面向对象的宽波段影像水稻种植信息提取

为解决基于像素的遥感影像农作物提取中的“同物异谱、同谱异物”问题,本文基于天宫二号宽波段成像仪获取的影像数据,提出一种面向对象方式的水稻种植信息提取技术。首先以面向对象的方式对地物进行多尺度分割,充分利用地物间的关联和上下文信息,获取抗噪、空间分布连续的地块单元。进一步构建卷积神经网络,对分割后的地块进行光谱特征的高维映射和提取,获取了湖南省华容县的水稻种植信息分布。实验表明,通过结合面向对象方法和深度学习网络,能够充分利用天宫二号宽波段影像包含丰富的光谱和空间信息,实现早稻、晚稻种植信息的高精度提取。本文所提方法较常规像元级分类,提取的水稻种植信息在空间分布上更为连续、合理,有效缓解了“椒盐噪声”现象,且总体精度提升至97.08%,Kappa系数提升至0.95。

基于Radarsat-2的水稻种植面积提取

选用2013年7月23日-10月27日期间5期分辨率为5.2 m×7.6 m的Radarsat-2影像为数据,采用支持向量机法(SVM)和最大似然法(MLC)分别对各时相水稻种植面积进行提取,并以地面实测GPS水稻样方进行精度验证。结果表明SVM和MLC方法的水稻面积提取精度均在9月9日达到最高,所以选择在9月9日的水稻面积提取结果上研究耕地地块优化和碎小图斑去除对精度的影响。通过耕地地块优化和碎小图斑去除处理,水稻面积提取精度显著提高,SVM法由原先的72.876%提高到95.482%,MLC法由74.224%提高到91.792%。

基于多时相合成孔径雷达数据的水稻种植面积监测

与光学遥感相比,合成孔径雷达(SAR)遥感能够不受云雨天气影响,为大范围作物种植信息的精准监测提供新手段。本研究以天津市小站稻为例,基于2018-2021年的多时相Sentinel-1A SAR影像,提出了结合小站稻生长特征相似性分析与随机森林分类的水稻种植分布和面积监测方法。首先提取VV和VH极化方式下不同地物的后向散射系数时间序列特征曲线,并利用HANTS滤波来消除噪声影响。然后根据野外调查数据获取小站稻参考生长曲线,构建小站稻相似性指数,筛选出小站稻可能种植区域。最后采用随机森林分类模型提取小站稻种植面积。结果表明,基于多时相Sentinel-1A SAR影像相似性分析及随机森林分类能够获得较高精度的水稻种植面积,VV和VH两种极化方式下提取的水稻种植面积与统计年鉴结果的平均相对误差分别为2.67%和3.80%,总体分类精度分别达到95.52%和93.40%,Kappa系数分别为0.94和0.93;与不引入相似性指数进行分类相比,VV和VH极化方式下引入相似性指数后总体分类精度分别提高4.35个百分点和3.13个百分点,Kappa系数分别提高0.04和0.03,水稻的制图精度分别提高3.38个百分点和3.25个百分点。本研究结果为开展高精度水稻种植信息业务化监测提供参考。

基于样本知识挖掘的高分辨率遥感图像水稻种植信息提取方法

针对高分辨率遥感图像中水稻种植信息实际是水稻、泥土、水、杂草、浮萍等多种地物混合信息的情况,提出了一种基于样本知识挖掘的水稻种植信息提取方法。该方法以构成水稻种植信息的各种地物信息为分析的基本单元,依据空间自相关性理论,挖掘基于各种基本单元的水稻种植信息的组合特征,进而提出了一种水稻种植信息提取策略:首先,分割图像得到各类混合地物信息的基本单元;其次,通过分析水稻样本图斑所包含的基本单元种类确定构成水稻的基本单元类型,将相应类型的基本单元均归入初始水稻种植区;最后,通过分析矢量化的初始水稻种植区图斑内的基本单元的组合特征与水稻样本图斑内的基本单元的组合特征的相似性,剔除不符合水稻种植信息基本单元组合规律的初始水稻种植区图斑。实际的水稻种植信息提取结果表明,该方法实现了良好的提取效果,水稻提取总体精度可达96%。