共查询到18条相似文献，搜索用时 156 毫秒
1.
基于时间序列MODIS的农作物类型空间制图方法 总被引：2，自引：0，他引：2
为快速获取大范围种植结构复杂区域的作物种植面积,以MODIS数据为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、宽动态植被指数(Wide dynamic range vegetation index,WDRVI)、地表水分指数(Land surface water index,LSWI)、归一化雪被指数(Normalized difference snow index,NDSI)5种特征,结合同步的实地调查样本点,采用支持向量机算法(Support vector machines,SVM)提取黑龙江省主要农作物的种植面积。研究表明,在待选特征中NDVI、EVI与LSWI指数组合取得了最高的分类精度,总体分类精度为74.18%,Kappa系数为0.60;支持向量机算法与最大似然算法、随机森林算法相比,分类精度更优。该方法为在大区域中提取农作物种植面积提供了参考价值。 相似文献
2.
GEE环境下融合主被动遥感数据的冬小麦识别技术 总被引：2，自引：0，他引：2
遥感技术已成为大宗作物种植面积提取的有效手段。为避免冬小麦提取中受光学数据缺乏的影响,基于随机森林算法（RF）和Google Earth Engine（GEE）云平台,探索时间序列Sentinel-1合成孔径雷达（SAR）数据后向散射系数对冬小麦提取效果,并融合Sentinel-1、2主被动遥感数据,研究后向散射系数、光谱特征、植被指数特征与纹理特征的不同组合对冬小麦识别精度的改善情况。结果表明：仅融合多时相Sentinel-1 SAR数据时,分类总体精度为85.93%,Kappa系数为0.75,冬小麦识别精度达到95%以上。融合多时相SAR数据与单时相光学数据,在充分利用极化信息和光谱信息进行分类后,分类总体精度为95.78%,Kappa系数为0.92,比多时相SAR分类结果分别提高9.85个百分点和约22.67%,对冬小麦的识别精度提高约2个百分点。通过分析不同特征组合情况下纹理特征对分类的影响,发现纹理特征对冬小麦的识别精度影响程度较小。 相似文献
3.
针对岩溶区水体破碎、植被与水体重叠的特点提出一种新型混合水体指数对该地区水资源管理与评估有着重要作用。以2017年普者黑的Landsat8 OLI影像数据为基础数据,选择不同流域水系类型,构建新型混合水体指数NEWI,与归一化水体指数(Normalized Difference Water Index,NDWI)和改进的归一化水体指数(Modified Normalized Difference Water Index,MNDWI)进行对比,分析各指数的水体信息提取的准确性和完整性。结果表明:新型水体指数NEWI的提取效果优于NDWI和MNDWI,特别是含有坑塘和水体植被的破碎湖泊区域,NEWI计算水体与阴影的区分度25.3%,大于NDWI(17.9%)和MNDWI(15.6%);水体与非水体的总体识别精度为88.83%,Kappa系数0.76,也大于NDWI(87.10%,Kappa系数0.74)和MNDWI(81.93%,Kappa系数0.64)。利用NEWI对遥感影像进行水体增强的方法,不仅能够很好地提取出开阔水域的水体信息,边缘清晰可靠;对于破碎水域,NEWI水体提取精度最高,并且相比基于复杂数学理论的分类提取过程,操作相对简单,易于推广,能够较好地提高岩溶破碎区的水系提取和水域实时监测的精度。 相似文献
4.
冬小麦是我国主要的粮食作物之一,及时准确地获取冬小麦种植面积对农业政策的制定具有重要意义。以河南省扶沟县为研究区域,以多生育期Sentinel-1A和Sentinel-2A/B遥感影像为数据源,构建光谱特征、植被特征和极化特征的多生育期数据集,分析各类地物的特征曲线,采用随机森林算法对单生育期单传感器、单生育期多传感器、多生育期单传感器和多生育期多传感器的遥感影像进行精细分类,实现县域冬小麦制图。结果显示：单生育期的雷达影像无法满足制图要求,拔节期的总体精度最高,仅为62.9%,多生育期雷达影像分类精度达到81.9%,基本满足制图要求;单生育期的光学影像和融合影像在成熟期的精度最高,总体精度分别为93.4%和95.1%,Kappa系数分别为92.4%和94.8%,可以绘制较为精准的冬小麦分布图;多生育期融合影像绘制的扶沟县2019年冬小麦空间分布图,总体精度为96.8%,结果最优。研究结果表明融合的多生育期遥感影像可以为县域冬小麦种植面积的提取提供技术依据。 相似文献
5.
基于多时相Sentinel-2A的县域农作物分类 总被引：1，自引：0，他引：1
利用遥感技术精准地获取区域农作物种植结构数据,对指导农业生产、制定农业政策具有重要意义。以景泰县为研究区,以多时相Sentinel-2A遥感影像为数据源,计算时序归一化植被指数(Normalized difference vegetation index,NDVI)和红边归一化植被指数(Red edge normalized vegetation index,RENDVI)及其组合特征(NDVI+RENDVI、NDVI-RENDVI和NDVIRENDVI),分析作物特征曲线,并采用随机森林法分别以5种特征参数作为分类特征对研究区农作物进行精细分类。结果表明:根据形态特征,研究区农作物特征值曲线可划分为3种类型:高值型(玉米、水稻、胡麻和马铃薯)、低值型(洋葱、大棚作物和砂田瓜果)和开口型(春小麦、春小麦-秋油葵)。高值型和低值型可在7、8月影像中区分,开口型和前两种类型在5月和9月影像上的特征值有明显差异。3种类型内的作物可以通过不同时相影像区分,高值型的4种作物在9月影像上通过成熟期差异可以区分;低值型的3种作物的特征值差异在全年影像上都可以明显体现;开口型的两种作物利用9月影像可以明显区分。利用NDVI、RENDVI、NDVI+RENDVI、NDVI-RENDVI和NDVIRENDVI 5种特征分类的总体精度分别为82. 14%、78. 16%、81. 17%、75. 64%和86. 20%,Kappa系数分别为0. 78、0. 74、0. 77、0. 71和0. 83,总体精度和Kappa系数由大到小依次为NDVIRENDVI、NDVI、NDVI+RENDVI、RENDVI、NDVI-RENDVI,说明RENDVI辅助NDVI可以有效提高分类精度(精度较仅用NDVI提高4. 06个百分点)。选择合适的时期和分类特征,利用Sentinel-2A特有的红边波段数据及其较高的空间分辨率在县域农作物精细分类上具有较好的精度。 相似文献
6.
遥感技术能够快速准确地获取农作物空间分布信息，为探究2021年黄淮海平原冬小麦空间分布信息，基于Google Earth Engine（GEE）云平台，以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源，通过计算极化特征、光谱特征和纹理特征，运用随机森林等4种机器学习方法和深度循环神经网络模型，对研究区冬小麦空间分布信息进行提取，并对比各分类器和网络架构的分类精度。结果表明，黄淮海平原冬小麦总面积约为16226667hm2，占研究区总面积的49.17%，其中冬小麦种植面积最大的是河南省，约为4647334hm2，研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势；随机森林是4种机器学习方法中识别精度最高的分类器，总体分类精度为94.30%；在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%，仅使用Sentinel-2光学数据总体精度为93.95%，而融合时序Sentinel主被动遥感数据总体精度为94.30%；在大范围的冬小麦分类上，深度学习模型的泛化性高于机器学习方法。 相似文献
7.
受云雨天气和卫星自身回访周期的影响,县域尺度水稻种植面积的提取往往难以获取完整时间序列的高空间分辨率影像,利用单一MODIS数据导致提取精度不高。针对上述问题以河南省优良水稻种植区原阳县为例,采用增强型自适应反射率时空融合模型(Enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM),融合中高分辨率的Landsat数据和高时间分辨率的MODIS数据,获取完整时间序列的归一化植被指数（Normalized difference vegetation index,NDVI）数据,经过TIMESAT滤波平滑处理后,利用研究区内水稻与其他地物的时序NDVI曲线,设置合理的NDVI阈值,采用决策树分类的方法提取水稻种植面积。结果显示,总体分类精度为92.23%,Kappa系数为0.9043。提取的水稻制图精度为96.73%,用户精度为93.51%,说明ESTARFM模型能很好地融合出高空间分辨率影像,解决数据缺失问题,可为县域尺度水稻种植面积提取提供参考。 相似文献
8.
基于光谱特征和颜色特征的油菜提取研究 总被引：2，自引：0，他引：2
大区域油菜空间分布的准确提取是油菜估产、食用油保障及农业管理的基础。花期油菜不仅光谱特征发生变化,其黄色花朵与同时期植被在视觉上的差异也相当显著。本文基于2016年油菜盛花期的湖北省GF-1 WFV影像,利用NGVI表征光谱特征,HSV变换后的H、S、V分量表征颜色特征,按NGVI、H、S、V顺序逐级确定油菜和非油菜分离阈值,实现油菜提取;对提取结果首先用混淆矩阵进行精度评定,并与支持向量机方法进行精度对比,然后用农业统计数据对油菜提取面积进行验证。基于本文方法提取的油菜总体精度为94.51%,Kappa系数为0.89,分别比支持向量机方法提高约4个百分点和0.1;与统计面积相比,省级尺度油菜提取面积相对误差为-14.14%,市级、县级尺度决定系数分别为0.837(n=17)、0.738(n=83)。此外,将本文方法应用到GF-2 PMS影像上,其结果与油菜参考图相比,油菜提取面积相对误差为-8.33%,空间一致度为91.67%。本研究方法简单有效,可以为大区域油菜制图提供一种全新、高效的解决方案。 相似文献
9.
基于光学影像的遥感技术受云雨、昼夜影响较大,导致获取连续的作物时序生长曲线较困难,而雷达影像作为主动式成像,能够很好地克服这一缺陷。本文以陕西省渭南市大荔县某农场为研究区域,分别采用最大似然法(Maximum likelihood,ML)和支持向量机(Support Vector Machine,SVM)2种方法,融合Sentinel-1雷达影像和Sentinel-2光学影像,提高农作物的分类精度。研究结果表明,融合数据的农作物分类精度相比光学数据分类精度有所提高。在无云层覆盖的情况下,利用SVM方法融合Sentinel-2的红、绿、蓝、近红外4个波段数据与Sentinel-1数据,总体分类精度提高了2个百分点,Kappa系数提高了5个百分点;在有少量云层覆盖情况下,利用ML处理融合数据的分类结果精度和Kappa系数分别提高2个和4个百分点,SVM方法下的分类精度提高了5个百分点,Kappa系数提高了8个百分点。 相似文献
10.
基于Sentinel-1和Sentinel-2数据融合的农作物分类 总被引：5，自引：0，他引：5
基于光学影像的遥感技术受云雨、昼夜影响较大,导致获取连续的作物时序生长曲线较困难,而雷达影像作为主动式成像,能够很好地克服这一缺陷。本文以陕西省渭南市大荔县某农场为研究区域,分别采用最大似然法(Maximum likelihood,ML)和支持向量机(Support vector machine,SVM)2种方法,融合Sentinel-1雷达影像和Sentinel-2光学影像,提高农作物的分类精度。研究结果表明,融合数据的农作物分类精度相比光学数据分类精度有所提高。在无云层覆盖的情况下,利用SVM方法融合Sentinel-2的红、绿、蓝、近红外4个波段数据与Sentinel-1数据,总体分类精度提高了2个百分点,Kappa系数提高了5个百分点;在有少量云层覆盖情况下,利用ML处理融合数据的分类结果精度和Kappa系数分别提高2个百分点和4个百分点,SVM方法下的分类精度提高了6个百分点,Kappa系数提高了8个百分点。 相似文献
11.
为了提高冬小麦种植区识别精度,本文基于谷歌地球引擎(Google Earth Engine, GEE)平台和随机森林算法,对比雷达和光学遥感数据对冬小麦提取效果的差异,并对多类特征变量进行重要性分析,研究特征优选对冬小麦识别精度的影响。选取2019年3—5月冬小麦关键生育期的Sentinel-1和Sentinel-2影像为数据源,构建Sentinel-1的极化特征和纹理特征以及Sentinel-2的光谱特征、植被指数特征、植被指数变化率特征共5类特征变量;设置不同数据源和不同特征组合的冬小麦种植区提取方案;对方案中特征变量进行优选,得出最优特征组合,利用最优特征组合对河南省驻马店市冬小麦种植区进行提取。结果表明,无论是否进行特征优选,基于多源遥感数据的冬小麦识别精度均优于仅采用光学或雷达数据的精度;经过特征优选后,各方案的分类精度均有不同程度的提升,说明多源数据特征变量组合和特征优选均能够提高分类精度。不同月份和类型的特征变量对分类精度的贡献率不同,贡献率由大到小为4月、3月和5月;贡献率由大到小的特征类型为极化特征、植被指数变化率特征、植被指数特征、光谱特征和纹理特征。基于多源数据特... 相似文献
12.
为了进一步提高冬小麦产量预测的准确性,针对麦玉轮作体系缺乏直接把前茬作物信息纳入到当季作物的产量估算及管理中的研究状况,利用前茬玉米季中长势遥感信息及产量信息,融合小麦拔节期、灌浆期及成熟期长势遥感信息、播前施肥信息及土壤特性信息等多时相多模态数据,基于GPR算法,建立多时相多模态参数融合的麦玉轮作体系小麦产量估算模型,结果显示：基于多生育期的产量估算模型较单生育期最优产量估算模型性能有所提升,R2提高0.01～0.03。其中基于拔节期产量估算模型精度略低于多生育期产量估算模型,但精度相近。基于多模态参数融合的产量估算模型中,除玉米作物信息与土壤特性信息融合构建的产量估算模型,多模态参数融合的产量估算模型精度较相应低模态参数融合的产量估算模型精度高。四模态参数融合的GPR模型决定系数R2为0.92,RMSE为213.75 kg/hm2,较其他模型,R2提高0.02～0.41。对于小麦产量估算模型,各模态参数影响由大到小依次为施肥信息、小麦遥感信息、土壤特性信息、玉米作物信息。玉米作物信息对于多模态参... 相似文献
13.
为准确、高效、自动化的提取大尺度范围冬小麦种植面积,利用Sentinel-2A卫星影像进行试验,提出一种基于中等分辨率影像的面向对象结合深度学习的遥感冬小麦提取方法。利用面向对象分类法和随机森林分类算法对2021年潍坊市冬小麦种植面积及种植区域进行提取和结果对比,证明面向对象分类法在提取冬小麦种植面积时的可行性和有效性。此外,利用面向对象方法得到的二值分类图像作为标签图像,基于TensorFlow框架,利用U-Net构建深度学习神经网络模型,使用训练得到最优模型提取2017—2021年潍坊市冬小麦种植面积。使用实地调查数据对分类结果进行精度验证,并对潍坊市近五年冬小麦种植面积进行年际变化分析。该分类方法的总体分类精度达93.1%,Kappa系数为0.91。本研究方法可为大范围的冬小麦种植指导和农业结构调整提供科学、可靠的依据。 相似文献
14.
土壤含水率监测是精准农业的重要组成部分,对于农情监测和农业生产起着关键性作用。超宽带雷达由于其体积小、质量轻、穿透力强和功耗低等特性已被广泛应用于土壤含水率监测研究。而现有超宽带雷达反演土壤含水率多为理想裸土情况,实际应用中地表植被覆盖会对结果造成较大影响,针对此问题,融合超宽带雷达和多光谱数据,利用支持向量机（SVM）模型对农田尺度不同植被覆盖下的土壤含水率进行分级预测,以减小植被对预测精度的影响。研究结果表明,在超宽带雷达回波数据提取出的不同时域特征组合中,选用峰值因子、峭度、均方根、峰-峰值、最大幅值、方差、偏斜度、平均值和最小幅值9个时域特征作为SVM模型输入特征预测结果最好,总体精度为95.59%,Kappa系数为0.9492。加入植被指数NDVI后,不同时域特征组合作为特征输入的模型精度均有显著提高,其中将9个时域特征与NDVI共同作为SVM输入预测效果最佳,总体精度为98.09%,Kappa系数为0.9780,与不考虑植被影响的预测结果比较,总体精度提高了2.50个百分点,Kappa系数提高了0.0288。 相似文献
15.
目前Sentinel-1/2协同反演植被土壤含盐量的研究大多是基于Sentinel-2光谱信息和Sentinel-1后向散射系数,没有考虑Sentinel-2光谱信息容易受土壤亮度等信息影响,Sentinel-1后向散射系数容易受土壤粗糙度和水分影响。为进一步提高Sentinel-1/2协同反演植被土壤含盐量的精度,用水云模型对雷达卫星后向散射系数进行校正,消除植被影响;然后协同Sentinel-2纹理特征,基于VIP、OOB、PCA 3种变量筛选和RF、ELM、Cubist 3种机器学习回归模型构建植被土壤含盐量反演模型。研究结果表明：经过水云模型去除植被影响后的雷达后向散射系数及其极化组合指数与土壤含盐量的相关性有一定程度的提高。不同变量选择方法与不同机器学习方法耦合模型在反演土壤含盐量中,OOB变量筛选方法与RF、ELM和Cubist 3种机器学习方法的耦合模型精度最佳,建模集和验证集的R2都在0.750以上,且验证集的RMSE和MAE均最小;其中OOB-Cubist耦合模型精度最高,且R2v/R2c为0.955,具有良好的鲁棒性。研究可为机器学习协同物理模型、光学卫星协同雷达卫星在土壤含盐量反演中的进一步应用提供思路。 相似文献
16.
基于理论干湿边与改进TVDI的麦田土壤水分估算研究 总被引：1，自引：0，他引：1
针对旱情监测及农田灌溉中传统的基于地表温度-植被指数特征空间的温度植被干旱指数(Temperaturevegetation drought index,TVDI)构建方法无法准确反映真实地表的水热能量交换,给土壤含水率估算带来极大不确定性的问题,根据地表能量平衡方程,并引入改进植被覆盖度参数,构建一种理论干湿边端点选取方法及基于地表温度-改进植被覆盖度特征空间的TVDI模型,结合两期MODIS遥感影像数据(DOY088和DOY112)及地面观测数据,对陕西杨凌区的麦田土壤含水率进行估算。结果表明,由理论干湿边计算得到的TVDI与实测土壤含水率相关系数在-0.700左右,均方根误差不大于0.060 cm3/cm3。DOY088和DOY112的土壤含水率估算结果均与土壤含水率实测值有较好的拟合关系,尤其是DOY088的反演结果更接近于实际地表干湿状况,相关系数为-0.715,均方根误差为0.029 cm3/cm3,DOY112的散点分布比DOY088分散。该方法可以避免传统特征空间在干湿边估算中必须包含裸土、部分植被覆盖以及全植被覆盖地表覆盖类型的限制,从而实现真实土壤水分的遥感反演和实际地表干湿状况的监测。 相似文献
17.
白粉病主要侵染小麦叶部,可利用卫星遥感技术进行大范围监测和评估.本研究利用多源多时相卫星遥感影像监测小麦白粉病并提升分类精度.使用四景Landat-8的热红外传感器数据(Thermal Infrared Sensor,TIRS)和20景MODIS影像的MOD11A1温度产品反演地表温度(Land Surface Tem... 相似文献
18.
《Agricultural Water Management》2006,85(3):305-313
The evapotranspiration from a 3 to 4 years old drip irrigated peach orchard, located in central Portugal, was measured using the eddy covariance technique during two irrigation seasons, allowing the determination of crop coefficients. These crop coefficient values differed from those tabled in FAO Irrigation and Drainage Paper 56. In order to improve evapotranspiration estimates obtained from FAO tabled crop coefficients, a dual crop coefficient methodology was adopted, following the same guidelines. This approach includes a separation between the plant and soil components of the crop coefficient as well as an adjustment for the sparse nature of the vegetation. Soil evaporation was measured with microlysimeters and compared with soil evaporation estimates obtained by the FAO 56 approach. The FAO 56 method, using the dual crop coefficient methodology, was also found to overestimate crop evapotranspiration. During 2 consecutive years, measured and estimated crop coefficients were around 0.5 and 0.7, respectively. The estimated and measured soil evaporation components of the crop coefficient were similar. Therefore, the overestimation in evapotranspiration seems to result from an incorrect estimate of the plant transpiration component of the crop coefficient. A modified parameter to estimate plant transpiration for young, yet attaining full production, drip irrigated orchards is proposed based on field measurements. The method decreases the value of basal crop coefficient for fully developed vegetation. As a result, estimates of evapotranspiration were greatly improved. Therefore, the new approach seems adequate to estimate basal crop coefficients for orchards attaining maturity established on sandy soils and possibly for other sparse crops under drip irrigation conditions. 相似文献