杜保佳
, 张晶, 毛德华
DU Baojia, ZHANG Jing, MAO Dehua
通讯作者:
收稿日期: 2018-08-24
修回日期: 2019-03-14
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：杜保佳（1988-）,男,吉林长春人,博士生,研究方向为地理景观遥感。E-mail: dubaojia@neigae.ac.cn
展开
摘要
农作物种植结构是农业生产活动对土地利用的表现形式。及时精确地获取农作物的空间分布信息对指导农业生产、合理分配资源以及解决粮食安全问题等具有重要意义。目前农作物信息提取研究大多局限于中低分辨率遥感影像的NDVI时间序列,影响了作物空间分布信息提取的准确性。随着Sentinel-2A卫星成功发射,为高分辨率NDVI时间序列的构建提供了可能。本文以黑龙江省北安市为研究区,基于覆盖完整生育期的Sentinel-2A多光谱数据,构建10 m分辨率的NDVI时间序列数据集,利用 Savitzky Golay (S-G) 滤波器对 Sentinel-2A NDVI时间序列数据进行平滑。基于典型时相的多光谱数据和NDVI时间序列构建面向对象决策树分类模型进行作物类型遥感识别。通过对样本的NDVI时间序列曲线分析,可以得出NDVI时间序列能够清晰地区分作物物候差异。此外,本文还利用面向对象分类和支持向量机（Support Vector Machine, SVM）分类两种方法,对典型时相的多光谱数据进行了作物分类对比实验,并对结果进行了对比分析。研究结果表明：① 典型时相多光谱数据引入平滑重构后的NDVI时间序列能够更好地描述作物的物候特性,能够准确刻画研究区作物发育情况,有效区分各类作物;② 通过对比分类实验发现,典型时相多光谱数据引入NDVI时间序列特征,增强了不同作物之间的光谱差异,提高了作物分类精度,总体精度和kappa系数较典型时相多光谱数据进行分类的结果分别提高了7.7% 和0.055;③ 基于面向对象的决策树分类模型在作物分类的结果中精度最高,总体精度为96.2%,kappa系数为0.892。本研究的方法为其他大区域农作物的分类提供了重要参考和借鉴价值。
关键词：
Abstract
Cropping pattern is a fundamental aspect of land use. Obtaining accurate and timely crop spatial distribution information is very important to guide agricultural production, rational allocation of resources, and help solve the problem of food security. NDVI (Normalized Difference Vegetation Index) time series have been widely used in collecting vegetation information. Identification and information extraction of different crops can be effectively achieved by analyzing the growth period of crops and the time-series spectrum characteristics of NDVI. Most existing studies on NDVI time series are limited to moderate or low resolution remote sensing imagery, which affects the accuracy of extracting crop spatial distribution information. With the successful launch of the satellite Sentinel-2A, more opportunities have emerged for the construction of NDVI time series with high temporal and spatial resolution. In this paper, by use of typical phase Sentinel-2A imagery for Beian city, a NDVI dataset with a spatial resolution of 10 m covering the whole growth period of April-October was generated based on the Savitaky-Golay filtering smoothing method, and crop identification was implemented based on decision tree model and object-oriented classification. By analyzing NDVI time series curves of crop samples, we concluded that NDVI time series was able to clearly distinguish crop phenological differences and capture crop specific features in the study area. Furthermore, we also discussed the classification accuracy based on the typical phase data by the methods of object-oriented classification and support vector machine. Taking the field sample survey datum as true value, we analyzed the results of the two classification methods. The results show that the processed NDVI time series with high resolution over the entire crop growth cycle represent different crop phenological characteristics appropriately. It is able to reflect the crops growth condition accurately and distinguish different crops effectively. The decision tree model integrated with the object-oriented classification method had the highest accuracy in crop classification as compared to other classification methods, with its overall accuracy and kappa coefficient being 96.2% and 0.892, respectively. This research show that Sentinel-2A NDVI with high resolution can be used for crop mapping, and can be applied to crop classification over large areas, thanks to Sentinel-2A imagery's wide coverage. Furthermore, the Savitzky Golay (S-G) method was used for NDVI time series smoothing, and the results indicate that the processed NDVI time series can better represent crop phenological characteristics. Then the decision tree model integrated with the object-oriented classification method was used for crop classification based on typical phase multi-spectral imagery and the smoothed NDVI time series, which improved the overall accuracy by 7.7% and the kappa coefficient by 0.055. The approach proposed in this paper provides important reference for crop mapping in other agricultural regions.
Keywords：
准确地获取农作物种植结构及其空间分布状况[1],对区域作物产量的预测、作物结构的调整以及农业的精细化管理有着重要意义[2]。利用遥感技术提取农作物种植结构,比传统逐级汇总和抽样调查方法更能及时、准确和直观的掌握农作物的空间布局[3]。在作物生育期内,不同农作物的光谱有较高的相似度,仅依靠单期遥感影像难以识别多种农作物类型,由于不同农作物类型具有独特的物候特征,并且同一作物在不同生育期及不同作物在同一生育期的物候差异比较明显,利用植被指数时序变化能够充分体现不同作物的物候特征,实现作物类型识别和空间分布信息提取[4]。
目前众多学者基于遥感时序植被指数进行农作物识别作了大量研究,如Wardlow等[5]基于多时相MODIS NDVI时间序列,发现所有作物均有唯一的时序光谱曲线,通过特征变量提取能够实现大宗作物类型的识别分类。Atzberger等[6]基于AVHRR NDVI时序数据集进行ISODATA 非监督分类,对意大利托斯卡纳区冬季作物进行分类制图。许青云等[7]基于MODIS NDVI时序数据集,结合ISO非监督分类方法对陕西省农作物的种植模式和类型进行了识别,总体精度为87.56%。张荣群等[8]根据作物样本点的NDVI时序特征,利用决策树分类法对河北省曲周县的农作物进行了分类,总体精度为89.2%。上述研究多是利用空间分辨率低于30 m的遥感数据构建NDVI时间序列数据集,基于像素的传统分类方法进行的农作物识别,没有充分利用到典型时相多光谱数据的光谱特征,无法有效解决“同物异谱、同谱异物”问题,并且分类结果存在明显的“椒盐现象”,难以提高作物的分类精度。近年来面向对象方法作为一种新的分类技术引起了广泛关注,与传统分类方法最大的不同是面向对象分类方法根据地物的光谱和形状信息进行对象分割,再结合对象的光谱、纹理等几何空间特征进行地物分类,能够有效弥补基于像元分类方法的不足。
随着遥感技术的发展,中高分辨率遥感数据突破了重访周期的限制,能为同一地区提供连续的时序数据。2015年6月23日发射的Sentinel-2A光学遥感卫星[9],其综合性能超过同为10 m分辨率的SPOT5影像,可以实现利用单一数据源构建中高分辨率时序数据集。国内外相关学者对Sentinel-2A数据进行了广泛的研究。Alfonso Fernández-Mansoa等[10]利用Sentinel-2A数据对西班牙加塔地区的森林生态系统的火灾严重程度进行了监测。Katja Dornhofer等[11]利用Sentinel-2A数据对德国施塔恩贝格湖水体富营养化进行了监测。Antoine Lefebvre等[12]利用Sentinel-2A数据对布拉格和雷恩地区的城市土地覆盖和景观结构进行了变化监测。Lauri等[13]利用Sentinel-2A数据提取了森林的覆盖度和叶面积指数。目前有关利用Sentinel-2A数据进行农作物监测方面的研究较少,还未充分挖掘其应用价值。
鉴于此,本文以黑龙江省北安市为研究区,利用作物生长季的Sentinel-2A数据构建归一化植被指数（NDVI）时间序列数据集,结合典型时相的多光谱数据,综合分析不同作物、不同生育期的NDVI时序曲线变化特征,结合面向对象的决策树分类方法提取大豆、玉米、水稻和春小麦的空间分布信息,探讨Sentinel-2A NDVI时序数据结合典型时相多光谱数据在识别作物类型方面的优势;同时也为Sentinel-2A数据在农业遥感监测领域的应用潜力提供科学的参考依据。
北安市隶属于黑龙江省黑河市,总面积为7193.13 km2,介于126°16′E-127°53′E和47°35′N-48°33′N之间（图1）。位于小兴安岭南麓,松嫩平原东北部边缘地带,地势南低北高、西低东高,海拔在234~312 m之间。该区河网纵横交错,水资源丰富,通肯河、乌裕尔河和鸡爪河水系流经西部的丘陵漫岗农业区,讷谟尔河水系流经东部低山河谷区;地处寒温带季风气候区,无霜期90~120 d,春季少雨且蒸发量大,表现为短暂的干旱;夏季温和多雨,年降水量在400~600 mm之间,作物生长期在4-10月,约140~180 d,由于5月降水偏少,气候干燥,因此常形成春旱秋涝;土质肥沃,西部丘陵农业区分布有黑土和草甸土,该区是传统的大豆主产区,还有玉米、春小麦和水稻等其他杂粮品种,种植制度为一年一熟,是黑龙江省重要的商品粮基地。
图1 研究区位置及作物样本点分布示意
Fig. 1 Location of the study area and distribution of crop sample sites
2.2.1 遥感影像数据
Sentinel-2A遥感影像下载于欧空局数据中心（https:∥scihub.Copernicus.eu/dhus/#/home）,产品等级为1C级,其中红绿蓝和近红外4个波段的空间分辨率为10 m。本文选取了覆盖研究区整个生育期的2017年4月29日至10月26日共9期33景Sentinel-2A卫星影像,33景影像均以10%以下云量覆盖为标准。影像获取日期、云量见表1。
表1 北安市Sentinel-2A数据列表
Tab. 1 Sentinel-2A imagery of Beian （%）
| 日期 | 轨道号云量 | |||
|---|---|---|---|---|
| 51UYP | 52TCT | 52UCU | 52UDU | |
| 2017-05-26 | 40.10 | 6.25 | 8.38 | 7.14 |
| 2017-06-15 | 0.52 | - | - | - |
| 2017-06-28 | - | 5.73 | - | - |
| 2017-07-05 | 0 | 0 | 0 | 0 |
| 2017-07-13 | - | 0.18 | 6.75 | - |
| 2017-07-25 | 0 | 0 | 0 | 9.95 |
| 2017-08-22 | 0 | 0.06 | 0.01 | 0.56 |
| 2017-09-03 | 0 | 0.24 | - | 6.35 |
| 2017-09-11 | 1.80 | - | 3.13 | - |
| 2017-09-23 | 1.10 | 4.28 | 1.33 | 0.32 |
| 2017-10-21 | 0.09 | 0.03 | 0.06 | 0.52 |
根据Sentinel-2A官方发布的数据预处理说明,L1C级产品均为经过大气表观反射率处理过的L1C大气顶部反射率数据[14]。对遥感影像数据进行大气校正,即可得到反射率数据。大气校正在欧空局提供的SNAP软件中完成,然后获取NDVI时序数据集;利用ENVI 5.4软件对影像进行镶嵌和裁剪。
2.2.2 地面调查数据
地面样本调查数据来源于2017年5-10月作物生长季的实地调查工作,样本数据主要记录了作物的详细信息,主要包括农作物类型、物候期、生长状况和±5 m定位精度的GPS采集的经纬度信息,通过对样本数据整理得到有效的样本数据1040个（其中大豆412个、玉米242个、春小麦144个、水稻128个、水体10个、湿地27个、草地26个、林地29个、建筑用地22个）,按照7:3的比例将其随机分为训练样本点（728个）和分类精度验证点（312个）。
本研究利用多期Sentinel-2A遥感影像构建NDVI时序数据集,结合典型时相的多光谱数据进行多尺度分割,基于北安市的物候节律和时序光谱特征确定各作物的分类阈值,构建面向对象的决策树分类规则集,识别主要作物的空间分布信息,技术流程如图2所示。
NDVI是目前应用最广泛的植被指数[4]。NDVI时间序列能够反映作物从播种、生长到成熟、收割的NDVI变化过程。作物类型不同,NDVI的光谱差异明显。利用ENVI5.4软件处理得到北安市的NDVI时序数据集。NDVI计算公式为：
式中：
水稻是北安市的主要农作物之一,根据其水生特点,本文引入了归一化水体指数（Normalized Difference Water Index, NDWI）对水稻与其他作物进行了区分[15]。NDWI计算公式为：
式中：
由于水汽、气溶胶等因素的干扰,NDVI时间序列曲线呈现不规则波动,对NDVI时间序列进行作物波谱分析和特征阈值提取产生影响。因此,剔除NDVI时序数据中的空值点及异常点,获得与作物实际生长规律相符合的NDVI时间剖面曲线[16,17]。
本文利用Savitzky-Golay（S-G）滤波方法重构Sentinel-2A的NDVI时间序列[18]。研究发现,利用S-G算法处理后的NDVI时序数据,能够得到较为平滑又能反映NDVI数值变化趋势的时间序列曲线。S-G平滑滤波算法可以表示为：
式中：
本文利用ENVI 5.4软件的Savitzky-Golay Filter扩展工具实现NDVI时间序列数据平滑,基于多次迭代试验,参数设置为：决定移动窗口大小m=2,平滑多项式次数d=3。
多尺度分割是指将影像中具有相似亮度、纹理和色彩相近的临近像元自下而上合并为具有不同属性的影像对象[19,20],对象分割是后续分类识别的基础,对象分割的大小直接关系到分类精度的高低。本文利用eCognition8.9软件的Multiresolution Segmentation模块,对Sentinel-2A典型时相的多光谱数据和经过S-G平滑的NDVI时序数据进行多尺度分割。其参数包括分割尺度,形状因子、颜色因子、光滑度因子和紧致度因子。
通过调整不同分割尺度和分割参数进行多次分割试验,并结合研究区的实际情况对分割效果图进行目视判读分析,最终确定采用2个尺度进行影像的多尺度分割（表2）。首先在100的分割尺度下提取林地及田间附属林带等非农作物信息;然后再执行50尺度的对象分割,对作物类型进行识别和空间分布信息提取。多尺度分割效果放大如图3所示。
表2 多尺度分割尺度及分割参数设置
Tab. 2 Scale and parameter settings for the multi-resolution segmentation
| 权重因子Weight | 层次Levels | |
|---|---|---|
| Level-1 | Level-2 | |
| 分割尺度 Scale | 100 | 50 |
| 形状因子 Shape | 0.3 | 0.1 |
| 颜色因子 Color | 0.7 | 0.9 |
| 光滑度 Smooth | 0.4 | 0.5 |
| 紧致度 Compact | 0.6 | 0.5 |
图3 Sentinel-2A/MSI影像多尺度分割效果对比
Fig. 3 Comparison of the multi-scale segmentation results on different scales
从图4中可以看出,经过滤波平滑的NDVI时间序列曲线,降低了噪声的影响,消除了锯齿状和突变的异常点,表现出明显的差异性特征。光谱曲线整体变化趋势较为平滑且清晰,能够真实反映作物的物候特征。通过对比北安市大豆、春小麦的物候历发现（表3）,经过平滑的NDVI时序数据与本区作物的物候历具有较高的吻合度,达到了重建NDVI时间序列的效果。
表3 北安市主要作物生育期
Tab. 3 Phenological periods of the major crops in Beian
| 月份 | 4月 | 5月 | 6月 | 7月 | 8月 | 9月 | 10月 | ||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 旬 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | 上 | 中 | 下 | ||||||
| 大豆 | 播种 | 出苗 | 开花 | 结荚 | 成熟 | 收获 | |||||||||||||||||||||
| 玉米 | 播种 | 出苗 | 拔节 | 抽穗 | 开花 | 灌浆 | 成熟 | 收获 | |||||||||||||||||||
| 春小麦 | 播种 | 出苗 | 拔节 | 抽穗 | 灌浆 | 成熟 | 收获 | ||||||||||||||||||||
| 水稻 | 播种 | 出苗 | 拔节 | 抽穗 | 成熟 | 收获 | |||||||||||||||||||||
图4 典型地物S-G滤波平滑后NDVI时间序列
Fig. 4 NDVI time series of typical objects after the S-G smoothing
根据北安市主要作物的物候特征（图4和表3）可以看出,4月中旬播种春小麦,4月末至5月中旬播种水稻、玉米和大豆[21,22]。结合地面调查结果可知,5月下旬至7月上旬,春小麦处于拔节期-抽穗期-灌浆期,7月5日小麦的NDVI值最高,此时玉米和大豆处于拔节期,NDVI值相对较低,水稻的NDVI值最低;8月中旬,收获小麦后的田块NDVI值最低。利用7月5日和8月22日的NDVI可以将春小麦进行有效区分。7月上旬,水稻处于分蘖期-孕穗期,水稻植株与水体形成的混合光谱与大豆、玉米等旱田作物存在一定的差异,此时水田的NDVI值明显低于旱田,利用7月13日的NDVI可以将水稻进行有效区分。黑龙江省的玉米和大豆生育期接近,根据大豆和玉米的NDVI时间序列曲线可以看出,大豆和玉米在5-7月的NDVI值差异较小且光谱特征相似。在8-9月的NDVI值差异变大且变化趋势不同,大豆和玉米在9月23日的NDVI值差异最大,二者能够得到较好地区分,此时大豆已经收获,玉米尚未收获,大豆地块的植被覆盖度快速降低而玉米地的植被覆盖度变化相对较小[23]。
本文综合野外调查样点叠加Sentinel-2A NDVI时间序列数据,获取各类型农作物的NDVI时序曲线,通过比对确定NDVI最大差异值来区分不同农作物类型,并在eCognition多尺度分割之后发现,同期的多光谱数据在生成对象层后,其亮度特征,近红外波段的DN值也有较好的区分作物能力。因此选取最大特征阈值对应时相的多光谱数据作为典型时相数据参与NDVI时间序列数据的多尺度分割和特征提取,结合面向对象的决策树分类方法,逐层地识别作物类型、提取其空间分布信息。根据实地调查,将本文的分类类别确定为大豆、玉米、水稻、春小麦、湿地、水体、草地、林地和建筑用地。具体步骤为：
第一层：在分割尺度为100条件下生成Level-1层,利用5月26日的NDVI图像,通过调整阈值,目视判读确定最优阈值来提取植被覆盖区域。根据图5分类规则集可知,该步骤可以将林地、草地、湿地和春小麦看作是有植被覆盖的区域先被提取出来。
第二层：在50分割尺度条件下生成的Level-2层上提取其他农作物类型。利用NDVI7.5和NDWI7.5掩膜掉水体对象,利用NDVI5.26和NDVI7.5对林地对象进行掩膜。
第三层：对比NDVI时间序列曲线发现,水稻的NDVI值在7月13日明显低于其他农作物的NDVI值,NIR波段的DN值明显低于其他作物的DN值,经试验确定NDVI阈值0.753~0.828,NIR≤3820可以将水稻对象提取出来;春小麦的NDVI时间序列值在7月5日至8月22日之间明显低于其他作物NDVI值,但是Brightness8.22明显高于其他作物的亮度值,通过设定NDVI、Brightness阈值可将春小麦提取出来。
第四层：利用Bule7.25和NDVI7.25将建筑用地进行掩膜提取,第一层得到的植被覆盖区仅剩草地和湿地未分类,根据NDVI7.25和NDVI8.22可将草地和湿地进行区分。
第五层：对比NDVI时间序列光谱曲线发现,玉米和大豆的NDVI值在9月23日差异最大,玉米的NDVI值远远高于大豆的NDVI值,可以将仅剩的玉米、大豆对象进行有效区分。
具体的作物分类规则如图5所示。
本文对典型时相多光谱数据进行多尺度分割,采用面向对象分类方法识别农作物,对比说明NDVI时间序列数据引入到多光谱数据中能够提高作物分类精度并具有一定的普适性;其次,利用典型时相多光谱数据,基于像元的支持向量机（Support Vector Machine, SVM）分类方法识别农作物,对比说明面向对象分类方法的优势。
利用2017年野外地面调查样点数据,生成混淆矩阵,采用总体精度、Kappa系数、制图精度和用户精度进行定量评价[24]。
结合面向对象的决策树分类方法提取了北安市2017年的大豆、玉米、春小麦和水稻,提取结果,如图6所示。从图6中可以看出,大豆和玉米的空间分布,相对集中。大豆的种植面积最大,玉米次之,其中大豆主要分布在西北部和南部,玉米主要分布于北部和中部;小麦和水稻的种植面积相对较小,其中水稻主要沿南部的通肯河以及乌裕尔河两侧沟谷地带分布,小麦零星分布于研究区,呈现与玉米、大豆混种的种植结构特点。
利用随机选择的312个地面验证点,通过计算分类混淆矩阵的方法对分类结果进行精度验证,如表4所示。验证样本包括大豆102个、玉米92个、春小麦44个、水稻33个、其他41个（水体3个、湿地17个、草地10个、林地12个、建筑用地9个）。总体精度达到96.2%,kappa系数为0.892,其中春小麦的制图精度达到97.7%、用户精度达到100%,大豆的制图精度达到94.1%、用户精度达到94.1%,玉米和水稻的分类精度也超过90%。总体上,各作物类型的分类结果较为准确,分类精度较高。
表4 3种不同分类算法结果混淆矩阵
Tab. 4 Confusion matrix of the classification results using three different classification methods
| 地面样点 | 分类结果 | ||||||
|---|---|---|---|---|---|---|---|
| 大豆 | 玉米 | 小麦 | 水稻 | 其他 | 合计 | ||
| 典型时相多光谱数据+NDVI时间序列数据/面向对象分类方法 | 大豆 | 96 | 2 | 0 | 0 | 4 | 102 |
| 玉米 | 2 | 86 | 1 | 1 | 2 | 92 | |
| 小麦 | 0 | 0 | 43 | 0 | 1 | 44 | |
| 水稻 | 1 | 2 | 0 | 30 | 0 | 33 | |
| 其他 | 3 | 3 | 2 | 1 | 32 | 41 | |
| 合计 | 102 | 93 | 46 | 32 | 39 | 312 | |
| 制图精度/% | 94.1 | 93.5 | 97.7 | 90.9 | 78.0 | ||
| 用户精度/% | 94.1 | 92.5 | 93.5 | 93.8 | 82.1 | ||
| 总体精度：96.2% | Kappa系数：0.892 | ||||||
| 地面样点 | 分类结果 | ||||||
| 大豆 | 玉米 | 小麦 | 水稻 | 其他 | 合计 | ||
| 典型时相多光谱数据/面向对象分类方法 | 大豆 | 88 | 3 | 3 | 3 | 5 | 102 |
| 玉米 | 3 | 79 | 2 | 3 | 5 | 92 | |
| 小麦 | 3 | 2 | 38 | 0 | 1 | 44 | |
| 水稻 | 1 | 2 | 0 | 27 | 3 | 33 | |
| 其他 | 4 | 3 | 2 | 1 | 31 | 41 | |
| 合计 | 99 | 89 | 45 | 34 | 45 | 312 | |
| 制图精度/% | 86.3 | 85.9 | 86.4 | 81.8 | 75.6 | ||
| 用户精度/% | 88.9 | 88.8 | 84.4 | 79.4 | 68.9 | ||
| 总体精度：88.5% | Kappa系数：0.837 | ||||||
| 地面样点 | 分类结果 | ||||||
| 大豆 | 玉米 | 小麦 | 水稻 | 其他 | 合计 | ||
| 典型时相多光谱数据/基于像元的SVM分类方法 | 大豆 | 81 | 8 | 4 | 5 | 4 | 102 |
| 玉米 | 7 | 75 | 3 | 3 | 4 | 92 | |
| 小麦 | 3 | 3 | 35 | 2 | 1 | 44 | |
| 水稻 | 1 | 4 | 1 | 26 | 1 | 33 | |
| 其他 | 4 | 4 | 3 | 2 | 28 | 41 | |
| 合计 | 96 | 94 | 46 | 38 | 38 | 312 | |
| 制图精度/% | 79.4 | 81.5 | 79.5 | 78.8 | 68.3 | ||
| 用户精度/% | 84.4 | 79.8 | 76.1 | 68.4 | 73.7 | ||
| 总体精度：84.3% | Kappa系数：0.791 | ||||||
为进一步验证本文采用分类方法的有效性,将利用多光谱数据、采用面向对象分类算法得到的结果和基于像素的SVM算法得到的结果与本研究的结果进行比较分析。从图7和表4可以看出,NDVI时间序列数据引入到典型时相的多光谱数据,利用面向对象分类算法的精度最高,总体精度为96.2%,kappa系数为0.892,得到的农作物地块比较完整（图7(b)）。大豆田块中间的河流冲沟、草地能够识别出来,比较符合研究区的实际情况,并且能够将所有类型的农作物区分出来。同样是采用面向对象分类算法,仅使用典型时相的多光谱数据得到的地块也较为完整,总体分类精度为88.5%,kappa系数为0.837。但是对比图b和图c发现,大豆田块中间的草地被错分成大豆和玉米,一部分玉米田块被错分成大豆,水稻田块中有局部斑块错分成玉米和大豆,这说明在多光谱数据中,玉米、大豆和水稻的光谱较为相似,只利用多光谱数据的特征阈值难以对其进行有效区分,局部田块的分类效果较差。从对比的分类结果来看,分类方法相同,NDVI时间序列数据的引入,总体分类精度提升了7.7%,kappa系数提升了0.055。
图7 3种不同分类算法结果
Fig. 7 Comparison of the results using three different classification methods
SVM算法虽然在处理小样本、高维度、非线性遥感影像问题中表现优越,但是在地物光谱高度相似的情况下也难以准确识别各类地物,从图7(d)中可以发现,SVM算法得到的分类效果图中存在错分现象和“椒盐现象”,3种分类方法中,基于像元的分类结果精度最低,总体精度为84.3%,Kappa系数为0.791。综合比较分类结果表明：NDVI时间序列数据引入到典型时相的多光谱数据中,基于面向对象分类算法得到的田块最为完整,且错分概率最低,也有效的避免了“椒盐现象”。
Sentinel-2A 影像是目前空间分辨率、时间分辨率均较高的且免费、易获取的光学卫星[13],作为新型遥感数据源在区域作物种植结构方面的应用和报道较少,以往大尺度的区域作物类型识别研究多是利用Landsat TM/OLI 等其他中、低空间分辨率的卫星影像[7,12,19],由此产生的混合像素影响也限制了作物类型识别的精度,Sentinel-2A时序影像克服了以往时序数据难以获取、影像分辨率低等问题,在大区域尺度上具备作物精细识别的巨大潜力[25]。
地物具有尺度效应,在影像分割过程中,不同的分割尺度会影响对象斑块的大小、对象之间的异质性,林地及田间附属林带等非农作物的光谱特征与某些作物的光谱特征比较相近,仅用单一尺度进行分割会造成建筑用地、草地、林地以及田间附属林带的像元合并到农作物图斑中,需根据研究区的实际情况和作物的种植结构进行多次分割试验,结合不同地物的特点选取不同的分割尺度,得到最优的参数进行多尺度分割,再进行后续分类,可以大大提高作物的分类精度。
从表4可以看出,相比仅用典型时相数据的面向对象分类方法和基于像元尺度的SVM分类方法而言,采用面向对象的分类树方法,对经过S-G滤波处理后的NDVI时间序列数据和典型时相多光谱数据进行分类总体精度达到96.2%,作物类型的识别精度有较大提升;如刘明月等[22]利用面向对象方法对北安市典型时相的Landsat 8 OLI 影像进行农作物识别,研究结果通过构建MODIS NDVI时序数据来筛选OLI最佳时相识别农作物,减少了数据处理和分类的复杂程度,分类精度达到90.7%;欧阳玲等[26]利用GF-1和Landsat 8 OLI 影像基于物候信息和光谱信息确定北安市大宗作物识别的关键时期和特征参数,同样利用面向对象的分类方法,进行分析识别和产量分析,分类结果总体精度达到87.54%。而本文提出的方法对北安市大宗作物进行识别,总体分类精度高达96.2%。如图4所示,北安市5-9月大豆田块和玉米田块的NDVI时间序列曲线特征接近,7-8月草地和大豆田块的光谱特征相似度极高,仅用典型时相的多光谱数据无法准确识别草地和农作物。通过本文实验说明,利用典型时相的影像分类得到的大豆、玉米、春小麦和水稻的分类精度分别为86.3%、85.9%、86.4%和81.8%,基于覆盖作物完整生育期的Sentinel-2A NDVI时间序列数据充分考虑了各种作物生长过程的NDVI动态变化特征,通过结合对象尺度构建分类决策树,可以克服地物波谱特征相似的问题,使研究区的分类决策条件更加细化、具体,在一定程度上提高了作物的分类精度[27,28],大豆、玉米、春小麦和水稻的分类精度分别提高了7.8%、7.6%、11.3%和9.1%。因此,免费易获取的Sentinel-2A 时序数据在大区域尺度农作物识别方面有较广泛的应用价值。
本研究还存在不足之处,仍有小范围的“错分”和“漏分”现象,通过对分类后的结果进行人工复检、修改,可以解决道路、草地和田间附属林带误分成农作物的问题。其次,后续的研究还需要对中高分辨率影像中包含的空间信息进行深度挖掘,例如地物的纹理特征、形状特征等,来提升作物的分类精度。
本文利用作物完整生育期的Sentinel-2A NDVI时间序列数据和典型时相的多光谱数据,在面向对象分类方法下,开展了北安市主要农作物的识别与空间分布信息提取研究,并对比分析了不同分类方法提取的作物分类精度,以此来评价NDVI时间序列和面向对象方法在作物识别能力方面的优势,得到如下结论：
（1）利用覆盖作物完整生育期的Sentinel-2A时序遥感影像,采用S-G滤波对NDVI时间序列重构,能够准确刻画北安市的作物生长发育过程,满足作物分类的要求,有效区分大宗作物。验证了Sentinel-2A卫星时序影像在大宗作物提取应用方面的技术可行性。
（2）基于典型时相多光谱数据和NDVI时间序列,结合面向对象尺度的决策树分类方法,较准确地提取了北安市大宗作物的种植面积,总体精度达到了96.2%。春小麦的制图精度达到了97.7%,用户精度达到了100%,与利用单一时相数据的分类结果相比,明显改善了作物提取的分类精度。
（3）多尺度分割生成影像对象,作物类型的识别提取是在农田地块多种分割尺度基础上分层进行的,使作物分类结果避免了“椒盐”现象,且在分类过程中极大程度的减少了“同谱异物”和“同物异谱”现象的产生。使作物面积提取的总体精度较高、农田地块较为完整。
The authors have declared that no competing interests exist.
| [1] |
农作物种植结构遥感提取研究进展 [J].Recent progresses in research of crop patterns mapping by using remote sensing [J]. |
| [2] |
基于GF-1 WFV数据的玉米与大豆种植面积提取方法 [J].Mapping corn and soybean cropped area with GF-1 WFV data [J]. |
| [3] |
多时相GF-1卫星PMS影像提取农作物种植结构 [J].Crop planting structure extraction based on multi-temporal GF-1 PMS remote sensing images [J]. |
| [4] |
基于GF-1/WFV NDVI时间序列数据的作物分类 [J].
归一化植被指数（normalized difference vegetation index，NDVI）时间序列已广泛应用于植被信息提取研究，然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像，从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号（GF-1）的发射，为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖（wide field of view，WFV）影像，构建16 m分辨率NDVI时间序列，以河北省唐山市南部区域为研究区，开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列，避免了利用自然年（1－12月）数据构建NDVI时间序列的不足，有助于作物信息的提取。通过分析样地的NDVI时序曲线，发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异，捕捉作物特有的生长特性，而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机（support vector machine，SVM）等分类方法，基于GF-1/WFV NDVI时间序列对研究区作物进行分类，研究结果表明SVM分类方法总体精度最高，达到96.33%。同时该文还采用时间序列谐波分析法（harmonic analysis of time series，HANTS）对NDVI时间序列进行了平滑处理，结果表明处理后的NDVI时间序列能更好地描述作物的物候特性，作物分类精度得到进一步提高。
Crop classification based on GF-1/WFV NDVI time series [J].
归一化植被指数（normalized difference vegetation index，NDVI）时间序列已广泛应用于植被信息提取研究，然而目前NDVI时间序列的研究主要集中于中低分辨率遥感影像，从而影响了植被信息提取的精度。随着中国高分专项首颗卫星高分一号（GF-1）的发射，为高分辨率NDVI时间序列的构建提供了可能。该文尝试利用GF-1卫星16 m宽覆盖（wide field of view，WFV）影像，构建16 m分辨率NDVI时间序列，以河北省唐山市南部区域为研究区，开展作物分类研究。该文采用覆盖作物完整生长期的GF-1数据构建NDVI时间序列，避免了利用自然年（1－12月）数据构建NDVI时间序列的不足，有助于作物信息的提取。通过分析样地的NDVI时序曲线，发现GF-1/WFV NDVI时间序列能够清晰地区分不同作物的物候差异，捕捉作物特有的生长特性，而且能够识别研究区当年的作物种植模式。该文分别采用最大似然法、马氏距离、最小距离、神经网络分类、支持向量机（support vector machine，SVM）等分类方法，基于GF-1/WFV NDVI时间序列对研究区作物进行分类，研究结果表明SVM分类方法总体精度最高，达到96.33%。同时该文还采用时间序列谐波分析法（harmonic analysis of time series，HANTS）对NDVI时间序列进行了平滑处理，结果表明处理后的NDVI时间序列能更好地描述作物的物候特性，作物分类精度得到进一步提高。
|
| [5] |
Analysis of time-series modis 250 m vegetation index data for crop classification in the US. central great plains [J]. |
| [6] |
Mapping the spatial distribution of winter crops at sub-pixel level using avhrr ndvi time series and neural nets [J]. |
| [7] |
基于MODIS NDVI多年时序数据的农作物种植识别 [J].
为了获取陕西省农作物种植模式和类型分布信息，实现对于多年农作物长势分析及精确的估产和耕地生产力的估算，该文以2003－2012年的MOD09Q1时间序列遥感数据集为数据源，以陕西省主要农作物冬小麦、夏玉米、春玉米、水稻和油菜为研究对象，利用Savitzky-Golay滤波方法重建NDVI长时间序列数据集，充分利用农作物的物候信息，构建农作物年际间动态阈值方法，实现了农作物种植模式和类型的识别。通过对混合像元进行分解，更精确地提取农作物种植面积信息。利用空间和定量2种方式对农作物类型识别结果进行分析验证，空间对比分析得到分类的总体精度和Kappa系数为88.18%和59.64%，定量对比分析得到分类的总体一致性为87.56%。研究结果表明，结合物候信息与时间序列数据利用该文的分类方法可以有效的识别大尺度农作物信息。
Crop information identification based on MODIS NDVI time-series data [J].
为了获取陕西省农作物种植模式和类型分布信息，实现对于多年农作物长势分析及精确的估产和耕地生产力的估算，该文以2003－2012年的MOD09Q1时间序列遥感数据集为数据源，以陕西省主要农作物冬小麦、夏玉米、春玉米、水稻和油菜为研究对象，利用Savitzky-Golay滤波方法重建NDVI长时间序列数据集，充分利用农作物的物候信息，构建农作物年际间动态阈值方法，实现了农作物种植模式和类型的识别。通过对混合像元进行分解，更精确地提取农作物种植面积信息。利用空间和定量2种方式对农作物类型识别结果进行分析验证，空间对比分析得到分类的总体精度和Kappa系数为88.18%和59.64%，定量对比分析得到分类的总体一致性为87.56%。研究结果表明，结合物候信息与时间序列数据利用该文的分类方法可以有效的识别大尺度农作物信息。
|
| [8] |
农作物种植格局对遥感分类精度的影响 [J].Effects of crop planting structure on remote sensing classification accuracy [J]. |
| [9] |
利用NDVI指数时序特征监测秋收作物种植面积 [J].
通过对湖北省江陵县各种地物MODIS数据NDVI时序特征的分析，选取夏秋作物轮作期（5月下旬）和NDVI均值为标准，采用分层方法区分秋收作物（中稻、晚稻、棉花）区与其它区，然后利用BP神经网络法对三种作物进行监督分类，得出了三种作物种植的空间分布。并将结果与ETM数据的神经网络监督分类值作为标准值进行了误差分析，得出其平均误差率为13.6%，能准确反映江陵县秋收作物分布状况，该分层模式加BP神经网络监督分类方法适用于多种作物种植区的作物分类。
Estimation of autumn harvest crop planting area based on NDVI sequential characteristics [J].
通过对湖北省江陵县各种地物MODIS数据NDVI时序特征的分析，选取夏秋作物轮作期（5月下旬）和NDVI均值为标准，采用分层方法区分秋收作物（中稻、晚稻、棉花）区与其它区，然后利用BP神经网络法对三种作物进行监督分类，得出了三种作物种植的空间分布。并将结果与ETM数据的神经网络监督分类值作为标准值进行了误差分析，得出其平均误差率为13.6%，能准确反映江陵县秋收作物分布状况，该分层模式加BP神经网络监督分类方法适用于多种作物种植区的作物分类。
|
| [10] |
基于多时相环境星NDVI时间序列的农作物分类研究 [J].https://doi.org/10.11873/j.issn.1004-0323.2015.2.0304 Magsci [本文引用: 1] 摘要
<p>时相和归一化植被指数(NDVI)时间序列特征在农作物分类提取方面具有重要的应用价值。以黑龙江红星农场为研究区,利用多时相环境星HJ\|1 A/B CCD数据及其多期平滑重构后的NDVI时间序列曲线特征,在对象尺度上采用决策树算法开展了农作物分类研究,通过与单独利用多时相遥感数据分类结果的对比分析,研究了增加NDVI时序曲线特征对分类精度的影响。结果表明:面向对象分类方法得到的地块较为规则,平滑了地块内部同种作物间的噪声,避免了“椒盐现象”,适合于我国东北地区农作物分类识别;利用NDVI时序曲线特征参与分类,增强了不同作物之间的光谱差异,提高了作物分类精度,比仅使用3个多时相HJ\|1 A/B CCD数据分类精度提高了5.45%,Kappa系数提高了0.09。通过该研究探讨了NDVI时序曲线特征在作物分类中的应用,拓展了遥感数据在农业领域的应用范围,具有推广价值。</p>
Research on crop identification using multi-temporal NDVI HJ images [J].https://doi.org/10.11873/j.issn.1004-0323.2015.2.0304 Magsci [本文引用: 1] 摘要
<p>时相和归一化植被指数(NDVI)时间序列特征在农作物分类提取方面具有重要的应用价值。以黑龙江红星农场为研究区,利用多时相环境星HJ\|1 A/B CCD数据及其多期平滑重构后的NDVI时间序列曲线特征,在对象尺度上采用决策树算法开展了农作物分类研究,通过与单独利用多时相遥感数据分类结果的对比分析,研究了增加NDVI时序曲线特征对分类精度的影响。结果表明:面向对象分类方法得到的地块较为规则,平滑了地块内部同种作物间的噪声,避免了“椒盐现象”,适合于我国东北地区农作物分类识别;利用NDVI时序曲线特征参与分类,增强了不同作物之间的光谱差异,提高了作物分类精度,比仅使用3个多时相HJ\|1 A/B CCD数据分类精度提高了5.45%,Kappa系数提高了0.09。通过该研究探讨了NDVI时序曲线特征在作物分类中的应用,拓展了遥感数据在农业领域的应用范围,具有推广价值。</p>
|
| [11] |
基于多时相GF-1 WFV数据的南方丘陵地区甘蔗种植面积提取 [J].Sugarcane extraction in the southern hills using multi-temporal GF-1 WFV data [J]. |
| [12] |
利用多时相TM影像进行作物分类方法 [J].[本文引用: 2] 摘要
多时相遥感影像比单时相具有更丰富的特征信息,在作物分类识别中具有重要意义。利用3景不同时相的TM卫星遥感影像,在分析主要地物光谱特征的基础上,将能够突出反映植被生长状态及植被覆盖度信息的指示因子NDVI作为一个新光谱特征波段,设计了决策树分类算法,通过对分类影像进行系列阈值分割、掩膜处理,并结合辅助背景数据及专家知识,成功提取黑龙江军川农场的大豆、玉米和水稻的种植信息,分类总体精度达到85.87%。
Crop classification method using multi-temporal TM images [J].[本文引用: 2] 摘要
多时相遥感影像比单时相具有更丰富的特征信息,在作物分类识别中具有重要意义。利用3景不同时相的TM卫星遥感影像,在分析主要地物光谱特征的基础上,将能够突出反映植被生长状态及植被覆盖度信息的指示因子NDVI作为一个新光谱特征波段,设计了决策树分类算法,通过对分类影像进行系列阈值分割、掩膜处理,并结合辅助背景数据及专家知识,成功提取黑龙江军川农场的大豆、玉米和水稻的种植信息,分类总体精度达到85.87%。
|
| [13] |
欧洲Sentinel-2A卫星即将大显身手—“哥白尼”对地观测计划简介(上) [J].The Sentinel-2A satellite will display skills to the full-"Copernicus" on earth observation program [J]. |
| [14] |
Sentinel-2A red-edge spectral indices suitability for discriminating burn severity [J]. |
| [15] |
Water constituents and water depth retrieval from Sentinel-2A: A first evaluation in an oligotrophic lake [J]. |
| [16] |
Monitoring urban areas with Sentinel-2A data: Application to the update of the copernicus high resolution layer imperviousness degree [J]. |
| [17] |
Comparison of Sentinel-2 and landsat 8 in the estimation of boreal forest canopy cover and leaf area index [J]. |
| [18] |
Sentinel-2数据的冬小麦地上干生物量估算及评价 [J].Estimating the aboveground biomass of winter wheat using the Sentinel-2 data [J]. |
| [19] |
多时相影像的典型区农作物识别分类方法对比研究 [J].
基于甘蔗和玉米的物候特征差异,对多时相影像典型分类方法处理的适宜性和准确性进行了比较研究。并以目视解译结果作为参考数据,利用全样本检验法,对自动分类的结果进行了精度检验。试验结果表明:面向对象法的分类精度最高,总体Kappa系数为0.655,是最适宜的方法;其次是BP神经网络法和光谱角制图法,总体Kappa系数分别为0.635和0.631;而最大似然法和分类后比较法则是不适宜采纳的分类方法,总体Kappa系数分别为0.601和0.577。上述分析可见,它们对遥感分类处理多时相影像识别算法的适用性选取有一定参考意义。
Study on methods comparison of typical remote sensing classification based on multi-temporal images [J].
基于甘蔗和玉米的物候特征差异,对多时相影像典型分类方法处理的适宜性和准确性进行了比较研究。并以目视解译结果作为参考数据,利用全样本检验法,对自动分类的结果进行了精度检验。试验结果表明:面向对象法的分类精度最高,总体Kappa系数为0.655,是最适宜的方法;其次是BP神经网络法和光谱角制图法,总体Kappa系数分别为0.635和0.631;而最大似然法和分类后比较法则是不适宜采纳的分类方法,总体Kappa系数分别为0.601和0.577。上述分析可见,它们对遥感分类处理多时相影像识别算法的适用性选取有一定参考意义。
|
| [20] |
基于多时相遥感数据的农田分类提取 [J].
为深化遥感解译在农田类型自动提取研究中的应用，了解研究区内农业资源的现状，该文以镇赉县为试验区，设计了基于多时相遥感数据的农田分类提取方案。该方案通过计算地表植被指数时序变化的变程（主要分类变量），结合研究区影像纹理局部方差、修正土壤调整指数和地表水体指数构建多维特征空间数据，对研究区内的水田和旱地进行分类提取。结果表明：1）该算法的总体分类精度为94%，Kappa系数为0.87；2）水田的遥感提取精度为98.3%，旱地为98%；3）水田占全区总面积的13.26%，旱地为20.12%，旱地是研究区内的主要农田类型。该文研究成果为未来农业发展的政策和规划提供一定的参考依据。
Extraction of farmland classification based on multi-temporal remote sensing data [J].
为深化遥感解译在农田类型自动提取研究中的应用，了解研究区内农业资源的现状，该文以镇赉县为试验区，设计了基于多时相遥感数据的农田分类提取方案。该方案通过计算地表植被指数时序变化的变程（主要分类变量），结合研究区影像纹理局部方差、修正土壤调整指数和地表水体指数构建多维特征空间数据，对研究区内的水田和旱地进行分类提取。结果表明：1）该算法的总体分类精度为94%，Kappa系数为0.87；2）水田的遥感提取精度为98.3%，旱地为98%；3）水田占全区总面积的13.26%，旱地为20.12%，旱地是研究区内的主要农田类型。该文研究成果为未来农业发展的政策和规划提供一定的参考依据。
|
| [21] |
综合环境卫星与MODIS数据的面向对象土地覆盖分类方法 [J].Land cover classification of compositing HJ-1 and MODIS data base on object-based method [J]. |
| [22] |
基于MODIS时序数据的Landsat8影像选取及面向对象分类方法的农作物分类 [J].Crop Classification classification Based based on Multimulti-temporal Landsat8 OLI Imagery imagery and MODIS NDVI Time time Series series Datadata [J]. |
| [23] |
基于Sentinel-2A时序数据和面向对象决策树方法的植被识别 [J].Identifying vegetation with decision tree model based on Object-Oriented method using Multimulti-temporal Sentinel-2A images [J]. |
| [24] |
基于MODIS时序NDVI主要农作物种植信息提取研究 [J].Extraction of main crops in Yellow River Delta based on MODIS NDVI time series [J]. |
| [25] |
基于SPOT/VEGETATION时间序列的冬小麦物候提取方法 [J].https://doi.org/10.3969/j.issn.1002-6819.2009.06.033 URL Magsci [本文引用: 1] 摘要
农作物物候信息的获取十分重要。近年来，开展了大量利用时序遥感数据提取植被物候的研究，但这些研究中提出的方法主要应用于森林或草地等植被类型。由于冬小麦的光谱指数时间序列有着独特的特性，利用这些方法不能获取较好的冬小麦物候提取结果。研究提出了一种新的物候提取方法，能够从SPOT/VEGETATION NDVI S10产品时间序列中成功的提取出冬小麦的返青期等详细的物候信息。研究选取一个位于山东省济宁市的典型的冬小麦种植区对该方法进行验证。结果表明，这种方法能够有效的消除遥感数据中的噪音对提取结果造成的影响，可以达到较以往的物候提取方法更满意的拟合效果和更符合实际的物候提取结果。
Extraction method of winter wheat phenology from time series of SPOT/VEGETATION data [J].https://doi.org/10.3969/j.issn.1002-6819.2009.06.033 URL Magsci [本文引用: 1] 摘要
农作物物候信息的获取十分重要。近年来，开展了大量利用时序遥感数据提取植被物候的研究，但这些研究中提出的方法主要应用于森林或草地等植被类型。由于冬小麦的光谱指数时间序列有着独特的特性，利用这些方法不能获取较好的冬小麦物候提取结果。研究提出了一种新的物候提取方法，能够从SPOT/VEGETATION NDVI S10产品时间序列中成功的提取出冬小麦的返青期等详细的物候信息。研究选取一个位于山东省济宁市的典型的冬小麦种植区对该方法进行验证。结果表明，这种方法能够有效的消除遥感数据中的噪音对提取结果造成的影响，可以达到较以往的物候提取方法更满意的拟合效果和更符合实际的物候提取结果。
|
| [26] |
基于GF-1与Landsat8 OLI影像的作物种植结构与产量分析 [J].https://doi.org/10.11975/j.issn.1002-6819.2017.11.019 [本文引用: 1] 摘要
作物种植结构监测和估产是精准农业遥感的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。该文以黑龙江省北安市为研究区,以2015年的Landsat8 OLI和多时相GF-1为遥感数据源,基于物候信息和光谱特征确定的农作物识别关键时期和特征参数,构建面向对象的决策树分类模型,开展作物种植结构监测研究;综合植被光谱指数和地面采样数据,采用逐步回归方法建立产量遥感估算模型。结果表明：多源与多时相的遥感数据可以反映不同农作物的季相特征,应用本文所构建的决策树分类模型,作物分类效果较好,总体精度达87.54%,Kappa系数为0.8115;2015年,北安市的主要作物类型为大豆、玉米、水稻和小麦,面积分别为2204、1955、122和19 km~2,其中大豆的种植面积最大,占作物种植面积的51.24%。基于NDVI、EVI和GNDVI构建的多元回归模型为北安市大豆和玉米产量估算最优模型（R~2=0.823 7,均方根误差135.45 g/m~2,精度80.55%）;北安市玉米高产区集中分布在西部,大豆的高产区主要分布在东部;2015年北安市玉米和大豆的单产分别为8 659、2 846 kg/hm~2,总产量分别为16.93×10~8、6.27×10~8 kg。利用作物关键物候期的多源多时相遥感数据能够精确高效地提取作物种植结构,构建的产量估算多元回归模型,为精准农业科学发展提供参考。
Analysis crops planting structure and yield based on GF-1 and Landsat8 OLI images [J].https://doi.org/10.11975/j.issn.1002-6819.2017.11.019 [本文引用: 1] 摘要
作物种植结构监测和估产是精准农业遥感的重点领域,其研究对于指导作物种植结构和制定农业政策具有重要意义。该文以黑龙江省北安市为研究区,以2015年的Landsat8 OLI和多时相GF-1为遥感数据源,基于物候信息和光谱特征确定的农作物识别关键时期和特征参数,构建面向对象的决策树分类模型,开展作物种植结构监测研究;综合植被光谱指数和地面采样数据,采用逐步回归方法建立产量遥感估算模型。结果表明：多源与多时相的遥感数据可以反映不同农作物的季相特征,应用本文所构建的决策树分类模型,作物分类效果较好,总体精度达87.54%,Kappa系数为0.8115;2015年,北安市的主要作物类型为大豆、玉米、水稻和小麦,面积分别为2204、1955、122和19 km~2,其中大豆的种植面积最大,占作物种植面积的51.24%。基于NDVI、EVI和GNDVI构建的多元回归模型为北安市大豆和玉米产量估算最优模型（R~2=0.823 7,均方根误差135.45 g/m~2,精度80.55%）;北安市玉米高产区集中分布在西部,大豆的高产区主要分布在东部;2015年北安市玉米和大豆的单产分别为8 659、2 846 kg/hm~2,总产量分别为16.93×10~8、6.27×10~8 kg。利用作物关键物候期的多源多时相遥感数据能够精确高效地提取作物种植结构,构建的产量估算多元回归模型,为精准农业科学发展提供参考。
|
| [27] |
基于HJ时间序列数据的农作物种植面积估算 [J].Remote sensing estimation of crop planting area based on HJ time-series images [J]. |
| [28] |
东北地区主要作物种植结构遥感提取及长势监测 [J].
以中国东北地区为研究区域，探讨基于遥感影像全覆盖的大尺度作物种植结构自动提取及长势遥感监测的技术方法。通过分析东北地区春玉米、春小麦、一季稻及大豆等主要作物时序光谱特征，确定不同作物种植结构遥感提取的阈值，建立基于MODIS NDVI数据的上述4种作物种植结构提取模型，获取2009年东北地区主要作物空间种植结构格局特征。其次，基于MODISNDVI数据，利用差值模型，通过与近5 a作物长势的平均状况进行对比，分析研究东北地区2009年4种作物的长势状况。结果显示，与多年平均统计数据比较，基于遥感提取的作物种植结构信息，总体精度达到了87%以上；不同作物长势在其整个生育期内在时间和空间分布上都有较大差异。研究表明，通过MODIS数据提取不同作物种植结构及进行大尺度作物长势监测的技术和方法是可行的，研究为中国农业遥感监测系统大尺度业务化运行的作物种植结构提取提供了有效方法。
Remote-sensing based monitoring of planting structure and growth condition of major crops in Northeast China [J].
以中国东北地区为研究区域，探讨基于遥感影像全覆盖的大尺度作物种植结构自动提取及长势遥感监测的技术方法。通过分析东北地区春玉米、春小麦、一季稻及大豆等主要作物时序光谱特征，确定不同作物种植结构遥感提取的阈值，建立基于MODIS NDVI数据的上述4种作物种植结构提取模型，获取2009年东北地区主要作物空间种植结构格局特征。其次，基于MODISNDVI数据，利用差值模型，通过与近5 a作物长势的平均状况进行对比，分析研究东北地区2009年4种作物的长势状况。结果显示，与多年平均统计数据比较，基于遥感提取的作物种植结构信息，总体精度达到了87%以上；不同作物长势在其整个生育期内在时间和空间分布上都有较大差异。研究表明，通过MODIS数据提取不同作物种植结构及进行大尺度作物长势监测的技术和方法是可行的，研究为中国农业遥感监测系统大尺度业务化运行的作物种植结构提取提供了有效方法。
|
/
| 〈 |
|
〉 |
