基于多时相HJ卫星的冬小麦面积提取

我国环境与灾害监测预报小卫星HJ-1A/B具有较高的时间和空间分辨率,在作物种植面积提取和长势监测等方面具有较大优势。本文以江苏省姜堰市为研究区,根据冬小麦的物候规律和季相节律的差异性,选取返青期和拔节期两个生育期的HJ卫星影像,借鉴分层信息提取法原理,综合利用监督分类和非监督分类法,结合人机交互目视解译和实地定位调查等资料提取了姜堰市的冬小麦种植面积,总体面积提取精度达到90.22%,样点空间匹配精度为81.25%,实验基地空间匹配精度为80.34%。结果表明：HJ卫星能够用于提取南方地区冬小麦种植面积和长势监测,满足农情监测的需要,且利用多时相遥感影像能有效地增加信息量,实现信息互补,有助于提高监测精度。     

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。     

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。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段,对农业生产管理具有重要意义。以安徽龙亢农场为研究区,收集了中高分辨率多源卫星遥感数据并进行了定量化处理,构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型,生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律,分析了不同品种冬小麦的长势情况,发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上,构建了基于归一化植被指数（NDVI）的冬小麦估产模型,结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算,据此绘制了龙亢农场2017年冬小麦产量遥感估算地图,产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测,为区域范围内农作物长势监测提供了一种有效途径。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段,对农业生产管理具有重要意义。以安徽龙亢农场为研究区,收集了中高分辨率多源卫星遥感数据并进行了定量化处理,构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型,生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律,分析了不同品种冬小麦的长势情况,发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上,构建了基于归一化植被指数(NDVI)的冬小麦估产模型,结果表明:利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算,据此绘制了龙亢农场2017年冬小麦产量遥感估算地图,产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测,为区域范围内农作物长势监测提供了一种有效途径。     

基于时序定量遥感的冬小麦长势监测与估产研究

遥感技术是高效、客观监测农作物生长状态的重要手段，对农业生产管理具有重要意义。以安徽龙亢农场为研究区，收集了中高分辨率多源卫星遥感数据并进行了定量化处理，构建了冬小麦叶绿素密度、叶面积指数的遥感反演模型，生产了长时序冬小麦植被参数卫星遥感产品。通过监测冬小麦叶绿素密度、叶面积指数的时序变化规律，分析了不同品种冬小麦的长势情况，发现高产量小麦在越冬期长势显著优于低产量小麦。在此基础上，构建了基于归一化植被指数（NDVI）的冬小麦估产模型，结果表明：利用小麦抽穗期和乳熟期的累计NDVI值可以实现产量的精确估算，据此绘制了龙亢农场2017年冬小麦产量遥感估算地图，产量分布与实际种植情况吻合良好。实现了基于时序卫星定量遥感数据的冬小麦长势监测和产量预测，为区域范围内农作物长势监测提供了一种有效途径。     

基于线性光谱混合模型的油菜种植面积遥感监测方法研究

利用中低分辨率卫星影像进行油菜面积提取时,需要考虑混合像元产生的影响,以提高面积提取的精度。本文以2009年湖北省潜江市油菜种植面积为例,利用中巴地球资源卫星(CBERS-02B)遥感影像,选取线性光谱混合模型进行油菜种植面积的分解计算研究,将结果与基于GVG(GPS、VIDEO、GIS)农情采样系统得到的结果进行对比分析,面积提取精度为97.43%。表明线性光谱混合模型能够高精度地提取油菜的种植面积,不失为一种很好的监测油菜种植面积方法。     

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。     

基于GF-1影像的冬小麦和油菜种植信息提取

高分(GF)系列卫星的相继发射为国产高分辨率遥感数据的应用创造了新的机遇。为探索GF数据在中小尺度农作物遥感监测领域中的可行性和建立相适应的技术体系,以扬州市为例,运用决策树模型和面向对象分类方法,研究GF-1卫星的宽视场(wide field of view,WFV)数据在农作物种植信息提取中的可行性,并探索提高其提取精度的处理方法。结果表明:分区处理可以降低作物空间分布对种植区提取的不利影响;冬小麦总体精度为97%,Kappa系数为0.93;油菜总体精度为96%,Kappa系数为0.84。综上所述,国产GF-1 WFV影像可以应用于农作物种植信息的提取,并为粮区农作物种植空间调整和优化管理提供重要参考和决策支持。     

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.     

PlantingInformation Extraction of Winter Wheatand Rape based on GF-1 Images

Successive emission of high resolution satellite has created new opportunities for the application of domestic high resolution remote sensing data.In order to explore the feasibility of GF data in the field of small and medium scale crop remote sensing monitoring and to establish a suitable technical system,with Yangzhou as an example,using decision tree model and object oriented classification method to research the feasibilityon crop planting information extraction of GF wide field viewdata.And explore the method to improve the accuracy.The results showed that,sub\|regionpretreatmentcan reduce the adverse effects of crop spatial distribution on the extraction of the planting area.The overall accuracy of winter wheat was 97%,the Kappa coefficient was 0.93;the overall accuracy of rape was 96%,the Kappa coefficient was 0.84.Research shows thatdomestic GF\|1 WFV images can be applied to the crop planting informationextraction,and toprovide an important reference and decision support for adjusting crop spatial and optimizing management of gain producing areas.     

基于WorldView-2影像和语义分割模型的小麦分类提取

为使用高分辨率遥感影像和深度学习语义分割模型实现快速准确的小麦种植空间信息提取,以WorldView-2遥感影像为数据源,制作尺度分别为128×128、256×256、512×512的样本数据集,对U-net和DeepLab3+语义分割模型的参数进行训练,建立小麦遥感分类模型;通过与极大似然和随机森林方法比较,检验深度学习分类效果。结果显示：(1)不同尺度样本训练得到的模型总体精度、Kappa系数分别在94%和0.82以上,模型精度稳定,样本尺度大小对小麦分类提取模型影响较小;(2)深度学习方法的小麦分类总精度和Kappa系数分别在94%和0.89以上,极大似然和随机森林则在92%和0.85以下,表明该研究建立的小麦遥感分类模型优于传统分类方法。研究结果可为高分辨率遥感影像作物种植信息的深度学习方法提取提供参考。     

多源遥感数据小麦识别及长势监测比较研究

小麦是我国主要的农作物之一,对于我国的经济发展有着重要意义.遥感技术经过不断发展,已成为提取小麦及长势研究的重要手段.利用高光谱珠海一号OHS-2A卫星、多光谱Sentinel-2A卫星以及MODIS等多源遥感数据,以雄安为研究区,采用支持向量机的方法进行小麦提取,结合野外实测数据利用混淆矩阵进行精度评价分析;分别对比...     

卫星遥感海冰监测技术在河北省近海海域的应用

卫星遥感技术已成为海冰监测的重要技术手段之一。介绍了应用EOS系列卫星、HY-1B卫星和HJ-1A/B卫星等遥感数据提取河北省近海海域海冰分布、海冰类型、海冰厚度等海冰信息的方法。重点研究了应用HJ-1A/B卫星遥感数据进行海冰分类,及根据海冰类型与厚度的对应关系估算海冰厚度的方法,并以2013年1月17日的卫星遥感数据为例,提取海冰信息,制作相关海冰专题产品。结果表明:利用多种卫星遥感数据进行海冰监测,既可相互补充又能提高监测效率和准确率,制作更精细化的海冰监测产品,为河北海洋管理部门制定防灾减灾措施提供重要依据。     

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。     

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.