极化SAR旱地作物分类的后向消除特征选择研究

[目的]作物遥感分类是作物面积监测的核心问题,也是进一步开展农作物长势、产量等专题监测的前提。特征选择是作物遥感分类的关键步骤之一,能够有效提高作物遥感分类精度和效率。文章使用后向消除的特征选择方法明确最优特征集的大小和内容,比较不同优选特征集的分类效果分析4种特征排序方法的优劣。[方法]（1）提取河北省深州市旱地作物关键生长期（6月3日、6月27日、7月21日） RADARSAT-2数据的3类特征变量共114个。（2）比较基于不同度量方式的4种特征重要性排序方法,根据特征排序结果采用后向消除方法逐步简化特征变量,确定最优特征个数,得到优选特征集。（3）比较不同优选特征集在随机森林方法下的分类效果。[结果]特征排序方法中极限树的效果最好。使用极限树算法优选的特征集参与随机森林分类,能用最少的特征（11个）,达到最高的精度（92.63%）。并且与全部特征（114个）的分类结果相比,总体精度只下降了1.78%。[结论]后向消除特征选择优选出的特征集能够明确最优特征个数,能够在保障分类精度的同时有效提升分类效率,优选出的特征集可为同种种植结构下的旱地作物分类提供参考。     

基于SAR遥感的北方旱地秋收作物识别研究

在我国北方旱地秋收作物生长关键期,云雨天气影响较大,无法及时、有效地获取光学遥感数据,因此利用雷达遥感进行旱地作物识别研究非常必要。文章以河北省衡水市为研究区,选择6期RADARAST-2全极化影像作为数据源,分类方法为随机森林法。首先通过对比不同时相间的组合结果,优选出了研究区典型秋收作物(玉米、棉花)的最佳识别时相及组合方式。其次,提取最优识别时相的后向散射信息、纹理信息、极化分解等3部分信息,依据信息间相互组合的结果及随机森林算法对变量的重要性评价,文中对上述3部分信息进行了重要性评估。结果表明:利用SAR识别旱地秋收作物时应着重关注作物生长前期的时相,其中玉米在6月27日单一时相下就可获得90%以上的高精度;棉花面积小、地块破碎,但通过6月3日与6月27日两个时相的结合也得到了70%以上的精度。在玉米识别中极化信息具有较大的贡献,极化变量的加入主要增加了玉米和建筑用地的可分离性,与单纯利用后向散射信息分类相比精度提高了近7%;同样,纹理信息和极化分解信息的加入也使棉花的精度提高了3%。最后,利用随机森林算法对变量的重要性评价机制,优选出对玉米识别最为重要的5个变量,依次为:VH、Alpha、Yamaguchi4-Odd、Freeman-Vol和Mean(HV)。该研究利用雷达数据进行旱地作物识别,验证了雷达影像对旱地秋收作物的识别能力,不仅保证了数据获取与天气状况的独立性,还凭借SAR独有的数据获取方式,为光学数据提供了补充。     

基于星载极化SAR数据的农作物分类识别进展评述

［目的］农作物播种面积信息不仅可为农情监测和作物估产提供重要的数据保障，还是国家制定粮食政策和经济计划的重要依据。快速、准确地获取农作物播种面积信息能为农业生产管理提供决策支持。极化SAR不受云雨天气的影响，在农作物遥感监测方面具有巨大的应用潜力，有效利用极化SAR数据进行农作物识别研究对促进雷达技术在国家农业遥感监测和农业供给侧结构性改革中发挥更大作用具有重要意义。［方法］以星载极化SAR技术的发展过程为论述主线，从单、双极化SAR数据，单、双极化SAR数据结合光学影像，全极化SAR数据三个发展阶段，对极化SAR数据在农作物分类识别中的研究与应用进行总结，并对比分析不同的识别特征、融合算法以及分类算法的优缺点。［结果］以往研究存在以下不足：当前研究多以识别水稻为主，对于难以识别的旱地作物研究较少；目前对旱地作物识别精度不高，平均识别精度不足85%；缺乏对不同作物散射机制及其随时相变化的研究，导致分类算法机理性不足，普适性较差。［结论］在今后的研究中，旱地作物散射机制的定量确定，如何利用散射机制及其变化来提高旱地作物遥感识别精度和普适性；目前分类算法大都是基于光学影像设计，如何利用SAR特殊的成像方式优化设计适用于极化SAR数据的分类算法，得到更高的分类精度；如何更好的跟光学遥感等多源数据（光学数据、GIS数据等）结合来提高精度，将成为未来极化SAR农作物识别中三个亟需重点解决的问题。     

面向农业区划的作物种植结构遥感提取

[目的]尝试将作物种植结构提取结果由行政单元发展为基于相对均质的地理网格单元,解决当前农作物种植结构信息提取的空间局限性问题,文章在大尺度的土地利用/覆被分类与地块尺度的作物分类之间提出了作物种植结构单元概念,并构建了一种快速、低成本、准确的区域尺度作物种植结构提取方法。[方法]利用黑龙江省2014年250m分辨率的植被指数产品构建时间序列曲线提取物候信息,在耕地物候分区基础上对各物候区进行面向对象的多尺度分割,提取作物种植结构单元,利用光谱特征和NDVI指数构建特征空间,最终采用最邻近分类方法提取作物种植结构。[结果](1)利用MODIS时间序列数据提取物候特征进行多尺度分割的方法,能够有效的提取区域尺度农作物种植结构单元;(2)作物种植结构提取总体精度为95.70%;(3)黑龙江省2014年作物种植类型共有12种。其中,三江平原主要是水稻单一种植区、水稻混作区;松嫩平原以玉米单一种植区以及玉米-大豆混作区种植为主;西北部种植结构较复杂;东南部因地势等影响多种植玉米、大豆。[结论]利用物候数据进行种植结构提取可以有效划分农业区划,研究成果不仅为作物种植结构调整和农业发展布局提供科学依据,也是不同区域产量预测的基础,为合理布局农业生产、改进耕作制度以及引入和推广新产品等提供依据。     

结合Landsat 8和GF 1数据的冬小麦种植空间分布提取

[目的]为探讨多源中等分辨率数据在冬小麦种植时空分布上的应用。[方法]利用2017年冬小麦关键生育期的Landsat8 OLI(抽穗期)和时间序列的GF-1 WFV(2016—2017生育期)数据,在分析各个行政分区的地表覆盖状况、作物结构和地块破碎度差别的基础上,将行政区划分为3种类型不同的提取单元并建立了适合于各自分区的提取模型:(1)利用关键生育期的OLI数据,采用监督分类—神经网络方法提取结构单一、地块齐整的怀远县种植区;(2)基于WFV数据构建五河县及城区种植区的冬小麦全生育期NDVI时间序列曲线,根据NDVI的时间特征构建冬小麦提取的决策树分类模型提取结构较复杂、混合像元明显的五河县及城区种植区;(3)在对关键生育期OLI-NDVI数据合理分割的基础上,采用最大似然的面向对象分类法获取种植密集、地块破碎的固镇县种植区。[结果]提取结果采用混淆矩阵和当年度统计数据相结合的方法进行精度评价,结果表明:(1)怀远县提取出的冬小麦提取总体精度为97.91%,五河县及城区提取出的精度为97.62%,固镇县的精度为97.42%;(2)全区域冬小麦提取的总体精度为86.82%,Kappa系数为0.84。与当年度统计数据对比的结果表明:2017年蚌埠市的准确提取面积精度可达97.91%,提取面积数据小于蚌埠市统计年鉴提供的统计数据,与调查的实际种植地块基本一致。[结论]采用不同方法提取不同空间分布特征的冬小麦种植面积具有较好的精度,该方法可以为市域冬小麦面积提取提供技术参考。     

基于最小距离法的RADARSAT-2遥感数据旱地作物识别

利用雷达遥感技术进行作物识别是当前作物遥感监测的研究热点之一,但利用雷达遥感技术进行旱地作物识别的相关研究较少,该文以RADARSAT 2雷达遥感数据对两种旱地作物玉米和棉花进行识别。以河北省枣强县为研究区,对其区域内的玉米和棉花进行识别。首先分析了与卫星过顶时刻同步采集的作物参数与后向散射系数之间的相关性发现,在植株高度、生物量、作物含水量、叶面积指数这四个作物参数中,植株高度与后向散射系数的相关性最大,其次是作物含水量;同时,通过最小距离法应用多时相、多极化雷达遥感数据进行作物识别,其精度可达到85%,通过与资源三号光学遥感数据结合,其作物识别精度提高到了93%。研究结果表明,雷达遥感数据应用于旱地作物识别是可行的,雷达遥感数据与光学遥感数据的结合能提高旱地作物识别的精度。该研究为应用雷达遥感数据进行旱地作物识别提供了参考。     

基于快速设定决策阈值的大范围作物种植分布的遥感监测研究

[目的]作物分布是研究作物种植结构的基础,利用遥感进行大范围作物布局的监测识别,对推进农业种植结构研究、分析农业模式和制定农业政策都具有重要的意义。为了更好地适应作物生产的需求,解决大范围作物种植分布遥感监测方法复杂的问题,亟待构建一种快速实用的作物提取方法,实现作物种植信息的快速高效获取。[方法]以江苏省水稻、小麦和玉米为研究对象,利用作物关键生育期内的多时相中分辨率遥感影像,针对作物生长特点进行影像的特征转换,以行政区县为基础的作业单元进行区域划分及阈值设定,构建多时相阈值决策提取模型,并提出一种基于少量样本投射的阈值快速确定的方法,实现大范围作物分布的快速识别。[结果]该方法能够快速分单元确定模型的阈值,     

深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

基于高分与多时相中分影像的苹果园地提取

目的 卫星影像已经被广泛用于小麦、玉米、水稻等种植范围较广的粮食农作物空间分布信息提取和面积估算。但是,利用遥感影像研究苹果园光谱与纹理特征,获取苹果园地面积与分布的应用研究较少。以往的研究已经指出高分纹理特征有利于苹果园地分类,但是中分影像的数据保障性会更强,可提供时序的光谱特征,因此,文章提出了一种综合利用非最佳观测期获得的高分辨率影像纹理信息和多时相中分辨率影像光谱信息提取苹果园地的方法。方法 该方法以GF-2号卫星及哨兵卫星数据为数据源,首先利用灰度共生矩阵（GLCM）提取GF-2的纹理特征,然后将提取的GF-2的纹理特征和光谱特征与5期不同时期的哨兵影像相结合,形成5组GF-2纹理和光谱特征与某一期哨兵影像的组合特征（记录为GF-2+单时相哨兵）,1组GF-2纹理和光谱特征与所有哨兵影像的组合特征（记录为GF-2+多时相哨兵）,以7组不同的组合特征（GF-2纹理和光谱特征、5组GF-2+单相哨兵和1组GF-2+多时相哨兵）为输入,使用3种不同的分类方法（C4.5、CART和Random Forest）提取苹果园地的分布,比较分析不同特征组合对苹果园分类精度的影响以及3种不同决策树学习方法的优劣。结果 苹果园提取时,GF-2+单时相哨兵特征组合与GF-2+多时相哨兵特征组合明显优于GF-2纹理和光谱特征组合,GF-2+4月（花期）哨兵是最佳特征组合,其苹果园的分类精度和整个研究区域的总体精度分别比GF-2单独分类提高至少8.14%和8.29%,比GF-2+多时相哨兵分类提高至少1.14%和0.95%。当采用相同组合特征时,随机森林分类方法提取苹果园地效果最好,苹果园提取精度均在90%以上。结论 利用非最优时相高分影像与花期中分影像提取苹果园能够得到最优的精度;如果没有花期中分影像,其他时相中分影像与非最优时相高分影像组合也能够得到比较优的精度。     

多时相GF-1卫星PMS影像提取农作物种植结构

[目的]及时准确获取农作物种植结构信息,对农作物种植结构调整具有重要意义。[方法]文章以多期GF-1卫星PMS影像为主要数据源,通过分层分类方法成功提取了朱仙镇一个种植年内秋播蔬菜、冬小麦、春花生、早熟西瓜、夏玉米、夏花生等农作物,并通过叠加分析得到朱仙镇的农作物种植模式。[结果]朱仙镇有10种种植模式,以一年两熟的冬小麦-夏玉米为主要倒茬模式,占比49.7%,其他9种种植模式所占比例之和接近50%;从整体景观的角度对朱仙镇的主要作物种植模式进行衡量,斑块丰富度PR达到9.0,香农多样性指数SHDI达到1.483 6,说明朱仙镇种植模式多样,有利于多元农业种植结构发展;分层分类的方法能够延续最优提取结果的精度,各类作物提取精度均达到了80%以上。[结论]PMS影像的高分辨率能够清晰的表达地块边界,一定程度上呈现了非大宗作物的空间分布,GF-1卫星PMS为多尺度的农业监测提供了更多的选择。     

基于无人机遥感可见光影像的农作物分类

[目的]无人机遥感具有高空间、高时间分辨率的优点,并可同时获得光谱和空间信息,因此在农作物分类中备受研究者的青睐。与侧重于从高分辨率RGB图像中提取纹理特征的分类方法不同,文章重点研究如何利用作物在光谱和空间维度上的联合特征尤其是作物高程特征,以实现农作物精细分类。[方法]首先,我们进行研究区域选择和地面实际情况调查,用无人机遥感系统进行可见光影像采集;其次,确定研究区域内农作物分类类别,分别对可见光遥感影像进行可见光植被指数计算及纹理滤波;针对数字表面模型(DSM)数据特点,对两期DSM数据进行差值处理,获得差异数字表面模型数据(DDSM),提取作物高度信息,并根据农作物冠层特性对差异数字表面模型进行滤波处理;最后,进行特征优选及组合,使用SVM方法进行农作物分类。[结果]确定最优分类特征为RGB、红波段对比度、绿波段二阶矩、蓝波段方差、DDSM、DDSM方差、DDSM对比度,分类精度由71.86%提高到92.30%,验证了由DSM影像提取的空间特征可以提高农作物分类精度。[结论]该研究探索了一种基于可见光及空间联合特征的农作物精细分类方法,方法简单可行,设备成本低,在基于无人机低空遥感的样方调查领域中有较大的应用前景。     

若羌绿洲特色林果种植信息遥感提取方法适用性分析

目的 为快速掌握若羌绿洲特色林果业种植信息,提高特色林果资源调查的信息化水平,服务若羌特色林果业的发展。方法 文章通过野外调查和室内文献资料分析建立遥感分类的先验知识,采用面向对象的影像分析方法,构建多尺度分割结果的光谱、植被指数、形状、纹理等特征,采用CART和随机森林算法进行遥感分类,分析使用不同分类算法、特征集对分类结果的影响。结果 （1）随机森林算法相比于CART算法总体分类效果好,分类精度高,特征数据集的加入对CART算法的分类精度影响较小,而对随机森林算法分类精度的提升较为明显。（2）形状特征对形状差异较大的地物具有较强的识别能力,植被指数特征能有效识别植被和非植被地物,纹理特征则对分类精度的影响较小。（3）综合所有特征集并结合随机森林算法的分类结果最优,总体精度88.43%,Kappa系数85.47%,面积精度96.89%。结论 形状、植被指数、纹理等特征集的加入对各个地类的分类精度的影响不同,应具体问题具体分析,随机森林算法比CART算法更适用于多维特征数据集的作物遥感分类任务。     

基于全极化SAR与多光谱的喀斯特山区农村林地提取

[目的]为加快推动贵州省"互联网+"林业建设,打破贵州喀斯特高原山区遥感监测瓶颈,选取了空间分辨率8m的Radarsat-2全极化SAR数据与空间分辨率6m的SPOT 6多光谱影像作为数据源,探究微波与光学遥感结合在喀斯特山区农村地区的林地提取技术。[方法]首先采用ENVI SARscape与NEST软件对SAR图像预处理。将Radarsat-2全极化数据与SPOT 6标准假彩色影像进行HSV融合。计算融合图像的平均梯度、信息熵、标准差与均值,评价出最优融合效果的极化方式。基于K均值(K-means)与最大期望(EM聚类)聚类算法分割图像,选择合适的算法,基于聚类分割的阈值进行面向对象的林地分类。最后,基于像素的混淆矩阵精度评价,结合贵州省林业厅调查数据、野外样方和航拍图,建立参考样本评价分类结果。[结果](1)融合之后,目视解译出林地边缘明显但较粗糙;对于在林地中小面积建筑物、农田中的较分散的林地小图斑能够识别,但边缘粗糙;有林地和灌木林地在色调上区分明显;在融合后的明度图中的灌木林地有明度较大的像元,此类像元为石旮旯地。(2)通过定量分析,融合之后的影像较SAR和光学数据信息量大。同极化平均梯度大于交叉极化,HH极化方式下各指标最大。图像EM聚类分割比K-means聚类更加细化。EM聚类图像的特征区分明显;(3)研究分类出了有林地、灌木林地和其他林地。面向对象的林地分类总体分类精度达到85.71%。[结论]研究将微波与光学遥感结合,为喀斯特山区中农村地区的林地提取提供新思路,与传统的林地监测相比,数据获取快捷,提高工作效率,精度准确。有助于通过遥感的手段解决地块破碎区域的林地提取问题,为提高多源遥感技术在喀斯特农村地区中的林地智能监测的能力提供借鉴。     

基于深度学习模型的种植结构复杂区农作物精细分类研究

目的 卫星遥感技术具有覆盖范围广、探测周期短、调查成本低等优势而广泛应用于大区域农作物分类。然而在种植结构复杂区（如城乡结合部）,因其地块破碎、同期生长的作物种类多且分布分散,利用传统的统计分类或机器学习方法进行农作物分类时仍存在精度不高的问题。为提高种植结构复杂区农作物分类精度。方法 文章选取河北省廊坊市广阳区为研究区,以GF-1 PMS全色多光谱融合影像为数据源,采用U-Net、PSPNet及DeepLabv3+,3种深度学习模型进行农作物分类研究。分析模型参数对农作物分类精度的影响,评价3种深度学习模型的农作物分类精度,优选农作物精细分类方法。结果 （1）学习率与3种深度学习模型的分类精度呈正相关关系,较大的学习率（0.01,0.001）下,3种模型收敛速度快,分类精度高。批样本量与模型分类稳定性相关,批样本量设为100时,3种模型的分类稳定性最好。（2）相比PSPNet、DeepLabv3+模型,U-Net模型分类效果最好,总体分类精度为89.32%。（3）GF-1 PMS影像结合U-Net模型可有效提升种植结构复杂区农作物分类精度,大宗作物春玉米、夏玉米的分类精度在80%以上,花生、红薯、蔬菜小宗作物分类精度在60%以上。结论 该研究可为准确获取种植结构复杂区的农作物类型、面积及空间分布信息提供参考依据。