基于无人机影像与随机森林模型的农作物提取研究

[目的]以无人机可见光影像为数据源,利用随机森林模型开展农作物信息提取研究。[方法]首先,根据ESP2工具确定的最佳尺度进行影像分割,并提取分割后对象的光谱、指数、纹理和几何4类特征,使用递归特征消除法(RFE)对特征数量参数进行调优,以确定最佳特征个数;然后,利用随机森林模型进行分类并进行精度评价。[结果]采用递归特征消除算法可有效筛选出最佳分类特征,在降维的同时获得较高的分类精度,其总体精度达93.18%,Kappa系数为0.91。[结论]利用无人机可见光影像结合随机森林模型可高效且精确对农作物进行提取,该方法可为中小尺度的农作物种植区作物信息提取提供技术支持和理论参考。

基于多时相遥感影像的作物提取研究

以多时相遥感影像为数据源,运用遥感分类技术对研究区域的主要作物进行了提取,为优化当地作物布局和宏观经济决策提供了参考。

遥感影像自动分类技术在作物提取中的应用

结合遥感在相关研究应用中的优势及特点,分析了自动分类技术在作物提取中的应用方法和思路,并讨论了该技术在作物提取工作中的应用前景。

基于时谱的秦岭中段农作物提取研究

以秦岭中段为研究区域,采用MODIS影像数据,利用时谱分析方法进行山区农作物提取研究。结果表明,利用时谱分析方法可以快速提取山区农作物,精度为87.9﹪。

基于时序影像及关键物候特征的江苏省夏收农作物提取

农作物遥感分类与识别是提取农作物种植范围和面积的基础,也是开展农作物长势、产量、所受灾害等相关信息监测的基础。油菜和小麦是江苏省越冬主要农作物,为解决江苏省主要夏收农作物快速、准确提取的难题,以宜兴市为例,提出了基于时序影像及关键物候特征的夏收农作物提取方法,基于不同农作物在生长发育过程中差异性特征,结合农作物的物候信息,采用表达作物每个生长期阶段特征的时间序列影像数据,对不同的农作物进行提取,提取结果显示,总体精度为92.65%,Kappa系数为0.86,说明利用该方法提取江苏省夏收农作物技术可行,提取结果可为农作物种植面积估算提供参考,为农作物精细监测、耕地非粮化监测提供技术支撑。

基于MODIS的松花江流域主要作物分布提取

准确地掌握并监测区域内的作物分布及时空变化信息对科学指导流域内农业生产布局具有重要指导意义。本研究选择中国的粮食主产区——松花江流域为研究区,基于MODIS数据计算的归一化植被指数(NDVI)、植被增强型指数(EVI)及地表水分指数(LSWI)指标,结合不同作物生长发育的物候期构建决策树模型,对2000年和2020年研究区内主要作物——水稻、玉米和大豆种植区进行了提取;提取结果通过实地考察、Google Earth选点和统计年鉴数据进行了验证。水稻、玉米和大豆提取精度分别为0.9090、0.9026和0.8200,Kappa系数为0.79,总体精度为0.84。松花江流域种植农作物类型以玉米为主,水稻、大豆为辅,流域内形成“北大豆,南玉米,河流附近皆水稻”的生产格局,是我国重要的玉米、水稻和大豆生产基地。2000—2020年流域种植规模处于持续扩张状态,作物种植结构显著改变,总种植面积由95556.26 km^(2)增加到173070.00 km^(2),增幅为81.12%,其中水稻、玉米和大豆种植面积分别增加24911.36 km^(2)、54432.07 km^(2)、20719.77 km^(2),水稻、玉米和大豆种植面积占总种植面积比例分别增加8.56%、16.86%和0.39%。从空间变化来看,水稻种植面积在松花江流域范围内大部分区域明显增加,尤其是在河流附近水资源丰富的区域;玉米种植面积在流域内大部分区域显著增加;大豆种植面积在流域北部偏东区域增加明显。松花江流域各市形成了具有特色的种植结构,绝大部分地区由双作物主导型转变为玉米主导型;2020年流域内新增水稻主导型市,玉米-水稻主导型市和大豆-水稻主导型市消失,玉米-水稻主导型市和玉米-大豆主导型市均转变为玉米主导型市,作物种植类型逐渐趋于集中。本文提取的作物分布结果与松花江流域内实际情况一致,可为松花江流域的种植结构调整及指导农业生产提供科学支撑。

基于GEE和MODIS NDVI时序的青藏高原农作物信息提取

实时、准确地提取作物信息对于了解区域的种植结构和农业生产变化、保障国家粮食安全具有重要作用.谷歌地球引擎(Google Earth Engine,GEE)是一个具有先进存储能力和计算能力的地理信息数据云平台,可以快速获取并处理影像数据,节约时间成本,满足大范围区域作物信息提取的需求,相较于传统的遥感分析手段有明显优势.针对青藏高原作物信息提取困难的现状,通过GEE平台,快速获取并处理了Landsat数据并与基于MODIS NDVI时间序列提取出来的物候参数进行特征构建,充分利用不同地物物候特征的差异进行分类训练,实现青海省东部主要农作物信息的提取.结果表明:①该方法提取结果精度较高,分类回归树验证的总体精度为86.23%,Kappa系数为0.82.提取结果基本符合研究区的作物种植结构,说明Landsat数据与MODIS NDVI时间序列耦合的方法能够提高作物识别的精度,对青藏高原地区主要农作物信息自动化提取具有一定的积极意义.②说明GEE平台是实现青藏高原主要农作物较高精度作物信息提取的有效工具.③主要的误差来源于零星且种植比例低的玉米地和分布范围广海拔差异大的青稞地,后续研究应着重在零星种植和生育期差异较小的农作物分类提取技术方面进行深入分析.

基于多分类器集成的GF-2作物信息精细提取研究

【目的】将多种分类器的优点融合,以便提升遥感影像作物信息提取的精度。【方法】以渭库绿洲为研究区,利用国产高分2号(GF-2)数据和野外调查数据,基于提取的遥感识别特征制定不同分类方案,采用马氏距离(Ms DC)、最小距离(MDC)、最大似然(MLC)、神经网络(NNC)、支持向量机(SVM)5种传统机器学习方法分别对6种特征组合方案的影像进行分类,然后选择基分类器,并应用多数投票法和保守投票法2种多分类器集成算法,对研究区农作物进行精细分类提取。【结果】①辅助特征的加入对于子分类器的精度提高明显。5种分类器中除了MLC,其余4种分类器都是在加入归一化植被指数特征(NDVI)和纹理特征后取得了最高精度。②基分类器中精度最高的是NNC-4(人工神经网络的第4种特征组合方案),OA达到83.54%,Kappa系数为0.77。③相比基分类器,多分类器集成方法能够在制图精度和用户精度两方面提高农作物的提取精度。并且保守投票法优于多数投票法,OA为85.89%,Kappa系数为0.80。④集成分类结果中除了棉花的识别精度与最优基分类器NNC-4相等,达到94.94%外,其他的农作物如套种棉花、玉米、套种玉米、核桃园的识别精度都高于NNC-4,其中套种玉米与核桃园的提取效果较好,精度分别达到86.05%、79.09%;对于套种棉花的提取较差,只有63.86%;玉米的提取最差,只有12.17%。【结论】本文应用GF-2数据,基于多分类器集成方法对复杂背景下的多种作物及种植结构进行精细提取研究,拓展了作物信息提取的方向和GF-2数据的应用领域。

基于随机抽样一致性算法(RANSAC)的农作物行提取

农作物行提取是实施农业机械导航技术的关键,运用归一化的算法对图像进行灰度化处理,采用最大类间方差分割方法将图像转化为二值图像,然后利用垂直投影方法进行定位点归类,最后采用改进的随机抽样一致性算法提取作物行直线。结果表明,该算法能够在缺株、有杂草、地膜覆盖等复杂背景下,自动剔除伪定位点,有效检测出作物行。

基于时序哨兵1号数据的黑龙港流域农作物类别精细提取研究

针对光学遥感数据容易受云、雨等天气影响的不足,本文以黑龙港典型区域为实验区,基于随机森林分类方法探索了采用哨兵1号时序雷达数据为数据源进行农作物精细分类。结果表明:1) Senti-nel-1雷达数据受云、雨等天气状况的影响较小,因此能够构建更加完整的特征曲线以反映农作物生长信息;2) 利用Sentienl-1数据提取VH、VV极化时序数据和纹理特征并构建多种分类方案,其中多时相VH、VV双极化时序数据分类精度最高,纹理特征数据的加入并没有明显提高分类精度。

基于机器视觉和随机方法的作物行提取算法

根据农田作物图像特点,采用基于垂直投影的窗口移动方法,得到代表作物行的定位点,提出了基于机器视觉和随机方法的作物行提取算法。该算法从定位点中随机选取2个不同点,决定一条候选直线,再根据阈值规则,进一步判断候选直线的真实性。实验结果表明,该算法可以提取不同作物的作物行,处理一幅640×480像素的彩色图像平均需要220ms,正确识别率达98%。

一种基于单目视觉农业机器人提取导航线的方法

为解决农业机器人单目视觉路径识别率低下、易受光照以及杂草影响的问题,提出一种适用于种植初期作物行导航线快速提取的方法。首先对图像进行归一化处理,采用改进的超绿算法(1.88g-r-b)进行灰度化,采用固定阈值法和Otsu法结合对图像进行二值化,通过中值滤波以及形态学滤波对得到的图像进行处理,设置ROI区域,消除形态学影响。利用垂直投影法对作物行特征点进行提取,提取后的特征点利用最小二乘法进行导航线拟合。试验数据表明:该算法识别效果好,精度高,实时性强,可为农业视觉导航提供依据。

基于多时相双极化SAR数据的作物种植面积提取

及时准确地获取农作物的空间分布信息和种植面积,在农业生产管理与农业政策的制定等方面具有非常重要的作用。本文以多时相Sentinel-1A影像(4月17日、5月5日、6月16日、7月22日、8月27日、9月2日)为主要数据源,根据研究区作物的物候特征,提取棉花、玉米和果树在不同生长期的后向散射系数(Sigma)和归一化后向散射系数(Gamma)。通过对作物不同极化、不同时相后向散射系数的统计,建立散射特征时序变化曲线,并分析其特征。利用人工神经网络(Artificial neural network)、支持向量机(Support vector machine)和随机森林(Random forest)3种分类方法对研究区的主要农作物进行分类识别以及种植面积提取,并对分类结果对比分析和验证。结果表明,1)棉花的后向散射系数在6月现蕾期和7月开花期明显上升,8月份达最高值,变化特征最明显,易与其他作物区分;玉米和果树的后向散射系数在9月份与其他地物之间表现出显著差异。2)相较于神经网络和支持向量机,随机森林的分类效果最好,总体精度达88.97%。其中,对棉花和果园的分类精度为90.88%和93.17%,对玉米的分类效果最差,仅有71.6%。综上所述,多时相双极化SAR数据在不同类型作物的识别及面积提取方面具有一定的应用潜力。

无人机可见光遥感影像的农作物信息提取及验证

该文简要概述了遥感技术,对无人机可见光遥感提取农作物信息的研究现状进行了分析,并以某个农作物区域作为研究案例,就农作物信息的提取和验证进行了探究。

基于机器视觉的农田机械导航线提取算法研究

随着科学技术的发展,精细农业已成为现代农业发展的主导方向。农业机械的自动导航技术是精细农业的关键技术之一,也是实施精准农业的基础。机器视觉由于其广泛实用性,已成为农田机械导航线提取的重要方法。目前,机器视觉自动导航线提取易受自然环境干扰,且在实时处理速度上有待提高。为此,研究了一种导航线提取算法,旨在简化图像处理,提高通用性。首先对CCD获取的彩色农田图像,使用改进的过绿色算法进行灰度化,得到目标区分较好的图像;然后使用改进的OTSU算法对图像进行分割,得到二值图像,再采用滤波、腐蚀、膨胀相结合的算法去除图像噪声;最后提取作物行骨架,拟合作物行直线并进行方向校正,计算相机偏差,为实时校正航向提供反馈信息。试验结果表明,该算法处理一幅图像所用时间在200ms左右,可满足农田机械实时导航的要求。

水稻全田块无人收获作业自动打点系统设计与试验

谷物收获机械无人化作业可有效解决收获季用工短缺问题,全田块自动导航作业是无人收获机智能化的核心。为解决水稻无人收获作业自动打点问题,基于边界线跟踪与地头区域检测实现水稻田块最外圈导航与剩余作业区域自动打点,并提出一种目标区域先验形态辅助的动态感兴趣区域设定方法,改善作物边界线提取可靠性。采用自控小车对所提方法进行验证,试验结果表明,当车辆作业速度为0.8m/s时,水稻未收获区域直线边界跟踪平均误差小于5cm,单帧图像检测时间小于50ms。水稻边界自动打点试验结果表明,所设计自动打点系统打点平均误差为3.5cm,满足直角梯形水稻田块自动打点需求。

基于多种植被指数进行春小麦提取

文章以湟中县为研究区域,采用高分一号影像数据。在全生育期波谱特征曲线分析基础上,提取作物的NDVI曲线特征,并结合春小麦全生育周期内RVI(比值植被指数)与NDGI(归一化差异绿度植被指数)特征变化设计了春小麦提取模型。最后通过精度自检得出基于NDVI时序影像其总体精度达到93.81%,kappa系数为0.875,基于3种植被指数时序影像提取总体精度达到95.45%,kappa系数达到0.922。从分类精度可以看出,利用中高分辨率遥感卫星影像,在作物NDVI时间序列变化规律分析的基础上,通过其他植被指数和辅助数据可以精确的进行大面积农作物的分类与提取。

基于Landsat-8数据对甘肃省金塔县主要农作物分类

近年来,随着经济社会发展和人类活动加剧,水资源短缺、生态环境恶化、自然灾害频发等问题对于农作物的生长具有较大影响,因此准确地提取农作物显得尤为重要。本文基于2016年Landsat-8 OLI全生育期的时序遥感影像数据,融合金塔县农作物的物候特征和地表纹理特性,提取主要农作物小麦、玉米、棉花和甜菜的时间序列NDVI曲线,探讨其时序变化特征,构建决策树分类规则,形成多维度分层次的提取方法,将其应用在2015年农作物种植结构提取中,并结合研究区2015年的Global Land Cover和统计年鉴数据对提取结果进行验证。结果表明:1)该方法可以较为准确地捕获农作物分布信息,总体精度达94.56%,Kappa系数为0.904 5,提取精度较高;2)研究区的农作物基本覆盖整个研究区域,其播种面积依次为甜菜5 540 hm^(2)、玉米4 000 hm^(2)、小麦2 270 hm^(2)、棉花300 hm^(2)。时序植被指数变化特征可以较为准确地捕获农作物信息,为精细作物分类提供了新思路,为当地决策提供农作物信息服务和基础数据支持。

基于Landsat 8影像的济宁市春季主要作物种植面积变化监测

准确快速获取小春作物的播种面积、空间分布及年际时空变化信息,可为农业部门制定政策、合理安排生产提供依据。利用多期Landsat 8影像,综合不同作物的光谱特征、纹理、NDVI值等信息,分别建立多时相小春作物提取模型,获取济宁市小麦和大蒜的种植信息,分析其时空动态变化。研究结果表明,济宁市大蒜和小麦的种植具有明显的区域性。小麦在农业生产上占据主导地位,空间分布广泛且较为稳定,种植重心偏移量较小且呈逐年下降趋势,其固定种植区的面积每年均稳定在3.2×10~5hm^2左右,2014-2017年,种植面积先增加后减少,但波动幅度较小;大蒜种植区主要集中在金乡县和鱼台县,受气象状况和市场影响,其种植面积呈现先减少后增加的趋势,波动幅度较大,空间分布变化也较为明显,种植重心偏移现象突出。本研究采用面向对象分类方法提取济宁市春季主要作物种植信息,可为农业部门掌握小春作物种植情况,制定农业政策提供一定的技术支持。

基于时空精细约束的生物质发电收储站点选址及收购范围优化模型

生物质发电是实现“碳达峰、碳中和”的重要途径,形成良好的供应链体系是生物质发电产业持续发展的关键因素。传统的收储优化通常从供应链各节点的变量优化入手,而未考虑秸秆资源的空间分布,未细化各收储站收购时间段的约束,未对秸秆资源作精细化时空调配。为使生物质直燃发电供应链中的收储站建设成本及运输成本最小化,文章基于秸秆的空间分布建立了一个整数非线性单目标优化模型,利用遥感地物提取及数学规划求解的方法进行收储站的选址及秸秆生产旺季各中间商收购范围的划定。以中国某两座生物质发电厂作为模型应用实例,将优化后的站点位置及收购范围可视化,并进行敏感性分析,结果表明,对于华北地区装机容量为25~30 MW的生物质发电厂,其收储站距电厂8~25 km为最优,旺季预留库存量在2000~3000 t为宜。