李中元
, 吴炳方, 张淼
LI Zhongyuan, WU Bingfang, ZHANG Miao
通讯作者:
收稿日期: 2018-07-16
修回日期: 2018-12-18
网络出版日期: 2019-05-25
版权声明: 2019 《地球信息科学学报》编辑部 《地球信息科学学报》编辑部 所有
基金资助:
作者简介:
作者简介：李中元（1982-）,男,内蒙古五原人,博士,讲师,主要从事3S技术集成开发应用及农业遥感方面的研究。 E-mail: lizy@hubu.edu.cn
展开
摘要
及时、准确地获取农作物种植信息,对于农业生产管理和国家粮食安全有重要意义。目前越来越多的免费卫星数据可以用于作物分类及生理参数反演。Sentinel-2卫星于2015年6月发射,提供了13个光谱波段,具有较高的时间分辨率、空间分辨率和光谱分辨率,为不同作物特征区分以及大范围作物种植面积快速提取业务化运行的精度与效率提高带来了契机。随着Sentinel-2数据的免费下载,这就为大面积生产下一代区域或者国家尺度的高分辨率（10~30 m）农情遥感产品提供了可能。物候信息包含了作物随着季节不断变化的特征,利用如NDVI等时间序列植被指数找出不同作物的特征进而开展作物分类得到了广泛应用。本文以油菜为主要研究对象,以长江中下游地区的江汉平原为实验区,基于作物物候差异与面向对象决策树的方法,对Sentinel-2卫星影像用于油菜种植区提取的效果进行了评估与分析。首先利用作物不同生长时期各波段光谱信息以及归一化植被指数等信息的差异分析并找出油菜种植区提取的最佳时相,然后对影像进行多尺度分割,根据对象特征建立决策树逐一去除非植被、林地等干扰类型,进而提取出油菜种植区域。通过分析发现,基于Sentinel-2影像的图像分割可以有效生成不同作物类型的对象;油菜开花期的特征是其区分于其他作物的关键因素,利用该特征可以有效消除分类时其他地物类型对油菜的影响,提高作物分类信息提取的精度和效率。研究表明：在区分油菜的决策树分类特征信息中,贡献最大的是归一化植被指数（NDVI）,近红外波段（NIR）和亮度（Brightness）信息。用162个油菜验证样本点计算混淆矩阵,油菜种植面积提取的总体分类精度为98%以上,Kappa系数为0.95。说明结合物候信息利用Sentinel-2数据进行大范围作物种植面积提取具有巨大潜力,可以提高大范围油菜种植区域快速提取的精度和效率。
关键词：
Abstract
Accurate and timely access to crop planting information is important for agricultural production management and national food security. Increased access to free satellite data, has allowed for further crop classification and physiological parameter inversion. Launched in June 2015, the Sentinel-2 satellite provides 13 spectral bands with high temporal, spatial and spectral resolution. This provides an opportunity to improve the operational accuracy and efficiency of rapid extraction of crop characteristics and large-scale crop planting area. The Sentinel-2 satellite provides free images at a high spatial resolution (10~30 m). Therefore, it is now possible to develop the next generation of agricultural product at both national and regional levels. Time series vegetation indices (VIs) are derived from this satellite data and are widely used to identify crop characteristics for classification. The Jianghan Plain (located in the middle and lower reaches of Yangtze River) was used as a case study area to evaluate and analyze the effect of the Sentinel-2 satellite images on rape planting area, based on an object-oriented method and differences in crop phenology. Firstly, the best estimate of rapeseed planting area was identified by using crop spectral information and normalized ve getation index at different growth stages. Secondly, a decision tree was formulated according to the difference in object features after multi-scale segmentation. Finally, the rapeseed planting area was calculated after the removal of non-vegetation areas, forests, winter wheat crops and other interferences based on the decision tree. It was found that image segmentation based on the Sentinel-2 images could identify various crop types effectively. The flowering characteristic of rapeseed is a key factor in distinguishing it from other crops. The difference in object features can effectively eliminate the effects of other land-use types on rapeseed classification and improve the accuracy and efficiency of crop classification. Results showed that the greatest classification contributors to the decision tree for distinguishing rapeseed were the normalized vegetation index (NDVI), near infrared (NIR), and brightness (Brightness). A total of 162 rapeseed sample points were used to calculate the confusion matrix. The overall classification accuracy of the rapeseed planting area was more than 98%, and the Kappa coefficient was 0.95. This shows that the Sentinel-2 data, combined with phenology information has great potential to extract large-scale crop planting area data, and can improve the accuracy and efficiency of calculating rape planting areas at both national and regional scales.
Keywords：
油菜是世界三大主要油料作物中产油效率最高的油料作物之一,是植物油脂和植物蛋白的重要来源,是重要的食用油源和蛋白质饲料,也是重要的工业原料,油料作物的生产在国民经济和社会发展中占有重要地位,其种植面积占全国油料作物总面积的40%以上,产量占全国油料总产量的30%以上。油菜菜籽油是中国传统的食用油,年均产量450 万t左右,是国产食用植物油的第一大来源,在我国食用油市场中具有举足轻重的地位[1]。及时、准确地获取油菜种植面积及长势信息,是全面掌握油菜种植状况、加强生产管理、优化作物种植空间格局的重要依据,也是准确估计和预测油菜产量的基本前提,对于用于指导农田精准管理,最终实现变量投入,达到优化生产、提高生产率、减少污染,确保国家粮食安全具有重要意义[2]。
遥感技术具有快速、准确、客观等特点,已经成为动态获取多尺度作物种植面积信息及其空间分布状况的重要技术手段[3]。同时随着近年国内外卫星的连续发射,遥感数据源在时间、空间、光谱分辨率等方面不断提高,多源遥感数据综合应用技术的快速发展,为解决遥感动态监测业务化运行时空分辨率的矛盾,满足农作物大范围、多时相、高精度的监测要求提供了良好契机。
国内外对不同作物空间分布信息的遥感分类提取方法开展了大量研究[4,5,6,7],先后发展了目视解译、基于像素和统计理论的分类、多时相分析法、面向对象分类方法[8,9]、人工神经网络以及机器学习[10]等分类方法。随着计算机技术特别是人工智能的不断进步,遥感分类方法以及用于分类的工具软件都得到了快速发展,并且在应用中取得了良好效果[11]。
目视解译方法可以获得较高精度,但目视解译方法耗时费力,而且对遥感影像的分辨率以及解译人员的专业背景知识要求较高,人们逐渐将精力转向自动化程度更高的基于像素和统计理论的分类方法研究中,但因为“同物异谱”和“同谱异物”现象的存在,分类精度受到一定限制。
面向对象分类方法除了依靠地物的光谱特性之外,综合利用像元的形状、颜色、纹理等几何特征和结构信息,把具有相同特征的像素组成一个对象,然后根据每一个对象的特征进行分类,可以消除利用传统的基于像素分类方法中的“椒盐效应”,获得较高的分类精度[12,13],有学者利用该方法提取作物种植面积,获得了良好的应用效果[14,15]。但目前例如RapidEye、WorldView等超高分辨率影像价格较为昂贵,在进行大范围应用时成本过高。国产的资源三号（ZY-3）数据和高分二号（GF-2）数据也有着很高的空间分辨率,利用面向对象的方法也可以获得很高的分类精度,但由于ZY-3和GF-2数据幅宽较小,覆盖范围有限,难以覆盖整个监测区域。高分一号（GF-1）数据覆盖范围较大,重访周期也较短,空间分辨率为16 m,在北方地区获得了不错的应用效果,然而在长江中下游以南地区尤其是丘陵及山区则受到一定限制,由于该区域田块较为细碎,一些小斑块的作物难以在影像中完全体现,同时由于其预处理流程较长,随着监测区域的扩大,工作量会呈几何数量级增长,如果没有高精度自动化的程序以及高性能的计算机支撑,在大范围业务化运行时的时效性难以得到保障。
基于时间序列的提取方法需要较高空间、时间以及光谱分辨率遥感影像地支撑,且数据预处理工作量较大,在进行大范围作物分类信息提取时往往会受到数据源的限制。为了克服上述方法的不足,很多学者利用作物物候信息,基于时间序列植被指数的方法进行作物分类与提取。由于不同农作物都具有各自典型的物候特征,其植被指数在不同季节有着明显的变化,并且同一种作物的区域生长发育规律相对稳定,结合作物物候特征,分别选取适宜的时相提取不同作物,可以得到较好的提取效果,在农作物分类中得到广泛应用[16,17,18]。
国内有学者分别利用中巴地球资源卫星[19,20]、环境卫星[21,22]、Landsat TM[23]、MODIS[24]中等分辨率卫星及Hyperion高光谱[25]等数据对湖北省及长江中下游地区的油菜冬小麦种植面积提取进行了研究,通过研究明确了长江中下游地区油菜冬小麦提取的最佳时相、光谱特征以及对于混合像元的解决办法,给出了在高光谱遥感中如何利用红光波段进行油菜提取的适用条件,并获得了较好的分类结果。但由于数据分辨率自身的限制,其分类精度提高到一定程度就很难再有较大突破,高光谱数据幅宽较窄,覆盖范围有限,在大范围应用时会受到一定限制。
随着对地观测技术地迅猛发展,各国都在不断提高对地观测技术与能力,2015年6月23日,由欧洲委员会（EC）和欧洲航天局（ESA）共同组织实施的Sentinel-2卫星发射升空。Sentinel-2数据的多光谱成像仪有13个谱段,从可见光到近红外至短波红外,空间分辨率为10~60 m,重访周期10 d,幅宽290 km。由于其较好地兼顾了空间分辨率、光谱分辨率以及时间分辨率,很快得到了广泛应用[26,27,28],并展现出了其在农作物分类以及农情监测应用中的优势[29,30,31,32]。这就为大范围农作物种植面积快速提取的业务化运行提供了新的机遇。
本文针对大范围油菜种植面积快速提取业务化运行方法问题,以长江中下游地区的江汉平原为实验区,油菜为主要研究对象,利用Sentinel-2数据和地面样点等辅助数据,基于物候信息以及面向对象的决策树分类方法,对长江中下游地区江汉平原的油菜进行提取,以期为实现低成本高精度油菜种植面积地快速提取提供方法参考。
江汉平原位于长江中游,汉江中下游,湖北省的中南部,介于29°26′N-31°37′N, 111°14′E-114°36′E之间。因其地跨长江和汉江而得名,是中国三大平原之一长江中下游平原的重要组成部分。西起宜昌枝江,东迄武汉蔡甸区,北自荆门钟祥,南与洞庭湖平原相连,面积约4.6万km2,主要包括仙桃、潜江、天门3个省直管市,荆州市的荆州区、沙市区、江陵县、公安县、监利县、石首市、洪湖市、松滋市 8个县市区,并辐射周边武汉蔡甸区,孝感汉川市、应城市,荆门沙洋县、京山县、钟祥市,宜昌枝江市以及襄阳宜城市等地区（图1）。江汉平原属亚热带季风气候,年均日照时数约2000 h,年太阳辐射总值约460~480 kJ/cm2。年均降水量1100~1300 mm,气温较高的4-9月降水量约占年降水总量的70%。10 ℃以上持续期约230~240 d,活动积温5100~5300 ℃。旱地约占耕地总面积的52%,水田约占48%[22,24,33],是中国重要商品粮基地之一,也是我国重要的油料作物种植区。由于其独特的气候和地理环境,该地区水系发达,植被类型多样,落叶林与常绿林交替并存,而且农作物是中国典型的一年两熟制区域,夏季主要种植水稻、棉花等作物,冬季作物主要以油菜、冬小麦为主,无论是地理环境,还是种植习惯都具有较强的代表性。
图1 江汉平原位置及地面验证样点分布
Fig. 1 Map of study area and distribution of sampling sites in Jianghan Plain
（1）遥感数据。Sentinel-2数据的1C级产品可通过网站https://remotepixel.ca/projects/satellitesearch.html进行免费下载,该产品经过了辐射定标,正射几何纠正、影像配准、反射率计算等预处理流程,几何纠正达到亚像元精度,数据压缩方式为JPEG 2000。本文主要使用Sentinel-2数据的蓝、绿、红、近红外4个波段,空间分辨率为10 m,每个波段都有单独的下载链接,对应下载链接的波段编号为B02、B02、B04、B08。2017年2月27日共有12景影像覆盖研究区,同时下载了2016-12-09、2016-12-29、2017-04-28、2017-06-27共4个时相的影像用于时间序列的光谱特征分析（表1）。全部数据下载后,用Python调用ArcGIS 10.1的波段合成工具进行波段合成批处理,波段合成后利用ArcGIS 10.1软件和江汉平原矢量边界数据对影像数据进行裁剪,得到研究区覆盖范围的影像,并计算归一化植被指数（Normalized Difference Vegetation Index, NDVI）,计算公式为：
式中：ρNIR和ρRED分别代表近红外波段和红光波段的反射率,NDVI的值介于-1和1之间。
表1 遥感影像数据列表
Tab. 1 The Sentinel-2 data list
| 编号 | 时间 | 轨道 | 数据质量 |
|---|---|---|---|
| 1 | 2017-02-27 | 49REQ | 良好 |
| 2 | 2017-02-27 | 49SER | 良好 |
| 3 | 2017-02-27 | 49SFR | 良好 |
| 4 | 2017-02-27 | 49RFQ | 良好 |
| 5 | 2017-02-27 | 49REN | 良好 |
| 6 | 2017-02-27 | 49RFN | 良好 |
| 7 | 2017-02-27 | 49REP | 良好 |
| 8 | 2016-12-09 | 49RFP | 良好 |
| 9 | 2016-12-29 | 49RFP | 良好 |
| 10 | 2017-02-27 | 49RFP | 良好 |
| 11 | 2017-04-28 | 49RFP | 良好 |
| 12 | 2017-06-27 | 49RFP | 良好 |
| 13 | 2017-02-27 | 49RGP | 良好 |
| 14 | 2017-02-27 | 49RGQ | 良好 |
| 15 | 2017-02-27 | 50RKU | 良好 |
| 16 | 2017-02-27 | 50RKV | 良好 |
（2）野外地面验证数据。2017年3月,利用GVG（GPS-video-GIS）方法[34,35]对江汉平原地区进行了野外样点采样,完成了约450 km里程地调研,共获得376个油菜和626个冬小麦（图1）,其中214个油菜样点、558个冬小麦样点用于分类样本训练,162个油菜样点、68个冬小麦样点用于分类精度验证。
辅助数据：研究区矢量边界数据、油菜、小麦的物候历（表2）等。研究区行政区划数据包括湖北省、地级市、各县行政边界数据,由中国科学院资源环境科学数据中心网站（http://www.resdc.cn/Default.aspx）下载。利用ArcGIS 10.1软件对所有数据进行坐标系统一处理。
表2 江汉平原主要作物物候历
Tab. 2 Key phenological calendar of main crops in Jianghan plain
| 主要 作物 | 12月 | 1月 | 2月 | 3月 | 4月 | 5月 | 6月 | ||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | |||
| 冬小麦 | 苗期 | 拔节 | 抽穗 | 灌浆 | 成熟 | 收获 | |||||||||||||||
| 油菜 | 苗期 | 抽薹 | 开花 | 结荚 | 成熟 | 收获 | |||||||||||||||
| 冬闲田 | 空闲 | 水稻或玉米苗期 | |||||||||||||||||||
在长江中下游地区,冬小麦与油菜有着相同的物候期,大约都在10-11月播种,次年的5-6月收获,在此期间,有部分冬闲田里布满杂草,林地中也有一部分常绿阔叶林,这些都会成为该地区油菜提取的影响因素,因此首先需要根据这几种地物类型的物候特征,利用其从播种到收获之间的时间序列植被指数的差异找到油菜提取的最佳时相[20],尽可能地排除其干扰因素,在很大程度上可以提升分类精度[12,36]。
找到油菜提取的最佳时相后,分类方法的选择也至关重要,由于基于像元的方法存在着同谱异物和同物异谱的问题,而基于面向对象分类的方法综合考虑了影像的光谱、纹理以及形状等信息,更精确的刻画了对象的大小、形状、光谱特征,可以很好地解决传统的基于像素分类方法中的“椒盐效应”,因此被广泛应用于高分辨率影像土地利用分类的研究中。本文结合长江中下游地区冬季作物的物候信息,采用基于面向对象的决策树分类方法,先用面向对象的专业分类软件eCognition 9.2对影像进行多尺度分割,分割后对比分析不同地物类型各波段及NDVI的光谱、纹理、形状等特征,根据不同阈值建立决策树,提取油菜种植面积,最后用地面验证样本点进行精度评估,具体研究思路如图2所示。
2.3.1 多尺度分割
面向对象的分类方法主要包括两个关键步骤,第一步是分割,第二步是分类。影像分割是面向对象分类的基础和关键,主要原理是利用影像的灰度、颜色、纹理、大小、形状等特征,将影像分割为不同的区域,在同类区域内,影像具有相同或者十分相近的特征,在不同的区域间,影像特征的差异则非常明显[14,37]。分割尺度的合适与否直接影响目标信息提取的精度[38],由于地理实体的空间尺度效应及空间异质性,不同的专题信息提取都需要考虑其最适宜的尺度,对于影像特征较明显,分布较均匀且面积较大的地类,可以采用较大的分割尺度,而对于影像特征较为复杂,分布零散且面积较小的地类,就需要采用较小的分割尺度。同时,待提取目标地物类别的细致程度也会影响分割尺度, 植被与非植被的区分就可以采用较大的分割尺度,如植被中的林地、草地、耕地、非植被中的水体等的分割可采用中等尺度,如果要提取的目标需要具体到农作物类别,则需要采用较小的分割尺度。在分割的步骤中,分割尺度、形状参数、紧凑度等重要的参数设置也至关重要,需要多次调整,选择最优参数。
在农作物分类中,一般在地势较为平坦的地区常用的分割尺度参数（scale）为30、形状参数（shape）为0.3、紧致度参数（compactness）为0.5。本文的研究区虽在平原地带,但该地区水系较为发达,特别是湖泊、水库坑塘等较多且分布不均匀,水田也遍布各地,种植油菜和冬小麦的旱地地块较为破碎,因此本文在反复测试后,设定分割尺度参数（scale）为20、形状参数（shape）为0.3、紧致度参数（compactness）为0.5。
2.3.2 分类方法选择
在影像被分割为对象后,一般可以采用2种方法对影像对象进行分类。① 采用监督分类的思想,利用训练样本的最近距离法,这种方法实质上是对每一个类别都定义样本和特征空间,分类器根据每一类别所选样本的特征进行训练,并将对象中与样本特征相似的影像对象与训练样本归纳为一类,最终实现多目标分类;② 采用逐步求精,即决策树分类的思想,通过分割对象的光谱、纹理、形状、大小等特征建立知识规则,利用知识规则逐步筛选,最终得出不同类别的分类结果。这2种分类方法都可以在eCognition 9.2软件中完成。本文油菜种植区的提取,是基于决策树的方法,先利用归一化植被指数（NDVI）将植被与非植被进行了区分,并利用作物的物候特征将林地与农作物进行了区分,最后利用油菜开花期有着明显区别于其他地类的特征,实现油菜种植区的提取。
2.3.3 精度评价方法
目前最常用的图像分类精度评价方法是计算各分类结果的混淆矩阵,利用总体精度（Overall Accuracy）、Kappa系数（Kappa Coefficient）、制图精度（Prod.Acc）和用户精度（User.Acc）等指标来衡量分类结果的精度[39]。总体分类精度（Overall Accuracy）等于被正确分类的像元总和除以总像元数。被正确分类的像元数目沿着混淆矩阵的对角线分布,总像元数等于所有真实参考样本的像元总数。Kappa系数（Kappa Coefficient）是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和,再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果,再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。制图精度（Prod.Acc）是指分类器将整个影像的像元正确分类的像元数（对角线值）与真实参考总数（混淆矩阵中列的总和）的比率。用户精度（User.Acc）是指正确分到某类的像元总数（对角线值）与分类器将整个影像的像元分为该类的像元总数（混淆矩阵中行的总和）比率。总体精度（Overall Accuracy）、Kappa系数（Kappa Coefficient）、制图精度（Prod.Acc）和用户精度（User.Acc）越高,分类精度越好,误差越低。
众所周知,在长江中下游地区的冬季作物种植时期,主要种植作物为油菜与冬小麦,只要能找到区分油菜和冬小麦的关键时期,就可以实现油菜的快速提取。而往往在二者区分的关键时期并不一定能够获得质量较好的遥感影像,因此需要找到其关键区分时间点前后的影像取而代之。在整个油菜的生长季,有些时期的光谱特征和其他作物或者植被类似,会受到其他作物或植被的干扰。例如：稻田里杂草的光谱特征与油菜和冬小麦苗期的特征类似,因此会影响油菜和冬小麦苗期的判别;而在油菜的抽薹期和小麦的拔节期,一些常绿树的光谱特征与其类似,也会影响油菜及冬小麦的判别,因此需要对油菜生长期间可能影响其分类提取的作物及植被类型的光谱特征进行分析。在对研究区2016-12-09、2016-12-29、2017-02-27、2017-04-28、2017-06-27共5个时相的影像进行多尺度分割后,分别选取林地、水田、油菜、冬小麦四种地物类型对象的蓝（B）、绿（G）、红（R）、近红外（NIR）、亮度（Brightness）、归一化植被指数（NDVI）等特征进行对比分析,结果如图3所示。这里需要说明的是,本文的亮度（Brightness）指图象亮度,即一副图像给人的一种直观感受,如果是灰度图像,则跟灰度值有关,灰度值越高则图像越亮。
图3 不同地物类型时间序列NDVI变化及波段光谱特征值
Fig. 3 Temporal changes in NDVI, spectrums characteristic value of prominent land objects
图3（a）展示了4种不同地物类型的NDVI值从2016年12月9日到2017年6月27日的变化情况,这一段时间贯穿了油菜和冬小麦从出苗到收获以后的整个生长季。4种地物类型在2016年12月到1月处于越冬期,因此NDVI值基本持平变化不大;在2017年2月27日时,4种地物类型的NDVI值都明显升高,这个时间正值油菜的花期以及冬小麦的拔节抽穗期,因此油菜和冬小麦的NDVI达到峰值,并且远高于冬闲田和林地,因此在此时间段利用NDVI可以将油菜冬小麦和冬闲田与林地进行区分;到了2017年4月28日,落叶阔叶林返青,长出新叶,因此NDVI增长迅速,油菜和冬小麦接近成熟,NDVI有所下降,在此时间段林地会对油菜冬小麦提取造成干扰。在2016年12月9日,油菜冬小麦的NDVI虽然也明显高于冬闲田和林地,但该时期仍为油菜和冬小麦的苗期,处于越冬季节,油菜冬小麦出苗并不完整,如果在此时间提取油菜或者冬小麦,难免会有漏分现象,综合整个生长季可以看出,2017年2月27日为提取油菜和冬小麦的最佳时期。
图3（b）中将2017年2月27日林地、水田、油菜、冬小麦4种地物类型对象的蓝（B）、绿（G）、红（R）、近红外（NIR）、亮度（Brightness）的光谱特征进行了对比发现,4种地物类型的蓝（B）、绿（G）、红（R）3个波段的特征类似,但发现油菜在此时间段处于开花期,油菜花为黄色,反射率较高,其近红外波段（NIR）和亮度（Brightness）明显高于其他小麦、冬闲田和林地,因此可以通过近红外波段（NIR）和亮度（Brightness）信息提取油菜。
油菜提取的总体思路是利用面向对象的决策树分类方法进行。首先,利用eCognition软件对研究区2017年2月27日的影像进行多尺度分割。多尺度分割后,根据不同地类选取样本,通过油菜开花期与冬小麦光谱特征的差异得到分类决策树（图4）。具体流程为：① 先用NDVI区分植被与非植被,NDVI>0.1为植被,反之为非植被;② 剔除林地与杂草的干扰,在2月27日,油菜和冬小麦到达生长旺盛期,NDVI达到峰值,此时冬闲田中杂草的NDVI较低,经过反复测试,NDVI>0.4,可以将生长旺盛期的作物与杂草区分;此时由于森林植被开始返青,长出新的枝叶,NDVI也较高,但由于整个树冠还没有完全密闭,因此在近红外波段的光谱值没有处于生长旺盛时期油菜和冬小麦的高,经过对比,近红外波段(NIR)>2400,可以将林地剔除掉;③ 区分油菜和冬小麦,众所周知,油菜花期为黄色,对太阳光反射较强,冬小麦拔节抽穗期为深绿色,对阳光反射相对较弱,因此可以利用亮度信息对二者进行区分,经反复尝试,油菜的亮度（Brightness）最小值介于1650~1720之间,本文拟定亮度值（Brightness）≥1700为油菜,反之为冬小麦。阈值之所以不固定而有区间,主要是由于每景影像的成像角度等不同造成影像的亮度信息不一致,因此每景影像训练得出不同的亮度阈值。利用上述规则,得出研究区油菜种植区域如图5所示。
图4 油菜种植区遥感提取决策树
Fig. 4 Decision tree of rapeseed planting areas extraction using remote sensing
图5 江汉平原2017年2月油菜种植区域
Fig. 5 Rapeseed planting areas map of Jianghan plain in February, 2017
利用野外采样的地面验证样本点,并根据油菜、冬小麦在影像上随机选取样本点分别对每景影像的分类结果进行精度验证,得到平均精度见表3。从表3可看出,油菜和其他作物提取的总体精度达到98.2%,Kappa系数为0.959,油菜的生产者精度和用户精度都达到了99%以上,冬小麦的生产者精度为95.7%,用户精度为98.5%,得到了较好的分类精度与效果。
表3 油菜冬小麦分类结果混淆矩阵
Tab. 3 Confusion matrix of classification for rapeseed and winter wheat
| 作物类型 | 油菜 | 冬小麦 | 生产者精度/% |
|---|---|---|---|
| 油菜 | 161 | 1 | 99.4 |
| 冬小麦 | 1 | 67 | 95.7 |
| 用户精度/% | 99.3 | 98.5 | |
| 总体精度/% | 98.2 | ||
| Kappa系数 | 0.959 | ||
作物物候信息合理使用对于作物分类精度和效率地提高都至关重要[15,26],甚至可以说是决定作物分类成败的关键。由于各地多年来的气候水土条件以及种植习惯,无论冬季还是夏季,在同一个生长季会有不同作物或者植被同时生长,在有些生育期,如苗期和成熟期,每种作物类型反应到遥感影像上的光谱特征基本类似,难以区分。以我国长江中下游地区为例,该地区冬季主要种植油菜和冬小麦,这两种作物一般都在9-10月播种,到次年5-6月收获,生长周期以及部分生育期的光谱特征极其相似。如苗期和冬眠期,即10月-次年1月,除了二者互相干扰外,还可能受到冬闲田中杂草、草地以及林地等非农作物植被信息的干扰,而给分类增加很大难度。但如果能利用油菜开花这一特性并了解不同区域油菜的开花时间,则既可以排除非农作物的干扰,还可以和与其生育期类似的小麦进行很好的区分。油菜在开花期与其他地物光谱差异较大,该时期是进行油菜提取的最佳时相。因此,明确提取目标的最佳时相,在作物种植面积提取中至关重要,如能准确找出目标农作物的最佳提取时相,可以让提取工作事半功倍。
众所周知,遥感影像在分类之前,还有数据获取与下载、辐射定标、大气纠正、几何纠正与配准等预处理流程,而这些流程几乎会占用整个分类过程的一半以上甚至更多的时间,且每幅影像占用的存储空间也不小,大概1G左右,如此一来,每个流程就会多出一倍的数据,多占用1倍的存储空间,如果时相选择不当,不仅会使得分类的工作量呈几何数量级增长,而且会占用不必要的硬盘存储空间造成资源浪费。物候信息地使用,不仅可以降低作物提取时的干扰信息,而且可以从数据下载之初就对数据获取与处理的时间以及硬盘的存储空间加以控制,避免资源不必要的浪费,很大程度节约时间、人力、物力和财力成本。
近年来,随着对地观测技术的快速发展,各国的卫星不断升空,空间、时间和光谱分辨率不断提高,越来越多的遥感影像数据源可供使用,而遥感影像的空间分辨率在很大程度上决定着作物分类的精度以及分类方法的选择。不同的用途会导致数据源选择思路的不同。如果只进行单纯的方法研究与探索,在经济条件允许的情况下,高空间分辨率会作为数据源的首选条件,这样分类精度会相对较高,也很容易说明问题;但如果是在大范围应用的时候,除了影像的分辨率以及分类精度等因素之外,还需要考虑经济、时间和人力成本,可能更倾向于选择经济投入小甚至免费、且覆盖范围较大、数据处理工作量较小的数据源。
通过对研究区物候信息进行分析得知,油菜在开花期特征明显,可以利用开花期单期影像进行分类提取,因此本文选用了幅宽相对较大,空间分辨率为相对较高的Sentinel-2数据[25],其可见光波段和近红外波段空间分辨率为10 m,在进行多尺度分割的时候可以较好地兼顾影像的光谱、纹理和几何特征,保持每个分割对象的独立性,对面向对象的分类方法有较好的适应性;Sentinel-2还包含了一个红边波段和两个短波红外波段,分辨率为20 m,这几个波段的加入,为种植结构复杂地区的作物分类提供了很重要的信息源,而且红边波段在大范围作物叶绿素、叶面积指数、生物量以及产量等定量参数反演模型的建立也发挥了重要作用[40,41],其应用前景十分广阔。除此之外,该数据经过辐射定标、大气纠正、几何纠正等预处理之后的L1C产品可以免费下载直接进行分类,很大程度节约了数据获取的经济成本以及数据处理的时间、人力和物力成本。但有的时候,例如在我国的长江中下游以及西南地区,由于常年云雨雾的影响,很难获得关键时期质量较好的影像,就需要选择时间分辨率较高,重访周期较短的数据源。在这种情况下,可以稍降低一下对空间分辨率的要求,选择空间分辨率为16 m、重访周期为4 d的高分一号数据[42]。总之,不同地区不同作物的分类提取需要根据当地的情况而定,不能只局限于单个数据源,需要综合多种数据源进行优势互补,以达到更好的效果。
本文针对长江中下游地区农作物遥感快速提取中遇到的种植结构复杂,地块破碎等问题,以油菜为主要研究对象,江汉平原为研究试验区,综合考虑作物物候信息,多时相多波段影像光谱、纹理、形状等特征信息,在地面样点的辅助下,采用面向对象的决策树分类方法,利用Sentinel-2数据对江汉平原的油菜进行了提取,主要得出以下结论：
（1）Sentinel-2数据拥有较好的空间、时间分辨率以及较大的幅宽,可以很好地适应基于面向对象决策树的方法,既克服了分类过程中的“同谱异物”和“同物异谱”问题,又可以兼顾时间序列植被指数和影像特征地提取与分析,可以同时提升大范围油菜及其他作物的提取精度及工作效率;
（2）通过分析油菜不同生育期时间序列的NDVI以及各波段光谱特征发现,开花期是区别于油菜和其他作物及植被的重要物候特征,是提高油菜遥感提取精度及效率的关键所在;
（3）由于油菜与冬小麦生长期基本相同,造成二者各生育期的NDVI差异并不明显,而亮度是区别于这两种作物的重要信息,可以对油菜和冬小麦进行很好地区分;
（4）充分了解区域植被物候特征及作物种植习惯有助于作物遥感分类与提取,本文合理利用江汉平原不同作物在不同时期、不同季节表现出的不同特征建立分类决策树进行提取油菜,总体精度为98.2%,Kappa系数为0.959,获得了较好的效果,可以满足大范围业务化运行的要求。为区域作物种植面积快速提取的业务化运行提供了一定方法参考和技术思路。
本文只针对江汉平原的油菜这一种特定的作物利用物候差异信息及面向对象决策树的提取方法进行了研究,该方法长江中下游流域和长江以南的油菜种植区域有较好的适用性,在其他区域进行推广应用时,还需要根据不同作物的情况对分类策略和决策树中各参数的阈值进行适当调整方能取得更好的效果。另外,考虑到不同区域的天气情况造成的遥感数据获取情况不同,后续还将会引入机器学习等方法,结合Landsat-8、Sentinel-1/2以及我国高分系列等多源遥感数据对种植结构相对较为复杂的多种作物类型分类方法进一步研究。
The authors have declared that no competing interests exist.
| [1] |
我国油菜产业发展的历史回顾与展望 [J].Review and future development of rapeseed industry in China [J]. |
| [2] |
中国农情遥感速报系统 [J].https://doi.org/10.3321/j.issn:1007-4619.2004.06.001 URL Magsci [本文引用: 1] 摘要
介绍了中国农情遥感速报系统的建设情况 ,系统内容包括农作物长势监测、农作物种植面积监测、农作物单产预测与粮食产量估算、作物时空结构监测和粮食供需平衡预警等。简要介绍了 1998年以来中国农情遥感速报系统在监测内容与监测范围、监测频率、技术发展以及质量控制与过程检验体系建立等方面的进展 ,并就中国农情遥感速报系统的发展方向提出了展望。
China crop watch system with remote sensing [J].https://doi.org/10.3321/j.issn:1007-4619.2004.06.001 URL Magsci [本文引用: 1] 摘要
介绍了中国农情遥感速报系统的建设情况 ,系统内容包括农作物长势监测、农作物种植面积监测、农作物单产预测与粮食产量估算、作物时空结构监测和粮食供需平衡预警等。简要介绍了 1998年以来中国农情遥感速报系统在监测内容与监测范围、监测频率、技术发展以及质量控制与过程检验体系建立等方面的进展 ,并就中国农情遥感速报系统的发展方向提出了展望。
|
| [3] |
Li Q Z et al. Remote sensing based global crop monitoring: Experiences with China's CropWatch system [J]. |
| [4] |
作物遥感估产中自动分类方法研究进展与展望 [J].Progress and outlook in automatic classification methods for crop yield estimation using remote sensing data [J]. |
| [5] |
作物种植面积遥感提取方法的研究进展 [J].Overview of extraction of crop area from remote sensing [J]. |
| [6] |
应用高分辨率遥感影像提取作物种植面积 [J].
<p>利用中低分辨率遥感影像提取作物分类种植面积的精度,往往难以满足农业遥感估产的需要。随着新型传感器的不断出现,应用高分辨率遥感影像高精度地提取作物分类面积日益成为发展趋势。由于高分辨率遥感影像提供的地物纹理、色调与形状等信息更加丰富,当前基于对象的地物识别分类方法仍不成熟,处理操作中人为干预过多,而且较为复杂,因此尝试以地面调查信息为辅助参量,采用常规基于像元的最大似然法监督分类方法,依据多尺度遥感影像信息提取的原理,分阶段地逐步提取作物种植面积,以此为农业遥感估产服务。</p>
Classification application of QuickBird imagery to obtain crop planting area [J].
<p>利用中低分辨率遥感影像提取作物分类种植面积的精度,往往难以满足农业遥感估产的需要。随着新型传感器的不断出现,应用高分辨率遥感影像高精度地提取作物分类面积日益成为发展趋势。由于高分辨率遥感影像提供的地物纹理、色调与形状等信息更加丰富,当前基于对象的地物识别分类方法仍不成熟,处理操作中人为干预过多,而且较为复杂,因此尝试以地面调查信息为辅助参量,采用常规基于像元的最大似然法监督分类方法,依据多尺度遥感影像信息提取的原理,分阶段地逐步提取作物种植面积,以此为农业遥感估产服务。</p>
|
| [7] |
农作物空间格局遥感监测研究进展 [J].
<P><FONT face=Verdana>遥感技术因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握农作物空间格局提供了新的科学技术手段。本文系统总结了近10年来国内外农作物空间格局遥感监测在理论、方法、实践应用等方面取得的新进展,指出了亟待解决的问题,并对今后的发展方向进行了展望。研究认为,农作物种植面积遥感监测主要根据遥感传感器记录的不同农作物光谱特征的差异,进行不同农作物种植面积的识别,方法主要包括：基于光谱特征、基于作物物候特征和基于多源数据的农作物遥感识别方法。遥感技术应用于农作物复种模式监测主要根据时间序列植被指数描述的作物季节活动过程,利用不同的拟合方法得到作物生长曲线,实现作物复种模式有效监测。农作物种植方式遥感监测是更高层次的遥感应用,主要利用时间序列遥感数据,根据作物植被指数的变化规律区分不同作物生育周期,判断不同复种模式下作物的种植顺序和方式。在未来相当长的一段时间内,建立农作物空间格局遥感监测的理论和技术体系、发展和改进遥感影像分类方法、优化时间序列遥感数据平滑技术和提高信息提取的自动化与流程化将是农作物空间格局遥感监测需要重点解决的几个关键问题。<BR></FONT></P>
Recent progresses in monitoring crop spatial patterns by using remote sensing technologies [J].
<P><FONT face=Verdana>遥感技术因其高时效、宽范围和低成本等优点正被广泛应用于对地观测活动中,为大区域尺度掌握农作物空间格局提供了新的科学技术手段。本文系统总结了近10年来国内外农作物空间格局遥感监测在理论、方法、实践应用等方面取得的新进展,指出了亟待解决的问题,并对今后的发展方向进行了展望。研究认为,农作物种植面积遥感监测主要根据遥感传感器记录的不同农作物光谱特征的差异,进行不同农作物种植面积的识别,方法主要包括：基于光谱特征、基于作物物候特征和基于多源数据的农作物遥感识别方法。遥感技术应用于农作物复种模式监测主要根据时间序列植被指数描述的作物季节活动过程,利用不同的拟合方法得到作物生长曲线,实现作物复种模式有效监测。农作物种植方式遥感监测是更高层次的遥感应用,主要利用时间序列遥感数据,根据作物植被指数的变化规律区分不同作物生育周期,判断不同复种模式下作物的种植顺序和方式。在未来相当长的一段时间内,建立农作物空间格局遥感监测的理论和技术体系、发展和改进遥感影像分类方法、优化时间序列遥感数据平滑技术和提高信息提取的自动化与流程化将是农作物空间格局遥感监测需要重点解决的几个关键问题。<BR></FONT></P>
|
| [8] |
利用面向对象的分类方法提取水稻种植面积 [J].Research on extraction of rice planting area based on object-oriented classification method [J]. |
| [9] |
A feature extraction software tool for agricultural object-based image analysis [J].https://doi.org/10.1016/j.compag.2011.02.007 URL [本文引用: 1] 摘要
A software application for automatic descriptive feature extraction from image-objects, FETEX 2.0, is presented and described in this paper. The input data include a multispectral high resolution digital image and a vector file in shapefile format containing the polygons or objects, usually extracted from a geospatial database. The design of the available descriptive features or attributes has been mainly focused on the description of agricultural parcels, providing a variety of information: spectral information from the different image bands; textural descriptors of the distribution of the intensity values based on the grey level co-occurrence matrix, the wavelet transform and a factor of edgeness; structural features describing the spatial arrangement of the elements inside the objects, based on the semivariogram curve and the Hough transform; and several descriptors of the object shape. The output file is a table that can be produced in four alternative formats, containing a vector of features for every object processed. This table of numeric values describing the objects from different points of view can be externally used as input data for any classification software. Additionally, several types of graphs and images describing the feature extraction procedure are produced, useful for interpretation and understanding the process. A test of the processing times is included, as well as an application of the program in a real parcel-based classification problem, providing some results and analyzing the applicability, the future improvement of the methodologies, and the use of additional types of data sets. This software is intended to be a dynamic tool, integrating further data and feature extraction algorithms for the progressive improvement of land use/land cover database classification and agricultural database updating processes.
|
| [10] |
Mapping regional cropping patterns by using GF-1 WFV sensor data [J].https://doi.org/10.1016/S2095-3119(16)61392-8 URL [本文引用: 1] 摘要
The successful launched Gaofen satellite no. 1 wide field-of-view (GF-1 WFV) camera is characterized by its high spatial resolution and may provide some potential for regional crop mapping. This study, taking the Bei'an City, Northeast China as the study area, aims to investigate the potential of GF-1 WFV images for crop identification and explore how to fully use its spectral, textural and temporal information to improve classification accuracy. In doing so, an object-based and Random Forest (RF) algorithm was used for crop mapping. The results showed that classification based on an optimized single temporal GF-1 image can achieve an overall accuracy of about 83%, and the addition of textural features can improve the accuracy by 8.14%. Moreover, the multi-temporal GF-1 data can produce a classification map of crops with an overall accuracy of 93.08% and the introduction of textural variables into multi-temporal GF-1 data can only increase the accuracy by about 1%, which suggests the importance of temporal information of GF-1 for crop mapping in comparison with single temporal data. By comparing classification results of GF-1 data with different feature inputs, it is concluded that GF-1 WFV data in general can meet the mapping efficiency and accuracy requirements of regional crop. But given the unique spectral characteristics of the GF-1 WFV imagery, the use of textual and temporal information is needed to yield a satisfactory accuracy.
|
| [11] |
单变量特征选择的苏北地区主要农作物遥感识别 [J].Identification of main crops based on the univariate feature selection in Subei [J]. |
| [12] |
Object-based crop identification using multiple vegetation indices, textural features and crop phenology [J]. |
| [13] |
空间分辨率与纹理特征对多光谱遥感分类的影响 [J].Effects of spatial resolution and texture features on multi-spectral remote sensing classification [J]. |
| [14] |
基于多尺度分割的面向对象分类方法提取冬小麦种植面积 [J].Estimation of winter wheat planting area using object-oriented method based on multi-scale segmentation [J]. |
| [15] |
面向对象的土地利用/覆盖遥感分类方法与程应用 [J].
为了进一步提高干旱/半干旱地区土地利用/覆盖分类精度，该文以新疆石河子垦区为研究区，利用NDVI时间序列分析的方法确定了土地利用/覆盖遥感分类最佳时相组合；采用最佳指数因子OIF对参与图像分割的谱段进行选择；选择不同分割参数建立4级分割层次，构建了不同尺度的分类对象；针对其不同特点，分别选择基于知识的模糊分类和基于样本的监督分类方法；建立了面向对象的土地利用/覆盖遥感分类流程。采用地面实测数据对分类效果进行评估，与基于像元的分类方法相比，该文方法能够获取更高的分类精度，可为同类的研究与应用提供借鉴。
Application of method and process of object-oriented land use-cover classification using remote sensing images [J].
为了进一步提高干旱/半干旱地区土地利用/覆盖分类精度，该文以新疆石河子垦区为研究区，利用NDVI时间序列分析的方法确定了土地利用/覆盖遥感分类最佳时相组合；采用最佳指数因子OIF对参与图像分割的谱段进行选择；选择不同分割参数建立4级分割层次，构建了不同尺度的分类对象；针对其不同特点，分别选择基于知识的模糊分类和基于样本的监督分类方法；建立了面向对象的土地利用/覆盖遥感分类流程。采用地面实测数据对分类效果进行评估，与基于像元的分类方法相比，该文方法能够获取更高的分类精度，可为同类的研究与应用提供借鉴。
|
| [16] |
Winter wheat area estimation from MODIS-EVI time series data using the Crop Proportion Phenology Index [J]. |
| [17] |
基于时间序列环境卫星影像的作物分类识别 [J].Crop classification recognition based on time-series images from HJ satellite [J]. |
| [18] |
基于光谱时间序列拟合的中国南方水稻遥感识别方法研究 [J].Research on the method of rice remote sensing identification based on spectral time-series fitting in southern China [J]. |
| [19] |
基于中巴02B星遥感数据的油菜识别技术研究 [J].https://doi.org/10.6046/gtzyyg.2010.02.17 [本文引用: 1] 摘要
利用中巴02B星遥感资料,采用光谱分析法分析油菜作物的光谱反射特性,建立油菜作物遥感信息识别模型,并利用该模型对云南省罗平县油菜作物进行信息提取研究.结果表明,该油菜作物识别技术可为了解我国油菜种植情况、进行长势监测和产量估测提供技术参考.
Cole feature extraction from CBERS-02B remote sensing images .https://doi.org/10.6046/gtzyyg.2010.02.17 [本文引用: 1] 摘要
利用中巴02B星遥感资料,采用光谱分析法分析油菜作物的光谱反射特性,建立油菜作物遥感信息识别模型,并利用该模型对云南省罗平县油菜作物进行信息提取研究.结果表明,该油菜作物识别技术可为了解我国油菜种植情况、进行长势监测和产量估测提供技术参考.
|
| [20] |
基于线性光谱混合模型的油菜种植面积遥感监测方法研究 [J].Study on remote sensing monitoring of rape acreage based on linear spectral mixture model [J]. |
| [21] |
基于HJ-1A/B-CCD影像的湖北省冬小麦和油菜分布信息的提取方法 [J].Application of HJ-1A/B-CCD images in extracting the distribution of winter wheat and rape in Hubei Province [J]. |
| [22] |
基于HJ卫星混合像元分解法的湖北省四湖地区夏收作物种植信息提取 [J].https://doi.org/10.11870/cjlyzyyhj201406018 Magsci [本文引用: 2] 摘要
<p>混合像元是造成中低空间分辨率遥感数据计算机解译不准确的主要原因，通过收集2013年四湖地区夏收作物生长期内的不用生育时期的三景HJ卫星CCD数据，生成一个15波段的“类高光谱”数据；在采用阀门技术结合夏收作物NDVI指数变化特点，提取所有夏收作物（小麦与油菜）在四湖地区的空间分布的基础上，成功运用改进的逐步回归法计算出小麦与油菜在混合像元中的丰度值，高精度地取得了四湖地区小麦、油菜种植区的空间分布；将部分结果与同期资源三号卫星融合数据作为标准进行比较，证明基于改进的逐步回归法计算混合像元的丰度值是比较准确的，为运用HJ卫星CCD数据高精度提取农作物种植信息提供了一种可行的方法</p>
Extracting planting information of summer harvesting crops in Sihu region from HJ CCD data using unmixing algorithm data [J].https://doi.org/10.11870/cjlyzyyhj201406018 Magsci [本文引用: 2] 摘要
<p>混合像元是造成中低空间分辨率遥感数据计算机解译不准确的主要原因，通过收集2013年四湖地区夏收作物生长期内的不用生育时期的三景HJ卫星CCD数据，生成一个15波段的“类高光谱”数据；在采用阀门技术结合夏收作物NDVI指数变化特点，提取所有夏收作物（小麦与油菜）在四湖地区的空间分布的基础上，成功运用改进的逐步回归法计算出小麦与油菜在混合像元中的丰度值，高精度地取得了四湖地区小麦、油菜种植区的空间分布；将部分结果与同期资源三号卫星融合数据作为标准进行比较，证明基于改进的逐步回归法计算混合像元的丰度值是比较准确的，为运用HJ卫星CCD数据高精度提取农作物种植信息提供了一种可行的方法</p>
|
| [23] |
尺度变化对油菜种植面积遥感监测精度的影响 [J].https://doi.org/10.7621/cjarrp.1005-9121.2014614 URL [本文引用: 1] 摘要
农作物种植面积监测是遥感估产 的基础工作之一,监测结果的精度直接影响到数据的可信度和可用性。随着多光谱和多空间分辨率数据集的日益普遍,多尺度遥感数据源的综合应用是进行大范围农 作物种植面积遥感监测业务化运行的必然趋势,因此尺度变化对农作物种植面积遥感监测精度影响的研究势在必行。该研究采用高空间分辨率的多光谱遥感影像进行 油菜种植面积提取,对其提取结果进行基于简单多数原则的尺度转化,得到不同空间分辨率的提取结果,通过与地面实测样方数据构建误差矩阵进行精度分析,分析 不同空间分辨率影像对作物种植面积遥感信息提取精度的影响。运用多种精度评价指标,从不同空间分辨率、不同监测方法、不同遥感监测时相等角度系统分析了农 作物种植面积遥感测量中的尺度效应问题。为基于多尺度遥感数据综合应用的农作物种植面积遥感监测业务化运行中的数据选择和精度保证问题提供理论与实验基 础。
Influence of scale variation on precision of rapeseed acreage remote sensing monitoring [J].https://doi.org/10.7621/cjarrp.1005-9121.2014614 URL [本文引用: 1] 摘要
农作物种植面积监测是遥感估产 的基础工作之一,监测结果的精度直接影响到数据的可信度和可用性。随着多光谱和多空间分辨率数据集的日益普遍,多尺度遥感数据源的综合应用是进行大范围农 作物种植面积遥感监测业务化运行的必然趋势,因此尺度变化对农作物种植面积遥感监测精度影响的研究势在必行。该研究采用高空间分辨率的多光谱遥感影像进行 油菜种植面积提取,对其提取结果进行基于简单多数原则的尺度转化,得到不同空间分辨率的提取结果,通过与地面实测样方数据构建误差矩阵进行精度分析,分析 不同空间分辨率影像对作物种植面积遥感信息提取精度的影响。运用多种精度评价指标,从不同空间分辨率、不同监测方法、不同遥感监测时相等角度系统分析了农 作物种植面积遥感测量中的尺度效应问题。为基于多尺度遥感数据综合应用的农作物种植面积遥感监测业务化运行中的数据选择和精度保证问题提供理论与实验基 础。
|
| [24] |
基于时序MODIS-NDVI的油菜种植面积变化趋势分析——以江汉平原为例 [J].https://doi.org/10.11870/cjlyzyyhj201603007 Magsci [本文引用: 2] 摘要
油菜是我国主要油料作物,其种植与监测对于保障食油生产安全具有重要意义。本文以江汉平原作为研究区,利用2002~2014年250 m分辨率的MODIS-NDVI时序数据,采用经验模态分解(EMD)方法,结合地面调查数据以及作物物候数据等辅助数据,获取主要地物覆盖类型的端元信息,然后利用线性光谱混合模型(LSMM)进行混合像元分解,得到油菜种植面积丰度的空间分布。结果表明,EMD方法较好地过滤了时序数据的噪声;经年鉴统计数据验证,油菜提取面积精度达到了92.5%以上,<i>R</i>< sup>2</sup>大于0.9。油菜种植面积的时空变化结果很好地反映出江汉平原油菜种植面积总体呈增长态势。此外,政策导向和市场价格对油菜种植面积的影响明显。
Variation trend of rape cultivation area based on MODIS-NDVI time series data: A case in JiangHan Plain [J].https://doi.org/10.11870/cjlyzyyhj201603007 Magsci [本文引用: 2] 摘要
油菜是我国主要油料作物,其种植与监测对于保障食油生产安全具有重要意义。本文以江汉平原作为研究区,利用2002~2014年250 m分辨率的MODIS-NDVI时序数据,采用经验模态分解(EMD)方法,结合地面调查数据以及作物物候数据等辅助数据,获取主要地物覆盖类型的端元信息,然后利用线性光谱混合模型(LSMM)进行混合像元分解,得到油菜种植面积丰度的空间分布。结果表明,EMD方法较好地过滤了时序数据的噪声;经年鉴统计数据验证,油菜提取面积精度达到了92.5%以上,<i>R</i>< sup>2</sup>大于0.9。油菜种植面积的时空变化结果很好地反映出江汉平原油菜种植面积总体呈增长态势。此外,政策导向和市场价格对油菜种植面积的影响明显。
|
| [25] |
基于红边位置变化特征的油菜种植区域提取 [J].https://doi.org/10.3969/j.issn.1002-6819.2013.15.018 Magsci [本文引用: 2] 摘要
油菜种植区域的准确提取是进行长势监测、估产和灾情评估的前提，遥感手段已成为作物种植区域提取与监测的高效方法，而高光谱遥感具有波段多、波谱分辨率高、信息丰富等特点，因而提供了一种新的技术手段。为了探究高光谱遥感在作物识别与提取中的优势，该文基于2004年4月4日和5月6日2期EO-1 Hyperion影像，依据油菜盛花期到荚果期红边位置"蓝移"特征，区别于其他植被，实现了油菜种植区域的高光谱遥感提取。采用随机点验证方法对提取结果进行验证，总体精度为92.6%，Kappa系数为0.803，漏分和错分误差均处在合理的范围之内。该方法充分利用了高光谱遥感手段可提取植被红边参数的优势，且算法对地物光谱差异性不敏感，为油菜种植区域遥感提取提供了一套全新的思路与解决方案。
Extracting oilseed rape growing regions based on variation characteristics of red edge position [J].https://doi.org/10.3969/j.issn.1002-6819.2013.15.018 Magsci [本文引用: 2] 摘要
油菜种植区域的准确提取是进行长势监测、估产和灾情评估的前提，遥感手段已成为作物种植区域提取与监测的高效方法，而高光谱遥感具有波段多、波谱分辨率高、信息丰富等特点，因而提供了一种新的技术手段。为了探究高光谱遥感在作物识别与提取中的优势，该文基于2004年4月4日和5月6日2期EO-1 Hyperion影像，依据油菜盛花期到荚果期红边位置"蓝移"特征，区别于其他植被，实现了油菜种植区域的高光谱遥感提取。采用随机点验证方法对提取结果进行验证，总体精度为92.6%，Kappa系数为0.803，漏分和错分误差均处在合理的范围之内。该方法充分利用了高光谱遥感手段可提取植被红边参数的优势，且算法对地物光谱差异性不敏感，为油菜种植区域遥感提取提供了一套全新的思路与解决方案。
|
| [26] |
Fusion of Sentinel-2 images [J]. |
| [27] |
Understanding the temporal behavior of crops using Sentinel-1 and Sentinel-2-like data for agricultural applications [J]. |
| [28] |
Sentinel-2数据的冬小麦地上干生物量估算及评价 [J].
作物生物量快速精确的监测对于农业资源的合理利用与农田的精准管理具有重要意义。近年来,遥感技术因其独特的优势已被广泛用于作物生物量的估算中。本文主要针对不同宽波段植被指数在冬小麦生物量（文中的生物量均是指地上干生物量）估算方面的表现进行探索。首先利用欧洲空间局最新的Sentinel-2A卫星数据提取出17种常见的植被指数,之后分别构建其与相应时期内采集的冬小麦地上生物量间的最优估算模型,通过分析两者间的相关性与敏感性,获取适宜进行生物量估算的指数。最后,绘制了研究区的生物量空间分布图。结果表明,所选的植被指数均与生物量显著相关。其中,红边叶绿素指数（CI_（re））与生物量的估算精度最高（决定性系数R^2为0.83;均方根误差RMSE为180.29 g·m^–2）。虽然相关性较高,但部分指数,如归一化差值植被指数（NDVI）等在生物量较高时会出现饱和现象,从而导致生物量的低估。而加入红边波段的指数不仅能够延缓指数的饱和趋势,而且能够提高反演精度。此外,通过敏感性分析发现,归一化差值指数和比值指数分别在作物生长的早期和中后期对生物量的变化保持较高的敏感性。由于红边比值指数（SR_（re））和MERIS叶绿素敏感指数（MTCI）在冬小麦全生长季内一直对生物量的变化保持高灵敏性,二者是生物量估算中最为稳定的指数。
Estimating the above ground biomass of winter wheat using the Sentinel-2 data [J].
作物生物量快速精确的监测对于农业资源的合理利用与农田的精准管理具有重要意义。近年来,遥感技术因其独特的优势已被广泛用于作物生物量的估算中。本文主要针对不同宽波段植被指数在冬小麦生物量（文中的生物量均是指地上干生物量）估算方面的表现进行探索。首先利用欧洲空间局最新的Sentinel-2A卫星数据提取出17种常见的植被指数,之后分别构建其与相应时期内采集的冬小麦地上生物量间的最优估算模型,通过分析两者间的相关性与敏感性,获取适宜进行生物量估算的指数。最后,绘制了研究区的生物量空间分布图。结果表明,所选的植被指数均与生物量显著相关。其中,红边叶绿素指数（CI_（re））与生物量的估算精度最高（决定性系数R^2为0.83;均方根误差RMSE为180.29 g·m^–2）。虽然相关性较高,但部分指数,如归一化差值植被指数（NDVI）等在生物量较高时会出现饱和现象,从而导致生物量的低估。而加入红边波段的指数不仅能够延缓指数的饱和趋势,而且能够提高反演精度。此外,通过敏感性分析发现,归一化差值指数和比值指数分别在作物生长的早期和中后期对生物量的变化保持较高的敏感性。由于红边比值指数（SR_（re））和MERIS叶绿素敏感指数（MTCI）在冬小麦全生长季内一直对生物量的变化保持高灵敏性,二者是生物量估算中最为稳定的指数。
|
| [29] |
Building a data set over 12 globally distributed sites to support the development of agriculture monitoring applications with Sentinel-2 [J]. |
| [30] |
Preliminary tests and results concerning integration of Sentinel-2 and Landsat-8 OLI for crop monitoring [J]. |
| [31] |
Sentinel-2 cropland mapping using pixel-based and object-based time-weighted dynamic time warping analysis [J]. |
| [32] |
Scalable parcel-based crop identification scheme using Sentinel-2 data time-series for the monitoring of the common agricultural policy [J].https://doi.org/10.3390/rs10060911 URL [本文引用: 1] 摘要
This work investigates a Sentinel-2 based crop identification methodology for the monitoring of the Common Agricultural Policy’s (CAP) Cross Compliance (CC) and Greening obligations. In this regard, we implemented and evaluated a parcel-based supervised classification scheme to produce accurate crop type mapping in a smallholder agricultural zone in Navarra, Spain. The scheme makes use of supervised classifiers Support Vector Machines (SVMs) and Random Forest (RF) to discriminate among the various crop types, based on a large variable space of Sentinel-2 imagery and Vegetation Index (VI) time-series. The classifiers are separately applied at three different levels of crop nomenclature hierarchy, comparing their performance with respect to accuracy and execution time. SVM provides optimal performance and proves significantly superior to RF for the lowest level of the nomenclature, resulting in 0.87 Cohen’s kappa coefficient. Experiments were carried out to assess the importance of input variables, where top contributors are the Near Infrared (NIR), vegetation red-edge, and Short-Wave Infrared (SWIR) multispectral bands, and the Normalized Difference Vegetation (NDVI) and Plant Senescence Reflectance (PSRI) indices, sensed during advanced crop phenology stages. The scheme is finally applied to a Lansat-8 OLI based equivalent variable space, offering 0.70 Cohen’s kappa coefficient for the SVM classification, highlighting the superior performance of Sentinel-2 for this type of application. This is credited to Sentinel-2’s spatial, spectral, and temporal characteristics.
|
| [33] |
江汉平原土地利用演变对区域径流量影响 [J].
<p>江汉平原是我国重要的粮食基地也是武汉城市群发展的腹地，了解区域土地利用演变对流域水文的影响有助于为土地规划政策及水资源可持续发展提供决策支持。以2000～2004年为模型校准期，2005～2009年为模型验证期构造SWAT模型并模拟区域内主要流域的月、年径流量。然后借助双累积曲线研究江汉平原内主要江河的人类活动对径流的扰动作用并对比分析1980和2010年二种土地利用模拟情景下径流量的变化情况。结果表明：模型验证能较好的模拟区域内长江及汉江的径流量；随着降雨量的减少，土地利用变化对径流量的影响在增加；1980～1990年人类活动对径流的影响主要体现在水利设施的投入和林地减少上，2000年之后土地利用尤其是建设用地的增加对径流的影响日趋变大</p>
Effect of land-use changes of the Jianghan Plain on the regional runoff [J].
<p>江汉平原是我国重要的粮食基地也是武汉城市群发展的腹地，了解区域土地利用演变对流域水文的影响有助于为土地规划政策及水资源可持续发展提供决策支持。以2000～2004年为模型校准期，2005～2009年为模型验证期构造SWAT模型并模拟区域内主要流域的月、年径流量。然后借助双累积曲线研究江汉平原内主要江河的人类活动对径流的扰动作用并对比分析1980和2010年二种土地利用模拟情景下径流量的变化情况。结果表明：模型验证能较好的模拟区域内长江及汉江的径流量；随着降雨量的减少，土地利用变化对径流量的影响在增加；1980～1990年人类活动对径流的影响主要体现在水利设施的投入和林地减少上，2000年之后土地利用尤其是建设用地的增加对径流的影响日趋变大</p>
|
| [34] |
GVG农情采样系统及其应用 [J].https://doi.org/10.11834/jrs.20040606 Magsci [本文引用: 1] 摘要
介绍了通过对GPS、VIDEO摄像头、GIS的综合集成 ,用于野外农作物采样的信息快速采集、定位和处理分析系统 ,简称为GVG农情采样系统。系统包括影像采集卡、视频摄像头、GPS接收卡、GPS天线和工控计算机 ,在野外采集时采用汽车为主要工作平台 ,以各级公路为样线进行动态采样。系统工作时实时采集GPS信号 ,捕捉视频影像 ,同时根据GPS位置自动获得GIS属性信息 ,并自动记录在后台数据库。野外工作结束后 ,系统提供的功能允许操作人员对每条记录的照片中各类农作物所占比例进行赋值 ,统计单元内各种作物的分类成数 ,包括采样线、县级、农业区划级和省级单元。GVG系统的自动数据采集方式和GIS支持下的图像分析和统计方法提高了数据的采集和室内数据分析的效率 ,同时保证了采样的精度 ,经过不同地区的精度检验 ,作为“中国农情遥感监测系统”的重要组成部分 ,在全国范围内对大宗农作物分类成数的监测精度达到 95 %以上。
GVG, a crop type proportion sampling instrument [J].https://doi.org/10.11834/jrs.20040606 Magsci [本文引用: 1] 摘要
介绍了通过对GPS、VIDEO摄像头、GIS的综合集成 ,用于野外农作物采样的信息快速采集、定位和处理分析系统 ,简称为GVG农情采样系统。系统包括影像采集卡、视频摄像头、GPS接收卡、GPS天线和工控计算机 ,在野外采集时采用汽车为主要工作平台 ,以各级公路为样线进行动态采样。系统工作时实时采集GPS信号 ,捕捉视频影像 ,同时根据GPS位置自动获得GIS属性信息 ,并自动记录在后台数据库。野外工作结束后 ,系统提供的功能允许操作人员对每条记录的照片中各类农作物所占比例进行赋值 ,统计单元内各种作物的分类成数 ,包括采样线、县级、农业区划级和省级单元。GVG系统的自动数据采集方式和GIS支持下的图像分析和统计方法提高了数据的采集和室内数据分析的效率 ,同时保证了采样的精度 ,经过不同地区的精度检验 ,作为“中国农情遥感监测系统”的重要组成部分 ,在全国范围内对大宗农作物分类成数的监测精度达到 95 %以上。
|
| [35] |
Crop planting and type proportion method for crop acreage estimation of complex agricultural landscapes [J]. |
| [36] |
未种植耕地动态变化遥感识别——以阿根廷为例 [J].https://doi.org/10.11834/jrs.20154142 URL [本文引用: 1] 摘要
连续多年的高强度耕作会导致耕地层土壤养分、土壤有机质等逐渐下降,在作物收获之后作物秸秆还田量较少的情况下尤其突出,而对耕地利用状况动态变化(种植耕地与未种植耕地的动态变化)的识别,能够有效地反映出不同作物的轮作模式以及耕地种植强度的变化。本文以阿根廷3大农业主产省份(布宜诺斯艾利斯省、科尔多瓦省以及圣太菲省)为研究区,利用中分辨率成像光谱仪(MODIS)16天合成的归一化植被指数(NDVI)数据产品,在分析不同地物类型、不同耕作模式下的NDVI动态变化过程的基础上,结合地面样本数据统计获得有作物种植农田与无作物种植农田的识别阈值,综合利用阈值法和植被指数动态变化过程分析法对阿根廷3大主产省份开展了耕地利用状况动态变化遥感识别,实现了不同年份的耕地利用状况动态变化识别。地面观测数据验证结果表明,在阿根廷3大主产省内有作物种植耕地和未种植耕地的总体识别精度高于97%,但在不同的作物生长阶段,未种植耕地识别结果的精度差异较明显,在作物生长季内作物生长较为茂盛的时期,有作物种植耕地和未种植耕地的识别精度几乎达到99%,但在双季或多季作物种植区,作物轮作期间的耕地利用状况识别精度相对偏低,总体精度在95%左右,主要是受16天合成NDVI数据的最大值合成法限制。
Concepts and implementation of monthly monitoring of uncropped arable land: A case study in Argentina [J].https://doi.org/10.11834/jrs.20154142 URL [本文引用: 1] 摘要
连续多年的高强度耕作会导致耕地层土壤养分、土壤有机质等逐渐下降,在作物收获之后作物秸秆还田量较少的情况下尤其突出,而对耕地利用状况动态变化(种植耕地与未种植耕地的动态变化)的识别,能够有效地反映出不同作物的轮作模式以及耕地种植强度的变化。本文以阿根廷3大农业主产省份(布宜诺斯艾利斯省、科尔多瓦省以及圣太菲省)为研究区,利用中分辨率成像光谱仪(MODIS)16天合成的归一化植被指数(NDVI)数据产品,在分析不同地物类型、不同耕作模式下的NDVI动态变化过程的基础上,结合地面样本数据统计获得有作物种植农田与无作物种植农田的识别阈值,综合利用阈值法和植被指数动态变化过程分析法对阿根廷3大主产省份开展了耕地利用状况动态变化遥感识别,实现了不同年份的耕地利用状况动态变化识别。地面观测数据验证结果表明,在阿根廷3大主产省内有作物种植耕地和未种植耕地的总体识别精度高于97%,但在不同的作物生长阶段,未种植耕地识别结果的精度差异较明显,在作物生长季内作物生长较为茂盛的时期,有作物种植耕地和未种植耕地的识别精度几乎达到99%,但在双季或多季作物种植区,作物轮作期间的耕地利用状况识别精度相对偏低,总体精度在95%左右,主要是受16天合成NDVI数据的最大值合成法限制。
|
| [37] |
面向对象遥感影像分类的最优分割尺度选择研究 [J].https://doi.org/10.11834/jig.20100226 Magsci [本文引用: 1] 摘要
影像分割是面向对象遥感影像分类的基础步骤，而分割尺度又是影像分割的核心问题。研究针对面向对象遥感影像分类中的最优分割尺度选择问题，以分割后影像区域对象矢量边界线与欲分类目标对象真实矢量边界的吻合程度为标准，通过两者多向距离量化吻合程度，提出了一种最优分割尺度定量选择的新方法――矢量距离指数法。通过两种实验，同步验证了该方法的正确性与适用性，实验1将基于矢量距离指数法选择的最优分割尺度结果与较为成熟的人为试错法的选择结果比较，结果表明针对7种地类的矢量距离指数均可以正确反映最优分割尺度；实验2挖掘了矢量距离
Optimal segmentation scale selection for object-oriented remote sensing image Classification [J].https://doi.org/10.11834/jig.20100226 Magsci [本文引用: 1] 摘要
影像分割是面向对象遥感影像分类的基础步骤，而分割尺度又是影像分割的核心问题。研究针对面向对象遥感影像分类中的最优分割尺度选择问题，以分割后影像区域对象矢量边界线与欲分类目标对象真实矢量边界的吻合程度为标准，通过两者多向距离量化吻合程度，提出了一种最优分割尺度定量选择的新方法――矢量距离指数法。通过两种实验，同步验证了该方法的正确性与适用性，实验1将基于矢量距离指数法选择的最优分割尺度结果与较为成熟的人为试错法的选择结果比较，结果表明针对7种地类的矢量距离指数均可以正确反映最优分割尺度；实验2挖掘了矢量距离
|
| [38] |
基于光谱和形状的遥感图像分割质量评估方法 [J].Remote sensing image segmentation quality assessment based on spectrum and shape [J]. |
| [39] |
A review of assessing the accuracy of classifications of remotely sensed data [J]. |
| [40] |
Evaluation of Sentinel-2 Red-Edge bands for empirical estimation of green LAI and chlorophyll content [J].https://doi.org/10.3390/s110707063 URL PMID: 3231680 [本文引用: 1] 摘要
ESA’s upcoming satellite Sentinel-2 will provide Earth images of high spatial, spectral and temporal resolution and aims to ensure continuity for Landsat and SPOT observations. In comparison to the latter sensors, Sentinel-2 incorporates three new spectral bands in the red-edge region, which are centered at 705, 740 and 783 nm. This study addresses the importance of these new bands for the retrieval and monitoring of two important biophysical parameters: green leaf area index (LAI) and chlorophyll content (Ch). With data from several ESA field campaigns over agricultural sites (SPARC, AgriSAR, CEFLES2) we have evaluated the efficacy of two empirical methods that specifically make use of the new Sentinel-2 bands. First, it was shown that LAI can be derived from a generic normalized difference index (NDI) using hyperspectral data, with 674 nm with 712 nm as best performing bands. These bands are positioned closely to the Sentinel-2 B4 (665 nm) and the new red-edge B5 (705 nm) band. The method has been applied to simulated Sentinel-2 data. The resulting green LAI map was validated against field data of various crop types, thereby spanning a LAI between 0 and 6, and yielded a RMSE of 0.6. Second, the recently developed “Normalized Area Over reflectance Curve” (NAOC), an index that derives Ch from hyperspectral data, was studied on its compatibility with simulated Sentinel-2 data. This index integrates the reflectance curve between 643 and 795 nm, thereby including the new Sentinel-2 bands in the red-edge region. We found that these new bands significantly improve the accuracy of Ch estimation. Both methods emphasize the importance of red-edge bands for operational estimation of biophysical parameters from Sentinel-2.
|
| [41] |
Marnix V D B. Using Sentinel-2 data for retrieving LAI and leaf and canopy chlorophyll content of a potato crop [J]. |
| [42] |
Perspective of Chinese GF-1 high-resolution satellite data in agricultural remote sensing monitoring [J]. |
/
| 〈 |
|
〉 |
