基于纹理特征与MODIS-NDVI时间序列的耕地面积提取研究

[目的]耕地是粮食安全的重要前提与保障,通过对MODIS时间序列数据的特征分析和提取,讨论了在大尺度条件下的耕地面积提取的可行方法,以期为当地合理利用耕地资源进行农业生产规划与布局提供参考。[方法]文章以呼伦贝尔市为研究区域,选择MOD13Q1为数据源,采用Savizky-Golay滤波方法对MODIS-NDVI时间序列进行滤波处理,并分析各地物间的时间变化特征,最后结合纹理特征信息进行CART决策树分类的结果比较。[结果](1) MODIS-NDVI时间序列能较好的区分不同的土地利用类型;(2) Savizky-Golay滤波降噪能够明显提高分类精度;(3)纹理特征的加入进一步反映地物间差异性;(4)该方法的总体分类精度为83. 72%,Kappa系数为0. 789,其中耕地的提取准确度为86. 33%。[结论]纹理特征使数据像元间的灰度相关性更加丰富,并通过提高像元之间的差异改善结果的精度。该文结果为进一步利用MODIS数据进行土地利用信息与农业资源调查提取提出了新思路。

多源遥感数据特征优选的大兴安岭沿麓不同农作物提取

【目的】以内蒙古呼伦贝尔市为研究区,采用多源遥感数据进行农作物提取,旨在为多云多雨条件下、跨气候带区域和高寒旱作农业区大尺度农作物提取应用提供解决方案。【方法】基于Google Earth Engine平台,采用以Sentinel-1和Sentinel-2为主的多源遥感数据进行农作物提取。利用Boxcar滤波后Sentinel-1多极化数据构建时序数据集;获取Sentinel-2 TOA生长季数据,合成为最小云量影像并计算多种遥感指数特征;将地形因素和地表覆盖作为分类辅助数据,结合地面样本数据应用到随机森林分类器中,获取10 m精度的作物分布图,通过评估分类精度和分类贡献水平,将特征优选后的数据集用以提取研究区农作物分布,并分析农作物的分布特征。【结果】通过将雷达数据和光学数据进行组合(VVB+VHB+M+I+T+L)得到87.41%的农作物分类精度,比单独的组合(VVB+VHB、M+I+T+L)提取结果分别提高了7.58%和7.88%;使用500树的分类精度最高,当决策树的数量超过或不足500时,分类精度都有所下降,过多的决策树并没有提高分类器的性能;利用多源遥感数据特征波段重要性排名前24位组成的数据集提取的农作物总体精度为87.76%,Kappa系数为0.86。【结论】该研究结果获得了比较理想的农作物分布图,可实现常规业务化监测,能够为农作物遥感调查提供有效手段。

基于遥感地理特征曲线的主要农作物种植面积大尺度提取

【目的】研究利用遥感地理特征曲线数据快速提取内蒙古呼伦贝尔市、兴安盟的主要农作物种植面积的方法。【方法】以2018年46期(MOD09Q1)数据为数据源,计算NDVI,利用NRF滤波方法重建时间序列数据集,并与5月NDVI最低值、DEM数据、坡度数据、5月LSWI最高值数据集成特征曲线数据集;用CART决策树分类方法对5种农作物种植面积进行提取,并利用地面样方数据进行精度验证。【结果】建立了小麦、油菜、玉米、大豆、水稻的标准特征曲线,并针对不同区域构建了适合该区域的农作物信息提取模型;地面样方数据验证相对精度达到77%以上。【结论】综合考虑遥感地理特征曲线,用CART决策树分类方法大尺度快速提取主要农作物面积是可行的。

基于ESTARFM模型的农作物类型识别方法应用

【目的】利用时空融合技术生成高时空分辨率影像,为农作物类型识别研究提供一种思路和方法。【方法】以河套灌区部分区域(40°10′N~41°25′N、106°23′E~108°47′E)为研究区,基于MODIS和Landsat融合影像,利用增强型时空自适应反射率融合模型(ESTARFM),预测Landsat影像并建立NDVI时间序列影像数据集。结合地面样方数据将真实影像与预测影像数据集导入随机森林分类器,并对比分析研究区主要农作物类型。【结果】ESTARFM模型融合影像具有较清晰的空间表达能力,预测影像与真实影像波段表现出较好的相关性,其R值均能达到0.6以上。利用NDVI时间序列预测影像数据集农作物类型识别总体精度为93.03%,比真实影像精度高12.07%,Kappa系数为0.89。【结论】ESTARFM模型能够有效地解决农作物特定窗口期影像缺失困难,并能为农作物类型识别研究提供一种较好的应用方法。