共查询到20条相似文献,搜索用时 250 毫秒
1.
2.
3.
基于ERDAS的矿区植被覆盖度遥感信息提取研究——以陕西省榆林市神府煤矿区为例 总被引:9,自引:1,他引:9
准确、快速地获取植被覆盖信息是矿区生态恢复和建设的关键与重点.通过利用榆林市神府矿区1986、1993、2000、2006年四景同期TM影像数据,使用ERDAS软件首先提取植被指数(NDVI),根据像元二分法利用ERDAS的建模工具Spatial Modeler计算出矿区的植被覆盖度,利用非监督分类方法对矿区的植被覆盖度进行分类、赋色,最后得出矿区1986~2006年的植被覆盖度分类图,定量的说明了矿区20 a年间的植被覆盖变化情况:植被覆盖度整体提高,在局部矿区则有所降低. 相似文献
4.
针对高分六号(GF-6)宽幅多光谱影像具有红边波段的特点,构建一种基于特征优选的GF-6 WFV影像主要粮食作物提取方法。首先从预处理后的GF-6影像中提取光谱特征、植被指数、水体指数和红边指数特征,然后利用递归特征消除算法进行特征优选来构建最优特征集,最后基于最优特征集和机器学习算法对影像进行分类从而提取主要粮食作物。以江苏省南通市如东县为研究区,采用6种方案进行粮食作物提取试验,并探讨不同特征、不同分类模型对小麦、水稻和玉米3种粮食作物提取精度的影响,结果表明,利用GF-6 WFV影像可以准确提取主要粮食作物,尤其在红边波段和红边指数上主要粮食作物与其他地物间具有较高的可分性;利用最优特征集和XGBoost算法对影像进行分类的精度最高,在小麦和水稻、玉米提取试验中比未采用红边特征时的分类精度分别提高了3.08、5.58个百分点。 相似文献
5.
喀斯待石漠化是在自然和人为因素相互作用下土地退化的现象.石漠化地区的遥感影像分类以往采用的是监督分类和非监督分类,但它们单纯地利用像元的亮度特征,分类精度低,往往不能满足实际的应用需要.决策树分类是一种新的遥感影像分类技术.以凯佐乡为研究对象,使用了ASTER影像数据、DEM和岩性数据,通过提取归一化植被指数、比值植被指数、地形坡度等数据建立分类规则,构建决策树.在ENVI软件支持下,获得了研究区的决策树分类影像.通过计算影像分类精度和Kappa系数.得到了以下结论:运用决策树分类法对石漠化地区遥感影像进行分类,可取得较理想的分类效果;实现了石漠化信息的自动化提取;若采用的遥感影像波段更多,DEM分辨率更高并减少数据处理中的误差将能够进一步提高分类精度. 相似文献
6.
选取2000年9月23日的江西省宜黄地区TM影像作为研究区,通过对TM影像的6个波段进行分析,发现了毛竹与其他地物的光谱差异性。然后建立监督分类模板,对分类模板进行评价。根据地物样本反射值的不同,建立了一种毛竹自动提取模型。并且对自动提取的毛竹结果进行了评价,结果令人满意。 相似文献
7.
遥感影像分类技术可以快速获取土地利用信息.选择赛罕乌拉国家级自然保护区作为研究区,以1995年、2006年Landsat-5 TM影像和2014年Landsat-8 OLI影像为数据源.使用ENVI 5.1软件对三期的遥感影像进行预处理,监督分类,通过人工目视解译与计算机自动提取相结合的手段,获取赛罕乌拉国家级自然保护... 相似文献
8.
遥感影像中阴影的存在对植被覆盖度提取精度具有重要影响.本文以处于拔节期的冬小麦麦田为研究区,基于无人机多光谱影像和Sentinel-2卫星影像,结合NDVI、SVI、VDSEVI和NDCSI 4个植被指数与像元二分模型方法、阈值法2种植被覆盖度提取方法,研究有阴影情况下大田冬小麦覆盖度估算的最佳植被指数和提取方法.结果... 相似文献
9.
10.
植被覆盖度是评估生态环境的一个重要参数,对于全球环境变化和监测研究具有重要意义。如何从遥感数据资料估算植被覆盖度,并提高估算精度是建立全球或区域气候、生态模型的基础工作。该研究以CBERS数据与ASAR数据为多源遥感数据源,进行CBERS影像与ASAR影像HPF像素级融合,生成高空间分辨率的多光谱影像HPF融合影像。分别运用CBERS影像和HPF融合影像,提取植被覆盖度,并对两者的提取效果进行精度对比评价分析。评价结果表明,HPF融合处理的影像提取的植被信息精度较高、效果较好,为植被覆盖度信息的提取提供了参考。 相似文献
11.
《农业科学学报》2016,(10)
Accurate winter wheat identification and phenology extraction are essential for field management and agricultural policy making. Here, we present mechanisms of winter wheat discrimination and phenological detection in the Yellow River Delta(YRD) region using moderate resolution imaging spectroradiometer(MODIS) time-series data. The normalized difference vegetation index(NDVI) was obtained by calculating the surface reflectance in red and infrared. We used the Savitzky-Golay filter to smooth time series NDVI curves. We adopted a two-step classification to identify winter wheat. The first step was designed to mask out non-vegetation classes, and the second step aimed to identify winter wheat from other vegetation based on its phenological features. We used the double Gaussian model and the maximum curvature method to extract phenology. Due to the characteristics of the time-series profiles for winter wheat, a double Gaussian function method was selected to fit the temporal profile. A maximum curvature method was performed to extract phenological phases. Phenological phases such as the green-up, heading and harvesting phases were detected when the NDVI curvature exhibited local maximum values. The extracted phenological dates then were validated with records of the ground observations. The spatial patterns of phenological phases were investigated. This study concluded that, for winter wheat, the accuracy of classification is 87.07%, and the accuracy of planting acreage is 90.09%. The phenological result was comparable to the ground observation at the municipal level. The average green-up date for the whole region occurred on March 5, the average heading date occurred on May 9, and the average harvesting date occurred on June 5. The spatial distribution of the phenology for winter wheat showed a significant gradual delay from the southwest to the northeast. This study demonstrates the effectiveness of our proposed method for winter wheat classification and phenology detection. 相似文献
12.
Applying machine vision techniques to classify wheat seeds based on their varieties is an objective method which can increase the accuracy of this process in real applications. In this study, several textural feature groups of seeds images were examined to evaluate their efficacy in identification of nine common Iranian wheat seed varieties. On the whole, 1080 gray scale images of bulk wheat seeds (120 images of each variety) were acquired at a stable illumination condition (florescent ring light). Totally, 131 textural features were extracted from gray level, GLCM (gray level cooccurrence matrix), GLRM (gray level run-length matrix), LBP (local binary patterns), LSP (local similarity patterns) and LSN (local similarity numbers) matrices. The so-called stepwise discrimination method was employed to select and rank the most significant textural features of each matrix individually as well as features of all matrices simultaneously. LDA (linear discriminate analysis) classifier was employed for classification using top selected features. The average classification accuracy of 98.15% was obtained when top 50 of all selected features were used in the classifier. The results confirmed that LSP, LSN and LBP features had a significant influence on the improvement of classification accuracy compared to previous studies. 相似文献
13.
在使用土地覆盖类型分类模型分类高原土地覆盖类型的过程中,由于不同类别地物间光谱信息更相近,在没有多特征降噪的情况下,容易产生噪声偏差,导致土地覆盖类型错分,设计一种基于遥感图像光谱特征融合的高原土地覆盖类型分类模型。设计特征提取方法,提取遥感图像中几何特征的空间特征与属性特征,以展示遥感图像光谱更多的空间细节信息;将遥感图像按照一定模式规则进行处理和运算,构建三种多特征融合模式,使用SVM作为分类工具,计算其中参数,实现元素的线性可分。模型性能测试结果表明:设计的分类模型所得到的分类结果在生产精度、总体精度、Kappa系数这三个指标中的评分均达到了0.7以上,验证了设计模型在高原土地覆盖类型分类中的准确性。 相似文献
14.
基于RS的冬小麦种植面积提取及最佳时相选择 总被引:1,自引:0,他引:1
为探求冬小麦种植面积提取的方法,本研究通过多种图像处理方法对TM数据进行处理,结合实地调查和研究区主要种植作物的物候历,利用TM数据提取了冬小麦的种植面积。同时为了提高解译精度,结合GIS进行了两次目视解译过程,消除了分类器分类会出现的多分和漏分现象。结果表明:通过分类后计算混淆矩阵与地面真实感兴趣区(ROI)进行比较,发现Mahalanobis Distance分类法阈值(最大误差距离)为2.9时分类效果最佳。得到2007年研究区域冬小麦遥感监测面积为560 650 hm2,提取精度达到了95.23%。三个地区以临汾地区提取精度最高,而晋中地区最低。因此利用该方法提取冬小麦种植面积是可行的。 相似文献
15.
【目的】小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降。为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持。【方法】利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50 m的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图(DOM)和数字表面模型(DSM),从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机(SVM)和随机森林(RF)2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率(Acc)、精确率(Pre)、召回率(Re)和调和平均数(F1)以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法(套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法)对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法。【结果】单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,“椒盐现象”严重,在此基础上融合DSM信息的分类精度显著提高。采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦... 相似文献
16.
GEE支持下的河南省冬小麦面积提取及长势监测 总被引:4,自引:0,他引:4
【目的】使用遥感技术对2017—2020年河南省冬小麦的空间分布信息进行高精度的提取,然后对2020年冬小麦的长势进行高频度的监测并结合气象条件进行分析。【方法】本文基于谷歌地球引擎(Google Earth Engine,GEE)云平台,对选取的Landsat 8影像数据根据NDVI最大值进行合成,然后进行特征构建,添加地形特征、纹理特征、NDVI以及一个新特征NDVI增幅,使用随机森林分类方法对样本数据按照构建的特征进行训练提取河南省2017—2020年冬小麦的播种面积信息;经过精度验证后对提取的河南省2020年的冬小麦种植区域生成掩膜,对掩膜区域(冬小麦种植区域)结合MODIS高时间分辨率影像数据,使用NDVI同期差值法对2020年2—4月份的冬小麦进行高频度的长势监测。【结果】使用GEE云平台能够对河南省冬小麦种植区域的空间分布信息进行快速制图;使用随机森林方法加入地形特征、纹理特征、NDVI后再加入新特征NDVI增幅,能够有效提高冬小麦的提取精度以及降低与统计数据的相对误差,基于混淆矩阵计算的平均总体分类精度为95.2%、平均kappa系数为0.909、冬小麦的平均分类精度为95.3%,与河南省统计年鉴数据相比,本文方法提取的2017—2019年河南省冬小麦播种面积相对误差均低于3%,河南省冬小麦主要种植区域的冬小麦播种面积的平均相对误差低于6%;使用MODIS影像数据结合NDVI差值模型能够对河南省2020年的冬小麦进行高频度的长势监测,河南省冬小麦在返青初期长势较往年及2019年好,到生育后期大部分区域长势与往年及2019年持平,总体上2020年冬小麦的长势较往年及2019年好。【结论】本文提出的方法能够对河南省冬小麦进行高精度的提取以及高频度的长势监测,且能够为地方政府或者一些农业部门在安排指导农事活动上提供科学依据。 相似文献
17.
覆草是果园生态调控的重要手段,通过田间试验比较了不同覆草园害虫和天敌的发生情况及其对果园生物多样性的影响。研究发现:与清耕园相比,覆草园天敌数量显著较高,而且靠近麦田的覆草园天敌数量明显高于其他覆草园,覆草对害虫的控制效果明显;覆草桃园节肢动物的物种生物多样性、丰富度指数、均匀性指数等都明显大于清耕桃园,而且苜蓿覆草桃园的生物多样性指数明显大于三叶草覆草桃园。 相似文献
18.
19.
结合多尺度纹理特征的高光谱影像面向对象树种分类 总被引:1,自引:0,他引:1
20.
基于超像素分割的田间小麦穗数统计方法 总被引:1,自引:0,他引:1
【目的】 小麦穗数是产量构成的重要因素。通过图像处理技术快速准确地统计小麦穗数,为作物长势监测和产量估测提供重要依据。【方法】 本研究以经氮肥梯度处理后不同长势的小麦为研究对象,首先,通过简单线性迭代聚类算法(simple linear iterative cluster,SLIC)对田间小麦图像进行超像素分割的预处理;提取并分析图像的部分颜色特征参数,选择适宜的颜色特征参数训练分类器;选择准确率最高的分类器对图像进行分类处理,识别麦穗。其次,对麦穗识别结果进行二值化;经腐蚀、膨胀等一系列形态学计算提取麦穗主体并进行区域统计;提取麦穗骨架,检测骨架角点数,结合角点数与区域统计结果计算小麦穗数;最后,通过线性回归分析方法验证了无氮(0)、低氮(1/2常规施氮量)、正常氮(常规施氮量)、高氮(2倍的常规施氮量)4个氮水平麦穗统计结果。【结果】 (1)利用超绿值(Eg)和归一化红绿指数(Dgr)作为分类特征可以有效地识别麦穗、土壤和叶片;(2)相较于直接基于像素进行图像处理,经超像素分割处理后麦穗识别结果更理想,识别出麦穗主体清晰,形态更为完整;(3)经比较,高氮水平下小麦长势较好,穗数统计准确率最高,为94.4%,无氮水平下小麦长势较差,穗数统计准确率最低,仅为81.9%;排除无氮情况后,长势较均匀的氮水平混合样本中麦穗计数准确率达到92.9%,相较于长势差异较大的混合样本准确率提高了8.3%。【结果】 在一般环境下,利用超像素和颜色特征的麦穗自动统计方法可以快速准确地对大田小麦进行穗数计算,长势过弱以及差异过大区域不推荐使用,研究结果为小麦大田估产提供了新的参考。 相似文献