基于Sentinel-1和Sentinel-2的不同物候期农作物识别研究

为减少农作物提取过程中受光学数据成像质量的影响,基于Google Earth Engine平台,采用Sentinel-1和Sentinel-2数据,分别对小麦越冬期、返青期、孕穗期、成熟期四个物候期进行小麦和油菜的识别。使用随机森林方法对构建的光谱特征、植被指数特征、红边指数特征、纹理特征和极化特征共34个特征进行优选,构建特征集;并对比最小距离、决策树、支持向量机、随机森林四种分类器在四个物候期的识别结果,确定最优的分类器;同时还验证了极化特征在四个物候期对识别结果的影响。研究结果表明,在四个物候期中最优的分类器均为随机森林,其中识别精度从高到低的物候期分别为小麦的孕穗期、成熟期、返青期、越冬期,总体精度(OA)分别为92.91%、91.93%、90.24%、87.69%,Kappa系数分别为91.00%、89.92%、87.61%、84.53%。在四个物候期中加入极化特征均能提高识别的精度,其中在小麦的返青期和成熟期更为明显。

多源中高分辨率影像协同下时间合成窗口对农作物识别的影响

【背景】中高空间分辨率(≤30 m)影像是在耕地破碎、种植结构复杂的中国南方开展农作物遥感识别研究的重要数据。然而,要克服中高分辨率传感器重访周期较长以及南方多云雨天气的影响,对影像进行时间窗口合成以协同使用多源中高分辨率遥感数据,是获取时空连续农作物制图结果的必要保障。由于不同卫星影像获取的周期不同,且不同农作物物候季相节律存在较大差异,如何选择影像合成时间窗口是农作物准确识别的关键前提。【目的】通过探究影像合成时间窗口对于农作物识别的影响机制,为大尺度复杂农作物种植结构制图提供重要参考依据。【方法】以农作物类型多样且云雨天气频繁的湖北省江汉平原为研究区,通过协同Landsat-8和Sentinel-2A/2B卫星影像,设置7种时间合成窗口(15、20、25、30、40、50和60 d)情景,分别从影像的覆盖度、不同农作物时序光谱特征以及不同农作物分类精度等角度,深入分析影像时间合成窗口对农作物遥感识别的影响。【结果】在影像20 d时间合成窗口的情景下,江汉平原农作物(冬油菜、冬小麦、水稻、稻虾田和其他作物)的总体分类精度最高,为93.13%。对比而言,在影像较短时间合成窗口(如15d)的情景下,时间序列密集但高质量影像覆盖度较低,农作物总体分类精度较低(90.91%);而在影像较长时间合成窗口(如60 d)的情景下,影像覆盖度高但时间序列稀疏,导致农作物识别的关键物候信息丢失,降低了总体分类精度(86.06%)。此外,不同农作物的识别效果受影像时间合成窗口的影响程度不同,依次为其他作物>冬油菜>水稻>冬小麦>稻虾田。其他作物类内时序光谱特征变异性较大,因此对时间窗口极其敏感。油菜准确识别的关键物候期为开花期,该时期长度较短,影像合成时间超过30 d会极大降低其识别效果,主要体现为与小麦的混淆。区分稻虾田与单季稻的关键物候期为稻虾田的稻闲季淹水期,其持续时间较长,受时间合成窗口影响较小。【结论】影像时间合成窗口20d时可兼顾高质量影像覆盖度和捕获农作物识别的关键物候特征,但不同作物识别的最优时间合成窗口受到作物关键物候期影响。研究结果可为多源中高分辨率影像协同下时间合成窗口的选择提供理论参考和方法支撑,进而有效服务于宏观尺度农作物高精度遥感制图研究。

基于机器视觉的株间机械除草装置的作物识别与定位方法

株间机械除草技术可进一步减少化学除草剂的使用,有利于环境保护和农业可持续发展。为实现智能化的株间机械除草装置自主避让作物并进入株间区域,该研究提出了一种株间机械除草装置的作物识别与定位方法。利用2G-R-B方法将作物RGB彩色图像进行灰度化,再选用Ostu法二值化、连续腐蚀和连续膨胀等方法对图像进行了初步处理。根据行像素累加曲线和曲线的标准偏差扫描线获得作物行区域信息,以作物行区域为处理对象,利用列像素累加曲线、曲线标准偏差和正弦波曲线拟合识别出作物,并结合二值图像中绿色植物连通域的质心获得作物位置信息。试验结果表明,该方法可以正确识别出作物并提供准确的定位信息,能适应不同天气状况、不同种类的作物,棉苗正确识别率为95.8%,生菜苗正确识别率为100%,该方法为株间机械除草装置避苗和除草自动控制提供了基本条件。

基于合成孔径雷达的农作物识别研究进展

精准识别农作物对于及时准确估计农作物种植面积、产量等关键农情信息具有重要意义。合成孔径雷达(synthetic aperture radar,SAR)以其不受云雨天气影响,可全天时、全天候监测等优点已被广泛应用于农情遥感监测领域,为大区域尺度的农作物遥感识别提供了强有力的数据保障和技术支持。该文以雷达技术的发展进程为论述主线,对20余年来国内外农作物SAR识别研究与实践应用的新进展进行了系统总结,具体归纳为4个方面:早期研究(20世纪80年代末-2002年),特征是以单波段、单极化、多时相SAR数据为主;基于多极化、多波段SAR数据进行农作物识别与面积监测研究;利用SAR与光学遥感相结合提高农作物的识别精度与效率研究;农作物SAR分类算法研究。在今后农作物SAR识别研究中,对于复杂种植结构背景下的旱地作物识别,如何优化组合SAR系统工作参数(极化方式、频率及入射角等)及与光学遥感融合来提高农作物识别精度与时效性,发展机理性的农作物SAR分类算法将是需要重点解决的3个问题。

用基于IHS变换的SPOT-5遥感图像融合进行作物识别

遥感图像融合可以发挥多源遥感数据的优势。但是由于遥感数据和融合模型的多样性,目前仍难以找到一种适合于各种类型数据之间、各种应用需要的"万能"的融合算法,而是根据特定图像,特定地表覆盖状况和特定应用的需要选择适合的融合模型。SPOT-5图像是一种较新的高空间分辨率遥感图像,目前已用于运行化农情遥感监测,以弥补传统低空间分辨率遥感图像应用的不足。该文将SPOT-5多光谱和超模式全色图像进行融合,以进行中国东北地区大豆识别。对实验数据分别做基于IHS变换和PCA变换的融合处理,通过比较得出,基于IHS变换的融合方法用于SPOT-5遥感图像融合更利于东北大豆的识别。

空间分辨率对作物识别及种植面积估算的影响研究

不同分辨率的遥感数据对农作物识别和面积估算精度的敏感程度是目前研究的热点。本文利用20m分辨率CBERS-02BCCD数据,通过构建不同分辨率遥感影像序列,采用最大似然、支持向量机、人工神经网络3种分类器,分别从像元和区域尺度讨论了空间分辨率对分类和面积估算精度的影响;同时,还进行了作物种植成数和聚集度的影响分析。结果表明,随着空间分辨率的降低,分类精度和面积估算精度均呈下降趋势;作物种植成数越高,作物种植越密集,面积估算精度随分辨率的降低下降速率越慢;对于分布十分密集的作物,当分辨率高于80m时,聚集度对其精度结果起主导作用。最后,针对不同作物种植结构区,提供了要满足一定的区域精度所需要的遥感数据和最佳分类方法。

基于SPOT-5卫星影像的灌区作物识别

高分辨率卫星影像是作物精确分类和评估的重要数据源,在农作物种植规划、估产等领域具有重要的应用价值。本研究利用分辨率为2.5m的SPOT-5影像分析张掖市盈科灌区的作物分布状况,同时分别生成分辨率为10和30m的影像,用于尺度验证。最终得到研究区作物分类图,所用方法主要有最小距离法、马氏距离、最大似然法、光谱角制图仪(SAM)和支持向量机(SVM)。Kappa系数分析表明,最大似然法和SVM的分类效果好于其它分类器,分别为0.871 9和0.862 5,但这两种方法的统计量无明显区别;分类图精度评价表明,基于最大似然法的分类图总体精度最高,为90.6%;随像元空间尺度的增加,分类精度未产生明显变化。研究结果表明,最大似然法和SVM技术可以与SPOT-5影像结合,用于作物类型识别和作物面积估算。

RapidEye卫星红边波段对主要农作物识别能力的影响研究

德国RapidEye卫星在传统的可见光波段和近红外波段的基础上加入了红边波段,红边波段更有利于地表植被分类和监测植被生长状态。为了定量分析RapidEye卫星影像加入红边波段后对地物识别能力的影响,文章利用内蒙古呼伦贝尔市莫力达瓦达斡尔族自治旗哈达阳镇2017年7月25日的RapidEye数据,采用BP神经网络的监督分类方法,提取了研究区内玉米和大豆面积,并计算了有红边和无红边条件下该地区玉米、大豆以及其他作物之间的可分性测度和混淆矩阵,对比了这两种波段组合形式下农作物提取的可分性和基于混淆矩阵的分类精度。结果证明:引入红边波段后,玉米-大豆、大豆-其他、玉米-其他的可分性测度分别从1.71、1.97、1.91提高到1.99、1.99、1.93。总体分类精度从79.57%提高到84.14%,Kappa系数从0.63提高到了0.71。该结果证明,红边波段对区分玉米-大豆的能力有显著提高,区分其他地物的能力也有了明显提升。国外搭载红边波段的卫星载荷越来越多,国产卫星也拟引入红边波段载荷技术,为农业部门提供更可靠的数据支持,文章的研究结果能为国产红边波段数据在农业上的应用提供参考。

基于SAR-C的大兴安岭西麓地区主要农作物识别方法研究

雷达遥感能够克服复杂地形与气象条件影响,既可在恶劣的气候条件下,也可以在白天和黑夜发挥作用,具有较强的全天候、全天时的工作能力,这一特性优于可见光和红外波段的探测系统。大兴安岭地区,夏季多云,光学影像难以获取,对于遥感农作物识别造成了影响。该研究选取大兴安岭西麓部分地区为研究区域,以单极化多时相Sentienl-1A为数据源,采用最大似然法、CART决策树方法对研究作物种类进行提取,并对其结果进行了分析。通过分类结果数据比对,表明:在农作物识别中CART决策树分类方法能够提供较高的分类精度,作物识别精度达到80.257%,Kappa系数0.733。光学影像能够很好辅助雷达影像用于区分非耕地信息。SAR数据对大兴安岭西麓地区春小麦具有很好地识别效果。

基于多时相遥感数据聚类决策树方法的白水县农作物识别

利用Sentinel-2、Landsat8OLI、SRTM等多源遥感数据,根据白水县物候特征经验构建不同典型NDVI时间序列数据集进行聚类分析,同时结合影像分割和决策树支持方法首次对陕西省白水县的多种农作物进行提取分类。结果表明:1)本文提出的方法能够有效提取典型地物信息,总体分类精度达到91.22%,Kappa系数为0.8949,相比基于单一时相的光谱特征的分类有着较大优势。2)白水县的三种主要农作物苹果、玉米和小麦的物候特征显著,分步提取的地物类别极少发生类间像素重叠,且表现的物候规律与白水县农作物的实际物候规律高度吻合,侧面证明了分类结果的适用性。3)白水县苹果种植分布西多东少,中北部多南部少;玉米主要分布于白水县西部和北部较高海拔地区;小麦主要分布于白水县南部;白水县的苹果种植仍有推广空间。这些结果发展了聚类分析结合决策树分类在农作物遥感方面的用法以及为白水县的农业经济发展提供有益参考。

多时相遥感影像农作物识别方法的分析

作物识别是农情监测的基础,能为农业和灌溉用水管理部门提供重要参考数据。利用单景影像进行作物识别容易出现异物同谱及同物异谱现象,基于多时相影像的作物识别则可结合作物物候特征进行分类,避免该问题。介绍多时相作物识别的两种基本方法,并且对国内外多时相遥感农作物识别研究现状和新进展进行论述。

基于XGBoost算法的多云多雾地区多源遥感作物识别

快速、准确地获取作物种植面积信息是长势监测、产量估算、病虫害监测和预警的基础。针对我国江南区域多云雾的特点,以Sentinel-1/2为数据源,综合采用光学遥感影像和合成孔径雷达(Synthetic aperture radar,SAR)影像等多源数据,针对研究区作物早春覆膜的特点,构建地膜植被指数(SAR plastic-film vegetation index,SPVI);利用时序光谱和植被指数特征,研究基于XGBoost算法的作物识别方法。以安徽省宣城市宣州区为研究区,开展实例验证研究。在作物生育期内,云雾影响较大,光学遥感覆盖稀疏区域以Sentinel-2影像为主,获取时序指数数据集,增加4期Sentinel-1雷达影像,用以补充云雾时期(5—7月)光学影像的缺失。以本文设计的方法,得到作物识别总体精度为84.87%,优于随机森林的83.93%,主要作物烟草制图精度88.69%,用户精度95.51%。仅使用生育期Sentinel-2影像的作物识别总体精度79.01%,主要作物烟草制图精度82.30%,用户精度93.49%。研究结果表明,本文构建的基于XGBoost算法多源遥感作物识别方法可满足多云多雾地区作物识别应用要求。

双频多极化SAR数据与多光谱数据融合的作物识别

本文以北京昌平为研究区域,针对农作物的分类特点,结合ASAR的VV极化、新型PALSAR的HH、HV极化以及TM的多光谱数据进行细化分类。首先,使用MIMICS模型对该地区主要农作物玉米和果林的后向散射特性进行了模拟分析,并跟SAR实际观测数据进行对比。在充分认识农作物后向散射的机制和数值大小关系的基础上,构建一种基于BP神经网络和正态模糊分布函数的模糊神经网络模型,结合双频多极化SAR数据和多光谱数据进行农作物类型的识别。研究结果表明:双频多极化SAR数据能够提供有利于作物类型识别的信息,并产生重要的可分离性,其结合多光谱数据进行作物类型识别是一种有效的途径,具有较大的优势。

高分六号卫星WFV新增谱段对农作物识别精度的改善

本文以高分六号(GF-6)WFV影像为数据源,针对GF-6卫星相较高分一号(GF-1)卫星新增的4个谱段,基于随机森林分类算法,采用6种组合方案,对GF-6 WFV数据新增谱段对农作物的识别能力进行了初步研究。结果表明,新增的红边2谱段对农作物分类识别精度的提升最好,总体精度较基准的4个谱段提升8.6%以上。表明该谱段能更好反应作物识别信息,有进一步深入研究的必要。从谱段设置上看,谱段位置的设置比谱段数量的设置更为优先。

基于Sentinel数据的新疆奇台县小麦作物识别和秸秆产量估算

【目的】新疆奇台县小麦作物种植面积大,秸秆资源丰富。监测并获取秸秆资源的分布与产量,对于促进秸秆综合利用、减少环境污染具有重要意义。【方法】以奇台县境内小麦作物为研究对象,融合多时相的Sentinel-2光学和Sentinel-1雷达数据,选择合适的特征,使用三种机器学习方法对奇台县小麦作物进行识别和小麦秸秆估产。【结果】使用随机森林分类器的分类结果最好,在仅使用Sentinel-1的雷达极化特征分类时,总体精度为96%。在使用Sentinel-1的雷达极化特征与Sentinel-2光学波段特征分类时,总体精度为94%。当使用Sentinel-1的雷达极化特征、Sentinel-2光学波段特征以及植被特征指数的组合分类时精度最高,总体精度可达到98%,Kappa系数可达到97%。基于地面抽样调查数据,估算小麦作物秸秆每公顷产量为27007 kg,总产量为100615.5 t。【结论】在小麦抽穗期,特征组为Sentinel-1的雷达极化特征、Sentinel-2光学波段特征以及植被特征指数的组合,使用随机森林分类效果最好。

基于OBIA的高分辨率遥感作物识别

自2014年起我国相继发射了高分系列卫星,中国遥感卫星进入亚米级的"高分时代"。随着遥感影像分辨率的提高,地物识别不能只采用像元的光谱信息作为分类的依据,需要综合考虑地物的形状、纹理、结构等空间信息的共同作用,OBIA(面向对象的影像分析)使之得到了比较完美的实现。本项目通过卫星传感影像记录的地球表面信息,以e Cognition软件为分析工具,基于OBIA细致化地从高空间分辨率遥感影像上提取地物(农作物)信息,并进行类型识别,综合考虑地物的形象、纹理、结构等方面来弥补传统基于像元的分类方法的不足之处,以提高目标地物分类的精确程度。

遥感技术在农作物识别方面的应用与研究

文章研究提取遥感图像中的农作物特征,判断农作物的特征是否符合预存农作物的显著特征,通过智能识别匹配判断农作物的种类。农作物识别的图像预处理的关键是在遥感图像中选取庄稼区域,进行农作物图像分割。文章采用NDVI算法对图像进行预处理,目的是将作物与非作物区分开。不同的作物因其体内具有不同浓度和类别的色素物质表现出不同的光谱特征,因此多光谱遥感影像能够区分不同的植被,也是植被遥感分类应用最广泛和最基本的识别方式。本研究提取了多种植物的特征,比如形状、颜色、边缘等。对于植物的显著特征,采用Prewitt算子进行提取,实验结果比较理想。在模式识别阶段,采用以径向基函数(RBF)为核函数的支持向量机SVM进行作物识别,实验结果准确率达到90%左右,具有很高的应用及研究价值。

基于GF-1/WFV时间序列数据的河套灌区主要农作物识别

河套灌区农业资源条件较好,适宜于多种农作物的生长,且地块较为破碎,为精准进行该地区农业资源的调查和农情评价,采用遥感技术精准识别农作物种类。文章利用2017年4—10月内9个时相的GF-1/WFV数据,结合实地采集样本点转化成感兴区的方法,通过计算分析春小麦、玉米、向日葵、西葫芦和番茄5种农作物在整个生长阶段的时间序列NDVI值和变化特点,构建了基于NDVI阈值分割的决策树分类模型,对研究区春小麦、玉米、向日葵、西葫芦和番茄5种农作物进行了识别分类;在5 m分辨率的RapidEye数据上选定了10个验证样方,目视解译样方内作物,利用解译结果对决策树分类结果进行验证,并用混淆矩阵表达。结果表明:春小麦、玉米、向日葵、西葫芦和番茄的用户精度分别为:88.86%,62.44%,87.29%,65.78%,总体分类精度达到76.29%,Kappa系数为0.6529。结论为通过分析基于GF-1/WFV NDVI时间序列数据可以较为准确识别中尺度上的大宗农作物,该方法适宜于农业资源调查遥感应用和研究。

基于CNN的作物分类识别图像获取平台研究进展

基于机器视觉的作物精准分类识别是农业自动化、智能化作业的前提。在作物图像分类识别任务中,卷积神经网络(CNN)是当前应用最广泛的算法之一。作物表型特征及生长环境的复杂性,决定作物图像获取平台的多样性。通过分析2020—2022年国内外基于CNN的作物分类识别研究,图像获取平台可划分为通用平台和自建平台两大类:通用平台硬件产品成熟、部署方便,但要做好设备选型和环境搭建;自建平台分为固定式和移动式,能高效获取试验数据,但硬件集成较为复杂。详细对比分析各类平台的优缺点及适用范围。作物图像获取平台的未来趋势包括:高通量、高效率、自动化的通用图像获取装置,集成多种传感器的多模态数据采集与融合应用,自带运算处理的智能摄像头等,更精细化的图像获取平台将有效支撑作物表型的深入研究。

基于改进DeepLabv3+的轻量化作物杂草识别方法

为在存储资源与计算能力有限的设备上实现田间作物和杂草的识别,本文提出一种基于改进DeepLabv3+的轻量化语义分割网络。首先,以MobileNet v2作为DeepLabv3+的特征提取骨干网络,提出双分支残差模块替换倒残差模块,并删除后两层卷积以降低模型参数量。其次,在空洞空间金字塔池化(Atrous Spatial Pyramid Pooling,ASPP)模块中引入分组逐点卷积,使用深度扩张卷积替换标准卷积,并将卷积后的特征图进行多尺度特征融合增强对作物和杂草深层特征的提取能力。最后,将原有的非线性激活函数替换为Leaky ReLU激活函数来提升分割精度。实验结果表明:改进后网络的mIOU达到86.75%,参数量仅为0.69M,FPS达到了98,与原始DeepLabv3+以及3个典型轻量化语义分割网络的相比,参数量最小,在对比的轻量化网络中具有最高的分割精度。