共查询到15条相似文献，搜索用时 562 毫秒
1.
为研究MODIS遥感数据及提取方法对估测沈阳水稻种植面积的适用性,利用MODIS数据,采用监督分类的方法,同时结合水稻不同生长发育阶段特点,对沈阳水稻种植面积进行数据提取,并制作了沈阳地区水稻种植面积分布图。将提取的水稻种植面积结果与统计局统计的面积及Landset遥感数据资料进行比较分析。结果表明,通过MODIS遥感监测水稻种植面积具有良好的效果,利用监督分类的方法提取的水稻种植面积精度达92%,因此,该方法用于沈阳地区水稻种植面积的提取,结果可靠,精度较高。 相似文献
2.
基于面向对象分类的冬小麦种植面积提取 总被引：2，自引：0，他引：2
为探索冬小麦种植面积的多源遥感提取方法,以江苏省中部宝应、高邮和兴化三市为研究区域,对冬小麦拔节期Land/TM和ERS/SAR遥感影像进行数据融合,基于波段最佳指数和地物光谱可分性,选择3-4-5波段进行分类,针对传统的基于像素分类方法结果易受"同物异谱"和"异物同谱"现象影响的问题,采用面向对象分类方法,以影像对象为处理单元,结合地物丰富的空间、纹理信息进行小麦面积提取,并与基于像素分类方法(SVM分类)结果进行了比较。结果表明,面向对象分类精度达到了94.16%,较准确地提取出研究区内冬小麦种植面积,比SVM分类结果具有明显优势。该方法可为南方冬小麦种植面积信息的快速获取提供技术支持。 相似文献
3.
利用HJ-1A卫星遥感影像进行水稻产量分级监测预报研究 总被引：3，自引：0，他引：3
以江苏省盱眙县、金湖县和洪泽县为例,利用我国的环境减灾卫星(HJ-1)遥感影像,开展了水稻产量分级监测预报研究。在利用GPS实地取样调查和建立解译标志的基础上,进行HJ-1A卫星影像精校正,将GPS样点数据校验贯穿到整个水稻种植面积分类与解译过程中,面积信息解译精度在90%以上。分别利用水稻抽穗期归一化植被指数和比值植被指数反演了叶面积指数和生物量数据信息。结合水稻遥感估产模型进行产量估算,并叠加样点产量信息验证,估产精度达到85%以上;依据预测的水稻产量数据进行产量分级预报,制作了盱眙县、金湖县和洪泽县水稻产量遥感分级监测预报图。结果说明,环境减灾卫星影像基本能满足水稻种植面积提取和产量预报的需求,能够在遥感估产中推广应用。 相似文献
4.
基于SVM的县域冬小麦种植面积遥感提取 总被引：3，自引：0，他引：3
冬小麦种植面积的精确提取,对于农业部门进行冬小麦生长监测与产量估测有着重要的支撑作用。本研究在对Landsat-8卫星15 m×15 m空间分辨率遥感影像进行预处理的基础上,基于最佳波段指数(OIF),采用支持向量机(SVM)算法中四种核函数进行影像分类,并比较分类精度,选择精度最高的核函数作为SVM最优核函数对盐城市大丰区冬小麦种植面积进行提取,与最大似然法、最小距离法的结果进行对比。结果表明,四种核函数中,Linear核函数分类精度最高,达到98.56%。将Linear核函数作为SVM最优核函数对大丰区冬小麦种植面积进行提取,提取到的种植面积为71 834.4 hm~2,提取精度、分类精度和Kappa系数分别为91.25%、98.56%和0.98。基于SVM的冬小麦面积提取效果明显好于传统监督分类方法,说明使用支持向量机与影像光谱特征进行影像分类能够准确提取县域冬小麦种植面积。 相似文献
5.
基于穗帽变换的TM影像水稻面积提取 总被引：1，自引：0，他引：1
利用水稻生育前期和后期两个不同时期TM影像分别进行穗帽变换生成亮度、绿度和湿度变量,并将它们合成为多时相影像,充分利用这3个具有物理意义的变量,特别是湿度变量进行水稻种植区影像分类和以水为背景的水稻面积提取,并使用亚米级GPS地面调查的数据进行分类验证。 基于穗帽变换影像的分类方法有效提高了水稻面积提取精度,水稻分类的生产者精度和用户精度分别为84.30％和85.18％,这比原始合成影像数据的分类结果提高了约3个百分点;另外,总精度也由原始合成影像的74.12％提高到经过穗帽变换的78.04％。 相似文献
6.
7.
基于NDVI密度分割的冬小麦种植面积提取 总被引：2，自引：0，他引：2
为解决作物面积遥感监测中常遇的混合像元问题,选用江苏省沭阳县冬小麦扬花期HJ-1A卫星遥感影像,基于不同地物光谱信息的差异性与可分割性,提出基于归一化植被指数(NDVI)密度分割的冬小麦种植面积提取方法。在利用GPS实地取样调查和建立解译标志的基础上,对HJ-1A卫星影像进行了几何与大气校正。利用NDVI灰度影像提取混合像元训练样本的NDVI值和小麦种植面积,计算小麦面积权重,确定混合像元的NDVI阈值。利用NDVI再归一化结果对NDVI灰度影像进行密度分割,依据不同密度分割系数下像元总面积及其所对应的小麦面积权重关系,最终得到沭阳县冬小麦种植面积。结果表明,根据NDVI密度分割法提取冬小麦面积为8.37×104 hm2,面积精度为92.37%,样本精度为93.31%。基于密度分割系数(P0.5)制作沭阳县冬小麦种植分布图,获取了全县冬小麦空间分布特征信息。以上结果说明NDVI密度分割法能较准确地提取研究区内冬小麦种植面积,可有效解决农作物种植面积提取中混合像元问题。 相似文献
8.
9.
为探寻基于Radarsat-2的冬小麦种植面积提取方法,以设立在江苏盐城研究区的冬小麦为研究对象,选用2014年3月3日-2014年6月7日期间5期Radarsat-2全极化影像,采用支持向量机法和最大似然法分别对各时相的冬小麦种植面积进行提取,并以地面实测GPS样方进行精度验证。结果表明,以支持向量机法和最大似然法提取冬小麦面积的精度均在4月20日达到最高,分别为66.4%和63.9%。对4月20日支持向量机法的冬小麦面积提取结果进一步进行耕地地块优化和碎小图斑去除处理后,冬小麦面积的提取精度可提高到79.6%。 相似文献
10.
[目的]以无人机可见光影像为数据源,利用随机森林模型开展农作物信息提取研究。[方法]首先,根据ESP2工具确定的最佳尺度进行影像分割,并提取分割后对象的光谱、指数、纹理和几何4类特征,使用递归特征消除法（RFE）对特征数量参数进行调优,以确定最佳特征个数;然后,利用随机森林模型进行分类并进行精度评价。[结果]采用递归特征消除算法可有效筛选出最佳分类特征,在降维的同时获得较高的分类精度,其总体精度达93.18%,Kappa系数为0.91。[结论]利用无人机可见光影像结合随机森林模型可高效且精确对农作物进行提取,该方法可为中小尺度的农作物种植区作物信息提取提供技术支持和理论参考。 相似文献
11.
Estimating Rice Yield by HJ-1A Satellite Images 总被引：1，自引：0，他引：1
As illustrated by the case of Xuyi County, Jinhu County and Hongze County in Jiangsu Province, China, monitoring and forecasting of rice production were carried out by using HJ-1A satellite remote sensing images. The handhold GPS machines were used to measure the geographical position and some other information of these samples such as area shape. The GPS data and the interpretation marks were used to correct HJ-1 image, assist human-computer interactive interpretation, and other operations. The test data had been participated in the whole classification process. The accuracy of interpreted information on rice planting area was more than 90%. By using the leaf area index from the normalized difference vegetation index inversion, the biomass from the ratio vegetation index inversion, and combined with the rice yield estimation model, the rice yield was estimated. Further, the thematic map of rice production classification was made based on the rice yield data. According to the comparison results between measured and fitted values of yields and areas of sampling sites, the accuracy of the yield estimation was more than 85%. The results suggest that HJ-A/B images could basically meet the demand of rice growth monitoring and yield forecasting, and could be widely applied to rice production monitoring. 相似文献
12.
美国国家航空航天局（NASA）成功发射了最新系列的陆地卫星（Landsat-8）,搭载的陆地成像仪（OLI）对波段进行了重新调整,从而避免了大气吸收干扰,能够更好地区分植被和无植被特征,为农业遥感提供了全新的高质量数据。本文选取皖北（阜阳、蚌埠、宿州）为研究区域,以Landsat-8遥感影像为研究数据,经缨帽变换得到遥感影像的主成分信息,并用其分量甄选出不同地物的端元,最后建立线性混合像元模型（LSMM）,并对皖北地区冬小麦进行提取。与历史统计数据对比,冬小麦种植面积的提取精度达到了90%以上,说明利用Landsat-8和LSMM开展大尺度范围的小麦种植面积提取具有明显的优势。 相似文献
13.
Kei Oyoshi Nobuhiro Tomiyama Toshio Okumura Shinichi Sobue Jun Sato 《Paddy and Water Environment》2016,14(4):463-472
In Asia, rice is a staple cereal crop and the continent accounts for about 90 % of the global rice production and consumption. Statistics on the areas planted with rice or production of paddy rice are fundamental to agriculture-related decisions or policy-making. Asia-Rice Crop Estimation & Monitoring (Asia-RiCE) aims to develop rice-related information, such as paddy field maps, rice growing conditions, yield, and production, using remote sensing tools and disseminate the same at the local and global scales. In this paper, we propose a methodology for the identification of rice-planted areas by using multi-temporal SAR images; a software named INternational Asian Harvest mOnitoring system for Rice (INAHOR) was developed to manipulate the proposed algorithm. The INAHOR uses the imagery observed both at the time of planting of rice and grown-up stages. In this study, two thresholds needed for the INAHOR were optimized based on the detailed land cover data collected through a field survey. Rice-planted areas across the study area in Japan were identified by the INAHOR using the RADARSAT-2 Wide Fine beam mode data. The classification results of RADARSAT-2 VV and VH polarizations were compared. The data with VH polarization showed a higher total accuracy of 83 % with ?20.5 dB and 3.0 dB for the minimum and range thresholds, respectively. The INAHOR is currently being used with the RADARSAT-2, ALOS, and ALOS-2 SAR data in the Southeast Asian countries to assess the robustness of the thresholds and classification accuracies under the framework of Asia-RiCE. 相似文献
14.
土地利用/覆盖变化（land use/cover change,LUCC）是当前全球变化研究的核心内容之一。土地利用遥感监测是土地利用变化相关研究的重要技术手段,尤其是高分辨率遥感技术和谷歌地球引擎（Google Earth Engine,GEE）云计算平台的出现,为土地利用空间信息的获取提供了新的途径和方法。本研究基于GEE云平台提供的Landsat-8 OLI时间序列卫星影像数据,采用随机森林（random forest,RF）和支持向量机（support vector machines,SVM）分类算法,对海南岛土地利用类型进行了遥感分类研究。结果表明：RF与SVM算法对海南岛土地利用中水体和建筑用地的分类精度均较高,对耕地、园地和林地分类精度较低。与SVM方法相比,RF分类方法能够更准确识别各类地物信息,更适于海南岛土地利用分类的研究。海南岛林地（包括天然林、橡胶林等）所占比例最大,主要分布在海南岛中部;耕地和园地面积接近,相间分布于海南岛大部分区域;水体和建筑用地面积较小,在海南岛均呈零散的分布状态,以沿海地区为主。GEE平台对于开展大区域土地利用分类与遥感动态监测具有重要的意义。 相似文献