共查询到18条相似文献，搜索用时 179 毫秒
1.
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
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.
快速、准确地获取作物种植面积信息是长势监测、产量估算、病虫害监测和预警的基础。针对我国江南区域多云雾的特点,以Sentinel-1/2为数据源,综合采用光学遥感影像和合成孔径雷达(Synthetic aperture radar, SAR)影像等多源数据,针对研究区作物早春覆膜的特点,构建地膜植被指数(SAR plastic-film vegetation index, SPVI);利用时序光谱和植被指数特征,研究基于XGBoost算法的作物识别方法。以安徽省宣城市宣州区为研究区,开展实例验证研究。在作物生育期内,云雾影响较大,光学遥感覆盖稀疏区域以Sentinel-2影像为主,获取时序指数数据集,增加4期Sentinel-1雷达影像,用以补充云雾时期(5—7月)光学影像的缺失。以本文设计的方法,得到作物识别总体精度为84.87%,优于随机森林的83.93%,主要作物烟草制图精度88.69%,用户精度95.51%。仅使用生育期Sentinel-2影像的作物识别总体精度79.01%,主要作物烟草制图精度82.30%,用户精度93.49%。研究结果表明,本文构建的基于XGBoost算法多源... 相似文献
4.
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
5.
【目的】探究基于Sentinel-2遥感影像的决策树分类模型提取破碎化地块灌区作物种植结构的适用性。【方法】选取新疆阿拉沟灌区为研究区,以2021年覆盖作物全生育期的Sentinel-2遥感影像为数据源,结合田间调查和Google高清影像目视解译采样,基于主要作物物候信息、NDVI时序特征等分析确定作物识别的关键期阈值,构建决策树模型进行灌区主要作物分类,并对分类结果精度验证。【结果】基于Sentinel-2提取的灌区种植结构分布图地块纹理清晰,能够满足灌区用水管理需要;构建的决策树分类模型可在灌区尺度实现作物分类,方法简便易行,总体精度达到81.56%,Kappa系数为0.716 6。【结论】采用Sentinel-2遥感影像和决策树分类方法识别破碎化地块灌区复杂作物分类是可行的,可为灌区输配水决策和农业用水精细化管理提供基础信息。 相似文献
6.
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
7.
【目的】基于决策树分类算法对青铜峡灌区春小麦和苜蓿进行早期识别。【方法】在实地调研的基础上,结合Sentinel-2遥感影像,构建能够不断融入遥感数据的决策树分类算法,对青铜峡灌区春小麦和苜蓿进行早期识别。【结果】4月上旬,由于春小麦和苜蓿生长特征较为相似,春小麦和苜蓿的总体分类精度分别为69%和75%。此后,随着观测数据的不断融入,分类精度逐步提升,5月14日二者的分类精度即可达到90%以上。5月31日利用全部5期卫星影像数据时,春小麦的总体精度可达到94%,Kappa系数为0.75,苜蓿的总体精度可达到97%,Kappa为0.86。2023年青铜峡灌区春小麦种植面积为24 000 hm2,苜蓿种植面积为2 000 hm2。其中,春小麦种植结构较为复杂,既存在集中连片的大规模种植,也存在大量面积较小的碎片化种植带。【结论】基于Sentinel-2遥感数据的决策树分类方法,可在4月上旬获取初步分类结果,在5月中旬苜蓿第1次收割之前对青铜峡灌区春小麦和苜蓿进行较为准确的识别。 相似文献
8.
基于遥感的沙壕渠控制区作物种植结构与空间分布研究 总被引：2，自引：0，他引：2
河套灌区作物种植分类是在河套灌区进行灌溉农业研究的基础,但是仅利用遥感影像提取作物种植结构及种植面积时其精度远远不够,往往难以满足农业遥感在应用上的需求。通常多利用多元影像融合、多时相遥感影像以及遥感影像结合地面采样点来进行作物分类,以提高分类精度。本文以河套灌区内部的沙壕渠控制区为试验区,采用TM遥感影像,以实际地面采样点作为感兴趣区创建训练样本,利用最大似然法进行分类,成功提取了小麦、玉米、葵花及其他作物的种植结构及种植面积,分类总体精度达到了85.87%,Kappa系数为0.769 6。 相似文献
9.
基于MODIS数据的冬小麦种植面积快速提取与长势监测 总被引：7，自引：0，他引：7
利用MODIS-NDVI数据,以中国冬小麦主产区为例,探讨了基于遥感影像全覆盖的大尺度冬小麦种植面积遥感综合自动识别及长势监测的方法。通过分析冬小麦的种植结构、物候历特征及其生物学特性和时序NDVI曲线特征,确定了冬小麦信息提取的NDVI阈值,建立了冬小麦面积提取模型,并最终获取了2010—2011年中国农情遥感监测中冬小麦长势监测所需的空间分布数据,与多年平均统计数据比较,总体精度达到81%以上。基于提取的冬小麦面积信息空间分布数据,利用MODIS-NDVI差值模型,对冬小麦2011年的长势进行监测。结果表明,与近5年平均状况对比,2011年冬小麦在其整个生育期内长势基本与常年持平,但时空分布差异较大。 相似文献
10.
11.
大田环境下小麦种植行的识别与定位对农机田间喷药和除草等任务的导航作业具有重要意义。以分蘖期和拔节期的冬小麦无人机可见光遥感影像为研究数据，结合深度语义分割和霍夫变换直线检测，提出了一种多生育期小麦种植行检测方法。采用SegNet深度语义分割提取小麦种植区域，克服传统检测方法对光照敏感的同时提高检测精度。基于霍夫变换的小麦种植行预检测结果，提出采用二分k均值聚类进一步提炼检测结果，以识别出小麦种植行区域的中心线。实验结果表明，对于分蘖期和拔节期的冬小麦图像，种植行直线平均位置偏差的绝对值分别为0.55、0.11 cm;平均角度偏差的绝对值分别为0.001 1、0.000 37 rad,检测精度与直线漏检率等指标都显著优于传统方法。研究结果为智能农机导航作业中的作物种植行检测提供了方法支持。 相似文献
12.
传统的小麦面积提取方法主要依靠人工野外调查,存在工作量大、效率低、成本高等问题,而遥感技术具有准确、快速和动态等优点,已成为作物面积提取的有效手段。本文以石家庄市正定县各镇的Landsat-8卫星遥感影像为训练数据,藁城区增村镇影像为测试数据,并分别选取分辨率8m的高分六号（GF-6）以及分辨率10m的哨兵二号（Sentinel-2）作为对比验证数据,提出了一种改进U-Net网络的冬小麦种植区域提取方法。首先,对Landsat-8遥感影像进行预处理,标注小麦区域制作标签集,其次,在U-Net网络中添加Squeeze and excitation(SE)注意力机制模块融入特征通道间信息,并利用Batch normalization(BN)层抑制过拟合问题;最后,经过Softmax分类器得到分类结果。选择SegNet、Deeplabv3+、U-Net作为对比模型,分别利用GF-6、Sentinel-2和Landsat-8 3种数据构建预测模型。结果表明,SE-UNet网络在基于Landsat-8数据预测模型下测试数据集表现最优,MPA和MIoU分别达到89.88%和81.44%。本方法可为大范围冬小麦种植区提取提供参考。 相似文献
13.
粮食安全是最根本的民生问题，云、雾等自然因素是影响遥感种植监测的主要因素之一，因此获取精准、高效的耕地种植监测信息的对保障当地粮农安全、粮食估产及面积估算具有重要意义。在利用多时相植被指数（VI）合成模型的构建、农作物特征与耕地信息的可分离性两方面对高原山地农作物耕地面积提取的研究少。本研究基于哨兵2（Sentinel-2）数据，构建了多时相植被指数合成模型，估算了2020-2021年归一化植被指数（NDVI）、增强植被指数（EVI）和红绿叶绿素植被指数（RECI）三种植被指数的提取结果，研究了预测模型与高原山地农作物的相关性，探讨了不同植被指数模型对农作物识别精度。结果表明：①多时相NDVI模型相较EVI、RECI对冬小麦面积提取精度更高，与云南高原山地冬小麦相关性最强，用户精度约为93.28%；②利用三期NDVI组合与两期NDVI组合均可对冬小麦精准提取，但三期NDVI草型提取精度更高。因此，本研究利用多时相NDVI指数模型对冬小麦种植面积的精准预测，证明了该模型可有效适用于云南高原山地冬小麦，并为当地冬小麦面积的预测提供了数据支撑。 相似文献
14.
在对Sentinel-2卫星遥感影像进行预处理的基础上，利用主成分变化提取小麦主要信息，基于云模型算法开展光谱遥感图像分类。分类时，首先根据训练样本集，由逆向云发生器生成典型小麦的云模型，然后利用云发生器计算出各波段每个象元对小麦地物的平均隶属度，在对各波段的隶属度分析基础上，摒弃含有复杂信息的第1主成分，利用第2主成分和第3主成分信息实现对冬小麦种植空间信息的提取。结果表明，提取小麦种植信息制图精度和用户精度分别为92.78%和99.90%，小麦种植田块的隶属度值因小麦长势和密度的不同有较大的差异，云模型对长势较差、密度较低的小麦像元存在漏分现象。基于云模型的算法精度极高，对小麦地块的识别错分、漏分现象少。该模型有助于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重要的支撑作用。 相似文献
15.
成熟期农作物的识别在农作物种植面积估算、农业生产及产量统计方面具有重要作用。为提供一种简便的成熟期农作物遥感识别方法，利用Sentinel-2A数据，以安徽省滁州市凤阳县为研究区，通过归一化植被指数(Normalized difference vegetation index, NDVI)与归一化光谱分离指数(Normalized spectral separation index, NSSI)构成的空间，提取光合植被、非光合植被、裸土的纯端元，由像元三分模型，得到非光合植被覆盖度及成熟期农作物的空间分布。为进一步提取研究区内具有相同成熟期的冬小麦与油菜，利用油菜开花期Sentinel-2A数据，由Hue saturation value(HSV)图像变换方法，分别提取出成熟期冬小麦与油菜。与地面观测数据和辅助数据相比，提取的成熟区冬小麦、油菜的总体精度为95.34%,Kappa系数为0.904,高于支持向量机方法(总体精度91.66%,Kappa系数为0.813)与决策树方法(总体精度92.39%,Kappa系数为0.838)的提取精度。结果表明，NDVI-NSSI空间与HSV变换相... 相似文献
16.
基于时间序列MODIS NDVI的冬小麦产量预测方法 总被引：1，自引：0，他引：1
选择我国河北、河南、山东3省作为研究区,在250 m空间分辨率的冬小麦种植区和1 km的冬小麦像元纯度图的基础上,分析了2000—2009年MODIS NDVI抽穗期峰值与单产的时间序列变化关系。采用Becker-Reshef等提出的去噪声修正后的冬小麦抽穗期NDVI峰值与单产进行回归分析建立冬小麦产量预测模型,并分析冬小麦预测精度的影响因素。最后,利用2010年地级市尺度的统计单产对所建立的预测模型进行精度验证,模型的平均估产误差约为7.49%。结果表明,基于冬小麦抽穗期NDVI峰值的产量预测方法在中国冬小麦主产区具有一定的应用潜力。 相似文献
17.
18.
基于RS数据和GIS方法的冬小麦水分生产函数估算 总被引：2，自引：0，他引：2
以冬小麦遥感监测耗水与产量为数据支持,开展了多种水分生产函数模型的对比研究,探求与研究区相适宜的水分生产函数模型及其参数,其中全生育期水分生产函数模型分别选择直线模型、抛物线模型、D-K模型及指数模型;而分生育阶段水分生产函数模型分别选择Jensen、Minhas、Blank、Stewart及Singh模型。研究结果表明,冬小麦全生育水分生产函数模型推荐采用抛物线模型;而分生育阶段水分生产函数模型推荐采用Stewart模型;冬小麦对水分最敏感的阶段是抽穗期,其次为扬花-成熟期,而出苗-拔节期最小。为此,在北京市大兴区的冬小麦灌溉应优先满足抽穗灌浆期的需水,而在出苗-拔节期适度减少灌溉量,可达到节水增效目的。 相似文献