基于Landsat 8 OLI遥感影像的沈阳市水稻种植面积提取方法

引用本文

郑璐悦, 许童羽, 周云成, 杜文. 基于Landsat 8 OLI遥感影像的沈阳市水稻种植面积提取方法[J]. 浙江农业学报, 2017,29(10): 1749-1758.
ZHENG Luyue, XU Tongyu, ZHOU Yuncheng, DU Wen. Extraction of rice planting area based on Landsat 8 OLI remote sensing image in Shenyang city[J]. ACTA AGRICULTURAE ZHEJIANGENSIS, 2017,29(10): 1749-1758.
复制到剪切板

Permissions

《浙江农业学报》编辑部所有

基于Landsat 8 OLI遥感影像的沈阳市水稻种植面积提取方法

郑璐悦¹, 许童羽^1,^2,^*, 周云成^1,², 杜文¹

1.沈阳农业大学,信息与电气工程学院,辽宁沈阳 110866

2.辽宁省农业信息化工程技术中心,辽宁沈阳 110866

*通信作者,许童羽,E-mail:yatongmu@163.com

作者简介:郑璐悦(1993—),女,河北唐山人,硕士研究生,从事计算机应用方面研究。E-mail:153413544@qq.com

收稿日期: 2017-04-06

基金资助: 国家重点研发计划(2016YFD020060307)

摘要

为了深入研究遥感数据及提取方法对估算水稻种植面积的可行性,以Landsat 8 OLI影像为数据源,运用ENVI5.1的软件平台,对沈阳市2015年6—9月水稻长势进行监测,并最终提取其种植面积。根据实地调查样本,通过分析各地物的光谱特性曲线、归一化植被指数均值特征及遥感影像成像特点,确定了以波段6、波段5、波段2对图像进行伪彩色合成。对合成后的图像,分时段设计了三组不同样本点数量的对比实验,样本数量分别为100、150、200个,采用混合像元的方式,确定了水稻的采集样本点,用变换分散度和J-M距离对各个样本间的可分离性进行检验,采用支持向量机的分类方法对各样本进行分类,最后以Majority/Minority 分析方法对提取的结果进行分类后处理,建立了不同的水稻面积提取模型。结果显示,6月、7月、9月中200个样本点的实验提取结果均较为准确,提取面积分别为1 032.044 8、1 201.125 9和1 180.685 5 km²,参考《沈阳统计年鉴2015》对提取结果进行评价,精度分别为94.73%、89.75%和91.62%。试验表明,Landsat 8 OLI遥感数据可准确提取沈阳市水稻种植面积,为综合多源数据对水稻进行种植监测奠定基础。

关键词: 沈阳市; 水稻; 支持向量机; Landsat 8 OLI数据

中图分类号:TP79 文献标志码:A 文章编号:1004-1524(2017)10-1749-10 doi: 10.3969/j.issn.1004-1524.2017.10.22

Extraction of rice planting area based on Landsat 8 OLI remote sensing image in Shenyang city

ZHENG Luyue¹, XU Tongyu^1,^2,^*, ZHOU Yuncheng^1,², DU Wen¹

1.College of Information and Electrical Engineering, Shenyang Agricultural University, Shenyang 110866, China

2.Agricultural Informatization Engineering Technology Center in Liaoning Province, Shenyang 110866, China

Abstract

In order to study the feasibility of remote sensing data and extraction method to estimate the area of rice planting, this paper used Landsat 8 OLI image as the data source and ENVI5.1 as software platform to monitor rice growth situation in June-September 2015 in Shenyang city, and extracted its acreage eventually. Based on the field survey samples, by analyzing the spectral characteristics, the normalized differential vegetation index and the characteristics of remote sensing images, this paper determined the false color synthesis by band 6, band 5 and band 2. The sampling points of the rice were selected by the mixed pixels, and the number of samples was 100, 150 and 200 respectively. The transformed divergence and Jeffries-Matusita were used to test the separability among the samples. The samples were classified by the support vector machine. The classification results were sorted by Majority/Minority analysis method, and the extraction model of different rice areas were established finally. The results showed that the sample number of 200 was most accurate in June, July and September, and the extraction area was 1 032.044 8, 1 201.125 9 and 1 180.685 5 km². According to the results from Shenyang Agricultural Statistics (2015), the evaluation was 94.73%, 89.75% and 91.62% respectively. The experimental results showed that the Landsat 8 OLI remote sensing data can accurately extract the rice planting area in Shenyang, and lay the foundation for the rice planting monitoring for the multi-source data.

Keyword: Shenyang; rice; support vector machine; Landsat 8 OLI data

Show Figures

水稻是我国的主要农作物之一, 在我国粮食生产中占有举足轻重的地位^{[1, 2, 3]}。辽宁省水稻种植面积占全国的10%, 沈阳市水稻种植面积占辽宁省水稻总面积的21.5%^[4]。如何获取水稻的种植面积和产量, 对监测其生长状况和估算水稻稻米价格等有重要的参考价值。相对于常规的农业统计方法, 利用遥感技术对水稻面积进行估算具有宏观性、综合性、时效性和动态性等独特优势, 其提取的结果丰富, 但成本比传统方法低, 不仅可以有效估算农作物种植面积, 还可以确定其空间分布位置^[5]。

国内外学者对如何利用遥感影像获取农作物信息展开了诸多研究。Sakamoto等^[6]利用MODIS影像, 通过分析时间序列数据, 有效地提取了日本水稻物候期, 取得了精确的结果。Xiao等^[7]通过计算NDVI、LSWI和EVI等植被指数, 对中国南部和东南亚的水稻种植面积进行提取, 取得较好结果。Wardlow等^[8]通过分析时序NDVI数据, 对MODIS影像进行处理, 获得了美国中部大平原地区的作物分类信息。黄敬峰等^[9]证实, 在分类过程中, 关键步骤为感兴趣区域(ROI)的选择及分类后精度的检验。陈树辉等^[10]采用混合像元并选取线性光谱混合模型对河南省息县的水稻进行面积提取, 取得较好结果。李石等^[4]采用监督分类的方法, 结合水稻的不同生长发育阶段的特点, 准确地估测了沈阳市水稻的种植面积, 精度达92%。陈刘凤等^[11]基于Landsat 8 OLI数据, 采用非监督分类、监督分类和NDVI剔除法相结合的方法, 准确地提取了甘蔗的种植面积信息, 总精度达86.36%。随着遥感技术的不断发展, 各国利用卫星遥感数据进行水稻面积估算方面得到很大进步, 由此可见, 遥感技术在农业生产管理的决策上起到了重要作用。

本文以辽宁省沈阳市为研究区域, 以2015年6— 9月Landsat 8 OLI影像为数据源, 通过实地考查, 并结合水稻的光谱特征、归一化植被指数特征及伪彩色合成图像^{[12, 13]}的特点, 采用支持向量机的分类方法, Majority/Minority 方法的分类后处理方法, 有效地提取了水稻种植面积。在分类过程中, 本文对研究区分时段分别设计了三组不同数量样本点的对比实验, 建立了不同的分类模型, 并以《沈阳市统计年鉴2015》为参考依据, 对提取结果进行精度评价, 为进一步综合利用多源数据对水稻种植遥感监测奠定基础。

1 材料与方法

1.1 研究区概况

沈阳市简称沈, 辽宁省省会及最大城市, 位于东北平原南缘, 南连辽东半岛, 北依长白山, 是东北地区和环渤海地区的重要纽带, 地处东经122° 25'~123° 48', 北纬41° 11'~43° 2', 面积约1.3万km², 其中耕地占52%。沈阳市多为平原, 山地和丘陵则分布在其东南部, 主要河流有辽河、浑河、秀水河等, 全年气温在-35~36 ℃, 平均气温8.3 ℃, 全年降水量500 mm, 无霜期183 d。该地区属温带半湿润大陆性气候, 由于受季风的影响, 降水比较集中、四季分明, 春秋两季气温变化迅速, 春季多风, 秋季晴朗, 主要种植的作物有水稻、玉米等^{[4, 14]}。

1.2 数据源与预处理

1.2.1 数据源

采用Landsat 8 OLI影像为数据源, 下载自美国USGS网站(http://glovis.usgs.gov/), 空间分辨率为30 m, 其具体参数设置见文献[15]。本文选用条带号为119, 行编号为30-31, 2015年6— 9月的遥感影像, 研究波段共7个, 即Coastal earosol、B、G、R、NIR、SWIR1、SWIR2 。使用软件为ENVI5.1。

1.2.2 预处理

(1)辐射定标及大气校正。辐射定标转换的是传感器记录的DN值, 将其转换成具有实际物理意义的大气顶层辐射亮度或反射率。而大气校正就是消除在成像过程中由大气散射引起的辐射误差^[15]。本文使用Radiometric Calibration工具进行辐射定标, 使用FLSAASH Atmospheric Correction工具进行大气校正, 用Spectral工具查看波谱曲线。以2015年7月9日获取的影像为例。由图1可知, 通过选取典型的植物样本, 观察校正前后光谱值。可见在校正后的光谱特性曲线中在蓝光波段(0.45~0.51 μ m)出现明显的低谷, 绿色(0.53~0.59 μ m)有反射峰, 红色(0.64~0.67 μ m)有个反射谷, 在近红外(0.85~0.88 μ m)有个非常高的反射峰, 非常符合植被波谱特征^{[15, 16]}, 可见校正后植被信息更接近其真实的光谱特性。

	Figure Option View Download New Window
	图1 原始影像及校正后影像Fig.1 Original image and the corrected image

(2)图像镶嵌及裁剪。图像镶嵌是指将不同影像几何纠正到统一坐标系下, 将多幅相邻的图像拼成一幅无缝隙且大范围的图像^[17]。由于镶嵌的遥感影像范围超过研究区范围, 因此需要对遥感影像进行恰当的空间裁剪, 保证经过裁剪后的遥感影像大小范围和位置与研究区相同。本文使用Mosaicking/Seamless Mosaic工具进行图像镶嵌, 再将代表区划边界的矢量多边形转换成栅格图像文件, 然后通过掩膜运算实现图像不规则裁剪, 产生研究区的遥感影像, 如图2、图3所示。

	Figure Option View Download New Window
	图2 影像镶嵌结果Fig.2 Results of image mosaic

	Figure Option View Download New Window
	图3 影像剪裁结果Fig.3 Results of image cropping

6月份云含量约为5%, 主要分布在沈阳市西部, 即新民市、法库县西部; 7月份云含量为0; 8月份云含量约为45%; 9月份云含量约为8%, 主要分布在新民市。其中8月份云含量大于20%, 即使采用去云处理, 云含量仍对实验结果产生较大的影响, 因此之后不对8月份的数据进行研究。

2 研究方法

2.1 主要地物的光谱特性曲线和归一化植被指数

根据实地GPS调查样点资料, 结合遥感影像的特征以及植被的生长变化时期, 选择水体、水稻、其他植被、裸地、山地、建筑为研究区主要地物, 依据统计结果绘制光谱特性曲线和归一化植被指数(NDVI)均值曲线, 如图4、图5。从图4可知, 在可见光B1-B4波段上, 裸地光谱反射强度略高, 其他地物光谱强度相近且都小于1 500; 在近红外B5波段上, 其他植被反射强度最高, 达5 000以上, 水稻反射强度其次, 达3 000; 在短波红外B6-B7波段上, 水体和建筑光谱强度变化不大, 其他地物均呈下降趋势, 且在B5-B6波段其他植被下降最明显, 水稻其次。

	Figure Option View Download New Window
	图4 主要地物的光谱特性曲线Fig.4 The spectral characteristic curves of main ground objects in difference months

	Figure Option View Download New Window
	图5 主要地物的归一化植被指数均值Fig.5 NDVI curves of main ground objects

由图5可知, 水体的NDVI值均在0以下, 易于区分; 建筑、山地与裸地的NDVI值变化不大, 说明6— 9月份此区域植被变化不多; 其他植被NDVI值下降, 说明其植被覆盖率正在降低, 此植物可能为玉米、大豆等^{[4, 18]}; 水稻的NDVI值不断上升, 说明其覆盖率不断上升, 原因是6月份水稻正处于移栽期后期, 水田既包含水体的信息也包含植被信息, 这是水稻区别于其他植被的特殊时期, 而7月份、9月份水稻分别处于孕穗期和成

熟期^[4], 其NDVI值不断上升。

2.2 最佳波段组合选择

遥感影像记录的是光谱带的电磁波能量, 但是记录的地物的灰度值不利于从影像直接识别和区分, 而通过改变影像的灰度结构, 可以增加地物的识别度, 便于学者研究^[19]。已有前期研究表明, 在Landsat 8的OLI陆地成像仪中, 波段6、5、2的组合对监测农作物很有效, 农作物在影像中显示为高亮的绿色, 裸地为品红色, 休耕地为很弱的墨绿色^[20]。又依图4可知, 在B2波段, 可区分裸地与山地, 在B5波段可区分水稻与其他植被, 在B5-B6波段, 可区分植被与非植被。故本文以波段6、5、2为最佳波段组合, 合成伪彩色图像并进行进一步研究。

2.3 样本采集

基于沈阳市水稻分布情况, 在合成的图像上获取ROI, 创建感兴趣区, 分别对水稻选取100个(组1)、150个(组2)、200个(组3)样本点, 并对6月、7月、9月的影像进行分析。具体各类地物样本选取的个数如表1所示。

表1 研究区各类地物样本选取状况 Table 1 The selection of various types of soil samples in the study area

2.4 类别可分离性分析

本文采用变换分散度(Transformed divergence)和J-M距离(Jeffries-Matusita)来计算各地物之间的统计距离, 再根据距离来确定两个地物间的差异性程度。

2.4.1 变换分散度

分散度可以利用监督分类训练过程中所得各类光谱的均值和协方差来计算, 以水稻(rice)和水(water)为例, 这两类地物间的分散度计算公式如下:

若存在两个差异性较大的样本, 则所有类别样本的平均分散度会增加, 这会误导研究学者将次佳的特征子集当做最佳子集, 因此有必要计算变换分散度:

TDiver_wr=2000 $\begin{matrix} [1 - \exp (- \frac{Dive r_{wr}}{8})] \end{matrix}$ 。 (2)

在ENVI5.1中使用该度量参数进行判别, 其参数值在0~2.0, 相应地, 上述公式变为:

TDiver_wr=2 $\begin{matrix} [1 - \exp (- \frac{Dive r_{wr}}{8})] \end{matrix}$ 。 (3)

2.4.2 J-M距离

Bhattacharya距离:两个随机分布特征之间距离的公共度量。如果两个随机分布的概率密度函数为p₁(x)、p₂(x)。则:

B=-ln $\begin{matrix} (\int \sqrt[]{p_{1} (x) p_{2} (x)} dx) \end{matrix}$ 。 (4)

假设这些样本类别符合正态分布, 则对于大小为n₁, n₂的类别C₁, C₂, 具有均值m₁, m₂和标准差σ ₁, σ ₂, 有:

B= $\begin{matrix} \frac{1}{8} \end{matrix} \begin{matrix} {(m_{1} - m_{2})}^{2} \end{matrix} \begin{matrix} \frac{2}{σ_{1}^{2} + σ_{2}^{2}} \end{matrix}$ + $\begin{matrix} \frac{1}{2} \end{matrix}$ ln $\begin{matrix} (\frac{σ_{1}^{2} + σ_{2}^{2}}{2 σ_{1} σ_{2}}) \end{matrix}$ 。(5)

B值的分布处于半开区间[0, ∞ )。而引入一种变换后, B值的分布范围会具体到[0, 2]的闭区间, 这一变换称为Jeffries-Matusita距离度量, 简称J-M距离:

J=2 $\begin{matrix} (1 - e^{- Β}) \end{matrix}$ 。 (6)

在ENVI5.1中, 可用ROI Separability Report工具计算Transformed divergence、Jeffries-Matusita参数值。当参数值大于1.9时, 说明所选择的感兴趣区域分离性较好; 当参数值小于1时, 考虑将两类样本合并成一个样本; 当参数值小于1.8时, 需重新获取感兴趣区域来提高分离性; 反复提取样本直至分离性达到标准为止^[14]。

如表2所示, 以7月份处理裁剪后的OLI影像为例, 水稻与水体的两个参数的值分别为1.999 5、2.000 0; 水稻与山地的两个参数值分别为1.832 1、1.837 0; 水稻与建筑的两个参数的值分别为1.967 8、2. 000 0; 水稻与裸地的两个参数值分别为1.995 2、2. 000 0; 水稻与其他植被的两个参数值分别为1.918 8、1.999 0, 以上参数值均符合样本评价要求, 所以这组选取的样本点合格。

表2 类别可分离性计算报表 Table 2 Category separability calculation report

2.5 基于支持向量机的分类方法

支持向量机(SVM)是建立在VC维理论和结构风险最小化(SRM)原理基础上的一种机器学习方法^[21]。此方法根据有限的样本信息, 在建立模型时寻求一个最佳的分类使其能将样本的分类空隔最大且将错误率降到最低^[22], 在本文中以波段6、波段5、波段2合成的伪彩色图像中, 以各波段光谱值为输入, 对处理后的分量进行归一化处理, 用于SVM分类器训练。

以6月份为例, 三个实验组的提取结果如图6所示, 分析可知, 沈阳市水稻主要种植在西南部, 多为平原地区, 部分沿河流及湖泊分布。北部主要种植其他植物, 东南部为城市及山地。分析对比可知, 采用组1提取的水稻分布相对较为分散, 提取的面积大, 但由于样本点过少, 提取精度不高, 其中可能掺杂水草、林地、其他植被等。组3提取结果中显示水稻面积比组1少, 分布相对集中, 提取的水稻中其他地物较少。

	Figure Option View Download New Window
	图6 6月份三组实验各地物提取结果Fig.6 The results of the extraction of three experiments in June

2.6 分类后处理

采用支持向量机方法分类后, 分类结果中不可避免地会产生一些面积很小的斑块, 本文采用Majority/Minority 分析方法对这些小斑块进行剔除或重新分类。Majority/Minority 分析采用类似于卷积滤波的方法将较大类别中的虚假像元归到该类中, 定义一个变换核尺寸。主要分析(Majority analysis)用变换核中占主要地位(像元数最多)的像元类别代替中心像元的类别。次要分析(Minority analysis)是用变换核中占次要地位(像元数最少)的像元的类别代替中心像元的类别^[23]。如图7所示, 经过处理后影像中图面变得光滑, 小斑块得到了有效地剔除。

	Figure Option View Download New Window
	图7 斑块去除对比结果Fig.7 Comparison of plaque removal results

3 结果分析及精度评价

为了很好地显示水稻的分布情况, 特将其他地物去掉, 只留下水稻进行观察, 如图8所示, 可以很清楚地发现沈阳市水稻主要分布在中南部地区, 如沈北新区西北部、于洪区北部、新民市东南部、苏家屯区西部及辽中区大部分区域, 其他各县区也有少量分布。水稻分布状况与水稻识别精度有很大关联, 水稻分布越集中, 识别的精度越高, 相反的, 水稻分布越散, 其识别精度越低。沈阳市中部及西南部, 水稻分布则相对集中, 而在北部的水稻分布较为分散, 在分类后处理环节很可能将其与其他地物合并。因此, 需要进一步研究水稻分布较散的地区的水稻面积提取方法。

	Figure Option View Download New Window
	图8 6月份三组实验提取水稻分布图Fig.8 Rice distribution of three experiments in June

参照《沈阳市统计年鉴2015》可知, 沈阳市农作物播种总面积为6 587.5 km², 水稻种植面积为1 089.44 km²。经计算可得提取误差, 其结果如表3。

表3 水稻面积提取结果及精度评价表 Table 3 Rice area extraction results and accuracy evaluation

从表3中可知, 6月份组3、7月份组3和9月份组3提取的面积较为准确, 其误差分别为5.27%、10.25%和8.38%, 所提取出来的面积分别为1 032.044 8、1 201.125 9和1 180.685 5 km², 与《沈阳市统计年鉴2015》统计的水稻种植面积相差分别为57.395 2、111.685 9和91.245 5 km²。

6月份组1统计结果与标准值相差较多, 可能是因为选取的样本点过少, 导致学习样本过少, 或者6月份成像时存在少量云且水稻苗较小, 影响了实验数据, 并且在6月份有一部分水稻处于移栽期, 在选取样本点的过程中可能选取了一部分水体, 从而影响了提取结果的准确度。

由于实验采用30 m分辨率的Landsat 8卫星数据, 每个像元为900 m², 而稻田面积可能低于900 m², 所以稻田中存在的道路、沟渠等地物由于面积过小而淹没在稻田中, 并且在水稻与水体或土壤的交界处, 会存在一些类似水稻的水生或陆地植物, 致统计数据偏大, 可能存在一定误差。

4 结论

本次沈阳市水稻种植面积提取实验中, 结合Landsat 8 OLI影像的成像特点, 通过分析水稻和其他地物的光谱特征及NDVI均值, 采用基于支持向量机的分类方法, 实现了大尺度水稻种植面积的遥感提取。

在研究过程中有以下结论:(1)采用基于光谱特性曲线、归一化植被指数和伪彩色图像合成等规则的分类方法, 在3组不同数量样本点的对比实验中, 6月份200点组提取的面积最为准确, 所提取的面积为1 032.044 8 km², 精度达94.73%。(2)在3组不同数量样本点的对比实验中, 提取结果均显示样本点数量越多, 提取精确越高。(3)采用混合像元来采集样本点, 从分类结果中可以看出, 混合像元选取法可以更好地表达地物之间的真实分布, 使其分类结果更接近实际情况。实验证明了采用混合像元、选取200个实验点, 并采用支持向量机方法提取水稻面积的可行性。(4)本文分别对6月、7月、9月3个时段进行了3组不同数量样本点的实验, 更加精准地提取了水稻面积, 避免了由于样本点采集数量不准确而造成的误差。3个时段的影像可以综合不同时期的水稻生长及分布特点, 有效地提高了结果的准确度, 是估算水稻种植面积的一个比较有效的方法。

The authors have declared that no competing interests exist.

参考文献

View Option

[1]	李志鹏, 刘珍环, 李正国, 等. 水稻空间分布遥感提取研究进展与展望[J]. 中国农业资源与区划, 2014, 35(6): 9-18. LI Z P, LIU Z H, LI Z G, et al. Progress and prospect of application of remote sensing to rice spatial distribution[J]. Chinese Journal Agricultural Resources and Regional Planning, 2014, 35(6): 9-18. (in Chinese with English abstract) [本文引用:1]
[2]	林子晶. 基于遥感影像融合技术的水稻种植面积提取及稻曲病估测研究[D]. 南京: 南京信息工程大学, 2016. LIN Z J. Based on remote sensing image fusion technology in rice acreage extraction and rice smut estimation[D]. Nanjing: Nanjing University of Information Science & Technology, 2016. (in Chinese with English abstract) [本文引用:1]
[3]	秦占飞. 西北地区水稻长势遥感监测研究[D]. 杨凌: 西北农林科技大学, 2016. QIN Z F. Study on rice condition monitoring with remote sensing in northwest region[D]. Yangling: Northwest A&F University, 2016. (in Chinese with English abstract) [本文引用:1]
[4]	李石, 宋晓巍, 张菁, 等. 基于遥感数据的沈阳水稻种植面积提取及精度分析[J]. 大麦与谷类科学, 2016, 33(4): 63-66. LI S, SONG X W, ZHANG J, et al. Extraction of rice planting areas in Shenyang city based on MODIS data and its precision analysis[J]. Barley and Cereal Sciences, 2016, 33(4): 63-66. (in Chinese with English abstract) [本文引用:5]
[5]	张莉. 基于EOS/MODIS数据的晚稻面积提取技术研究[D]. 北京: 中国农业科学院, 2012. ZHANG L. Study on extracting planning areas of paddy rice by using EOS/MODIS data[D]. Beijing: Chinese Academy of Agricultural Sciences, 2012. (in Chinese with English abstract) [本文引用:1]
[6]	SAKAMOTO T, YOKOZAWA M, TRITANI H, et al. A crop phenology detection method using time-series MODIS data[J]. Remote Sensing of Environment, 2005, 96(3/4): 366-374. [本文引用:1]
[7]	XIAO X, BOLES S, LIU J, et al. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment, 2005, 95(4): 480-492. [本文引用:1]
[8]	WARDLOW B D, EGBERT S L. Large-area crop mapping using time-series MODIS 250m NDVI data: an assessment for the US Central Great Plains[J]. Remote Sensing of Environment, 2008, 112(3): 1096-1116. [本文引用:1]
[9]	黄敬峰, Ahmad Yaghi, 王人潮. 利用GIS与TM资料集成技术估算龙游县早稻面积[J]. 农业工程学报, 2001, 17(1): 159-162. HUANG J F, AHMAD Y, WANG R C. Integration of GIS and TM data to extract early rice area in longyou county[J]. Transaction of the Chinese Society of Agricultural Engineering, 2001, 17(1): 159-162. (in Chinese with English abstract) [本文引用:1]
[10]	陈树辉, 李杨, 曾凡君, 等. 基于环境星的混合像元分解水稻面积提取[J]. 安徽农业科学, 2011, 39(10): 6104-6106. CHEN S H, LI Y, ZENG F J, et al. Extraction of paddy planting areas by using mixed pixel decomposition based on HJ-1 A/B satellite images[J]. Journal of Anhui Agriculture Science, 2011, 39(10): 6104-6106. (in Chinese with English abstract) [本文引用:1]
[11]	陈刘凤, 林开平, 胡宝清, 等. 基于Land sat8_OLI数据的甘蔗种植面积监测[J]. 南方农业学报, 2015, 46(11): 2068-2072. CHEN L F, LIN K P, HU B Q, et al. Monitoring of sugarcane planting area based on Land sat8_OLI data[J]. Journal of Southern Agriculture, 2015, 46(11): 2068-2072. [本文引用:1]
[12]	孟璐, 安源, 林和平. 遥感数字图像无损假彩色合成[J]. 辽宁工程技术大学学报(自然科学版), 2014, 33(2): 261-266. MENG L, AN Y, LIN H P. Remote sensing digital image non-destructive false color synthesis[J]. Journal of Liaoning Technical University( Natural Science), 2014, 33(2): 261-266. (in Chinese with English abstract) [本文引用:1]
[13]	张伟, 郑旭霞. 基于植被指数的多光谱影像真彩色合成方法[J]. 测绘与空间地理信息, 2010, 33(6): 110-113. ZHANG W, ZHENG X X. A method of true color synthesis of multi-spectral images based on vegetation index[J]. Geomatics & Spatial Information Technology, 2010, 33(6): 110-113. (in Chinese with English abstract) [本文引用:1]
[14]	吴黎, 张有智, 解文欢, 等. 基于TM的混合分解模型提取水稻种植面积研究[J]. 农机化研究, 2013(2): 44-47. WU L, ZHANG Y Z, XIE W H, et al. The mixture model extraction of rice planted area based on TM data[J]. Journal of Agricultural Mechanization Research, 2013 (2): 44-47. (in Chinese with English abstract) [本文引用:2]
[15]	王瀚征. 基于非监督分类与决策树相结合的30m分辨率土地利用遥感反演研究[D]. 石家庄: 河北师范大学, 2016. WANG H Z. Remote sense retrieval of 30m resolution of land use based on the combination of unsupervised classification and decision[D]. Shijiazhuang: Hebei Normal University. 2016. (in Chinese with English abstract) [本文引用:2]
[16]	曹鹏飞. 基于光谱成像技术的农作物特征波段提取与分类研究[D]. 昆明: 云南师范大学, 2014. CAO P F. Study on extraction and classification of crop characteristic band based on spectral imaging technology[D]. Kunming: Yunnan Normal University, 2014. (in Chinese with English abstract) [本文引用:1]
[17]	朱锋, 肖晖, 魏亚男. 无人机遥感影像镶嵌技术综述[J]. 计算机工程与应用, 2014, 50(15): 38-41. ZHU F, XIAO H, WEI Y N. Summary of UAV remote sensing image mosaicking technology[J]. Computer Engineering and Applications, 2014, 50(15): 38-41. (in Chinese with English abstract) [本文引用:1]
[18]	刘吉凯, 钟仕全, 梁文海. 基于多时相Land sat8 OLI影像的作物种植结构提取[J]. 遥感技术与应用, 2015, 30(4): 775-783. LIU J K, ZHONG S Q, LIANG W H. Extraction on crops planting structure based on multi-temporal Land sat8 OLI images[J]. Remote Sensing Technology and Application, 2015, 30(4): 775-783. (in Chinese with English abstract) [本文引用:1]
[19]	蔡丽娜. 多光谱遥感影像近自然彩色模拟的研究[D]. 哈尔滨: 东北林业大学, 2005. CAI L N. Study on simulating near natural color of multi-spectrum remote sensing image[D]. Harbin: Northeast Forestry University, 2005. (in Chinese with English abstract) [本文引用:1]
[20]	Land sat8数据不同波段组合的用途[EB/OL]. (2017-04-01). http://www.docin.com/p-1768082949.html. [本文引用:1]
[21]	TSENG Y C, NI S Y, SHIH E Y. Adaptive approaches to relieving broadcast storms in a wireless multihop mobile ad hoc networks[R]. IEEE: Proceedings 21st International Conference on Distributed Computing Systems, 2003. [本文引用:1]
[22]	徐庆伶, 汪西莉. 一种基于支持向量机的半监督分类方法[J]. 计算机技术与发展, 2010, 20(10): 115-117, 121. XU Q L, WANG X L. A novel semi-supervised classification method based on SVM[J]. Computer Technology and Development, 2010, 20(10): 115-117, 121. (in Chinese with English abstract) [本文引用:1]
[23]	杨柯. 基于ENVI的遥感图像自动解译分类结果优化[J]. 世界有色金属, 2016 (18): 130-131. YANG K. Based on ENVI optimization of automatic interpretation of remote sensing image classification results[J]. World Nonferrous Metals, 2016 (18): 130-131. (in Chinese with English abstract) [本文引用:1]

2014

0.0

李志鹏, 刘珍环, 李正国, 等. 水稻空间分布遥感提取研究进展与展望[J]. 中国农业资源与区划, 2014, 35(6): 9-18.

LI Z

, LIU Z

, LI Z

, et al. Progress and prospect of application of remote sensing to rice spatial distribution[J]. Chinese Journal Agricultural Resources and Regional Planning, 2014, 35(6): 9-18. (in Chinese with English abstract)

Rice is one of the most important staple crops in China, which serves for about 65% population in China. And there has been changed a lot for its spatial-temporal distribution due to the influence of natural conditions and development status of agriculture. Therefore, accurate assessment of spatial distribution information of paddy rice is important. The research on the spatial distribution of rice area is hotspot and difficulty in the current agricultural land change science. Through the review of domestic and international research in this field, this paper scientifically summarized the spatial distribution of rice from the three aspects of remote sensing images, features and classification methods used in monitoring the paddy rice, and discussed its future research direction. First of all, according to remote sensing data, multi-spectral optical images were the main data in monitoring the rice area, such as the Landsat TM/ETM+,OLI,HJ-1A/B,SPOT-5,QuickBird,MODIS and so on. And the hyper-spectral and radar images had been gradually popularizing at the same time, such as the Hyperion,ENVISAT,Radarsat-2 and so on. Secondly, according to the remote sensing classification methods and features, the main methods included supervised and unsupervised classification, intelligent classification（back propagation neural network method, support vector machine method, decision tree and random forest method）,object-oriented classification, time series vegetation index classification, comprehensive classification and so on, but features were diverse for corresponding class methods. Spectral features were usually used in supervised and unsupervised classification methods, but textural feature and other non-remote sensing features were usually added into the intelligent classification and object-oriented classification method. And time series vegetation index features were used in time series vegetation index classification, such as the Normalized Difference Vegetation Index（NDVI）,Enhanced Vegetation Index（EVI）and land Surface Water Index（LSWI）.Finally, combined with the specific situation of the spatial distribution of rice in China, it put forward a series of good advice, such as building long time series of rice phonological calendar and high spatial-temporal, vigorously developing the classification method based on multi-temporal remote sensing data and establishing hierarchical object-oriented classification method, and strengthening the northern limit, rice planting cultivation center dynamic changes monitoring. In a word, we expected that this research can contribute to the development of the dynamic monitoring of rice and the development of agricultural land change science in China.

水稻是我国三大粮食作物之一，其空间分布受自然条件和农业发展状况的影响，变化显著。研究水稻空间分布遥感提取是当前农业土地变化科学的热点和难点。通过对国内外研究的回顾，该文系统归纳了近年来水稻空间分布遥感提取的数据源、特征量及分类算法最新研究进展，并对其未来研究方向进行初步探讨。首先从遥感数据源方面，水稻面积监测主要采用多光谱光学影像，同时高光谱数据和雷达数据也正逐步推广应用。其次从遥感分类方法及其对应的特征量方面，包括监督和非监督分类、智能化分类算法（神经网络、支持向量机、决策树及随机森林算法）、面向对象分类、多时相植被指数法及综合提取算法等分类方法，其主要对应的特征量各有差异。最后，结合我国水稻空间分布遥感提取的实际状况，提出构建全国长时间序列水稻物候历和高时空分辨率时序NDVI数据集，大力发展基于多时相遥感分类方法和建立分层的面向对象分类方法，以及加强水稻种植北界、种植重心迁移等动态变化监测研究的建议，推动我国水稻遥感动态监测和农业土地变化科学的发展。

... 水稻是我国的主要农作物之一,在我国粮食生产中占有举足轻重的地位^[1,2,3] ...

2016

0.0

林子晶. 基于遥感影像融合技术的水稻种植面积提取及稻曲病估测研究[D]. 南京: 南京信息工程大学, 2016.

LIN Z

Based on remote sensing image fusion technology in rice acreage extraction and rice smut estimation[D].

Nanjing: Nanjing University of Information Science & Technology, 2016. (in Chinese with English abstract)

江苏省是我国水稻主产地区之一,水稻种植面积和产量位居国内前列,近年来,伴随着水稻的高产丰收,水稻稻曲病的发生愈加普遍和严重。因此,需要对水稻种植面积和稻曲病病情做出有效估测,而作物病虫害遥感监测通常面临两个问题,“同谱异物”、“异谱同物”和模型适用性不足,本文针对上述两个问题分别做出了以下研究阐述：1.为提高江苏省水稻种植面积观测精度,针对“同谱异物”“异物同谱”问题,本研究利用ENVI和ERDAS软件,选用中国自主研发的遥感卫星GF-1/PMS全色影像和HJ-1B/CCD多光谱影像,选择PCA、Brovey、HPF、Wavelet四种融合方法进行融合,并通过目视效果、融合效果评价指标对融合影像的光谱信息丰富程度、纹理特征、保真度等进行评价,再利用RVI和NDVI比较融合影像和实测数据的光谱特征,选出最佳融合影像,利用非监督分类制作水稻分布图,最后利用3个实验样方对融合影像进行精度验证。结果表明,HPF融合影像光谱信息丰富、空间纹理特征清晰、保真度最佳,且具有与实测值最接近的RVI和NDVI值,近似率分别为87.71%和98.63%,对HPF融合影像做样方验证,平均验证精度为94.55%。2.为提高模型的适用性,本研究从稻曲病发病机理、发生规律等角度出发,结合气象、农学、遥感要素,综合考虑了影响稻曲病病菌侵染和传播的气象因子、田间管理、水稻品种、氮肥的施用等情况,针对江苏省主要水稻品种淮稻5号和连粳7号,选择温度、降水、叶面积指数、生物量、叶片氮素含量等5个指标,根据2012-2013年江苏省兴化、沭阳、建湖、涟水、灌南等5个县60个样点的稻曲病相关数据,模拟建立了水稻稻曲病病情指数估测模型,并通过2014年兴化市稻曲病相关数据进行验证。结果表明,该模型符合实际情况,模型验证精度为83.32%。此外,利用遥感影像反演农情参数,结合气象数据,制作出了研究区域的水稻稻曲病病情分布专题图。

... 水稻是我国的主要农作物之一,在我国粮食生产中占有举足轻重的地位^[1,2,3] ...

2016

0.0

秦占飞. 西北地区水稻长势遥感监测研究[D]. 杨凌: 西北农林科技大学, 2016.

QIN Z

Study on rice condition monitoring with remote sensing in northwest region[D].

Yangling: Northwest A&F University, 2016. (in Chinese with English abstract)

水稻是世界上主要粮食作物之一,其产量及品质在世界粮食安全中起着至关重要的作用。而叶绿素含量、叶面积指数和氮素等生理参数是进行水稻长势评估的重要指标。快速而准确地获取水稻不同生育期的生理参数对于科学施肥及高效田间管理意义重大。本研究的目的是以西北地区水稻为研究对象,依托不同氮素水平的两年水稻田间试验,基于地面非成像高光谱数据、低空无人机高光谱影像和星载多光谱影像数据,综合运用高光谱遥感技术、信息提取技术、统计分析技术以及参数成图技术,系统分析不同生长环境、不同生育期、不同年份水稻光谱反射特征及其与叶绿素、叶面积指数和叶片全氮含量的相关性,并构建水稻生理参数的预测模型,综合“地-空-星”不同遥感平台实现区域范围水稻长势监测。研究结果可为精准农业的高效实施提供可靠的数据和技术支撑。主要结论如下:(1)系统分析了不同生育期不同氮素水平水稻高光谱特征,包括光谱反射特征和“红边”特征。结果表明,水稻冠层光谱特征受生育期的影响表现出一定的季相规律。从幼苗期到抽穗期,水稻冠层光谱反射率在可见光范围逐渐降低,在近红外波段逐渐增加。而抽穗期后光谱反射率随生育期的推进在可见光范围逐渐增加,在近红外波段逐渐减少。各生育期内水稻冠层光谱反射率在可见光范围均随氮素水平的增加而增加,在近红外波段则呈相反的趋势。在整个生育期内,水稻冠层光谱的红边位于690~740 nm之间,“红边”参数在抽穗期前表现出“红移”现象,抽穗期后表现出“蓝移”,且随氮素水平的增加而增加。(2)通过相关性分析,明确了反演水稻SPAD的敏感波段及最佳光谱指数。水稻SPAD与原始冠层光谱反射率在698 nm呈最大显著负相关。而光谱反射率一阶导数与SPAD相关性较高的波段范围较多,且波段宽度相对较窄。模型预测结果表明,以光谱指数BND为变量建立的水稻SPAD回归模型预测效果要优于基于特征波段的回归模型。针对叶片水平SPAD而言,叶片不同部位SPAD分布存在差异,表现为从叶基到叶尖逐渐减少。(3)在明确水稻LAI随生育期和氮素水平变化规律的基础上,系统分析了400~2400 nm波段范围内任意两波段组合构成的归一化植被指数NDVI、差值植被指数DVI、比值植被指数RVI以及二次修正土壤调节植被指数MSAVI2与水稻LAI的定量关系,结果显示以RSI(R848,R752)建立的指数模型对水稻LAI的预测效果最佳。经最小二乘支持向量机(LS-SVM)优化后的模型尽管预测精度有所提高,但SVM模型参数设置繁琐,模型结构复杂,不利于模型应用于遥感过程。(4)水稻叶片全氮含量随生育期的推进逐渐减少,且随施氮水平的增加而增加。水稻叶片全氮含量与原始光谱反射率的相关性表明,在400~746 nm范围光谱反射率与叶片全氮含量呈负相关关系,在754~1000 nm之间冠层光谱反射率与叶片全氮含量存在一个正相关的平台。通过分析400~1000 nm任意两波段原始光谱反射率构成的NDSI和RSI光谱指数与叶片氮含量的相关性,并在此基础构建基于光谱反射率一阶导数任意两波段组合的RSI光谱指数。结果表明,基于RSI(D738,D522)建立的线性模型效果最优,RMSE和RE均最小。而基于偏最小二乘法建立的LNC回归模型,尽管用到了全谱波段,但其预测效果较RSI(D738,D522)模型差。(5)借助无人机高光谱影像“图谱合一”的优势实现了区域范围水稻SPAD、叶面积指数和叶片全氮含量的空间分布反演。反演结果与地面实际情况较为相符,表明低空无人机高光谱影像在小区域范围作物长势监测中具有一定优势。为了在更大范围实现水稻长势监测,通过模拟高分一号卫星的光谱反射率,构建不同植被指数建立水稻生理参数的多光谱估测模型。结果表明以绿度归一化植被指数GNDVI、归一化色素叶绿素指数NPCI和归一化植被指数NDVI构建的多元线性模型对水稻SPAD有较好的预测性,而叶面积指数和叶片全氮含量的最佳预测模型分别是由比值植被指数RVI构建的指数模型和线性模型。由于空间分辨率较低,高分一号更适合大区域范围作物长势监测研究。

... 水稻是我国的主要农作物之一,在我国粮食生产中占有举足轻重的地位^[1,2,3] ...

2016

0.0

李石, 宋晓巍, 张菁, 等. 基于遥感数据的沈阳水稻种植面积提取及精度分析[J]. 大麦与谷类科学, 2016, 33(4): 63-66.

, SONG X

, ZHANG

, et al. Extraction of rice planting areas in Shenyang city based on MODIS data and its precision analysis[J]. Barley and Cereal Sciences, 2016, 33(4): 63-66. (in Chinese with English abstract)

... 5%^[4] ...

... 李石等^[4]采用监督分类的方法,结合水稻的不同生长发育阶段的特点,准确地估测了沈阳市水稻的种植面积,精度达92% ...

... 该地区属温带半湿润大陆性气候,由于受季风的影响,降水比较集中、四季分明,春秋两季气温变化迅速,春季多风,秋季晴朗,主要种植的作物有水稻、玉米等^[4,14] ...

... 其他植被NDVI值下降,说明其植被覆盖率正在降低,此植物可能为玉米、大豆等^[4,18] ...

... 熟期^[4],其NDVI值不断上升 ...

2012

0.0

张莉. 基于EOS/MODIS数据的晚稻面积提取技术研究[D]. 北京: 中国农业科学院, 2012.

ZHANG

Study on extracting planning areas of paddy rice by using EOS/MODIS data[D].

Beijing: Chinese Academy of Agricultural Sciences, 2012. (in Chinese with English abstract)

水稻是世界也是中国主要的粮食作物之一。获取大范围的水稻种植空间分布、面积和产量信息对指导水稻生产、合理分配水资源、以及检测大气环境变化等均具有重要的意义。由于水稻生产具有覆盖面积大、季节性强、单位面积的经济效益低等特点,通过地面调查方法获取每年的农作物种植信息,不论在技术性还是经济性方面都比较困难,而利用遥感技术则是解决这个问题的可行且有效的方法。与常规的统计方法相比,应用遥感方法获取作物种植信息具有他独特的优势,由于遥感具有覆盖面大、短时间内可重复观测、以及成本相对较低等特点,并与地理信息系统GIS和全球定位系统GPS相结合,不仅可以提取农作物种植面积,并且可以实现空间布局的准确定位。本论文以湖南省为研究区域,将遥感技术RS和地理信息系统GIS技术相结合,利用EOS/MODIS数据空间覆盖面大和时间分辨率高的优势,选取湖南省范围的数据,实现对湖南省晚稻种植和生长信息的提取。研究目标是解决大范围快速监测晚稻种植情况,并探索结合中高空间分辨率遥感影像来解决低分辨率遥感影像分类的混合像元问题。研究的主要内容包括：基于SPOT4遥感影像的晚稻识别及网格化处理、基于MODIS遥感数据的晚稻面积识别和晚稻识别精度评价。具体如下首先,根据湖南省的晚稻物候期选取适当时相的SPOT4影像,对数据进行几何校正、非监督分类、人工目视解泽等处理,得到湖南省晚稻的分布。同时以此影像为基础建立500米×500米的网格,并与MODIS遥感数据的像元完全重合,分别计算各个网格内晚稻面积占网格面积的百分比,并根据数值的不同进行分级,将分级后的网格抽取一部分作为训练样本数据,其余作为验证数据。其次,构建MODIS遥感数据的植被指数序列数据集,其中植被指数包括EVI和1LSWI,并对植被指数进行去噪处理。然后对相应时相的MODIS波段影像、植被指数进行主成分分析并生成新的数据集,之后利用训练样本对此数据集进行监督分类,得出湖南省晚稻面积及其分布。最后,利用验证数据、统计数据等对湖南省晚稻的面积及空间分布进行精度验证,并得出结论：此方法对于在水稻生育期的早期进行大范围水稻监测精度总体上是可信的,同时对解决利用中低空间分辨率的遥感影像进行作物分类研究时不可避免的混合像元问题进行了有益的探索。

... 相对于常规的农业统计方法,利用遥感技术对水稻面积进行估算具有宏观性、综合性、时效性和动态性等独特优势,其提取的结果丰富,但成本比传统方法低,不仅可以有效估算农作物种植面积,还可以确定其空间分布位置^[5] ...

2005

0.0

... Sakamoto等^[6]利用MODIS影像,通过分析时间序列数据,有效地提取了日本水稻物候期,取得了精确的结果 ...

2005

0.0

... Xiao等^[7]通过计算NDVI、LSWI和EVI等植被指数,对中国南部和东南亚的水稻种植面积进行提取,取得较好结果 ...

2008

0.0

... Wardlow等^[8]通过分析时序NDVI数据,对MODIS影像进行处理,获得了美国中部大平原地区的作物分类信息 ...

2001

0.0

黄敬峰, Ahmad

Yaghi

, 王人潮. 利用GIS与TM资料集成技术估算龙游县早稻面积[J]. 农业工程学报, 2001, 17(1): 159-162.

HUANG J

, AHMAD

, WANG R

Integration of GIS and TM data to extract early rice area in longyou county[J]. Transaction of the Chinese Society of Agricultural Engineering, 2001, 17(1): 159-162. (in Chinese with English abstract)

This paper introduces the methodology of integrating GIS and TM data for estimating the early rice planted area. It overcomes static disadvantage of GIS and enhance the classification results of TM image. Land use map and town boundary map were digitized then transferred to raster format and opened in ENVI image analysis system. TM image, land use map and town boundaries map were registered to the same projection. Utilizing of mask utility, the study area, every land using type and every town TM images were established. Supervised and unsupervised image classification were applied to the study area TM image and to the paddy field TM image. And the early rice areas were calculated by each method. Using the proposed methodology improved the quantitative accuracy of early rice area estimated up to 93.98%, whereas it was 82.83% when image classification was used only. The extracted information from the classification is belonging to the early rice and not to any other vegetation. Since the GIS database is available, the method is easily applicable to any new RS images.

提出利用GIS 与TM资料集成技术估算中国南方丘陵山地早稻种植面积的方法。该方法首先利用ARC/INFO对土地利用现状图进行数字化，建立拓朴关系后将其转化为栅格，然后进行投影变换，使土地利用现状图、行政图、TM数据具有相同的坐标，最后利用土地现状图，提取水田分布图，对水田分布图进行分类估算早稻种植面积。不同方法比较结果表明：非监督分类法不能用于提取丘陵山区的水稻种植面积；只用TM资料估算龙游县早稻面积，与统计数据相比，平行六面体分类法、最大似然分类法精度分别达到82.83%和59.95%；而用GIS 与TM资料集成技术对水田分布图进行分类估算早稻面积，平行六面体分类法、最大似然分类法的估算精度分别达到93.98%和60.65%，所以利用平行六面体分类法对南方丘陵山地早稻种植面积估算是可行的。

... 黄敬峰等^[9]证实,在分类过程中,关键步骤为感兴趣区域(ROI)的选择及分类后精度的检验 ...

2011

0.0

陈树辉, 李杨, 曾凡君, 等. 基于环境星的混合像元分解水稻面积提取[J]. 安徽农业科学, 2011, 39(10): 6104-6106.

CHEN S

, LI

, ZENG F

, et al. Extraction of paddy planting areas by using mixed pixel decomposition based on HJ-1 A/B satellite images[J]. Journal of Anhui Agriculture Science, 2011, 39(10): 6104-6106. (in Chinese with English abstract)

以河南省息县水稻种植面积提取为例,选取线性光谱混合模型对环境小卫星数据进行分类,并计算出水稻种植面积,将其结果与高分辨率ALOS 数据进行位置精度计算,得到平均精度达87.89%.同时,与决策树分类方法和神经元网络分类等方法进行对比,混合像元分解方法总量精度显著提高.表明针对环境小卫星的混合像元分解方法可以提高水稻种植面积的提取精度.

... 陈树辉等^[10]采用混合像元并选取线性光谱混合模型对河南省息县的水稻进行面积提取,取得较好结果 ...

2015

0.0

陈刘凤, 林开平, 胡宝清, 等. 基于Land sat8_OLI数据的甘蔗种植面积监测[J]. 南方农业学报, 2015, 46(11): 2068-2072.

CHEN L

, LIN K

, HU B

, et al. Monitoring of sugarcane planting area based on Land sat8_OLI data[J]. Journal of Southern Agriculture, 2015, 46(11): 2068-2072.

摘　要：【目的】探索Landsat8_OLI数据对甘蔗种植面积遥感监测的效果,为县域尺度甘蔗产区甘蔗种植面积进行有效追踪和监测提供参考。【方法】以云南省耿马县为例,以Landsat8_OLI为数据源,基于甘蔗的光谱特征,采用非监督分类、监督分类及NDVI剔除法相结合的方法将其他地类剔除,提取甘蔗种植区域。【结果】经精度验证,Landsat8_OLI数据对云南省耿马县甘蔗种植面积遥感监测总体精度为86.36%,Kappa系数为0.7177,生产者精度和用户精度分别为86.83%和90.19%,可满足农业生产的实际需求。【结论】基于Landsat8_OLI数据及光谱和植被指数特征采用非监督分类、监督分类及NDVI剔除法相结合的方法,可准确提取甘蔗种植区域,为综合利用多源数据对甘蔗种植遥感监测奠定基础。

... 陈刘凤等^[11]基于Landsat 8 OLI数据,采用非监督分类、监督分类和NDVI剔除法相结合的方法,准确地提取了甘蔗的种植面积信息,总精度达86 ...

2014

0.0

孟璐, 安源, 林和平. 遥感数字图像无损假彩色合成[J]. 辽宁工程技术大学学报(自然科学版), 2014, 33(2): 261-266.

MENG

, AN

, LIN H

Remote sensing digital image non-destructive false color synthesis[J]. Journal of Liaoning Technical University( Natural Science), 2014, 33(2): 261-266. (in Chinese with English abstract)

... 9月Landsat 8 OLI影像为数据源,通过实地考查,并结合水稻的光谱特征、归一化植被指数特征及伪彩色合成图像^[12,13]的特点,采用支持向量机的分类方法,Majority/Minority 方法的分类后处理方法,有效地提取了水稻种植面积 ...

2010

0.0

张伟, 郑旭霞. 基于植被指数的多光谱影像真彩色合成方法[J]. 测绘与空间地理信息, 2010, 33(6): 110-113.

ZHANG

, ZHENG X

A method of true color synthesis of multi-spectral images based on vegetation index[J]. Geomatics & Spatial Information Technology, 2010, 33(6): 110-113. (in Chinese with English abstract)

福建省多丘陵、山地,植被覆盖度高,若采用直接真彩色合成或整幅波段加权后真彩色合成效果都不佳,尤其是植被区部分,可以利用植被指数对植被区单独进行波段加权处理后再进行真彩色合成,从而达到理想的效果.最后通过对ALOS和QB数据的试验,分别采用定性和定量比较方法,认为该方法效果最好,并且具有很好的实用性和可操作性.

2013

0.0

吴黎, 张有智, 解文欢, 等. 基于TM的混合分解模型提取水稻种植面积研究[J]. 农机化研究, 2013(2): 44-47.

, ZHANG Y

, XIE W

, et al. The mixture model extraction of rice planted area based on TM data[J]. Journal of Agricultural Mechanization Research, 2013 (2): 44-47. (in Chinese with English abstract)

基于TM数据，采用专家目视解译法、波谱角分类法、最大似然分类法和混合像元线性分解法四种方法分别提取水稻种植面积.重点研究混合像元线性分解模型提取方法.根据野外样方实际调查数据建立混淆矩阵评价各分类方法的精度，将其结果与不同分类方法的结果进行比较.结果表明，混合像元线性分解模型总体精度最高，比波谱角分类和最大似然法分类精度分别提高了3.39％和0.76％，对比实际专家目视解译的面积数据，相对误差为2％.

... 反复提取样本直至分离性达到标准为止^[14] ...

2016

0.0

王瀚征. 基于非监督分类与决策树相结合的30m分辨率土地利用遥感反演研究[D]. 石家庄: 河北师范大学, 2016.

WANG H

Remote sense retrieval of 30m resolution of land use based on the combination of unsupervised classification and decision[D]. Shijiazhuang: Hebei Normal University. 2016. (in Chinese with English abstract)

人类的生存与发展都依托于土地,土地是一种宝贵而有限的的资源。土地是人类重要的生活资料和生产资料,人类所要达到的所有社会经济目的也都要通过对土地的长期经营而实现。在21世纪的今天,全世界大部分土地都已被人类开发的前提下,如何充分利用有限的土地为人类提供更多的物质财富以及更好的经济服务显得尤为重要。随着人类科技水平的不断发展,对于土地所包含的各类属性的认识水平也随之升高,利用这些知识调整土地利用范式可以取得更好的社会经济效益,因此土地利用是一种动态过程,表现为人类与土地之间物质、能量、信息的交流和转换。土地利用现状分析,是对土地资源合理利用的基础,提高对土地利用现状信息提取的效率和质量有重要的意义。传统的土地利用类型获得方法为实地调查,该方法虽然准确度较高但会耗费巨大人力物力,且时间上不能满足日新月异的变化。从上世纪70年代Landsat系列遥感卫星升空开始,通过遥感影像进行土地利用调查的研究便开始进行。遥感卫星影像具有信息量大,资料全面等特点,对于土地利用分类具有重要意义。由于世界各地的气候、地形,水文,植被以及社会经济条件不同,因此没有一个统一适用于全球的分类体系和自动解译方案。因此如何根据实地情况选择合适的分类体系与自动解译方案成为研究热点。本文选取对于北方地区特别是京津冀地区而言非常具有代表性的秦皇岛地区为例,参考USGS、NLCD、IGBP、FAO以及我国的中科院土地利用分类系统,以及OIL影像特征创立了符合秦皇岛地区的实际情况的土地利用分类系统,将研究区土地利用类型分为耕地、林地、灌木、草地、裸地、建筑、水体。遥感分类的主要方法有人工目视解译、基于监督分类、基于非监督分类、面向对象、决策树等,本文在这些传统方法的基础上进行了整合与联动,采用基于非监督分类与决策树相结合的方法进行自动解译。本研究准备了2015年秦皇岛地区的Landsat 8 OIL遥感影像、NDVI(植被归一化指数)灰度图、EVI(增强植被归一化指数)灰度图、DEM(数字高程模型)影像、坡度图、坡向图、地形特征图等数据。首先采用非监督分类的方法将遥感影像粗分类,分析各类型的光谱值完成合并形成基于非监督分类的土地利用类型图;然后以非监督分类土地利用类型图为基础,采集NDVI、EVI、海拔、坡度、坡向、地形特征等数据选出100个样本区,并根据可分离度验证样本区的可信度;再次统计样本区的属性根据C4.5模型计算出决策树分类标准;最后执行决策树得到分类结果,并利用通过混淆矩阵的方法对结果进行精度评价。基于非监督分类与决策树相结合的方法的总体分类精度约为86%,Kappa系数约为0.80,能够满足国家自然科学基金“基于土地利用的京津冀大气颗粒物浓度时空变化模拟研究(41471091)的要求。证明了本文采用的方法的先进性,同时也说明本文分类结果符合秦皇岛地表类型的真实状态。本文的创新点在于:(1)结合USGS、NLCD、IGBP、FAO以及我国的中科院土地利用分类系统创立了基于OIL影像的秦皇岛地区土地利用分类系统(2)制作了秦皇岛地区NDVI、EVI、DEM、坡度图、坡向图、地形特征图等详实的基础数据库(3)通过非监督分类方法确立了秦皇岛地区土地利用粗分类,结合(2)数据库的各项数据采集了样本属性表,根据C4.5模型制作了决策树,并得出优于非监督分类的结果,即利用了非监督分类对于光谱数据采集的优越性,也很大程度上弥补了非监督分类的不足。

... 而大气校正就是消除在成像过程中由大气散射引起的辐射误差^[15] ...

... m)有个非常高的反射峰,非常符合植被波谱特征^[15,16],可见校正后植被信息更接近其真实的光谱特性 ...

2014

0.0

曹鹏飞. 基于光谱成像技术的农作物特征波段提取与分类研究[D]. 昆明: 云南师范大学, 2014.

CAO P

Study on extraction and classification of crop characteristic band based on spectral imaging technology[D].

Kunming: Yunnan Normal University, 2014. (in Chinese with English abstract)

农作物生长状态和病虫害监测是农业生产发展中尤为重要的一个环节，其对农作物产量和品质影响较大。基于传统人眼视觉和RGB数字彩色设备监测农作物的方法往往效率低、误判率大。然而，光谱成像技术以其图谱合一的特点，解决了传统科学领域“图谱不能合一”和“同色异谱”等问题。鉴于此，本论文研究基于光谱成像技术的农作物特征波段提取与分类。首先，根据光谱成像技术原理，通过分析核心成像器件CMOS黑白工业相机与液晶可调谐滤光器（LCTF）两种组合方式的各自优缺点，以及考虑成像系统的便携性、稳定性和充分应用LCTF的有效孔径，实验选取LCTF位于镜头与CMOS相机之间的组合方式，搭建了基于农作物的多光谱成像系统，并介绍了该成像系统的工作原理、系统定标、多光谱图像采集、数据处理和表达等内容。然后，在400-720nm波段范围，实验通过搭建的多光谱成像系统分别获取了4类农作物样本每隔5nm的多光谱图像，并得出4类样本的光谱特征曲线。考虑到实验所得多光谱数据冗余度大、波段间相关性强、占用存储空间大、数据处理算法难度提升等特点，因此有必要从大量成像光谱数据中选取有效的农作物特征波段。结合特征波段的选取准则，根据波段指数法和图像亮度信息法原理，分别计算得出健康四季豆叶片的特征波段结果；通过分析植物的特征、信息量的大小和波段间的相关性，得出波段指数法获取健康四季豆叶片的特征波段结果比较理想。因此，实验通过波段指数法获取了其他3类农作物样本的特征波段。最后，根据近邻法决策规则，从监督分类中常用的距离法、光谱匹配技术中的光谱角度匹配法和相关系数法入手，实验从全波段和特征波段角度分别对4类农作物样本进行分类。实验结果表明，对于全波段的农作物样本，3种分类方法的分类精度均大于97.00%，能够较好地实现分类；对于特征波段的农作物样本，3种分类方法均不能单一对4类农作物样本予以高精度的分类，而通过分类方法的相互组合可以实现对4类样本的理想分类；其中，对于稻飞虱为害后水稻叶片亦可以增加特征波段数量来提高其分类精度。实验对于正确分类的农作物，建立相应农作物特征波段的多光谱数据库。实验结果表明，基于光谱成像技术应用于农作物生长状态监测和病虫害诊断是一种快速、无损的监测技术。实验获取的有效农作物特征波段对快速识别农作物提供了一种方法和思路，优化了多光谱图像数据，有望应用于快速识别其他作物和精细农业分类，以及高光谱遥感识别地物等领域。

... m)有个非常高的反射峰,非常符合植被波谱特征^[15,16],可见校正后植被信息更接近其真实的光谱特性 ...

2014

0.0

朱锋, 肖晖, 魏亚男. 无人机遥感影像镶嵌技术综述[J]. 计算机工程与应用, 2014, 50(15): 38-41.

ZHU

, XIAO

, WEI Y

Summary of UAV remote sensing image mosaicking technology[J]. Computer Engineering and Applications, 2014, 50(15): 38-41. (in Chinese with English abstract)

The UAV image mosaic is an important content in the low-altitude remote sensing data processing system, which aims to splice a sequence of UAV images into an image with geographic coordinates. In order to make researchers in this field have a more comprehensive understanding of UAV image mosaic methods, several methods of mosaicking UAV images are reviewed. Polynomial method, Kalman filtering method, the method based on SfM points cloud matching and the traditional aerial triangulation method all?require ground control points, while POS-assisted aerial triangulation method based on dual quaternion does not need or only needs a small amount of ground control points. As a result, the POS-assisted aerial triangulation method based on dual quaternion will have a more broad application prospects in the field of UAV image mosaic.

无人机影像镶嵌是低空遥感数据处理系统中的一个重要内容，其目的是将序列无人机影像拼接成一幅具有地理坐标的影像。为了使该领域的研究人员对当前无人机影像镶嵌方法有较全面的了解，对各种无人机影像镶嵌方法进行了综述。多项式法、卡尔曼滤波法、基于SfM点云匹配和传统空中三角测量法均需要地面控制点，而对偶四元数POS辅助空中三角测量方法无需或者只需少量地面控制点，将在无人机影像镶嵌领域有较为广阔的应用前景。

... 图像镶嵌是指将不同影像几何纠正到统一坐标系下,将多幅相邻的图像拼成一幅无缝隙且大范围的图像^[17] ...

2015

0.0

刘吉凯, 钟仕全, 梁文海. 基于多时相Land sat8 OLI影像的作物种植结构提取[J]. 遥感技术与应用, 2015, 30(4): 775-783.

LIU J

, ZHONG S

, LIANG W

Extraction on crops planting structure based on multi-temporal Land sat8 OLI images[J]. Remote Sensing Technology and Application, 2015, 30(4): 775-783. (in Chinese with English abstract)

Crops planting structure and spatiotemporal change information have become the focus of the current agricultural remote sensing application.However,using the spectral characteristics and vegetation index of multi\|temporal remote sensing data to extract the crops planting structure was still few in our country.The paper took Wensu county as the study area,used Landsat8 OLI satellite data,analyzed the difference of spectral characteristics and vegetation index of the main land cover types according to the crop phenological calendar,and modeled a decision tree to identification crops,then used the model to extract crops planting structure precisely on Wensu county.The results suggested that:① The optimal choice to identify paddy rice is near infrared band on May 20 and NDVI value on July 23;NDVI change value from May 20 to September 9,which is most helpful for the identification of cotton and corn;NDVI change value from May 20 to July 23,which is the best choice for wheat and forest fruit.② the decision tree classification based on multi\|temporal Landsat8 OLI images outperformed the single\|temporal supervised classification results with the overall accuracy increased 7.90% and Kappa coefficient increased 0.10.③Landsat8 OLI satellit data has high spatial resolution and convenient access,so it is a potential data source for crops information identification,monitoring,extracting in the future.

... 其他植被NDVI值下降,说明其植被覆盖率正在降低,此植物可能为玉米、大豆等^[4,18] ...

2005

0.0

蔡丽娜. 多光谱遥感影像近自然彩色模拟的研究[D]. 哈尔滨: 东北林业大学, 2005.

CAI L

Study on simulating near natural color of multi-spectrum remote sensing image[D].

Harbin: Northeast Forestry University, 2005. (in Chinese with English abstract)

本课题是黑龙江省森林工业总局科技攻关项目。本文以黑龙江省柴河林业局为研究区域，探讨了运用ETM+多光谱遥感影像进行近自然彩色模拟的方法。本研究的目的是通过对多波段遥感影像的近自然彩色模拟，把航天遥感影像色彩向自然彩色逼近。首先分析了地物的光谱特性以及ETM+的波谱特征，说明了各波段反映地物信息的适用性和局限性。由于各个波段在反映地物信息方面存在一定的冗余性，本文对 ETM+的六个波段进行了统计分析，找出TM5(R)、4(G)、3(B)为最佳的波段组合。然后，分析了遥感图像真彩色和假彩色合成的原理，揭示了近自然彩色模拟的实质是在充分发...

... 2 最佳波段组合选择遥感影像记录的是光谱带的电磁波能量,但是记录的地物的灰度值不利于从影像直接识别和区分,而通过改变影像的灰度结构,可以增加地物的识别度,便于学者研究^[19] ...

2017

0.0

... 已有前期研究表明,在Landsat 8的OLI陆地成像仪中,波段6、5、2的组合对监测农作物很有效,农作物在影像中显示为高亮的绿色,裸地为品红色,休耕地为很弱的墨绿色^[20] ...

2003

0.0

... 5 基于支持向量机的分类方法支持向量机(SVM)是建立在VC维理论和结构风险最小化(SRM)原理基础上的一种机器学习方法^[21] ...

2010

0.0

徐庆伶, 汪西莉. 一种基于支持向量机的半监督分类方法[J]. 计算机技术与发展, 2010, 20(10): 115-117, 121.

XU Q

, WANG X

A novel semi-supervised classification method based on SVM[J]. Computer Technology and Development, 2010, 20(10): 115-117, 121. (in Chinese with English abstract)

如何有效利用海量的数据是当前机器学习面临的一个重要任务,传统的支持向量机是一种有监督的学习方法,需要大量有标记的样本进行训练,然而有标记样本的数量是十分有限的并且非常不易获取.结合Co-training算法与Tri-training算法的思想,给出了一种半监督SVM分类方法.该方法采用两个不同参数的SVM分类器对无标记样本进行标记,选取置信度高的样本加入到已标记样本集中.理论分析和计算机仿真结果都表明,文中算法能有效利用大量的无标记样本,并且无标记样本的加入能有效提高分类的正确率.

... 此方法根据有限的样本信息,在建立模型时寻求一个最佳的分类使其能将样本的分类空隔最大且将错误率降到最低^[22],在本文中以波段6、波段5、波段2合成的伪彩色图像中,以各波段光谱值为输入,对处理后的分量进行归一化处理,用于SVM分类器训练 ...

2016

0.0

杨柯. 基于ENVI的遥感图像自动解译分类结果优化[J]. 世界有色金属, 2016 (18): 130-131.

YANG

Based on ENVI optimization of automatic interpretation of remote sensing image classification results[J]. World Nonferrous Metals, 2016 (18): 130-131. (in Chinese with English abstract)

... 次要分析(Minority analysis)是用变换核中占次要地位(像元数最少)的像元的类别代替中心像元的类别^[23] ...