"参考影像",并结合样本数据提取不同地表覆盖类型的光谱特征。最后,将"参考影像"中提取的地物光谱特征,扩展到所有时间序列反射率数据进行分类。论文利用青藏高原玛多地区的5景Landsat数据对本文的方法进行了验证,结果显示:基于光谱特征扩展的分类方法,可有效对定量化处理后的Landsat数据进行分类,分类总体精度为88.35%—94.25%,分类结果和传统的单景监督分类结果具有较好的一致性。此外,研究也发现,"参考影像"和待分类图像获取时间的季相差异会影响其分类的精度。     

基于MODIS的LAI时间序列谱的地物分类方法研究

利用MODIS数据所反演的每8d一景,全年共46景的时间序列叶面积指数(LAI)图像,分析江西省不同类型地物的LAI时间序列谱,并对地物进行分类。首先,利用最小噪声比变换技术(MNF)将噪声从数据中分离;然后,通过纯净像元指数(PPI)从LAI时间序列谱中提取5类主要地物类型终端单元(Endmember),从而对地物进行分类并制图;最后,结合2000年江西省兴国县1 10万比例尺的土地利用/覆盖矢量图对本研究分类结果进行检验。结果表明,该方法的地物分类精度达到74.45%,其分类方法是有效可行的。     

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。