科研产出
基于U-Net的甘蔗提取方法
《中国农业信息 》 2019
摘要：【目的】基于深度学习的分类方法是使用高分辨率遥感影像快速提取作物种植空间信息的新方法。【方法】以云南省陇川县甘蔗种植园为研究区,收集空间分辨率为0.5 m的Google Earth开放影像进行数据预处理,建立样本数据集,构建U-Net神经网络模型,训练模型参数;使用U-Net模型提取甘蔗种植空间信息,通过地面样方数据验证甘蔗提取精度。【结果】(1)基于深度学习方法的甘蔗分类总体精度和Kappa系数分别为92.76%和0.848 0,面积总精度为94.41%;平坝区、丘陵区分类精度存在差异,总精度和Kappa系数分别为97.10%、0.922 1和88.42%、0.767 3;(2)受部分地物RGB影像特征与甘蔗相似的影响,分类结果存在错分现象。【结论】基于U-Net神经网络模型的方法可用于高分辨率影像的甘蔗提取,更准确的分类精度还有待进一步研究和验证。
全文链接
请求原文
基于多光谱影像的单红边波段叶绿素指数验证
《西南农业学报 》 2019 北大核心 CSCD
摘要：【目的】应用多光谱影像和光谱指数法准确估算作物叶绿素含量。【方法】使用4个生长期玉米冠层高光谱反射率及叶绿素含量建立单红边波段叶绿素指数(SRCI)的叶绿素含量估算模型:首先由高光谱反射率和光谱响应函数计算得到等效的Worldview-2多光谱反射率,以等效反射率计算SRCI;然后根据SRCI与叶片叶绿素含量(LCC)、冠层叶绿素密度(CCD)的线性关系,分别建立LCC和CCD的一元线性回归模型。使用2012年9月14日获取的Worldview-2多光谱遥感影像计算得到的SRCI作为输入,估算LCC和CCD。【结果】Worldview-2 SRCI估算叶片叶绿素含量的偏差均方根为4.70μg/cm~2,相对误差平均为7.0%;估算冠层叶绿素密度的偏差均方根为1.63 g/m~2,相对误差平均为6.4%。【结论】多光谱卫星遥感的红边光谱指数能准确估算玉米叶绿素含量。
全文链接
请求原文
成都龙泉山区居民点空间变化研究
《安徽农业科学 》 2019
摘要：[目的]研究近10年龙泉山区居民点空间变化特征。[方法]在成都龙泉山区建立乡镇、乡村居民点用地调查样区12个,使用Google Earth开源的2007年和2017年高分辨率影像进行人工目视解译,基于GIS技术分析居民点空间变化特征。[结果]基于乡镇、乡村区域分析居民点的空间变化结果显示,2017年样区内居民点用地面积总体较2007年增长了12.71%;乡镇、乡村不同区域变化趋势不同,乡镇区域居民点增加23.40%,乡村地区减少9.35%。基于交通道路沿线的居民点空间变化分析结果显示,乡镇区域道路沿线的居民点用地面积增加了129.96%,乡镇以外道路沿线居民点用地整体减少,30、60和100 m缓冲区范围内居民用地分别减少了4.42%、8.10%和12.84%。居民点在近10年主要向城镇区域或乡村主要县道、乡道沿线聚集,居民迁移至交通便利、地势平坦的城镇附近定居。[结论]该研究为龙泉山城市森林公园土地利用优化提供参考。
全文链接
请求原文
基于浅层学习方法的石漠化休耕试点区作物分类
《中国农业信息 》 2019
摘要：[目的]应用浅层结构的机器学习分类器和高空间分辨率影像实现休耕区绿肥、粮食及经济作物快速准确分类.[方法]利用分辨率为5 m的RapidEye影像,以云南省石林县部分休耕试点区为研究区,使用Softmax浅层机器学习分类器对研究区内绿肥作物、水稻、玉米及烟草等4种典型作物进行遥感识别与空间信息提取,并以极大似然分类法为参照,通过地面样方数据验证该方法的精度.[结果]基于Softmax方法的4种典型作物分类的总体精度和Kappa系数分别为85.98% 和0.8157,比极大似然分类高4.59% 和0.0617;绿肥、水稻、烟草的生产者精度和用户精度均达到84% 以上,玉米则低于75%,原因是绿肥、水稻、烟草3种作物种植较为集中,而玉米种植地块面积小且极为分散;绿肥与烟草错分问题较明显,影响因素为"同物异谱、异物同谱".[结论]基于Softmax的浅层机器学习分类器提高了分类精度,文章研究结果可为使用浅层机器学习方法快速准确掌握休耕情况提供参考.
关键词： 遥感 Softmax分类器 休耕 作物分类
全文链接
请求原文
基于RapidEye影像的石漠化区休耕地块监测
《中国农业资源与区划 》 2019 北大核心
摘要：[目的]该文选取云南省石漠化地区2个休耕试点区为研究区,研究使用RapidEye多光谱影像监测地块休耕状况的方法,为休耕精准监测提供参考.[方法]获取2017年8月2日覆盖研究区的RapidEye影像,进行大气校正、图像配准,选取休耕区及周边地区的绿肥作物、水稻、玉米、烟草、光温棚、遮阳棚、林地及水体等典型地物,分析绿肥作物与其他地物的光谱差异及可分离性;对休耕区影像进行监督分类,获得分类结果,将分类结果二值化为休耕与其他地物,然后使用地块矢量数据与二值化结果进行相交统计,得到地块休耕面积及比例,最后以休耕比例判定地块是否进行休耕.[结果]绿肥作物与其他典型地物光谱差异明显,可分离性良好;验证结果表明,在石漠化休耕区使用RapidEye影像基于休耕比例判别地块休耕的监测方法总精度为98.89%,Kappa系数为0.9292,错分误差为0,漏分误差为1.19%;判别阈值对休耕地块错分或漏分有影响.[结论]具有红边波段的RapidEye影像可用于石漠化休耕区的精准监测.
全文链接
请求原文
基于Landsat-8和Sentinel-2A多光谱影像的陆良县日光温室面积估算
《西南农业学报 》 2019 北大核心 CSCD
摘要：【目的】选取云南省陆良县,开展基于Landsat-8 OLI和Sentinel-2A MSI影像的设施种植区域监测研究,及时为农业生产管理提供准确的设施农业空间信息。【方法】首先分析日光温室及其他典型地物的遥感特征,然后使用目视解译以及最小距离法、马氏距离法、最大似然法、支持向量机等4种监督分类方法提取设施种植空间信息,再使用亚米级Google earth历史影像为底图建立验证样区。通过目视解译提取样区设施种植区域信息,以此验证Landsat-8和Sentinel-2A影像的监测精度,选择最优监测方法。【结果】使用Landsat-8影像,基于目视解译及4种监督分类方法的精度依次为97. 54%、77. 31%、91. 35%、91. 89%和83. 15%;使用Sentinel-2A影像,基于目视解译及4种监督分类方法的精度依次98. 82%、80. 80%、87. 01%、93. 89%和85. 41%。【结论】①2种影像的日光温室监测均适于使用最大似然法,其估算精度与目视解译精度误差分别为5. 65%和4. 93%;②遥感监测显示,2016年陆良县日光温室主要集中于该县湖积平原区。基于Landsat-8影像监测的面积为5381. 62 hm2,基于Sentinel-2A影像监测的面积为5347. 84 hm2。
全文链接
请求原文
基于OLI影像的四川丘陵地区水稻种植面积监测
《西南农业学报 》 2018 北大核心 CSCD
摘要：【目的】为使用Landsat8 OLI遥感影像准确监测四川丘陵地区水稻种植面积。【方法】根据丘谷相对高差分别选定浅丘、深丘水稻样方各4个,通过地面样方调查和同生长季Google Earth影像解译获取的样方水稻种植面积作为验证数据,评价基于OLI融合影像的川中丘陵的水稻种植面积监测精度。OLI影像经正射校正后,使用15 m全色波段影像和30 m多光谱影像融合,得到15 m分辨率的融合影像,使用最大似然法进行监督分类,获取监测结果。【结果】与样方验证数据比较,在样方面积相同的情况下基于OLI影像的水稻种植面积监测结果显示,浅丘区的平均精度为93.7%,误差范围为1.0%~8.7%;深丘区的为92.5%,误差范围为1.5%~15.8%。【结论】根据浅丘区、深丘区监测结果的误差范围差异,随着丘谷高差增大,地形趋于复杂、地块趋于狭长与破碎,OLI影像监测结果的不确定性增加,精度有下降的趋势。该研究为改进OLI影像监测四川丘陵地区水稻种植面积精度提供参考。
全文链接
请求原文
欧盟国家农业遥感应用及其启示
《中国农业资源与区划 》 2018 北大核心 CSCD
摘要：[目的]文章旨在对以遥感为代表的现代空间信息技术在欧盟国家农业中的应用领域进行梳理,分析欧盟国家数字农业和精准农业发展现状以及欧盟农业远景规划中的遥感工作计划,以期为我国加快数字农业发展提供参考建议。[方法]该文通过实地考察、文献整理及总结归纳,对欧盟国家农情遥感监测、农地综合管理、农业生产应用、灾害应急评价以及数字农业发展计划等方面的遥感应用研究进行综述。[结果]在数字摄影测量系统(DPS)、全球定位系统(GPS)、遥感(RS)、地理信息系统(GIS)和作物专家系统(ES)组成的"5S"技术体系支撑下,欧盟国家精准农业生产方式基本形成,并对发展数字农业、智慧农业拟定了研究规划。[结果]与欧盟国家相比,我国农业现代化在遥感技术支撑方面较为滞后,需着重推进数字农业发展规划编制、农业政策执行效果核查、遥感等大数据技术应用、全球农业监测体系建设、数字农业政府示范引导以及农业遥感新型实用技术创新六方面工作,加强农业空间信息应用,提高农业数字化水平。
关键词： 欧盟 共同农业政策 遥感 精准农业 数字农业 启示
全文链接
请求原文
基于遥感的陆良县设施种植区域时空变化监测
《中国农业资源与区划 》 2018 北大核心 CSCD
摘要：[目的]文章以云南省陆良县为研究区,通过2013年4月到2017年3月6景Landsat-8 OLI影像提取该地区规模化设施种植区域空间分布信息,分析该县设施种植区域的空间特征和面积时序变化,为设施农业发展调控和优化提供参考信息。[方法]使用OLI全色波段影像和多光谱影像融合,得到15m分辨率的融合图像;使用融合图像7、5、3波段组合的RGB假彩色图像进行目视解译,提取设施种植区域信息。[结果]获取该县2013—2017年共6期设施种植区域空间信息。[结论]遥感监测显示:(1)该地区设施大棚包括种植蔬菜瓜果的光温棚和种植三七的遮阳棚;光温棚主要分布于湖积平原区,遮阳棚主要分布于北部、西部及南部环盆地的山坡地区;(2)陆良县设施种植区域总面积保持增加趋势,但不同类型大棚的变化趋势不同;光温棚面积自2013年4月到2017年3月持续增加;遮阳棚面积则出现大幅增长和大幅减少的现象。
全文链接
请求原文
基于冠层反射率模型的作物参数多阶段反演方法研究进展
《农业工程学报 》 2017 EI 北大核心 CSCD
摘要：利用遥感手段,基于冠层反射率(canopy reflectance,CR)模型反演农作物参数具有经济、高效、普适性好的特点,是智慧农业快速、精确监测区域尺度农情信息的理想方法。然而,CR模型反演过程受"病态反演"问题影响。针对此,前人提出了多阶段目标决策(multi-stage,sample-direction dependent,target-decisions,MSDT)法和面向对象(object-based)反演法。分别依据CR模型参数的敏感性和不确定性,以及作物参数的空间分布特征,将反演过程划分为若干阶段,每阶段只反演部分参数,前阶段反演结果作为后阶段反演的先验知识,以此减少CR模型参数优化的不确定性,改善"病态反演"问题。该文系统总结了MSDT法与面向对象反演法,将其归纳为统一的"多阶段反演"方法,并提出概念模型。基于此,总结、讨论了多阶段反演中如下三方面共性问题,试分析可能的解决途径:1)多阶段反演决策还需要广泛比较、科学论证与改进,以确保其合理性和有效性;未来研究中,应将MSDT法与面向对象反演方法有机结合,在统一的多阶段反演技术框架下,制定更加合理的反演决策方法。2)CR模型的参数化精度可能影响多阶段反演;未来应尝试利用"天空地一体化"遥感技术和尺度转换方法获取先验知识,提高CR模型参数化精度。3)多阶段反演过程中,反演误差逐级传递;未来研究中,一方面应尝试识别并纠正前阶段反演中的误差,另一方面应合理利用前阶段反演结果,避免前阶段反演误差影响后阶段的反演。
