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。     

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。     

用多时相卫星象片增强森林目视判读分类效果的研究

多时相是指采用同类传感器,对同一地域或目标、在不同的年份或同一年份中不同的季节来获取遥感信息。不言而喻,这一办法,对于地球表面的再生资源来说,具有监测资源动态的功能。同一年份不同季节的遥感资料,还可以用来比较森林,农作物和牧草等的长势,监测其病虫、火烧等灾害的发生和变化。对于生长周期比较长的森林资源来说,具有明显地增强分类效果的作用。本文仅侧重这一方面进行讨论。     

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。     

基于随机森林的上市公司财务舞弊识别研究

在参考前人研究成果的基础上,引入组合分类方法中的随机森林技术,对2000～2008年有财务舞弊行为的上市公司及相应的控制样本数据进行分析,模型达到较高的预测率。随机森林在特征指标选择和预测精度方面都有很好的效果,目前还鲜有文献将这一技术运用到经济管理相关研究中。     

基于多时相遥感数据提取水稻种植面积的研究

该文以江苏省为例,探讨MODIS时间序列数据在水稻种植信息获取中的应用,并进行精度评价.首先利用MODIS数据构建了归一化差值植被指数(NDVI)、增强型植被指数(EVI)和陆表水指数(LSWI).根据植被指数的时间序列变化特征,结合水稻的生长发育规律,确定江苏省水稻种植面积.对比统计数据,该方法提取水稻种植面积的误差为16％.同时,对环境卫星遥感影像进行监督分类,提取水稻种植区域.对比二者提取结果,面积相对误差为5％,空间一致性达到60％以上.研究表明,在平原区域利用MODIS数据监测大尺度水稻种植面积是可行的.     

基于Landsat8影像的南京市紫金山风景林区树种分类研究

研究通过提取Landsat 8和DEM数据分类特征因子,分别探讨Landsat 8对针叶林和阔叶林以及林分内优势树种的识别能力.本研究以江苏省南京市紫金山风景林区为研究对象,提取Landsat 8数据光谱、植被指数以及纹理特征,结合DEM数据提取的坡度、坡向等地形因子,采用支持向量机和随机森林分类器对森林进行分类,探讨...     

森林旅游产品的分类、特征及开发研究

作为森林旅游区,如何开发森林旅游产品,不仅是一个重点,也是一个难点。而森林旅游产品的分类是森林旅游区合理开发旅游产品的基础与前提。一些学者从不同的角度对旅游产品的分类进行了研究,分类标准不同,对开发的指导意义也会不同。本文从构成森林旅游产品的核心竞争要素将森林旅游区旅游产品分为三类,研究了每一类型的特征,并对森林旅游产品的开发提出了一些指导建议。     

基于分类抽样原理的我国食品安全状况定量评价研究

随机抽检合格率是科学评价食品安全状况的一种定量方法,对客观考核地方政府政绩、提高食品安全监管效率具有十分重要的现实意义。本文根据分类抽样原理定量推导了监督抽检合格率转化为随机抽检合格率的数学方法,并对我国2017年第一季度至2019年第二季度期间的食品安全状况进行科学评价。结果表明,我国食品安全状况总体保持稳定,随机抽检合格率始终处在97.45%～97.88%之间徘徊,上下波动幅度也较小,高低相差不到0.5个百分点,但并没有表现出稳中向好的态势。另外,通过对比加工食品和总体食品的两类合格率之间差距,本文发现采用监督抽检合格率评价食品安全状况的确存在低估食品安全真实水平的倾向,而且两类合格率之间的平均差距分别仅有0.13个百分点、0.07个百分点,表明我国食品安全监管效率亟待提高。因此,本文建议我国政府尽快采用随机抽检合格率评价我国食品安全状况,为地方政府摆脱两难的监管困境,切实提高监管效率创造条件。     

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。     

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。     

基于SAR提高喀斯特地区LUCC光谱分类精度研究

喀斯特地区复杂地表形态导致地面调查可深入性差、精度不高,遥感则作为该区有效监测与研究人类活动对土地利用(LUCC)方式与利用程度影响的主要手段。文章利用ALOS多光谱数据与Terra SARX的数据进行融合,讨论了HH极化微波后向散射数据用于改善多光谱遥感数据LUCC分类的精度,并比较了不同融合方法对地物识别。结果表明:2种数据之间的融合充分利用了多光谱的光谱信息与HH极化数据丰富的结构与纹理的特征,增强了不同地物之间的光谱差异,提高地物可分性;PC法融合、IHS法融合分类精度较单独使用ALOS多光谱数据分类精度分别提高了8%与13%,而且由于HH极化对植被含水量的敏感性,提高了"插花"分布的旱地与草地、林地等由植被覆盖的土地利用类型的区分精度。通过该研究探讨了HH极化数据与多光谱数据融合在地表信息提取中的应用,拓展了遥感数据在喀斯特地区土地利用领域应用的范围。     

基于MODIS时序数据分析的作物识别方法

通过对植被指数序列数据分析可以准确提取农作物的物候特征信息,从而对不同作物进行识别。该文利用MODIS2004年以旬为单位合成的NDVI数据,采用Coif4小波变换的方法重构作物生长曲线,运用快速傅里叶变换对NDVI时序曲线进行分析,选取曲线均值(0级谐波振幅)、1~3级谐波的初始相位及振幅比例作为作物识别的参数,实现华北地区5种主要作物的识别。经过验证,最终的使用者精度都达到85%以上。     

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。     

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。