基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例,通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异,基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据,构建归一化差值植被指数(NDVI)差值法、归一化水体指数和比值植被指数(NDWI-RVI)差值法提取水稻分布,并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示:与非监督分类和监督分类方法相比,植被指数差值法水稻识别精度贡献率可提升30%以上,NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72;NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846,实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的,可实际服务于太湖地区农业生产及相关决策支持。     

基于GF-1影像的耕地地块破碎区水稻遥感提取

耕地地块破碎区水稻遥感提取是作物监测研究的热点问题之一。以苏州市高新区为例,通过挖掘关键物候期水稻与下垫面水体光谱特征组合差异,基于分蘖期与齐穗期两景16 m分辨率的GF-1 WFV数据,构建归一化差值植被指数（NDVI）差值法、归一化水体指数和比值植被指数（NDWI-RVI）差值法提取水稻分布,并深入探究了水稻面积提取精度及空间重合度影响因素。结果显示：与非监督分类和监督分类方法相比,植被指数差值法水稻识别精度贡献率可提升30%以上,NDVI差值法提取水稻种植面积的精度、空间重合度、制图总体精度和Kappa系数分别为86.2%、66.1%、92.2%和0.72;NDWI-RVI差值法上述指标分别高达95.5%、78.4%、93.5%和0.846,实现了利用少量中高分辨率遥感影像精确提取耕地地块破碎区水稻分布的目的,可实际服务于太湖地区农业生产及相关决策支持。     

基于多时相协同变化检测的耕地撂荒遥感监测

针对地表覆被复杂、地块破碎等原因导致的撂荒地提取精度较低问题,提出一种基于多时相协同变化检测的耕地撂荒信息提取方法。以河北省石家庄市鹿泉区为研究区,采用Sentinel-2A和Landsat 7多光谱影像,在野外样本的支持下,分析耕地各种覆盖类型的归一化植被指数（Normalized Difference Vegetation Index,NDVI）季相变化规律,以季节性撂荒、常年性撂荒、冬小麦、多年生园地为分类体系,构建多时相协同变化检测模型,开展研究区耕地撂荒状态遥感监测。研究结果表明：基于Sentinel-2A影像的季节性撂荒和常年撂荒耕地的分类精度分别为95.83%和96.55%;基于Landsat 7影像的季节性撂荒和常年撂荒耕地的分类精度分别为91.67%和93.10%;2019年鹿泉区季节性撂荒占耕地面积的4.7%,常年撂荒耕地占7.1%。利用该方法能够快速、准确地获取研究区耕地空间分布、面积等信息,对于不同分辨率的影像均具有较好的撂荒地提取精度。     

南方地区复杂条件下的耕地面积遥感提取方法

针对我国南方地区植被类型复杂、地形复杂和地块破碎等原因导致耕地信息提取精度较低问题,提出了一种面向对象和CART决策树结合的复杂条件下耕地面积提取方法。以广西南宁市隆安县与武鸣县地区为研究区,采用Sentinel-2A影像,结合数字高程数据（Digital Elevation Model,DEM）及归一化植被指数（Normalized Difference Vegetation Index,NDVI）等多源数据,利用面向对象分割技术识别地块信息,然后以地块为单位采用CART（Classification And Regression Tree,CART）决策树分类法,依据不同地类的形状、光谱特征,提取研究区的耕地。结果表明：面向对象的CART决策树分类方法分类总体精度和Kappa系数分别为96.1%和0.94,相比较于未加入面向对象分割的CART决策树耕地信息提取总体精度提高Kappa系数提高0.54,面向对象的分割方法有利于减少复杂背景对耕地提取的影响。基于面向对象的CART决策树分类方法相比较于传统方法对研究区耕地信息的提取有较好的精确性,能够提高耕地信息的提取精度。     

基于季相变化特征的撂荒地遥感提取方法研究

在我国西南地区耕种条件差,地块比较破碎,地块类型比较复杂,中低分辨率遥感数据难以满足撂荒地提取的需要。选取贵州修文县为试验区,基于高分辨率卫星遥感数据（哨兵2号）,探索单期或多期影像在中国西南地区的撂荒地检测能力,构建撂荒地遥感监测方法,为今后我国西南地区撂荒地统计调查提供参考。结合野外调查数据,在划分不同撂荒地类型基础上,综合遥感影像的光谱特征、植被指数特征以及多时相植被指数变化特征分析,优选不同类别撂荒地遥感提取敏感特征集,利用CART决策树分类方法,提取不同类型的撂荒地。结果表明：①单个时相对不同类型的撂荒地识别能力差异显著,基于单时相影像,难以开展撂荒地高精度遥感监测提取;②不同时相的植被指数变化特征对撂荒地的识别能力较强,其中比值植被指数优于差值植被指数和归一化植被指数;③以贵州修文县为例,开展了撂荒地空间分布制图及撂荒面积统计分析,修文县撂荒地面积约为6 460 hm²,占修文县耕地面积的13%;④基于多时相高分辨遥感数据,通过季相变化特征构建的撂荒地检测方法,能够满足我国西南地区撂荒地高精度遥感监测提取,为大范围撂荒地遥感调查和制图提供技术参考。     

基于特征波段的SPOT-5卫星影像水稻面积信息自动提取的方法研究

为了快速、准确地从遥感影像上提取水稻信息,满足国家农情遥感监测系统要求,以黑龙江省852农场水稻提取为例,利用SPOT-5卫星影像数据,分析了水稻和其它背景地物的光谱特征,发现利用原有波段难以提取复杂的水稻信息,因此利用植被特征波段：归一化植被指数（NDVI）作为新波段融入原始影像中,在增加有效信息量的同时运用简单决策树模型提取水稻信息,并参照地块现状矢量图进行精度评价。结果表明,该方法的总体提取效果较好,其提取精度与通常的监督分类方法相比有了较大的提高,只是在水稻和玉米交界处有误判现象。     

基于GF-1遥感数据决策树与混合像元分解模型的冬小麦种植面积早期估算

我国西北地区耕地细碎,冬小麦种植面积提取时混合像元较多,所以将决策树和混合像元分解相结合可大大提高解译精度。以高时间分辨率及较高空间分辨率的GF-1卫星遥感数据为研究数据源。根据冬小麦和其他各类地物在不同时相数据上NDVI值的变化特性及特征值差异,建立决策树模型,快速高效地提取冬小麦像元。运用线性光谱混合模型,降低混合像元的影响,进一步精确提取冬小麦的种植面积。最后与实测样方的冬小麦种植面积数据进行比较,验证提取精度。结果表明:研究区内冬小麦种植面积提取精度达90%以上,Kappa系数接近0.8,可较为准确地反映出区域内冬小麦的分布情况。利用较高分辨率的遥感影像并结合决策树分类和混合像元分解可以较准确地提取耕地破碎地区作物种植面积,对开展早期农作物面积遥感监测有较大帮助。     

利用多时相HJ卫星CCD遥感影像提取嘉祥县秋收作物

作物种植面积对调整农业结构、制定区域粮食安全政策有着十分重要的意义。本文以山东省嘉祥县为研究区,利用3景不同时相的HJ卫星CCD遥感数据,结合野外调查样本,通过分析研究区主要秋收作物(玉米、棉花和水稻)在不同生育期的光谱特征和归一化植被指数(NDVI)的特点,对分类影像进行系列阈值分割、掩膜处理,最后利用决策树算法成功提取了山东省嘉祥县的玉米、棉花和水稻的种植面积,总体精度分别达到93.31%、89.41%、95.82%。     

基于多时相遥感观测的板栗林分布提取研究

板栗林在欧亚、北美等地广泛分布,具有良好的生态价值和经济效益。我国板栗产量居世界首位,是重要的经济树种。使用遥感影像建立板栗林空间分布提取方法能够为其科学管理和高效经营提供定量数据,但树种分类是遥感分类的难点,并且针对板栗林的遥感提取研究较少。以河北省宽城满族自治县为研究区,结合MODIS高时间分辨率特征和Landsat数据较高空间分辨率的特征,研究板栗林提取的最佳时相以及分类特征,并采用多时相观测基于支持向量机算法实现板栗林的提取。结果表明：①4月至6月各地类光谱差异最大,是板栗林提取的关键物候期;②蓝、绿、红、近红外和短波红外波段地表反射率是分类的有效波段,NDI、NDVI、NDWI、RSI和RVI等植被指数增强了植被信息,是板栗林提取的有效分类特征;③单一时相板栗林分类中,生长季前期6月精度最高,生长季后期9月次之,非生长季1月分类结果较差;④结合生长季6月、9月和非生长季1月遥感影像的分类精度最佳,板栗林制图和用户精度分别为89.90%和87.25%。与林业局板栗林面积统计数据相比,精度可达93.45%。     

LandsatTM在矿区生态环境动态监测中的应用

以湖北大冶为研究区，采用多时相陆地卫星遥感图像，通过不同波段组合，以及铁矿指数(iron oxide)和归一化差异植被指数(NDVI)等的应用，在建立一定精确的分类模板的基础上，采用最大似然法执行监督分类，得到了具有较高精度的分类结果图。最后对不同时相分类结果图中各类地物的比较，定量分析了矿区生态环境的动态变化，并着重讨论了30m分辨率的陆地卫星影像在矿区生态环境监测中的作用及不足。     

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.     

一种基于植被指数的遥感影像决策树分类方法

以江苏省徐州市为研究区,采用2000年ETM+多光谱影像作为遥感信息源,选择影像的光谱特征和归一化植被指数（NDVI）、绿度植被指数（GVI）、比值植被指数（RVI）等10种植被指数作为分类特征,基于See5决策树学习软件构建分类决策树,实现了研究区景观格局的遥感分类。研究结果表明,决策树分类法易于综合多种特征进行遥感影像的分类,植被指数参与到决策树分类中能够提高分类的总体精度。     

利用中巴-2号卫星CCD估测土壤全氮的研究

遥感监测土壤对于及时快速掌握农田肥力状况,合理施肥意义重大。NDVI在监测地表植被覆盖中发挥着重要作用,水田植被覆盖种类单一,其他影响因素少,这使得通过NDVI监测水稻长势,间接监测土壤肥力状况变得可行。本文就是利用中巴-2号卫星的CCD的植被指数对南京溧水县水田的土壤质量进行监测,回归方程的决定系数R2=0.741,相对误差为0.1663。结论发现利用中巴卫星的植被指数对研究区的的水田氮素的监测是可行的,并在此基础上做了研究区的氮素等级分布图,实现了遥感监测溧水水田土壤全氮的估测。     

不同辐射校正水平下水稻植被指数监测对比分析

归一化植被指数(NDVI)是反映植被长势特征的重要参数之一。获取准确的植被指数对揭示植被长势变化等定量遥感分析至关重要。基于不同辐射校正水平(辐射定标与大气校正),分别利用Landsat ETM+影像的灰度值(DN)、表观(TOA)反射率与地表(Surface)反射率计算相应NDVI,并根据鄱阳湖区野外定点观测数据,从农田、景观尺度揭示不同辐射校正水平下水稻生育期内NDVI动态变化特征。结果表明,根据DN、TOA反射率与Surface反射率提取的NDVI基本上可以反映出年内水稻不同熟制种植信息变化特征,即移栽期NDVI处于谷值,孕穗抽穗期NDVI达到峰值。但相应NDVI逐渐增加,且波动范围逐渐增大。就不同熟制水稻生育期而言,根据DN值计算并构建的NDVI曲线差异较小,而根据TOA反射率与Surface反射率反演的NDVI曲线差异明显。在植被定量遥感研究中,通过大气校正反演地表反射率计算植被指数相对客观准确。     

Mapping paddy rice agriculture in southern China using multi-temporal MODIS images

Information on the area and spatial distribution of paddy rice fields is needed for trace gas emission estimates, management of water resources, and food security. Paddy rice fields are characterized by an initial period of flooding and transplanting, during which period open canopy (a mixture of surface water and rice crops) exists. The Moderate Resolution Imaging Spectroradiometer (MODIS) sensor onboard the NASA EOS Terra satellite has visible, near infrared and shortwave infrared bands; and therefore, a number of vegetation indices can be calculated, including Normalized Difference Vegetation Index (NDVI), Enhanced Vegetation Index (EVI) and Land Surface Water Index (LSWI) that is sensitive to leaf water and soil moisture. In this study, we developed a paddy rice mapping algorithm that uses time series of three vegetation indices (LSWI, EVI, and NDVI) derived from MODIS images to identify that initial period of flooding and transplanting in paddy rice fields, based on the sensitivity of LSWI to the increased surface moisture during the period of flooding and rice transplanting. We ran the algorithm to map paddy rice fields in 13 provinces of southern China, using the 8-day composite MODIS Surface Reflectance products (500-m spatial resolution) in 2002. The resultant MODIS-derived paddy rice map was evaluated, using the National Land Cover Dataset (1:100,000 scale) derived from analysis of Landsat ETM+ images in 1999/2000. There were reasonable agreements in area estimates of paddy rice fields between the MODIS-derived map and the Landsat-based dataset at the provincial and county levels. The results of this study indicated that the MODIS-based paddy rice mapping algorithm could potentially be applied at large spatial scales to monitor paddy rice agriculture on a timely and frequent basis.     

利用HJ星遥感进行水稻抽穗期长势分级监测研究

对水稻长势进行遥感分级监测,制作能够直观反映水稻长势等级的遥感专题图,便于农业技术人员及时制定有效的田间管理措施,达到增产的目的。以江苏省泰兴市为例,利用HJ-A/B卫星遥感影像,提取水稻的种植面积并分析抽穗期水稻的长势情况。在利用GPS实地取样调查和建立解译标志的基础上,进行HJ-A/B卫星影像校正,人机交互式判读解译等操作,并将GPS样点数据校验贯穿到整个分类过程中,面积信息解译精度在90%以上。最后,利用归一化植被指数(NDVI)反演叶面积指数(LAI)数据信息,依据LAI数据进行水稻长势分级,制作了泰兴市水稻抽穗期长势分级遥感监测专题图。     

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。     

太湖湖滨敏感区的土地利用遥感分类研究

近年来太湖流域水体污染日趋严重,土地利用是重要的环境变化影响因子,对太湖湖滨敏感区土地利用分类研究具有重要意义。研究基于2010年ALOS多光谱遥感影像,以太湖流域上游的武进港、直湖港流域为研究区,根据研究区实际状况和研究目的,建立太湖流域上游湖滨敏感区的土地利用/土地覆被分类系统,并用于该地区的面向对象遥感分类,研究通过影像的多尺度分割,获得不同层次的影像对象,在不同层次设置对应的分类规则,以充分利用影像中地物的光谱、纹理和不同层对象相互关系等信息,从而提高分类效果。研究表明:在面向对象多尺度影像分割的基础上,基于决策树建立多个分类规则的分类方法,能够有效提取建设用地、道路、水体等几类信息,分类总体精度达到88.00%;同时,该地区主要土地利用类型如耕地、农村居民点和城镇居民点的分类精度也较高,这也表明该分类方法对整个太湖流域以及其他平原河网地区的土地利用相关研究具有一定的实用价值。