基于红边指数的耕地质量遥感制图

耕地是农业生产的基本物质条件,耕地质量评价对耕地保护有重要意义。遥感技术的发展,为解决当前耕地质量评价周期长、效率低的问题带来了新思路。目前基于植被遥感指标的耕地质量评价的研究中,尚未考虑利用作物红边波段评价耕地质量。因此,本研究尝试建立红边指数(red edge index,REI)和耕地质量的光谱响应模型,从Sentinel-2影像中提取14个红边指数,并使用梯度提升树(gradient boosting decision tree,GBDT)算法结合方差膨胀因子(variance inflation factor,VIF)筛选对耕地质量敏感的最佳红边指数;利用偏最小二乘回归(partial least squares regression,PLSR)、岭回归(ridge regression,RR)和BP神经网络(back propagation neural network,BPNN)算法构建红边波段与耕地质量之间的光谱响应模型,比较3个模型的精度从而确定最佳模型,并结合Sentinel-2影像完成耕地质量制图。结果表明,REI-BPNN光谱响应模型为耕地质量最佳预测模型,其建模精度决定系数(R^(2))为0.70,归一化均方根误差(NRMSE)为10.00%,优于其他2种线性模型,其耕地质量的制图误差NRMSE为14.80%,对比前人研究有所提高,表明通过红边指数反演耕地质量具有较大的潜力,为耕地质量评价提供了新思路。

基于Google Earth Engine多源数据的耕地提取研究

【目的】为了更好地进行耕地监测和保护,实现对耕地高效、准确的识别,针对目前利用光学数据进行耕地提取以及单机遥感图像处理的不足,基于Google Earth Engine(GEE)平台,引入雷达数据结合光学数据用于耕地提取。【方法】利用GEE平台获取研究区的sentinel-1和sentinel-2影像进行预处理,提取sentienel-1的VV、VH通道信息和sentinel-2的NDVI、NDWI、NDBI,同时使用灰度共生矩阵(GLCM)提取研究区的纹理信息,然后使用最小距离、支持向量机及随机森林3种机器学习算法对研究区进行耕地识别提取,最后通过开运算的形态学处理对耕地提取的结果进行图像后处理。【结果】以广东省广州市为例,与仅用光学数据相比,雷达数据的引入提高了耕地提取的精度,基于最小距离、支持向量机及随机森林3种算法的耕地提取总体精度分别提高0.05、0.09和0.10,其中随机森林算法提取效果最佳,总体精度达到0.85。形态学处理去除了耕地提取中提取错误的细小图斑,进一步提高了耕地提取的精度,总体精度达到0.91,Kappa为0.83。【结论】本研究基于GEE平台,引入了雷达数据并对耕地提取结果进行形态学处理,显著提高了提取精度,为大范围耕地提取提供了有效手段。

基于作物光谱的耕地质量反演

【目的】研究耕地质量遥感评价对实现耕地质量实时有效管护,推进我国现代高效农业发展和保障国家粮食安全具有重要意义。【方法】以从化区为研究区,利用多种变换技术从GF-1影像数据获取光谱参量,通过相关系数和方差膨胀因子筛选对耕地质量敏感的光谱响应指标,分别基于线性(PLSR)与非线性(BPNN、GA-BPNN)模型构建从化区耕地质量遥感光谱响应模型,并利用最佳模型开展耕地质量快速反演与空间制图。【结果】耕地质量的作物光谱响应指标分别为FD-3、SD-4、EVI和LR-4,与耕地质量的相关系数分别为0.661、0.663、0.714和-0.674,说明GF-1影像中红、近红外是耕地质量的作物光谱响应波段。利用PLSR、BPNN和GA-BPNN模型分别反演耕地质量,对比反演精度,发现基于GA-BPNN模型能够快速实现耕地质量反演(R^(2)=0.64,NRMSE=10.75%)。利用最佳模型进行耕地质量空间制图并验证,结果表明基于GA-BPNN模型利用GF-1卫星影像数据提取的作物光谱指标能够快速有效的反演区域尺度上的耕地质量。【结论】利用遥感技术有助于快速摸清区域尺度下耕地质量状况,完善现有耕地质量评价学科体系,促进学科发展,为后续耕地质量的光谱反演提供理论基础。

基于作物光谱的耕地质量评价研究进展

根据文献资料,归纳总结了遥感耕地质量评价、作物光谱在耕地质量评价的应用、耕地质量作物光谱响应3个方面的研究概况。总结得出,目前遥感耕地质量评价是基于遥感技术下的多层次内容,其中包括耕地质量评价的遥感指标提取、耕地作物信息提取、作物生物生化参数反演等方面;同时指出在现有的研究中,存在耕地质量与作物光谱的响应机制仍不明晰等问题。在今后研究中,有必要探索耕地质量与不同类型作物的内在关联与响应机制,为实现快速、准确的遥感耕地质量评价提供新的理论基础。