夏玉米最佳时序谱段组合识别模式研究

针对夏玉米难以精确识别和分类时数据冗余的问题,提出夏玉米最佳时序谱段组合识别模式。基于时间序列的MODIS EVI数据,利用马氏距离(Jeffries-Matusita Distance,J-M)和构造的加权平均分离距离(Weighted Average Separability,DWAS)得到夏玉米区别于其他作物的增强型植被指数(Enhanced Vegetation Index,EVI)时序图像,并将其进行组合,从而构建了识别夏玉米的最佳时序谱段组合;并利用其提取了2001年~2010年黄淮海地区的夏玉米。同时利用典型试验样区TM影像分类结果和野外实地采集样地对提取结果进行了验证:典型样区MODIS与TM分类误差最大为11.4%,空间匹配度达到91.29%,基于TM数据提取的典型样区夏玉米种植面积(STM)与基于MODIS数据得到的夏玉米种植面积(SM)的精度均大于70%;地面506个样地检验的混淆矩阵总体精度达到81%。     

基于多时序特征和卷积神经网络的农作物分类

近年来,以卷积神经网络为主的深度学习模型在各种遥感应用中都显示出巨大的潜力。以加州帝国郡为研究区,以Landsat 8 OLI年内时序遥感影像计算时序植被指数NDVI、EVI、RVI以及TVI,组合后输入到构建的一维卷积神经网络 模型,以实现作物的高精度精细分类。为了验证卷积模型的优越性,另搭建了基于递归神经网络及其变体的深度学习模型。结果表明：①引入其他时序特征后,能够有效地提高卷积神经网络的分类精度。NDVI+EVI+TVI+RVI组合特征总体精度和Kappa系数最高,分别是89.667 4%和0.856 0,对比NDVI时序特征总体精度和Kappa系数提高了近4%和0.6。②在与其他深度学习模型的对比中,一维卷积神经网络分类精度最高,能够从时序数据中较为准确捕捉作物时序特征信息,尽管递归神经网络被广泛应用于序列数据的研究,但分类结果要略差于卷积神经网络。实验表明在NDVI的基础上引入其他植被指数辅助,能够有效地提高分类精度。基于一维卷积神经网络的深度学习框架为长时间序列分类任务提供了一种有效且高效的方法。     

利用时序数据构建冬小麦识别矢量分析模型

鉴于作物类型识别中存在光谱特征相似的困扰,"异物同谱"问题难以有效解决,而时序归一化植被指数(Normalized Different Vegetation Index,NDVI)曲线数据能够反映作物不同时期的动态变化趋势,该文将NDVI时间序列投影到N维空间构成多维特征矢量,结合冬小麦特有的物候特征,充分利用矢量的方向和大小参量,构建冬小麦识别的矢量分析模型,模型的识别能力较强,可以充分发挥NDVI时间序列的优势。以唐山市为研究区,基于高分一号WFV(Wide Field of View)数据的高分辨率优势,构建覆盖冬小麦生长期的NDVI时间序列,采用矢量分析模型进行冬小麦识别,同时与最大似然法、马氏距离法、支持向量机法、神经网络法、最小距离法等分类方法进行对比。结果显示,后5种分类方法的Kappa系数介于0.701 8和0.790 3之间,而矢量分析模型达到了0.895 2,精度有了较大提高。该研究为冬小麦识别提取提供了新的思路,也对推动遥感农情信息调研具有一定学术和应用价值。同时,基于研究区训练样本提出了模型阈值参数自动确定的方法,为今后冬小麦自动提取奠定了基础。     

NDVI 时间序列数据集重建方法述评

基于NOAA/AVHRR、SPOT/VEGETATION 以及MODIS 等卫星影像得到的归一化植被指数(NDVI,Normalized Difference Vegetation Index) 时序资料已经在植被动态变化监测、宏观植被覆盖分类和植物生物物理参数反演方面得到了广泛的应用, 但由于受云层、天气等因素的影响,NDVI 数据集存在大量的噪声, 因此对NDVI 时间序列数据集进行重建, 提高NDVI 数据集质量的研究逐步受到关注。对近年来普遍使用的几种NDVI 时间序列数据集重建方法(最大值合成、最佳指数斜率提取、中值迭代滤波、时间窗内的线性内插、傅里叶变换、S2G 滤波) 进行了详细介绍并评述了这些方法的优缺点。     

一种抗时序数据噪声的冬小麦识别方法研究

冬小麦是全球主要粮食作物之一,及时、准确地获取冬小麦的空间分布信息对于开展冬小麦长势监测、辅助宏观经济决策和应对全球气候变化下的粮食安全等方面具有重要意义。利用2014年9月30日至2015年6月26日冬小麦生长季内35个时相的MODISQ1数据产品,生成NDVI时间序列数据集,在物候分析的基础上选择识别特征,由此构建了一种抗时序数据噪声的冬小麦识别方法,将该方法应用于河南省的冬小麦提取,结果表明,整个研究区的冬小麦总体识别精度达到了93.0%,耕地地块规则区和破碎区的冬小麦识别精度分别为94.0%和86.0%;与传统的基于时间序列提取冬小麦的方法相比,新方法在不同滤波情景下的冬小麦识别精度均较高且稳定,说明该方法可用于基于植被指数时序数据的大范围冬小麦空间分布信息的快速提取,同时也为冬小麦提取工作的业务化实施提供了新的技术支撑。     

高分一号归一化植被指数时间序列用于冬小麦识别

针对现阶段归一化植被指数(Normalized Difference Vegetation Index,NDVI)时间序列空间分辨率普遍较低的问题,提出利用高分一号16m数据构建高空间分辨率NDVI时间序列。鉴于当前NDVI时间序列冬小麦识别方法比较复杂的问题,提出了空间向量法、曲线积分法和坐标转换法3种冬小麦识别模型。经研究区试验分析,发现以上3种方法均达到了较好的识别效果,其中空间向量法、坐标转换法的总体精度都达到98.65%;同当前流行的决策树分类方法相比较,这3种方法操作简单,且精度更优,具有较好的实用意义。     

基于时序MODIS EVI匹配的棉花信息提取以新疆博乐市为例

增强植被指数(EVI)是植被生长状态及植被覆盖度的指示因子,其时序数据也已成为基于物候特征开展大区域植被和土地覆盖分类的基本手段。利用Savitzky-Golay滤波对MODIS EVI 16 d合成时间序列数据进行重建,并利用2006~2010年重建得到的时序数据建立棉花理想时序EVI曲线,通过比较待分类像元与理想曲线欧氏距离的方法,提取新疆博乐市棉花种植分布。使用2011年实地调查的棉花地块为感兴趣区,利用混淆矩阵对2011年棉花种植分布的提取结果进行精度检验,总体精度为82.31%。结果表明:利用多年数据建立的理想时序EVI曲线提取棉花种植分布有效可行。     

多时相影像的冬小麦种植面积提取及估产

针对多时相影像的农作物种植面积难以实现统一精确提取、不能高效地进行遥感估产研究的问题,以河南省濮阳市为研究区,基于Landsat TM影像,采用基于伪不变特征的相对辐射校正方法,在深入分析濮阳市内6类典型地物光谱的基础上,构建决策树提取冬小麦种植面积。然后,基于MODIS植被指数产品,结合相应年份统计数据进行植被指数校正,分别利用校正后关键生育期的归一化植被指数累计值和增强型植被指数累计值与冬小麦产量进行回归分析,建立冬小麦产量预测模型,利用2011年的产量进行验证。结果表明:各年份冬小麦的提取面积精度均在96.3%以上,利用归一化植被指数和增强型植被指数构建的估产模型,R2分别为0.834和0.926,估产精度分别为95.36%和96.44%。该研究可为市域冬小麦种植区的统一高效提取以及冬小麦产量预测提供参考。     

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。     

基于流水线的增强型植被指数快速提取算法*

针对传统的并行方法难以对增强型植被指数(Enhanced Vegetation Index,EVI)提取链进行加速的问题,结合EVI提取算法的特点,依靠流水线在遥感影像多级连续处理方面的优势,提出一种基于流水线模型的EVI快速提取算法。为了解决相邻处理阶段吞吐率的差异问题,在流水线相邻节点间加入双缓冲队列来存储节点处理的中间结果,进一步提高EVI提取算法各步骤并行度。实验结果表明,本文提出的EVI快速提取算法的提取效率要高于传统的EVI多线程提取算法。     

基于Sentinel-2的UNVI植被指数及性能对比研究

作物精准识别和分类是农业遥感检测的重要内容,对作物长势监测以及估产十分重要。以美国混合农业带为研究区,基于Sentinel-2时间序列影像,根据其传感器响应函数计算了针对Sentinel-2的通用归一化植被指数（Universal Normalized Vegetation Index,UNVI）,并通过两个对比实验,分析UNVI等6个指数在作物精准分类中的性能。实验一以JM（Jeffries-Matusita）距离为指标对不同作物类别之间的可分性进行分析,结果表明UNVI优于NDVI、EVI、WDRVI、NDre1和NDWI指数,在玉米和棉花、玉米和水稻、玉米和水稻的区分上,UNVI优于其他指数区分能力相当,但在其余的作物组合上如棉花和水稻,NDVI等指数则无法将其很好的区分,此时UNVI指数依然可以表现出较好的区分能力;实验二对6种时间序列指数特征分别使用随机森林和支持向量机进行作物分类,结果表明UNVI指数的总体精度和Kappa系数最高,其次是NDre1指数和WDRVI指数,EVI的总体精度和Kappa系数最低,这表明UNVI比其他6个指数更好地区分了研究区大豆、玉米、棉花和水稻等4种主要作物。综上,基于Sentinel-2时间序列的UNVI指数在进行作物分类时与其他5种遥感植被指数相比,具有较大的优势,UNVI可为农作物长势分析和作物估产研究等农业研究和应用的可选植被指数。     

Analysis of time-series MODIS 250 m vegetation index data for crop classification in the U.S. Central Great Plains

The global environmental change research community requires improved and up-to-date land use/land cover (LULC) datasets at regional to global scales to support a variety of science and policy applications. Considerable strides have been made to improve large-area LULC datasets, but little emphasis has been placed on thematically detailed crop mapping, despite the considerable influence of management activities in the cropland sector on various environmental processes and the economy. Time-series MODIS 250 m Vegetation Index (VI) datasets hold considerable promise for large-area crop mapping in an agriculturally intensive region such as the U.S. Central Great Plains, given their global coverage, intermediate spatial resolution, high temporal resolution (16-day composite period), and cost-free status. However, the specific spectral-temporal information contained in these data has yet to be thoroughly explored and their applicability for large-area crop-related LULC classification is relatively unknown. The objective of this research was to investigate the general applicability of the time-series MODIS 250 m Enhanced Vegetation Index (EVI) and Normalized Difference Vegetation Index (NDVI) datasets for crop-related LULC classification in this region. A combination of graphical and statistical analyses were performed on a 12-month time-series of MODIS EVI and NDVI data from more than 2000 cropped field sites across the U.S. state of Kansas. Both MODIS VI datasets were found to have sufficient spatial, spectral, and temporal resolutions to detect unique multi-temporal signatures for each of the region's major crop types (alfalfa, corn, sorghum, soybeans, and winter wheat) and management practices (double crop, fallow, and irrigation). Each crop's multi-temporal VI signature was consistent with its general phenological characteristics and most crop classes were spectrally separable at some point during the growing season. Regional intra-class VI signature variations were found for some crops across Kansas that reflected the state's climate and planting time differences. The multi-temporal EVI and NDVI data tracked similar seasonal responses for all crops and were highly correlated across the growing season. However, differences between EVI and NDVI responses were most pronounced during the senescence phase of the growing season.     

遥感干旱指数在洛川苹果干旱监测中的适用性分析

目前对苹果干旱研究较少且主要运用站点数据,对空间信息表征有限,遥感干旱指数可用于大范围干旱时空动态监测,但在苹果干旱监测中的适用性还有待研究.基于2014～2018年MODIS反射率、地表温度以及地表覆被数据,结合土壤湿度数据和野外调查资料,分析洛川苹果区温度植被干旱指数(TVDI)、归一化植被水分指数(NDWI)、植...     

Classification of MODIS EVI time series for crop mapping in the state of Mato Grosso,Brazil

Agriculture in Brazilian Amazonia is going through a period of intensification. Crop mapping is important in understanding the way this intensification is occurring and the impact it is having. Two successive classifications based on MODIS (MODerate Resolution Imaging Spectroradiometer)-TERRA/EVI (Enhanced Vegetation Index) time series are applied (1) to map agricultural areas and (2) to identify five crop classes. These classes represent agricultural practices involving three commercial crops (soybean, maize and cotton) planted in single or double cropping systems. Both classifications are based on five steps: (1) analysis of the MODIS/EVI time series, (2) application of a smoothing algorithm, (3) application of a feature selection/extraction process to reduce the data set dimensionality, (4) application of a classifier and (5) application of a post-classification treatment. The first classification detected 95% of the agricultural areas (5 617 250 ha during the 2006–2007 harvest) and correlation coefficients with agricultural statistics exceeded 0.98 for the three crop classes at municipality level. The second classification (overall accuracy?=?74% and kappa index?=?0.675) allowed us to obtain the spatial variability mapping of agricultural practices in the state of Mato Grosso. A total of 30% of the total planted area was cultivated through double cropping systems, especially along the BR163 highway and in the Parecis plateau region.     

基于MODIS遥感数据的宏观土地覆盖特征分类方法与精度分析研究

针对宏观土地覆盖遥感分类的现状,充分利用MODIS相对于AVHRR数据具有的多光谱和分辨率优势,提出了利用MODIS数据进行分类特征选择与提取并结合多时相特征进行宏观土地覆盖分类的分类方法,并在中国山东省进行了分类试验,得出以下结论:①不同比例下的训练样本与验证样本影响着总体分类精度;②从MODIS数据中得到的植被指数EVI、白天地表温度Tday、水体指数NDWI、纹理特征局部平稳Homogeneity等可以作为分类特征配合参与到多波段地表反射率Ref1-7遥感影像中,能明显提高分类精度,而土壤亮度指数NDSI则没有贡献;③提取的分类特征对总体分类精度贡献大小为:EVI贡献最大,提高近6个百分点,其次是Homogeneity、NDWI,均提高近4个百分点,而最少的Tday也贡献了近3个百分点;④各分类特征对不同地物类别具有不同的分离度,在提高某些类别的分离性时,有可能降低了其它类别的分离性。试验结果表明:在没有其它非遥感信息的前提下,仅利用MODIS遥感自身信息对宏观土地覆盖分类就可达到较高精度。     

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MODIS遥感数据的宏观土地覆盖特征分类方法与精度分析研究

针对宏观土地覆盖遥感分类的现状,充分利用MODIS相对于AVHRR数据具有的多光谱和分辨率优势,提出了利用MODIS数据进行分类特征选择与提取并结合多时相特征进行宏观土地覆盖分类的分类方法,并在中国山东省进行了分类试验,得出以下结论:①不同比例下的训练样本与验证样本影响着总体分类精度;②从MODIS数据中得到的植被指数EVI、白天地表温度Tday、水体指数NDWI、纹理特征局部平稳Homogeneity等可以作为分类特征配合参与到多波段地表反射率Ref1-7遥感影像中,能明显提高分类精度,而土壤亮度指数NDSI则没有贡献;③提取的分类特征对总体分类精度贡献大小为:EVI贡献最大,提高近6个百分点,其次是Homogeneity、NDWI,均提高近4个百分点,而最少的Tday也贡献了近3个百分点;④各分类特征对不同地物类别具有不同的分离度,在提高某些类别的分离性时,有可能降低了其它类别的分离性。试验结果表明:在没有其它非遥感信息的前提下,仅利用MODIS遥感自身信息对宏观土地覆盖分类就可达到较高精度。     

Phenologically-tuned MODIS NDVI-based production anomaly estimates for Zimbabwe

For thirty years, simple crop water balance models have been used by the early warning community to monitor agricultural drought. These models estimate and accumulate actual crop evapotranspiration, evaluating environmental conditions based on crop water requirements. Unlike seasonal rainfall totals, these models take into account the phenology of the crop, emphasizing conditions during the peak grain filling phase of crop growth. In this paper we describe an analogous metric of crop performance based on time series of Moderate Resolution Imaging Spectroradiometer (MODIS) Normalized Difference Vegetation Index (NDVI) imagery. A special temporal filter is used to screen for cloud contamination. Regional NDVI time series are then composited for cultivated areas, and adjusted temporally according to the timing of the rainy season. This adjustment standardizes the NDVI response vis-à-vis the expected phenological response of maize. A national time series index is then created by taking the cropped-area weighted average of the regional series. This national time series provides an effective summary of vegetation response in agricultural areas, and allows for the identification of NDVI green-up during grain filling. Onset-adjusted NDVI values following the grain filling period are well correlated with U.S. Department of Agriculture production figures, possess desirable linear characteristics, and perform better than more common indices such as maximum seasonal NDVI or seasonally averaged NDVI. Thus, just as appropriately calibrated crop water balance models can provide more information than seasonal rainfall totals, the appropriate agro-phenological filtering of NDVI can improve the utility and accuracy of space-based agricultural monitoring.