基于时差特征与随机森林的水稻种植面积提取

准确提取水稻种植面积是探讨气候变化背景下水稻生产与粮食安全的重要前提。我国南方的水稻种植区域,地块破碎且受云雨天气影响严重,如何充分利用有限时相的数据获得较高精度的水稻面积提取是亟需解决的关键问题。提出了一种利用两个时相的数据,通过构建差值特征突出水稻物候变化的特点,并与随机森林算法结合高精度提取水稻种植面积的方法。将之应用于湖南省常德市鼎城区的水稻种植面积提取,结果表明:采用本方法进行水稻提取的最终总体精度达到93.01%,Kappa系数0.91,与单时相提取结果相比,总体精度提高了近3%。为了进一步分析差值特征对其他分类器的改进效果,分别将差值特征与决策树和随机森林组合,并分析了两种组合提取水稻的精度。研究发现构建的差值特征能够有效反映植物的生长状况,增加地物的可区分性,可为对象的分割及分类提供更多有用的信息,能够有效改善水稻种植面积的提取精度。
     

基于Sentinel-1/2影像的水稻种植面积提取方法研究——以三江平原为例

水稻是中国主要粮食作物之一，稻米产量关系到民生福祉。及时、准确地获取水稻种植面积信息及其空间分布状况对于区域农业发展规划和产量评估具有重要意义。针对水稻与其他农作物易混以及光学数据易受云雨天气影响等问题，以东北三江平原为例，利用中高分辨率Sentinel-1微波数据、Sentinel-2光学数据，分别构建时序水体指数SDWI和植被指数NDVI组成水稻完整的物候生长曲线，分析水稻移栽期、分蘖期、抽穗期、成熟期4个重要生长时期不同的光谱差异，通过阈值分割和组合不同时期的数据，来实现水稻不同物候时期种植面积的提取，并与传统的基于单一光学数据的方法进行对比。研究结果表明：经过地表样本点的验证，所构建方法可以精确提取三江平原水稻几个关键生育期的种植面积并且优于单一使用光学数据的方法。同时利用单生育期影像例如移栽期影像提取水稻面积也可使总体精度达到87.08%，随着生育期数据的完整，总体精度也不断提高，其中基于全生育期的面积提取总体精度也高达91.88%,Kappa系数为0.834，可以满足实际应用需求。因此这种的多源数据结合的水稻种植面积提取方法能够准确、高效地提取三江平原水稻不同物候时期种植面...     

基于多时相光谱和物候特征的陕西省神木县地物遥感分类研究

开展了时间序列Landsat TM/ETM遥感影像定量化处理与相对辐射校正,提取了陕西神木县不同地物光谱和NDVI物候特征,结合时间序列NDVI物候特征和多时相光谱信息,采用了地表覆盖的决策树分类算法,实现了陕西神木县地物的高精度遥感分类,包括水体、沙地、城镇、耕地、林地、草地及灌丛等7类地物,分类总体精度达95.77%,Kappa系数达0.93。研究结果表明,基于多时相光谱和物候特征的决策树分类算法能够有效集成多时相、多光谱信息,从而克服了单时相影像分类的缺陷,实现了地物的分类。论文研究方法和结果能够为三北防护林区域的生态环境监测与评估提供技术支持。     

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。     

基于高时空分辨率可见光遥感数据的热带山地橡胶林识别

20世纪90年代以来橡胶林种植面积在西双版纳地区迅猛扩大,对该区域橡胶林种植面积、种植结构变化的精确监测是客观评价该地区橡胶林种植与生态环境变化关系的关键。针对西双版纳热带山地地区植被光谱特征的相似性及地形和气候条件的复杂性问题,结合该地区橡胶林冬季落叶的物候特征,采用时空数据融合算法,分别选取中分辨率的ETM+、OLI、Sentinel-2A数据与高时间分辨率的MODIS数据融合,建立高时空分辨率可见光遥感数据集,并分析不同融合数据源对热带山地环境下橡胶林识别精度的差异。结果表明:(1)基于时空融合数据提取的橡胶林物候变化特征能够实现较高精度的橡胶林识别,识别精度可以达到89%以上,Kappa高于0.83;(2)运用10m分辨率的Sentinel-2A数据进行分类时,能够获取比Landsat数据更高精度的分类结果,表明Sentinel-2A数据在高时空数据融合及热带植被遥感应用中有较好前景。     

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。     

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。     

基于多源多时相遥感影像的山地森林分类决策树模型研究

山地是森林重要的分布区,然而山地多样的森林类型、高度异质化的景观格局、突出的地形效应以及云、雾的干扰均不同程度地影响了山地森林类型的遥感自动制图。多源多时相遥感影像提供的季相节律信息是当前提高土地覆被遥感制图精度的重要信息源之一。以岷江上游地区为研究区,以国产环境减灾卫星多光谱CCD(简称HJ CCD)影像和美国Landsat TM影像为数据源,以决策树为分类方法,根据参与分类影像的时相差异设计了5组对比实验(生长季单时相组、非生长季单时相组、生长季多时相组、非生长季多时相组、全时相组),对比论证多源多时相遥感影像对山地森林类型自动制图的贡献和作用。对比结果表明:生长季和非生长季相结合的多时相遥感影像较单时相或单一类型(生长季或非生长季)多时相遥感影像,更能显著提高山地森林类型自动制图精度,且能降低分类决策树的复杂程度,更有利于山地森林类型的自动提取。     

多时相ERS-2 SAR图像在作物分类中的预处理方法研究

雷达遥感具有全天候、全天时的工作能力,适合于农业遥感监测的时效要求,在农业应用上有很大的潜力。以多时相ERS-2 SAR图像在农作物分类中的应用为例,根据试验区主要农作物的后向散射特性、物候,选择SAR图像的时相。对不同时相的SAR图像的辐射标定、几何校正和噪声平滑等预处理方法进行了研究。     

基于多时相环境星NDVI时间序列的农作物分类研究

时相和归一化植被指数(NDVI)时间序列特征在农作物分类提取方面具有重要的应用价值。以黑龙江红星农场为研究区,利用多时相环境星HJ-1A/B CCD数据及其多期平滑重构后的NDVI时间序列曲线特征,在对象尺度上采用决策树算法开展了农作物分类研究,通过与单独利用多时相遥感数据分类结果的对比分析,研究了增加NDVI时序曲线特征对分类精度的影响。结果表明:面向对象分类方法得到的地块较为规则,平滑了地块内部同种作物间的噪声,避免了"椒盐现象",适合于我国东北地区农作物分类识别;利用NDVI时序曲线特征参与分类,增强了不同作物之间的光谱差异,提高了作物分类精度,比仅使用3个多时相HJ-1A/B CCD数据分类精度提高了5.45%,Kappa系数提高了0.09。通过该研究探讨了NDVI时序曲线特征在作物分类中的应用,拓展了遥感数据在农业领域的应用范围,具有推广价值。     

基于时空数据融合模型的TM影像云去除方法研究

针对已提出的各类云去除方法在实际应用中存在的局限性,将时空数据融合模型引入到云去除方法中。首先基于MODIS数据提供的时间维变化信息和辅助时相TM数据提供的空间信息,应用增强时空适应反射率融合模型(ESTARFM)得到了目标时相似TM合成数据;然后用TM合成数据替换掉目标时相TM影像中被云及其阴影覆盖区域的数据。在修复后的影像中替换区域与非云区域色调基本一致。通过非云区TM合成数据间接对替换云及其阴影区数据的精度进行定量评价。结果表明:相对于真实TM影像,非云区域合成数据各波段均值差异都在1%以内;各波段的相对误差分别为16.29%、12.92%、13.47%、12.87%、9.71%和11.84%,且各波段的相关系数均大于0.7;非云及其阴影区融合影像数据间接表明填补云及阴影区数据各波段的总体精度优于83%。因此,所提出的方法能够修复TM影像中被云及其阴影覆盖区域的数据,提高MODIS与TM数据的利用率。     

The identification of rice fields using multi-temporal ERS-1 C band SAR data

In this paper, an approach for the use of spaceborne SAR data for rice field identification, as well as for land use classification, is demonstrated, by using multitemporal data acquired over the Ohgata-mura area, Akita, Japan with ERS-1 C-band SAR, in 1992. Two techniques for reducing the influence of speckle on the accuracy of rice field identification were tested. A comparison of the SAR results with land use survey data collected in 1993, and with Landsat TM data, shows the potential of the present approach.     

Retrieval Rice Leaf Area Index Using Random Forest Algorithm based on GF-1 WFV Remote Sensing Data

Leaf Area Index(LAI) is an important indicator of vegetation growth and reflects the productivity of farmland ecosystems.In this study,rice LAI was mapping using LAI retrieved model based on rice vegetation indexes from multi\|temporal GF\|1 WFV and situ LAI measurements data obtained in different rice growing periods over rice fields taking Dongtai county,Jiangsu province as a case study.The LAI retrieval model was constructed using random forest algorithm(RF).Results showed that the RF model achieved high accuracy that the RMSE was 1.03 and the coefficients of determination(R²) between retrieved LAI and measured LAI reached 0.88.The mean relative error between retrieved LAI and measured LAI in different growing periods was 15%.The trend of rice LAI could be reflected by the retrieved value and GF\|1 WFV data has high ability to distinguish the waters and road network in study area.     

Estimation of rice-planted area in the tropical zone using a combination of optical and microwave satellite sensor data

The area planted with rice in Indramayu Province, Indonesia was estimated using satellite sensor data. We determined the arable land area using Landsat Thematic Mapper (TM) data acquired in the dry season and identified newly rice-planted fields using JERS-1 Synthetic Aperture Radar (SAR) data acquired in the rainy season (planting season). Two rice crops per year are common and rice is not planted simultaneously in this region. Since the planted area changes monthly, some asumptions were necessary for estimating the planted area. Our estimates suggested that the actual rice-planted area in Indonesia was 12-14% smaller than that reported by the Indonesian government.     

Mapping paddy rice fields by applying machine learning algorithms to multi-temporal Sentinel-1A and Landsat data

Sentinel-1A synthetic aperture radar (SAR) data present an opportunity for acquiring crop information without restrictions caused by weather and illumination conditions, at a spatial resolution appropriate for individual rice fields and a temporal resolution sufficient to capture the growth profiles of different crop species. This study investigated the use of multi-temporal Sentinel-1A SAR data and Landsat-derived normalized difference vegetation index (NDVI) data to map the spatial distribution of paddy rice fields across parts of the Sanjiang plain, in northeast China. The satellite sensor data were acquired throughout the rice crop-growing season (May–October). A co-registered set of 10 dual polarization (VH/VV) SAR and NDVI images depicting crop phenological development were used as inputs to Support Vector Machine (SVM) and Random Forest (RF) machine learning classification algorithms in order to map paddy rice fields. The results showed a significant increase in overall classification when the NDVI time-series data were integrated with the various combinations of multi-temporal polarization channels (i.e. VH, VV, and VH/VV). The highest classification accuracies overall (95.2%) and for paddy rice (96.7%) were generated using the RF algorithm applied to combined multi-temporal VH polarization and NDVI data. The SVM classifier was most effective when applied to the dual polarization (i.e. VH and VV) SAR data alone and this generated overall and paddy rice classification accuracies of 91.6% and 82.5%, respectively. The results demonstrate the practicality of implementing RF or SVM machine learning algorithms to produce 10 m spatial resolution maps of paddy rice fields with limited ground data using a combination of multi-temporal SAR and NDVI data, where available, or SAR data alone. The methodological framework developed in this study is apposite for large-scale implementation across China and other major rice-growing regions of the world.