利用RefineNet模型提取冬小麦种植信息的方法

冬小麦是我国主要的粮食作物，获取精细的冬小麦种植信息对于指导农业生产具有重要的意义。通过对RefineNet模型进行扩展，形成了适宜提取冬小麦种植信息的Ex-RefineNet（Extend-RefineNet）模型，Ex-RefineNet模型由两个子模型组成，Ex-RefineNet-Edge子模型用于提取冬小麦种植区域的边缘像素，Ex-RefineNet-Inner子模型用于提取冬小麦种植区域的内部像素，使用贝叶斯模型对两个子模型的提取结果进行合并处理，形成最终提取结果。利用山东省济南市和泰安市的16幅高分2号遥感影像进行实验，将每幅影像的2/3作为训练数据，其他数据作为测试数据，选择平均精度、查全率和Kappa系数作为对比指标，Ex-RefineNet模型的结果分别为0.93、0.92、0.91，而RefineNet模型的结果分别为0.86、0.84、0.83，说明本文给出的方法在提取冬小麦种植信息方面具有较明显的优势。     

利用RefineNet模型提取冬小麦种植信息的方法

冬小麦是我国主要的粮食作物,获取精细的冬小麦种植信息对于指导农业生产具有重要的意义。通过对RefineNet模型进行扩展,形成了适宜提取冬小麦种植信息的Ex-RefineNet(ExtendRefineNet)模型,Ex-RefineNet模型由两个子模型组成,Ex-RefineNet-Edge子模型用于提取冬小麦种植区域的边缘像素,Ex-RefineNet-Inner子模型用于提取冬小麦种植区域的内部像素,使用贝叶斯模型对两个子模型的提取结果进行合并处理,形成最终提取结果。利用山东省济南市和泰安市的16幅高分2号遥感影像进行实验,将每幅影像的2/3作为训练数据,其他数据作为测试数据,选择平均精度、查全率和Kappa系数作为对比指标,Ex-RefineNet模型的结果分别为0.93、0.92、0.91,而RefineNet模型的结果分别为0.86、0.84、0.83,说明本文给出的方法在提取冬小麦种植信息方面具有较明显的优势。     

结合上下文特征与CNN多层特征融合的语义分割

目的 针对基于区域的语义分割方法在进行语义分割时容易缺失细节信息,造成图像语义分割结果粗糙、准确度低的问题,提出结合上下文特征与卷积神经网络（CNN）多层特征融合的语义分割方法。方法 首先,采用选择搜索方法从图像中生成不同尺度的候选区域,得到区域特征掩膜;其次,采用卷积神经网络提取每个区域的特征,并行融合高层特征与低层特征。由于不同层提取的特征图大小不同,采用RefineNet模型将不同分辨率的特征图进行融合;最后将区域特征掩膜和融合后的特征图输入到自由形式感兴趣区域池化层,经过softmax分类层得到图像的像素级分类标签。结果 采用上下文特征与CNN多层特征融合作为算法的基本框架,得到了较好的性能,实验内容主要包括CNN多层特征融合、结合背景信息和融合特征以及dropout值对实验结果的影响分析,在Siftflow数据集上进行测试,像素准确率达到82.3%,平均准确率达到63.1%。与当前基于区域的端到端语义分割模型相比,像素准确率提高了10.6%,平均准确率提高了0.6%。结论 本文算法结合了区域的前景信息和上下文信息,充分利用了区域的语境信息,采用弃权原则降低网络的参数量,避免过拟合,同时利用RefineNet网络模型对CNN多层特征进行融合,有效地将图像的多层细节信息用于分割,增强了模型对于区域中小目标物体的判别能力,对于有遮挡和复杂背景的图像表现出较好的分割效果。     

卷积神经网络提取风云影像土壤湿度

目的 时空分辨率较高的土壤湿度数据对于生产实践和科学研究具有重要意义。以国产的风云气象卫星为数据源,利用卷积神经网络自主学习输入变量间深层关联的优势,获取高质量土壤湿度数据,为科学研究和生产实践服务。方法 首先构建了一个土壤湿度提取卷积神经网络（soil moisture convolutional neural network,SMCNN）,SMCNN由温度子网络和土壤湿度子网络构成,每个子网络均包含特征提取器和编码器。特征提取器用于为每个像素生成一个特征向量,其中温度子网络的特征提取器由11个卷积层组成,湿度子网络的特征提取器由9个卷积层组成,卷积层均使用1×1的卷积核。编码器用于将提取到的特征拟合为目标变量。两个子网络均使用平均方差作为损失函数。使用随机梯度下降算法对模型进行训练,最后利用训练好的模型提取区域土壤湿度数据。结果 选择宁夏回族自治区为实验区,利用获取的2016-2019年风云3D影像和相应地面站点数据作为实验数据,选择线性回归模型、BP（back propagation）神经网络模型作为对比模型开展数据实验,选择均方根误差作为评价指标。实验结果表明,SMCNN的均方根误差为0.006 7,优于对比模型,SMCNN模型在从风云影像中提取土壤湿度方面具有优势。结论 本文利用卷积神经网络分别构建用于反演地表温度和土壤湿度的子网络,再组成一个完整的土壤湿度反演网络结构,从风云3D数据中获取数值精度、时空分辨率均较高的土壤湿度数据,满足了科学研究和生产实践对大范围高精度土壤湿度数据的需求。     

基于多时相MODIS监测冬小麦的种植面积

论文基于时相和波谱信息，利用MODIS数据监测了北京冬小麦的种植面积。首先，基于地形高度对地物光谱反射值的影响，借助DEM数据对研究区域进行划分。其次，在分析并提取北京地区主要农作物时间谱曲线特征的基础上，设计决策函数，成功提取了北京地区冬小麦的种植面积。最后，比较并分析了非遥感数据对监测精度的影响。研究结果表明，（1）时相信息可以极大的提高农作物种植面积的监测精度。（2）辅助数据的利用，使决策函数的设计更具有针对性，监测结果更可靠。（3）多源多时相遥感数据在农作物种植面积的提取中具有明显的技术优势和重要的应用潜力。     

离散ADMM方法下像素与对象基元协同优化的遥感影像无监督语义分割

语义分割是遥感影像分析中的重要技术之一。现有的方法（如基于深度卷积神经网络的方法等）虽然在语义分割中取得了显著进展,但往往需要大量训练数据。基于图模型的马尔可夫随机场模型（Markov random field model,MRF）提出了一种不依赖训练数据的无监督语义分割思路,可以有效地刻画地物空间关系,并对地物空间分布的统计规律进行建模。但现有的MRF模型方法通常建立在基于像素或对象的单一粒度基元上,难以充分利用影像信息,语义分割效果不佳。针对上述问题,引入交替方向乘子法 （alternative direction method of multiplier,ADMM）并将其离散化,提出了一种像素与对象基元协同的MRF模型无监督语义分割方法（MRF-ADMM）。首先构建像素基元和对象基元两个概率图,其中像素基元概率图用于刻画影像的细节信息,保持语义分割的边界;对象基元概率图用于描述较大范围的空间关系,以应对遥感影像地物内部的高异质性,使分割结果中地物内部具有良好的区域完整性。在模型求解过程中,针对像素和对象基元的特点,提出了一种离散化的ADMM方法,并将其用于两种基元类别标记的传递与更新,实现像素基元细节信息和对象基元区域信息的协同优化。高分二号和航拍影像等不同数据库不同类型遥感影像的语义分割实验结果表明,相较于现有的MRF模型,提出的MRF-ADMM方法能有效地协同不同粒度基元的优点,优化语义分割结果。     

利用高时空融合数据监测冬小麦收割过程

针对难以对农作物收割过程进行有效地遥感监测这一难题,采用时空数据融合模型重构出空间分辨率为30m,时间分辨率为1d的高时-空分辨率遥感数据对农作物收割进度进行监测。针对冬小麦收割前后NDVI变化呈现的线性特征,计算时序NDVI的曲率,通过曲率确定阈值进行收割信息提取。结果表明:采用面向对象的SVM分类方法提取研究区冬小麦种植信息,Kappa系数为0.901,面积误差为2.61%;时空数据融合模型的结果与真实影像间的相关系数为0.77(红波段)和0.78(近红外波段),能够较好地重构出冬小麦收割时期的影像;通过提取NDVI变化曲线曲率接近于0时的冬小麦NDVI值来确定阈值,实现了冬小麦收割过程信息的遥感提取。     

由航空影像自动重建大范围3维地形

目的 针对由航空影像自动生成大范围3维地形的立体模型配准问题,提出一种自动配准全部立体模型的方法,从而生成大范围3维地形。方法 首先由相邻影像构建独立的立体模型;然后根据特征匹配同名点在公共影像上的坐标对应关系,自动提取相邻模型的连接点;通过循环遍历搜索,自动配准全部立体模型,进而构建全航摄区的大范围3维地形。结果 采用两组数据进行实验,结果显示,两组数据全部3维模型的均方配准误差分别为5.20像素和2.63像素。本文方法生成的大范围地形的相对精度较高;对第2组数据的结果采用控制点进行绝对定向,并用检查点进行精度评估,结果显示全部检查点的均方平面和高程误差分别为0.326 m和0.502 m,生成的大范围地形达到了较高的绝对精度。结论 本文方法可自动化执行,仅需输入一系列有一定重叠的航空影像,即可自动生成按一定方式组织的大范围3维地形产品。该方法生成的大范围地形既可用于3维场景浏览,也可用于地形量测,但不适用于由激光扫描获取的点云数据的配准。     

基于多时相Landsat8 OLI影像的作物种植结构提取

针对基于多时相遥感影像、多种特征量提取多种作物种植结构在我国研究较少的现状,利用多时相Landsat8OLI影像数据,根据温宿县不同作物的农事历,通过分析主要地物的光谱特征和归一化植被指数的时间变化信息,构建不同作物种植结构提取的决策树模型,实现了对温宿县多种作物种植结构信息的提取。结果表明:1水稻的最佳识别依据是5月20日影像的近红外波段和7月23日影像的NDVI值;棉花和春玉米的最佳识别依据是5月20日~9月9日影像的NDVI变化值;冬小麦—夏玉米和林果的最佳识别依据是5月20日~7月23日影像的NDVI变化值;2与单时相监督分类相比,多时相决策树法对多种作物种植结构的提取效果更理想,总体精度提高了7.90%,Kappa系数提高了0.10;3Landsat8OLI影像数据分辨率高、成本低、获取方便,是农作物遥感的良好数据源。     

机载LiDAR高差和高分影像的城市树冠提取比较

在机载LiDAR(Light Detection and Ranging)数据和高空间分辨率航空影像的支持下,以城市为实验区,实现了单木树冠提取。首先通过LiDAR数据获取高差模型,将其作为包含林木的感兴趣区,再通过掩膜方式提取高分影像上的相同区域,然后采用标记分水岭分割算法分别对两幅感兴趣区影像进行树冠提取,最后以人工勾绘树冠结果为参考评价分割精度,比较了两种数据源提取树冠的优缺点。结果显示,利用LiDAR数据获取的高差模型中包含85.28%的林木信息,林木区域提取的效果显著;基于高分影像得到的分割结果较好,F值为57.14%,基于高度差值模型影像的分割结果较差,F值为42.47%。表明分水岭算法方便可行,且高分影像提供的二维信息更适用于树冠提取。     

利用MODIS 数据监测河北省冬小麦种植信息

根据冬小麦发育期的同步性、土壤类型、灌溉条件等多项因子, 参考河北省土地利用现状资料和生态功能区划成果, 将河北省冬小麦种植区域划分为五大区。利用多时相MODIS 遥感数据和冬小麦地面GPS 定位调查信息, 充分考虑冬小麦的生长发育特征和下垫面的植被生长特征来剔除小麦生长季节的非麦区信息。在测算冬小麦种植面积、解决混合像元问题时, 改进了“麦土比”的概念,提出了“像元麦土比”的新方法, 将遥感知识、农学知识和地学知识进行有机结合, 形成一套计算机自动提取冬小麦种植信息系统。利用该系统提取了河北省2004～2005 年度冬小麦播种信息, 遥感测算的全省总面积误差为3. 2% , 综合考虑各个地市的偏差情况, 9 个地市面积平均绝对误差为9. 6%。     

Early Estimation of Winter Wheat Planting Area in Qingyang City by Decision Tree and Pixel UnmixingMethods based on GF-1 Satellite Data

In Northwest China,there are many mixed pixels in the winter wheat area,so the combination of decision tree and mixed pixel decomposition is of great significance to improve the interpretation accuracy.The data source of this result is GF-1 satellite data which excellent in the high temporal resolution and high spatial resolution.Based on the difference about variation characteristics and NDVI value for winter wheat and the other crops in different phase data,we build decision tree to extract winter wheat pixels preliminary.Then selected linear spectral mixture model,further analysis the previous data by mixed pixel decomposition,get the final planting area data more exactly.Compared with the winter wheat samples measurement data,calculate the extraction accuracy eventually.The result shows that the extraction accuracy of winter wheat planting area in the study area was more than 90%,Kappa coefficient is close to 0.8,can reflect the distribution of winter wheat in the region accurately.This study found that the method which combined with decision tree classification and pixel unmixing based on high resolution remote sensing image can extract the winter wheat planting area precisely,This is helpful for the development of crop area remote sensing monitoring.     

HJ星数据在关中冬小麦种植面积遥感监测中的应用 

应用冬小麦抽穗期的环境小卫星影像对关中地区依据行政区划划分,采用多种遥感监测方法进行冬小麦种植面积提取,提取精度达95.64%。结果表明:抽穗期是关中地区提取冬小麦种植面积的最佳时相,同时也表明环境小卫星可以用来监测大范围的冬小麦种植面积,并得到很高的精度。在未来的研究中,对于地形差异较大的地区,可依据地形和冬小麦的种植结构对研究区进行划分,针对每个子研究区采用不同的遥感监测方法以提高提取精度。     

The area extraction of winter wheat in mixed planting area based on Sentinel-2 a remote sensing satellite images

ABSTRACT

The traditional area extraction method mainly depends on manual field survey methods, it is workload, slow and high cost. While remote sensing technology has the advantages of accuracy, rapidity, macroscopic and dynamic, which has become an effective means to extract crop growing area. In this paper, we took Kaifeng City in Henan Province as the study area. Firstly, we explored the advantages of Sentinel-2A RENDVI in crop identification. Then used the supervised classification SVM, object-oriented classification method and assisted with field measured data to extract the winter wheat planting area, the characteristics of the two methods were compared and analysed. Finally, we combined the above two classification methods and proposed a new classification method V2OAE to remove unnecessary influencing factors. The experiment results showed that RENDVI has better recognition ability than the NDVI (Normalized Difference Vegetation Index) in distinguishing vegetation with similar spectrum, the classification effect of object-oriented classification is better than supervised classification SVM, and our classification method removes unnecessary influence factors in the results of object-oriented classification, which is further improve the monitoring accuracy.

Firstly, we have preprocessed the Sentinel-2A image data, its steps are: (1) In the first step, we made radiation calibration for remote sensing images to eliminate the image distortion caused by external factors, data acquisition and transmission systems and so on; (2) In the second step, we made atmospheric correction to eliminate changes in the spectral feature of remote sensing images caused by atmospheric absorption or scattering; (3) In the third step, we made band resampling to unify the resolution of remote sensing images and facilitate the mathematical combination operation of vegetation index; (4) In the fourth step, we made mosaic and cutting to get preprocessed remote sensing images of Kaifeng City. Secondly, we analysed the spectral features of each object and established the interpretation mark with the field measured data. then we explored the ability to identify the ground objects based on NDVI(Normalized Difference Vegetation Index) and RENDVI. Third, we used the rule-based object-oriented classification method and SVM classification to extract the planting area of the study area, the input definition of SVM is spectral feature images of ground objects and the output definition of SVM is the recognition result of ground objects in the process of data training. Then the advantages and disadvantages of the two methods in classification results were analysed. Finally, In order to extract winter wheat information more accurately, we combined the above two classification methods and proposed a new classification method V2OAE (Vector Object Oriented Area Extraction) to remove unnecessary influencing factors, then the winter wheat planting area in Kaifeng City was statistically obtained.     

利用多时相NDVI 监测京郊冬小麦种植信息

物候和时相信息在农作物种植信息提取方面有十分重要的应用价值, 利用多时相L andsat TM 数据, 结合冬小麦的波谱和时相信息, 成功提取了北京地区的冬小麦种植信息。首先, 选用了2003 年4 月7 日、5 月1 日、5 月25 日、6 月18 日不同时相的4 景TM 卫星影像, 计算了不同时相的NDV I 时间谱图像数据; 其次, 结合北京地区农作物种植的实际情况, 提取并分析了北京春夏季主要植被地物(冬小麦、苜蓿、苗圃、春玉米、树林等) 的NDV I 时间谱特征; 第三, 利用不同时相的NDV I 图像数据, 通过NDV I 图像通道间的逻辑运算算法, 成功提取了2003 年北京地区的冬小麦种植信息, 提取精度达到96. 92%; 最后, 与2002 年收割小麦的统计数据相对比, 监测了北京各郊区县的冬小麦种植结构调整情况。结果表明, 多时相、多光谱遥感数据在作物种植信息的监测中有十分明显的技术优势和重要的应用潜力。     

基于ISODATA法的冬小麦产量分级监测预报

以江苏省姜堰市为例,进行了基于TM卫星遥感技术和小麦估产模型的冬小麦产量监测研究。在利用GPS实地采样调查和建立解译标志的基础上,通过影像校正、采用优化的ISODATA分类方法,结合人机交互式判读解译等操作,将样点的作物信息数据贯穿到整个校验分类过程中,信息解译精度在90%以上。利用分类提取的冬小麦数据,反演叶面积指数、生物量信息等,结合冬小麦估产模型,计算单点产量信息,经过线性转换,对整个区域的冬小麦产量进行监测预报,并制作了冬小麦产量分级专题图。     

Research on Using End-member Abundance to Estimate Summer Maize Planting Area

Multispectral satellite remote sensing data of low or moderate spatial resolution are widely used in large range crop planting area extraction.For those areas with complex structure，when the low or moderate spatial resolution remote sensing data sources is used to extract the planting area of target crop，mixed pixel is the main obstacle factor to restrict the area extracting precision.Extracting it on sub\|pixel scale could overcome the restriction of low or moderate spatial resolution and develop the extraction precision.However，the extraction method of target crop planting area on sub\|pixel scale now usually directly use the end\|member abundance to instead the percentage of planting area.Therefore it may cause some errors.On the basis of previous researches，taking Hebi City，Henan Province as the study area，which located in Huang\|Huai\|Hai plain，has the largest summer maize planting area and the complex planting structure.Taking FY3/MERSI data as the main information source.Using the method of spectral matched adaptive best end\|member combination of pixel unmixing to extract the summer maize end\|member abundances.Making regression modeling in various equation forms between summer maize end\|member abundances in pixel and the percentage of planting area.Then select the optimal regression equation form to build regression model，and estimate the actual summer maize ground planting area.Summing up the correlation coefficient when the model was building，significance test and the RMS errors condition of sample point verification.Then choose the cubic model to estimate the planting area of summer maize in the study area.It is proved by remote sensing estimation that the area precision of summer maize planting area is 97.1%，the position precision is 82.5%.     

基于SVM的高分时序冬小麦种植区提取研究

冬小麦作为我国重要的粮食作物,准确获取其空间分布情况,对农业生产管理及农情监测有重要意义。以河南省商丘市为例,利用覆盖冬小麦完整生育期的GF-1数据,计算归一化植被指数（Normalized Difference Vegetation Index, NDVI）、增强植被指数（Enhanced Vegetation Index, EVI）时间序列,结合关键生育期影像,构建不同特征量组合数据集,利用支持向量机方法进行冬小麦提取。同时采用主成分分析法对数据进行降维处理,尝试通过压缩特征集数据量来提高冬小麦提取效率。研究结果表明：EVI时序数据较NDVI能更好地描述作物的物候,提取精度皆高于NDVI,其中EVI时序数据与关键生育期影像组合提取精度最高,达到97.67%。结果表明,降维后数据并未对提取精度造成显著影响,达到压缩数据量保持提取精度的目的,为大区域作物提取提供参考价值。     

基于多源数据的禹城农田生态系统冬小麦生育期识别方法比较研究

多源数据与其技术方法逐渐被应用于植被物候的研究当中,但基于多源数据物候识别方法间的差异性比较及定量化评估工作还有待加强。以山东禹城农田生态系统为例,探讨了基于多源数据,NDVI、EVI、数字相机图片、碳通量数据(NEE)以及人工实测数据获取的冬小麦主要生育日期的结果进行差异比较及定量化评估。结果表明:①通过碳通量数据获取的主要生育日期的计算结果与人工实测结果最接近,各阶段差异均<3 d;通过数字相机图片获取的结果仅次于通过碳通量数据获取的结果,而通过遥感数据NDVI、EVI获取的结果与人工实测结果差距最大;②通过NDVI、EVI两种数据获取的冬小麦主要生育期结果具有极显著的相关性,最高达到R²=0.857(P<0.001);③基于多源数据获取的冬小麦主要生育期的计算结果,均显示出禹城站冬小麦返青期提前,蜡熟期推迟,生长季长度变长的年际变化特征。