基于遥感影像监督分类不同农作物的应用研究

近年来,遥感影像技术被广泛应用于农作物分类。遥感影像技术能够依据农作物植株具有不同生化组分含量的特性实现分类作业,相比于传统分类方式,遥感影像监督分类方式能够有效提升分类效率与质量。笔者通过查阅相关文献,对农作物遥感分类理论基础、农作物遥感监督分类的主要方法进行了阐述,结合相关科学理论知识,对基于多时相光学数据的农作物遥感分类策略进行了综合分析。研究结果表明,采用多时相光学遥感技术对农作物分类进行融合分析得到的分类结果相对较好,总体分类精度达到了92.1%,Kappa值达到了0.88,相比于单一遥感数据取得了更好的分类精度。

时序Sentinel-1和Sentinel-2数据支持下的鄱阳湖湿地草本植物群落制图分类

植被是湿地的核心,易受人类活动和气候变化的影响,湿地植物群落分类与制图可以为湿地生态监测与评估提供科学数据支撑。本研究以鄱阳湖国家级湿地自然保护区为研究区,基于2019年月度Sentinel-1和Sentinel-2时序数据,通过提取影像的水体指数和植被指数、红边指数、纹理特征、光谱特征、雷达极化数据5类,共计240个特征指标,使用随机森林、支持向量机和深度神经网络算法进行分类,探寻一套湿地植被分类最优的特征组合和分类方案。(1)光学数据在湿地分类与制图提取中明显优于雷达数据,雷达数据可以在光学数据不足时,作为光学数据的补充。(2)对时序Sentinel-2的各特征变量进行重要性筛选,有助于提高分类精度,优选时间段主要分布在1月、5月、8月、9月、10月和12月份;(2)当对5组特征变量单独分类时,分类精度排序为红边指数组>水体—植被指数组>光谱特征组>雷达极化数据组>纹理特征组;(3)对比组合变量和单独特征变量,组合变量不一定有助于提高分类效果,分类精度排序为:红边指数分类组>水体—植被指数分类组>组合分类组,其中,红边指数组随机森林分类总体精度达0.81,Kappa系数为0.76;(4)对比3种分类方法,分类精度排序为:深度神经网络>随机森林>支持向量机,其中,深度学习方法并没有太大幅度的提高分类精度,相对随机森林算法仅仅提高了2%。故深度神经网络和随机森林算法都可以作为优选算法。本研究给出的分类方案是,使用Sentinel-2和Sentinel-1多时序数据对湿地植被进行精细化分类,时段选择建议1月、5月、8月、9月、10月和12月份的卫星数据更优,特征变量可选红边指数组或者水体—植被指数组产品,分类方法可根据需求选择深度神经网络或随机森林对湿地植物群落进行分类,可得出较优的分类结果。这个分类方案可以有效的提升鄱阳湖湿地植被制图精度,并为决策部门提供科学的技术方案。

基于ENVISAT ASAR数据的水稻监测

由于水稻的生长期多云雨天气,所以水稻是最适合于用合成孔径雷达(SAR)传感器监测的农作物之一.由SAR获取的后向散射信号与水稻的生长状况相关,包括高度、密度、生物量和结构特征,这些参数随不同的生长阶段而有变化.在一个水稻生长周期中,文中获取了多时相的ENVISATASAR的APMode(AlternatingPolarizationMode)数据,与此同时,对水稻参数进行了实地测量.通过对连续冠层模型的改进,计算生长周期内稻田的雷达后向散射系数,并分析了水稻参数与雷达后向散射系数的关系,以及后向散射系数随时相、入射角和极化的变化规律.结果发现后向散射系数的模拟值与ASAR数据具有相似的趋势.这一结果对ASAR数据反演水稻参数的研究具有重要意义.不同地物在雷达影像上的后向散射系数有明显的差异,且有各自的规律可循,所以应用多时相雷达影像分类能够精确得到水稻的种植面积,从而进一步进行水稻的估产.