共查询到16条相似文献，搜索用时 622 毫秒
1.
基于主成分变换的ASAR数据水稻种植面积提取 总被引：7，自引：4，他引：3
合成孔径雷达(SAR)数据是多云多雨地区水稻监测的重要数据源,多极化的SAR数据有利于识别精度的提高。通过对水稻生长期ENVISAT ASAR双极化数据后向散射系数分析得知,水稻VV极化的后向散射系数比VH极化大,两者总体上都随着水稻的生长而增大。在水稻生长后期,VV极化保持稳定,略有下降,VH极化持续增大。对6个通道的ASAR进行主成分变换,发现水稻种植区在第二主分量(PC2)上值较大,色调很亮,而在第五主分量(PC5)上值较低,色调很暗,分别反映了VV极化和VH极化在水稻生长茂盛期与生长初期的差异,两者差值(PC2-PC5)突出了水稻与其它地类的差异。利用主成分分量的差值(PC2-PC5),基于面向对象分类方法,建立了水稻种植区快速提取方法。利用该方法对福州地区2004年早稻面积进行提取,获得了满意的结果。 相似文献
2.
及时掌握农作物类型、时空分布和结构信息,是合理调整农业结构的重要科学依据。针对光学遥感依赖于太阳辐射,在农作物生长周期内常受制于云雾的影响而无法获取到光学遥感数据的问题,本文采用全天时全天候、不受云雾等天气影响的合成孔径雷达（synthetic aperture radar,SAR）影像,探讨典型农作物的后向散射特性和纹理特征,为采用合成孔径雷达影像实现高精度农作物大面积监测提供科学依据。以吉林省农安县为例,利用12景Sentinel-1B双极化SAR影像数据,经影像预处理和统计分析,研究不同极化的农作物后向散射特性和纹理信息。结果表明：3种作物（大豆、玉米、水稻1和水稻2）同极化（VV）的SAR后向散射系数在生长周期内均高于交叉极化（VH）,农作物植株形态改变极化方式的能力为-25~-15 dB。3种作物在整个生长期内,后向散射系数呈现较大波动,各阶段后向散射特征差异明显。在生长初期,土壤对后向散射特征起主要作用,在SAR图像上表现为暗色调;随着作物生长,冠层散射叠加土壤散射作用占据主要位置,散射值随作物生长呈现逐渐增加的趋势,在SAR图像上表现为亮色调;拔节（分枝）后（7月10日后）作物的后向散射信号除冠层散射作用外,还主要受到土壤含水量及其与作物相互作用的影响,因此拔节后两种水稻后向散射系数下降幅度较大。水稻对雷达波的吸收强于玉米和大豆,整体上后向散射系数第2种水稻<第1种水稻<玉米<大豆,尤其在VH极化方式下表现更明显。对作物SAR纹理信息的研究表明纹理信息的均值、方差和协同性对于农作物的SAR识别更有效,最佳纹理信息为VH极化均值,有利于识别3种作物;VV极化方差和VV协同性有助于区分两种水稻;SAR影像识别作物的最佳时相为5月23日至7月10日。 相似文献
3.
基于合成孔径雷达的农作物识别研究进展 总被引：13，自引：8，他引：5
精准识别农作物对于及时准确估计农作物种植面积、产量等关键农情信息具有重要意义。合成孔径雷达（synthetic aperture radar,SAR）以其不受云雨天气影响,可全天时、全天候监测等优点已被广泛应用于农情遥感监测领域,为大区域尺度的农作物遥感识别提供了强有力的数据保障和技术支持。该文以雷达技术的发展进程为论述主线,对20余年来国内外农作物SAR识别研究与实践应用的新进展进行了系统总结,具体归纳为4个方面：早期研究（20世纪80年代末－2002年）,特征是以单波段、单极化、多时相SAR数据为主;基于多极化、多波段SAR数据进行农作物识别与面积监测研究;利用SAR与光学遥感相结合提高农作物的识别精度与效率研究;农作物SAR分类算法研究。在今后农作物SAR识别研究中,对于复杂种植结构背景下的旱地作物识别,如何优化组合SAR系统工作参数（极化方式、频率及入射角等）及与光学遥感融合来提高农作物识别精度与时效性,发展机理性的农作物SAR分类算法将是需要重点解决的3个问题。 相似文献
4.
GF-1卫星多时相组合近红外数据水稻识别能力 总被引：1，自引：0，他引：1
针对近红外波段水稻识别能力的问题,选择银川市所属的5个县区为研究区域,采用2016年5月18日、6月16日、7月30日、9月13日4个时相GF-1/WFV影像的近红外波段(0.76~2.526μm)数据,基于决策树分类方法,获取了4个单时相、3个多时相条件下的水稻识别结果,并与全波段数据分类结果进行了比较。单时相5、6、7和9月份近红外波段水稻识别精度分别为83.63%、57.40%、75.82%和62.61%,除5月份精度高于全波段5.75个百分点外,其他时相都低于全波段识别精度,6月份相差最高为30.23个百分点。多时相5/6、5/7、5/6/7/9月份组合,近红外水稻识别精度分别为83.76%、93.93%和94.03%,分别比全波段低5.47,高8.58和0.73个百分点。结果表明,水稻生长早期的5月份、中期的7月份,近红外波段可以作为单时相遥感识别数据源,包括生长早期和中期2个时相在内的多时相近红外波段组合都可以作为遥感识别的数据源,研究结果可以作为GF-1数据水稻遥感识别的依据。 相似文献
5.
为弥补光学遥感在煤矿区资源与生态环境监测中应用的不足, 研究应用全极化SAR图像有效提取煤矿区土地覆盖信息的方法具有重要意义。针对全极化SAR图像极化信息丰富、斑点噪声多、局部异质性大等特点, 提出采用面向对象的影像分类方法对其进行分层土地覆盖信息提取。以徐州市西南部的煤矿区为研究区, 选取Radarsat-2的全极化SAR图像, 分析了研究区内全极化SAR图像中典型地物的灰度特征, 提出面向对象分类方法所涉及的最优分割尺度选择法, 给出全极化SAR图像分割对象后向散射特征的计算方法。对研究区的SAR图像进行试验, 首先对SAR图像进行多尺度分割, 选择各土地覆盖类型的最优分割尺度, 然后在该尺度下计算出土地覆盖类型的后向散射特征指数, 最后采用模糊逻辑分类法分层提取出研究区内的土地覆盖信息。结果表明: 在适于各土地覆盖类型提取的最优分割尺度下, 充分利用分割对象的灰度、形状、纹理以及类间相关特征, 并综合应用隶属函数法和最邻近分类法, 能有效地提取煤矿区的农田、道路、塌陷地、建筑物、山林这5类土地覆盖信息。与最大似然分类法相比, 该方法能够较好地消除"椒盐现象", 各种土地覆盖类型的提取精度都有所提高, 其总体分类精度可提高38.3%。 相似文献
6.
利用时序合成孔径雷达数据监测水稻叶面积指数 总被引：2，自引：0，他引：2
为了确定全极化雷达数据监测水稻叶面积指数动态变化的精度,该文对水稻叶面积指数与后向散射系数进行了各生长阶段建模比较。采用广东雷州地区多时相多入射角精细全极化Radarsat-2数据,结合水稻全生育期地面样方实测数据,首先分析多入射角归一化后四极化(vertical-horizontal polarization,VH;vertical-vertical polarization,VV;horizontal-horizontal polarization,HH;horizontal-vertical polarization,HV)、比值极化HH/VV后向散射系数与水稻叶面积指数(leaf area index,LAI)随时间变化特征以及在营养生长阶段、生殖生长阶段和全生育期的相关关系,提取相关系数高于0.8的极化与生长阶段进行水云模型建模,最终生成多期水稻LAI反演分布图,并验证该数据反演水稻各生长阶段LAI的精度,探索SAR数据追踪区域尺度水稻长势的可行性。结果表明,在地形较为平坦的水稻集中连片种植区,VV、HH/VV后向散射系数与LAI在营养生长期、全生育期极显著相关(P0.01),相关系数均高于0.83。营养生长阶段VV、HH/VV水云模型拟合决定系数分别为0.77、0.87,全生育期VV、HH/VV水云模型拟合决定系数分别为0.73、0.8,营养生长阶段模型优于全生育期模型。精细四极化SAR数据监测区域尺度水稻LAI动态变化具有应用潜力,优选的极化模型为进一步的水稻长势监测提供依据。 相似文献
7.
地貌复杂性、地物多样性等特征使得全极化SAR（Synthetic Aperture Radar，SAR）数据的散射机制和散射强度相互交织，从而导致基于传统Wishart-H/α的全极化SAR数据难以实现喀斯特地区土地类型的有效划分。针对此问题，本文先用复Wishart距离测度对研究区土地类型样本进行聚类，同时利用H/α平面对研究区进行超盒聚类，然后根据超盒聚类结果平均相干矩阵与样本聚类结果平均相干矩阵间的复Wishart距离进行半监督分类，获得研究区土地类型划分的初步结果。在此基础上利用对建筑物与裸岩地敏感的极化总功率（Polarimetric-Total-Power，SPAN）和对林地、草地与耕地敏感的归一化植被指数（Normalized Differential Vegetation Index，NDVI）对初步结果继续进行划分，最终将研究区土地类型划分为水体、林地、草地、耕地、建筑地和裸岩地，总体分类精度为81.45%；采用另一地势相对平缓、地形相对单一的典型喀斯特地区全极化SAR数据进行验证，在实现该地区土地类型划分的同时总体分类精度为85.66%。说明gai该研究方法能够实现喀斯特地区土地类型的准确划分。 相似文献
8.
基于多时相合成孔径雷达与光学影像的冬小麦种植面积提取 总被引：4，自引：2，他引：2
小麦是中国最重要的农作物之一,准确、及时掌握小麦种植面积具有重要意义。以探索合成孔径雷达(synthetic aperture radar,SAR)与光学数据对种植结构复杂地区冬小麦识别的能力,提高识别精度为目的。该研究以多时相SAR(Sentinel-1A)和光学影像(Landsat-8)为数据源,选取种植结构复杂的都市农业区为研究区。构建不同特征向量组合,利用支持向量机(support vector machine,SVM)提取冬小麦种植面积。通过对比分析基于不同特征向量组合的冬小麦识别精度,结果表明:1)使用SAR后向散射数据得到85.7%的制图精度和87.9%的用户精度;2)添加SAR数据纹理信息,总体精度高达90.6%,比单独使用后向散射数据在制图精度和用户精度上分别提高7.6%和6.7%;3)当SAR数据和光学影像结合时,总体精度高达95.3%(制图精度97%,用户精度98.4%),比单独使用SAR数据在制图精度和用户精度上分别提高3.7%和3.8%。因此,基于SAR数据的都市农业区冬小麦分类,有着较高分类精度,纹理信息和光学影像的添加能有效提高识别精度。研究结果可为SAR数据的农作物识别和应用提供理论基础。 相似文献
9.
多极化多角度ASAR数据反演裸露和小麦地表土壤湿度 总被引：2，自引：2，他引：0
为了更好地监测地表土壤湿度,利用多极化、多角度ASAR-APP影像数据,研究了裸露和小麦地表土壤湿度反演方法。对裸露地表,基于AIEM（advance integral equation model）模型,建立多项式半经验模型反演土壤湿度;对小麦地表,小入射角HH极化ASAR数据与土壤湿度相关性更好,大入射角HH极化ASAR数据与小麦含水率相关性更好。基于水云模型,首先利用大入射角HH极化ASAR数据去除小麦冠层对雷达后向散射的影响,然后利用多角度ASAR数据推导建立小麦地表土壤湿度反演半经验模型;实测数据验证了裸露和小麦地表土壤湿度反演模型的适用性,利用验证数据反演裸露和小麦地表土壤湿度精度（RMSE）分别为3.55%、3.81%。结果表明,该文半经验模型具有较高的反演精度。 相似文献
10.
稻穗表型是表征水稻生长状况和产量品质的关键参数,稻穗表型的准确监测对于大田精准管理和水稻智慧育种具有重要意义。无人机图谱数据已被广泛用于水稻生长监测,然而大部分研究主要集中在水稻的营养生长阶段,针对抽穗期和成熟期稻穗表型监测方面的研究非常有限。因此,该研究利用无人机多源图谱数据进行水稻稻穗表型监测研究,分析了不同氮肥梯度和生长时期对稻穗表型的影响,构建了稻穗覆盖度、生物量以及倒伏等监测模型。结果表明,不同生长时期和氮肥梯度的稻穗表型呈现显著差异,稻穗覆盖度与图像特征高度相关。利用粒子群优化算法（Particle Swarm Optimization,PSO）和支持向量机（Support Vector Machine,SVM）回归模型能够从可见光图像中准确识别稻穗,计算的穗覆盖度与实际标记值高度相关,决定系数（coefficient of determination,R2）为0.87,将此结果与多光谱图像反射率融合,利用随机森林（Random Forest,RF）回归模型可以提高稻穗覆盖度的评估精度,R2为0.93,相对均方根误差（relative Root Mean Square Error,rRMSE）为9.47%。融合可见光图像的颜色和纹理以及多光谱图像的光谱反射率改善了穗生物量的评估精度,R2高达0.84,rRMSE为8.68%,此模型能够在不同种植年间迁移,进一步利用模型更新添加10%新样本能够改善模型迁移能力。基于PSO-SVM分类模型,联合可见光图像的颜色和纹理以及多光谱图像的光谱反射率也准确地识别稻穗倒伏,准确率达99.87%。上述研究结果证明了无人机遥感用于水稻稻穗表型监测的可行性,可为作物精准管理和智慧育种提供决策支持。 相似文献
11.
基于多时相Landsat数据融合的洞庭湖区水稻面积提取 总被引：3，自引：9，他引：3
洞庭湖区作为中国重要的商品粮基地,水稻种植面积的变化对国家粮食安全有重要的影响,准确获取水稻面积及其变化显得十分重要。为解决数据缺失问题,该文利用STARFM(spatial and temporal adaptive reflectance fusion model)模型融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat数据,得到时序Landsat NDVI数据,并利用时序Landsat NDVI数据对水稻种植面积进行提取。结果显示,该方法能够有效地提取水稻种植面积,总体分类精度94.52%,Kappa系数为0.9128。水稻分布几乎覆盖整个研究区,水稻种植总面积达7.88×105hm2。双季稻种植面积为7.75×105hm2,主要集中于湖区北部及西北部,且分布较连续。一季稻种植面积为1.3×104hm2,分布相对零散,有小范围集中于湖区中部及西北部。 相似文献
12.
The spatial pattern of rice paddies is an essential parameter used for studies of greenhouse gas emissions, agricultural resource management, and environmental monitoring. On large spatial scales, previous studies have usually mapped rice paddies using a single vegetation index product based on a traditional classification method, or a combined analysis of various vegetation and water indices derived from the moderate resolution imaging spectroradiometer (MODIS) satellite data. However, different indices increase the computational cost and constrain the satellite data sources, and traditional classification methods (e.g., maximum likelihood classification) may be time-consuming and difficult to carry out over a large area like China. In this study, we designed an auto-thresholding and single vegetation index (normalized difference vegetation index (NDVI))-based procedure to estimate the spatial distribution of rice paddies in China. The MOD09Q1 product, which was available at MODIS''s highest spatial resolution (250 m), was taken as the input source. An auto-threshold function was also introduced into the change detection process to distinguish rice paddies from other croplands. Our MODIS-derived maps were validated with ground surveys and then compared with China national statistical data of rice paddy areas. The results indicated that the best classification result was achieved for plain regions, and that the accuracy declined for hilly regions, where the complex landscape could lead to an underestimation of the rice paddy area. A comparison between the modeled results and other analyses using 500-m MODIS data suggests that rice paddies may be identified routinely using a single vegetation index with finer resolution on large spatial scales. 相似文献
13.
基于ASAR的冬小麦不同生育期土壤湿度反演 总被引：4，自引：4，他引：0
基于ASAR高级合成孔径雷达ASAR数据和地面调查数据,结合MIMICS模型分析方法,研究ASAR后向散射数据与土壤湿度及冬小麦结构参数之间的关系,构建冬小麦不同生育期土壤湿度反演模型。研究结果表明：冬小麦冠层散射影响ASAR信号探测土壤湿度的深度,冬小麦生长初期（起身期前）ASAR信号探测土壤湿度的最佳深度为0～20 cm,拔节期后ASAR信号探测土壤湿度的最佳深度为0～5 cm。冬小麦抽穗期前,ASAR IS2 VV模式后向散射系数与土壤湿度线性相关性较高,可以利用经验统计模型方法反演土壤湿度;冬小麦生长旺盛期（抽穗期）,经验模型土壤湿度反演精度较差,多角度ASAR数据模型能够提高土壤湿度反演精度。利用该土壤湿度反演模型,起身期、拔节期和抽穗期土壤湿度反演的均方根误差分别为0.0125、0.0247和0.0298 g/g。 相似文献
14.
采用高光谱图像深度特征检测水稻种子活力等级 总被引：2，自引：1，他引：1
为实现水稻种子活力的准确检测,该文研究了一种基于高光谱图像技术结合深度学习的高精度检测方法。采用人工加速老化的方式得到老化0,1,2和3 d的1 200个水稻种子样本,使用高光谱成像设备获取不同老化天数样本的高光谱图像,并从单个样本区域提取其光谱信息。随后对1200个样本进行发芽试验,根据发芽试验结果将所有样本划分为高活力、低活力和无活力3个等级。采用小波阈值去噪(Wavelet Threshold Denoising,WTD)结合一阶导数(First/1~(st) Derivative,FD)的方法(WTD-FD)对原始光谱进行预处理,使用主成分分析(Principal Component Analysis,PCA)和堆叠自动编码器(Stacked Auto-Encoder,SAE)分别从预处理光谱中提取特征变量。分别基于PCA和SAE特征变量构建支持向量机(Support Vector Machine,SVM)模型,并根据模型准确率确定较佳模型,最后使用灰狼优化算法(Grey Wolf Optimizer,GWO)对选择的模型进行参数优化。结果显示WTD-FD对原始光谱的预处理是有效的,使用从预处理光谱中提取的SAE非线性深层特征相比于PCA线性特征更具有代表性,基于其建立的SAE-SVM模型的准确率达到96.47%。SAE-SVM模型经过GWO优化之后,模型准确率提高到98.75%。研究结果表明,高光谱图像技术结合深度学习方法对水稻种子活力等级准确检测具有指导意义。 相似文献
15.
基于权重最优组合和多时相遥感的作物估产 总被引：4，自引：2，他引：2
多时相遥感数据比单一时相携带了更多的反映作物产量的信息,研究如何将多时相遥感信息进行有机融合以提高作物估产精度的方法是具有意义的。权重最优组合（WOC）是一种通过对单个模型权重的最优化,来构建高精度组合模型的原理方法。论文以黑龙江农垦友谊农场大麦产量遥感估算为例,首先利用大麦4个时相的Landsat5 TM影像分别构建单一时相的大麦产量模型,然后利用WOC的迭代算法,通过赋予4个单一时相产量模型以最优权重,生成基于多时相遥感的组合模型估算大麦产量,结果表明：基于WOC和多时相遥感的组合估产模型的决定系数R2与单一时相的相比得到较大改善,估算精度提高明显。同时,通过对WOC获取的各时相单一模型最优权重大小进行分析表明：应用多时相遥感数据进行作物估产时,权重大小能够反映各时相遥感数据所携带的产量信息的多少,这对于如何选择和确定能有效反映作物产量的敏感遥感时相具有一定的指导意义。 相似文献
16.
利用径向基函数神经网络通过高光谱数据估算植被生物物理参数 总被引：3，自引：0，他引：3
YANG Xiao-Hu WANG Fu-Min HUANG Jing-Feng WANG Jian-Wen WANG Ren-Chao SHEN Zhang-Quan WANG Xiu-Zhen 《土壤圈》2009,19(2):176-188
The radial basis function (RBF) emerged as a variant of artificial neural network. Generalized regression neural network (GRNN) is one type of RBF, and its principal advantages are that it can quickly learn and rapidly converge to the optimal regression surface with large number of data sets. Hyperspectral reffectance (350 to 2500 nm) data were recorded at two different rice sites in two experiment fields with two cultivars, three nitrogen treatments and one plant density (45 plants m-2). Stepwise multivariable regression model (SMR) and RBF were used to compare their predictability for the leaf area index (LAI) and green leaf chlorophyll density (GLCD) of rice based on reffectance (R) and its three different transformations, the first derivative reffectance (D1), the second derivative reffectance (D2) and the log-transformed reflectance (LOG). GRNN based on D1 was the best model for the prediction of rice LAI and GLCD. The relationships between different transformations of reffectance and rice parameters could be further improved when RBF was employed. Owing to its strong capacity for nonlinear mapping and good robustness, GRNN could maximize the sensitivity to chlorophyll content using D1. It is concluded that RBF may provide a useful exploratory and predictive tool for the estimation of rice biophysical parameters. 相似文献