融合时序Sentinel数据多特征优选的南方丘陵区油茶种植区提取

油茶作为江西省经济林树种之一,也是江西省特色优势产业,准确获取其空间分布在产量估算、生产管理和政策制定等方面具有重要意义。本研究针对南方多云多雨气候导致光学影像不足,以及丘陵山区地形破碎问题,以江西省宜春市袁州区为研究区,采用时序Sentinel系列影像数据和SRTM DEM数据为数据源,构建和优选了光谱特征、植被-水体指数、红边指数、雷达特征、地形特征和纹理特征共125个特征变量,其中,纹理特征采用累计差法(Δf)对比15种不同尺度窗口,计算Sentinel-1和Sentinel-2影像最佳纹理特征。基于ReliefF特征优选算法和随机森林分类算法,设计了8种特征组合方案开展实验,探讨不同特征类型对油茶提取精度的影响。结果表明:利用累计差法计算出的Sentinel-1和Sentinel-2的最佳纹理特征窗口尺寸均为35×35,最佳纹理特征组合为均值(Mean)、方差(Variance)和对比度(Contrast);在光谱特征、植被-水体指数的基础上加入不同特征对油茶进行分类,不同类型特征对油茶提取的有利程度由大到小依次为S2纹理特征、S1纹理特征、地形特征、雷达特征、红边指数,相比于单一光谱和指数特征,纹理特征的加入可大幅度提高分类精度。多特征协同分类结果优于单特征分类结果,基于特征优选的油茶提取精度最高;基于ReliefF算法特征优选后的方案精度最高,总体精度为88.29%,Kappa系数为0.81。本研究利用时序Sentinel系列遥感影像和DEM地形数据,构建了针对多云雨南方丘陵山区的大范围油茶遥感提取方法,可为中国南方丘陵区域油茶资源调查与监测提供参考。

基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取

遥感技术能够获取大区域下冬小麦的空间分布,为冬小麦估产提供良好基础。基于2020年5月4日的高分2号多光谱卫星影像,构建包含光谱特征和植被指数的数据集,并通过改进UPerNet模型的上采样结构、激活函数以及增加注意力模块来优化模型提取冬小麦效果。选取杨凌示范区2块地物类型丰富地区作为研究区域,以此探究方法的可行性;然后基于最优方法,提取杨凌区冬小麦种植区域。研究区域结果表明,与仅使用光谱信息作为模型输入特征相比,基于多光谱和植被指数的分类效果更好。在融合光谱特征和植被指数的数据集上,改进的UPerNet模型分类精度最高,冬小麦提取精度为97.78%,总体分类精度相比于改进前的UPerNet提升了2.49%,对比DeepLab V3+提升了3.48%。基于改进方法,实现了杨凌示范区的冬小麦种植区提取;通过实地调查以及对比统计年鉴数据的方式,验证了杨凌示范区冬小麦空间分布与实际情况基本一致。改进后的UPerNet模型能够有效区分遥感数据中的地物类别,提升冬小麦种植区域提取精度,也为基于卫星影像获取冬小麦空间分布提供了技术支持。

结合Sentinel-2影像和特征优选模型提取大豆种植区

准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(Random Forest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine,SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%~91.91%,Kappa系数在0.72~0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。

基于谷歌地球引擎的山东省马铃薯种植区面积提取研究

传统马铃薯种植面积估算主要基于地面测量,再逐级上报,时效性和准确性难以得到保障。本文基于谷歌地球引擎(google earth engine,GEE)和哨兵2号(Sentinel-2)遥感影像,对山东省马铃薯种植区进行面积提取和监测。结合实地调查所获数据与目视解译法进行样本点选取,获取各类地物遥感影像样本;对不同典型地物遥感反射率做归一化处理,通过随机森林算法实现马铃薯种植区从其他地物类型中的有效识别;构建混淆矩阵进行精度验证及对比分析。结果表明:基于GEE对山东省马铃薯种植区面积提取的分类精度达到92.5%,Kappa系数达到0.916,可获取山东省马铃薯种植区整体影像、山东省各地市马铃薯种植面积。试验精度结果良好,与统计年鉴相似性较高,有很大的实际应用意义。本研究实现了大尺度范围对马铃薯种植区面积的提取。

基于SPRRD-ShuffleNetV2的GF-2图像茶种植区快速提取方法

由于茶树在光谱特征上与其他农作物种植区具有相似性,导致茶种植区的遥感识别具有比较大的难度。为了在保证提取精度能达到基本实际需求的前提下,有效提高高分辨率遥感图像茶区提取速度,提出了一种基于SPRRD-ShuffleNetV2的遥感图像茶种植区快速提取方法。首先,以去除了最后1×1卷积层、全局池化层和全连接层的ShuffleNetV2网络作为编码器,并增加解码器以实现像素级分类;然后,在几乎不增加参数量、不影响推理速度的前提下,在编码器部分增加增强条纹池化模块和混合池化模块,用于捕获全局和局部依赖关系,在解码器部分增加残差优化块,用于优化输出特征。使用高分二号图像作为实验数据源。结果表明,该方法能够满足基本提取精度需求,并有效提高了提取速度。