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...     

利用高空间分辨率遥感数据的农作物种植结构提取

农作物种植结构是掌握粮食种植面积和产量的重要前提,也是进行作物结构调整与优化的依据。该研究以黑龙江肇东市为研究区域,以高空间分辨率RapidEye影像为遥感数据, 基于最大似然监督分类方法提取了肇东市2011年农作物种植结构空间分布,利用地面样方调查数据进行了线状及细小地物扣除系数计算,实现遥感提取的农作物种植面积的精细提取,然后从面积数量和空间位置两个方面对遥感提取的农作物种植结构进行了精度评价。研究结果表明,利用RapidEye数据提取的农作物种植面积数据总体精度为97.00%,位置精度为96.15%,高空间分辨率数据在农作物种植结构遥感提取中具有重要潜力,线状及细小地物扣除系数可以有效减小线状及细小地物对高分提取的农作物种植结构的精度。     

基于多时相遥感影像的花生种植面积提取——以彰武县北部为例

本文以彰武县北部4个乡镇(大冷乡、章古台镇、四合城乡和阿尔乡)种植花生的耕地为研究对象,基于不同农作物类型之间的物候特征差异,借助3个时期的遥感影像提取农作物的不同NDVI特征值和影像的特征信息,采用监督分类的方法提取花生的种植面积及空间分布情况。结果表明该方法对于区分不同物候特征下的作物分类精度高,较好的反映作物的分布状况,可为该地区主要作物种植分布情况提供科学依据。     

基于高分辨率遥感影像的桑树信息提取研究——以广西鹿寨县为例

采用高分辨遥感影像提取农作物信息在北方区域得到了深入的研究和广泛应用,但受到南方地形复杂、气候差异等条件的影响,采用遥感技术提取南方农作物信息的研究甚少。鉴于此,该文以广西鹿寨县为例,采用2012年9月的高分辨率Rapid Eye遥感影像为主要研究数据源,利用面向对象的遥感图像分析方法,结合高程数据模型DEM和GPS野外采集数据,综合桑树在遥感影像上的形状特征、颜色特征、光谱特征、纹理特征、位置特征(拓扑特征)提取桑树信息,并对其分类结果进行精度验证和评价。研究结果表明,提取桑树信息的总精度达到91.96%,Kappa系数达到0.839 1,满足使用的精度要求。面向对象的图像分析方法为高分辨率遥感图像信息提取农作物信息提供了新的思路,该方法与基于像元的分类技术相比,突破了过多地关注地物局部细节而难以提取地物的整体结构信息的缺陷,避免了"椒盐现象"的产生,有效地提高了农作物识别的精度和效率,这对提取广西大宗农作物信息具有一定的借鉴意义。     

基于遥感的陆良县设施种植区域时空变化监测

[目的]文章以云南省陆良县为研究区,通过2013年4月到2017年3月6景Landsat-8 OLI影像提取该地区规模化设施种植区域空间分布信息,分析该县设施种植区域的空间特征和面积时序变化,为设施农业发展调控和优化提供参考信息。[方法]使用OLI全色波段影像和多光谱影像融合,得到15m分辨率的融合图像;使用融合图像7、5、3波段组合的RGB假彩色图像进行目视解译,提取设施种植区域信息。[结果]获取该县2013—2017年共6期设施种植区域空间信息。[结论]遥感监测显示:(1)该地区设施大棚包括种植蔬菜瓜果的光温棚和种植三七的遮阳棚;光温棚主要分布于湖积平原区,遮阳棚主要分布于北部、西部及南部环盆地的山坡地区;(2)陆良县设施种植区域总面积保持增加趋势,但不同类型大棚的变化趋势不同;光温棚面积自2013年4月到2017年3月持续增加;遮阳棚面积则出现大幅增长和大幅减少的现象。     

基于无人机影像的冬小麦深度学习分类

[目的]传统分类方法存在人为主观选择特征、模型无法在大范围泛化的问题,文章利用非监督特征学习的深度学习方法进行冬小麦识别,以解决传统分类方法无法在大范围进行自动化作物识别的不足。[方法]该文集成残差网络(Residual Nets,ResNets)和金字塔场景解析网络(Pyramid Scene Parsing Network,PspNets)构建Res.PspNet,进行冬小麦深度学习自动化分类。在山东全省获取80个村的无人机航拍影像,利用米级遥感影像和对应的标记样本作为"海量标记样本"训练土地覆盖识别模型,以此为基础模型迁移训练冬小麦分类模型,自动提取出冬小麦分布。[结果]实验结果表明,以训练出的土地覆盖数据作为基础模型训练冬小麦模型,收敛速度快,具有很好的泛化性,在不同农业景观调查村中均得到比较准确的结果。从整体验证区域来看,冬小麦总体精度达到了90%以上,区域冬小麦总面积精度达到99%。平原区冬小麦识别精度更高,总体精度达到了90%以上,区域面积精度达到99%,表明模型对冬小麦种植地块规整、生长状态均质的区域,识别精度较高,而山区由于地块破碎、冬小麦长势差异较大,空间卷积会弱化小麦特征且出现"同物异谱"现象,这影响了在该区域内冬小麦的识别精度。[结论]Res.PspNet卷积神经网络能够有效地学习出无人机影像的特征,实现了基于航片影像进行非监督自动化冬小麦"端—端"分类,这也将一定程度上降低冬小麦提取的工作量。     

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。     

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。     

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。     

基于纹理特征与MODIS NDVI时间序列的耕地面积提取研究

[目的]耕地是粮食安全的重要前提与保障,通过对MODIS时间序列数据的特征分析和提取,讨论了在大尺度条件下的耕地面积提取的可行方法,以期为当地合理利用耕地资源进行农业生产规划与布局提供参考。[方法]文章以呼伦贝尔市为研究区域,选择MOD13Q1为数据源,采用Savizky-Golay滤波方法对MODIS-NDVI时间序列进行滤波处理,并分析各地物间的时间变化特征,最后结合纹理特征信息进行CART决策树分类的结果比较。[结果](1) MODIS-NDVI时间序列能较好的区分不同的土地利用类型;(2) Savizky-Golay滤波降噪能够明显提高分类精度;(3)纹理特征的加入进一步反映地物间差异性;(4)该方法的总体分类精度为83. 72%,Kappa系数为0. 789,其中耕地的提取准确度为86. 33%。[结论]纹理特征使数据像元间的灰度相关性更加丰富,并通过提高像元之间的差异改善结果的精度。该文结果为进一步利用MODIS数据进行土地利用信息与农业资源调查提取提出了新思路。     

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。     

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,     

外来植物入侵遥感监测预警研究进展

文章紧密围绕近年来国内外关于外来植物入侵遥感监测、预警新技术、新方法,总结了当前监测预警技术方法的问题和不足,阐明了未来针对外来入侵植物的遥感监测、预警技术发展趋势和方向。目前在监测方法上,主要有图像识别法、高光谱监测法、雷达数据辅助识别法和中低分辨率时序序列数据分析法等。其中,图像识别法和高光谱监测法应用较多,但其数据来源获取困难,后期数据处理工作量大,缺少普适性强的自动解译算法;雷达数据辅助识别法由于雷达数据自身空间分辨率粗糙,在植被监测中往往配合其他数据源同时使用,因此应用上有一定的局限性;中低分辨率时序序列数据分析法适用于较大空间尺度上的植被外来物种入侵监测,监测结果空间定位能力差,很难在小尺度区域上进行应用。在预警方法上,主要有生态机理模型预测和数学模型机理预测两种方法,基于GIS和遥感技术的生态学模型预测机理性强、易推广,预警精度较好,具备一定的空间定位能力,适宜于在宏观区域尺度上应用,但存在部分关键植被生理遥感参数获取困难等问题。数学统计模型预测以理论统计为主,只是对外来植物入侵发生的概率进行了估测,对物种或区域环境依赖程度高,普适性较差,遥感参数较少参与模拟过程,空间定位能力不足。总体上,利用遥感技术快速、准确地进行外来入侵植物定位监测和预警已成为防控外来植物入侵,维护区域生态安全的必然趋势。在数据源集成上,传统可见光遥感和新型激光雷达遥感、高光谱遥感、多角度遥感等多源数据集成、融合应用更为多见,数据获取范围进一步拓宽。特别是诸多新型国产高分卫星发射升空后,使得监测时效性和成本进一步改善,实用化、规模化、业务化动态监测成为可能。在技术方法上,受信息技术、自动化技术和传感器制造技术的影响,数据获取范围不断拓宽,空间定位能力不断增强,监测、预警也将不再局限于单一技术和模型的应用,而是多模型、多平台(星-机-地)综合监测、预警模式成为趋势,外来植物入侵的遥感监测技术正逐步发展成为植被生态遥感学科领域的重要分支学科。     

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。