【目的】中国南方地区云雨频繁且农业景观破碎，是我国农作物遥感监测最具挑战的区域之一。我国自主研发的高分系列卫星具有高时空分辨率和高质量成像的特点。本研究挖掘多源高分系列卫星的时间和空间双重优势，实现多云雨及景观异质区作物精细化识别。【方法】基于国产高空间分辨率高分二号（GF-2）影像表征农田空间几何特征，协同中空间分辨率高分一号（GF-1）和高分六号（GF-6）加密影像观测时间序列，充分表征农作物光谱季相节律。通过构建光谱-时相-空间三维分类特征，基于随机森林进行农作物分类并计算不同特征的重要性。同时，设置不同影像组合和不同分类单元下的多种分类场景，进一步分析不同高分数据协同利用在农作物识别上的表现差异。【结果】基于GF-1、GF-2和GF-6影像和面向对象的农作物分类在湖北省潜江市研究区的总体精度为95.49%,Kappa系数为0.94；在枣阳市的总体精度为93.78%,Kappa系数为0.92。协同GF-2和GF-6进行农作物分类精度优于协同GF-2和GF-1。此外，基于GF-2进行面向对象的农作物分类效果优于面向像元，其中潜江总体精度提升了1.4%，枣阳提升了1.32%。相比GF-1和GF-2对应的光谱和空间特征，GF-6光谱波段对农作物遥感识别的贡献度最大，累计重要性得分占全部光谱波段的82%（潜江）、77%（枣阳）。其中GF-6新增的红边Ⅰ波段（B5）、红边Ⅱ波段（B6）、紫波段（B7）和黄波段（B8）4个光谱波段对作物识别的贡献度分别为47%（潜江）和33%（枣阳）。【结论】协同发挥不同国产高分数据各自光谱-时间-空间优势，不仅缓解了农业景观破碎导致的“混合像元”问题，同时一定程度上降低了多云多雨气候对农作物识别影响的不确定性，为我国南方地区农作物精准识别提供了巨大潜能。

[目的]随着国产高分卫星的快速发展,高分卫星遥感数据在农作物类型遥感识别中获得了广泛应用。通过对农作物类型遥感识别算法的总结,可以发现农作物类型遥感识别算法的优缺点,能够提高国产高分卫星在农业遥感监测中的应用水平。[方法]文章在农作物类型遥感识别算法原理分析基础上,对农作物类型遥感识别算法进行分类,并基于高分六号宽幅数据(GF-6/WFV),在各类算法中选择1～2种典型方法进行示例说明。[结果]光谱特征的可分性是遥感识别算法的基础,根据实施方案的差异,农作物类型遥感识别算法可分为目视解译算法、机器学习法和特征指数识别算法3类。基于GF-6/WFV的随机森林的花生类作物识别、光谱空间特征指数算法的园地识别和时间序列特征指数的冬小麦识别的结果精度均大于90%。[结论]当前农作物类别遥感识别算法中,高分卫星数据都能够得到有效应用,国产高分卫星数据的应用前景广阔。

【背景】中高空间分辨率（≤30 m）影像是在耕地破碎、种植结构复杂的中国南方开展农作物遥感识别研究的重要数据。然而，要克服中高分辨率传感器重访周期较长以及南方多云雨天气的影响，对影像进行时间窗口合成以协同使用多源中高分辨率遥感数据，是获取时空连续农作物制图结果的必要保障。由于不同卫星影像获取的周期不同，且不同农作物物候季相节律存在较大差异，如何选择影像合成时间窗口是农作物准确识别的关键前提。【目的】通过探究影像合成时间窗口对于农作物识别的影响机制，为大尺度复杂农作物种植结构制图提供重要参考依据。【方法】以农作物类型多样且云雨天气频繁的湖北省江汉平原为研究区，通过协同Landsat-8和Sentinel-2A/2B卫星影像，设置7种时间合成窗口（15、20、25、30、40、50和60 d）情景，分别从影像的覆盖度、不同农作物时序光谱特征以及不同农作物分类精度等角度，深入分析影像时间合成窗口对农作物遥感识别的影响。【结果】在影像20 d时间合成窗口的情景下，江汉平原农作物（冬油菜、冬小麦、水稻、稻虾田和其他作物）的总体分类精度最高，为93.13%。对比而言，在影像较短时间合成窗口（如15 d）的情景下，时间序列密集但高质量影像覆盖度较低，农作物总体分类精度较低（90.91%）；而在影像较长时间合成窗口（如60 d）的情景下，影像覆盖度高但时间序列稀疏，导致农作物识别的关键物候信息丢失，降低了总体分类精度（86.06%）。此外，不同农作物的识别效果受影像时间合成窗口的影响程度不同，依次为其他作物>冬油菜>水稻>冬小麦>稻虾田。其他作物类内时序光谱特征变异性较大，因此对时间窗口极其敏感。油菜准确识别的关键物候期为开花期，该时期长度较短，影像合成时间超过30 d会极大降低其识别效果，主要体现为与小麦的混淆。区分稻虾田与单季稻的关键物候期为稻虾田的稻闲季淹水期，其持续时间较长，受时间合成窗口影响较小。【结论】影像时间合成窗口20 d时可兼顾高质量影像覆盖度和捕获农作物识别的关键物候特征，但不同作物识别的最优时间合成窗口受到作物关键物候期影响。研究结果可为多源中高分辨率影像协同下时间合成窗口的选择提供理论参考和方法支撑，进而有效服务于宏观尺度农作物高精度遥感制图研究。

农作物遥感识别是地理学和生态学研究的前沿和热点,多源数据在农作遥感识别中日益发挥重要作用。笔者从多源数据融合的角度,归纳了2000年后多源数据在农作物遥感识别中应用的总体概况,系统梳理并提炼了当前多源数据融合的主要融合技术和融合模式。围绕与多源数据融合和农作物遥感识别相关的关键词,在Google学术、ISI Web of Knowledge和中国知网中对2000—2014年间国内外发表的论文进行检索,并统计不同传感器的使用频率及结合方式。研究表明,以提高空间分辨率为目标的多源数据融合和以提高时间分辨率为目标的多源数据融合技术是当前的两种主要方式,可以在一定程度上实现时空尺度的扩展。前者的融合技...

种植面积是粮食产量的重要构成要素之一，推算农作物面积是准确推算农作物总产量的关键。运用遥感技术及时获取农作物种植面积信息及其空间分布状况，对于准确推算农作物产量意义重大。本文运用抽样调查理论，对各种方法的抽样误差进行比较分析，表明对播种系数采用二次分层抽样抽选遥感测量外业调查村的办法可行，应作为农作物面积遥感测量抽样抽选的优先考虑方法。

将遥感变化检测技术结合多期遥感影像进行农作物提取，及时、准确地获取作物播种面积信息，对于制定国家／区域农业经济发展规划、指导种植业结构调整，提高农业生产管理水平具有重要的意义。文章根据变化检测方法特点出发，从硬变化检测方法 （ＨＣＤ）和软检测方法 （ＳＣＤ）等２个方面入手，以近几十年国内外重要成果为基础，首先，总述了各自的应用领域；接着分别对ＨＣＤ和ＳＣＤ各自的方法分类，方法特点、方法适用性进行了总结。分析结果认为：硬变化检测方法 （ＨＣＤ），侧重于硬变化区域的信息提取，其排他性的二值结果 （０，１）对于中、低分辨率影像，尤其是在作物破碎种植区的识别结果误差较大；而软变化检测方法 （ＳＣＤ），．．．

农业是国民经济发展的基础,农作物调查是掌握农业发展的主要统计手段。21世纪初,浙江耕地以一家一户的散户种植为主,为准确统计浙江农作物种植面积,浙江采用了与其农作物种植规模、性质相似的韩国对地调查方法,取得较好的社会效果。但随着土地规模化的日益发展,韩国对地调查方法存在的弊端日益显现出来,而遥感影像技术的成熟与完善,已经具备将其应用于农业调查的条件。本文通过剖析浙江现有对地调查方法的弊端,利用遥感影像的优势,结合浙江实际提出将遥感影像技术与对地调查相结合应用于浙江农作物调查的思考。

[目的]无人机遥感具有高空间、高时间分辨率的优点,并可同时获得光谱和空间信息,因此在农作物分类中备受研究者的青睐。与侧重于从高分辨率RGB图像中提取纹理特征的分类方法不同,文章重点研究如何利用作物在光谱和空间维度上的联合特征尤其是作物高程特征,以实现农作物精细分类。[方法]首先,我们进行研究区域选择和地面实际情况调查,用无人机遥感系统进行可见光影像采集;其次,确定研究区域内农作物分类类别,分别对可见光遥感影像进行可见光植被指数计算及纹理滤波;针对数字表面模型(DSM)数据特点,对两期DSM数据进行差值处理,获得差异数字表面模型数据(DDSM),提取作物高度信息,并根据农作物冠层特性对差异数字表面模型进行滤波处理;最后,进行特征优选及组合,使用SVM方法进行农作物分类。[结果]确定最优分类特征为RGB、红波段对比度、绿波段二阶矩、蓝波段方差、DDSM、DDSM方差、DDSM对比度,分类精度由71.86%提高到92.30%,验证了由DSM影像提取的空间特征可以提高农作物分类精度。[结论]该研究探索了一种基于可见光及空间联合特征的农作物精细分类方法,方法简单可行,设备成本低,在基于无人机低空遥感的样方调查领域中有较大的应用前景。

【目的】不同农作物种类光谱差异小,通过探测众多窄波段范围的细微差别,提取区分不同农作物的特征波段,是目前实现农作物高光谱遥感识别的重要途径。如何提取区分不同农作物的特征波段,进而实现农作物的精确识别是一个挑战。近来出现的随机森林方法在多变量目标的分类识别方法展现了优势,为解决这一难题提供了一个新手段。【方法】利用随机森林法与传统方法分析杭州地区8种典型农作物的反射光谱,提取特征波段并进行分类,对比不同方法的识别效果。【结果】不同作物的反射光谱及其一阶微分、二阶微分、倒数的对数、去包络线法所提取的特征波段只能区分部分作物;随机森林法无需对反射光谱预处理,直接对全波段反射光谱数据处理,不仅筛选出了区分不同作物的特征波段,且运用所选择的波段对作物进行随机森林分类的效果也是最优的。【结论】随机森林法选择的波段(550、 2 490、 370、 770、 560、 380、 540、 530、 570、 350 nm)不仅能区分不同作物,还能反映农作物生化属性的不同,使得用于分类的波段及分类方法体现了不同作物间物化性质的不同,在展现高光谱遥感识别农作物优势的同时,也为大面积农作物遥感精细分类提供借鉴。图5表5参16

以福建闽侯县作为研究区,采用传统抽样(简单随机抽样、系统抽样、分层抽样)、空间抽样(空间随机抽样、空间系统抽样、空间分层抽样)等方法对研究区农作物种植面积进行样本抽选、总体推算及误差估计,结果表明:1 500 m×1 500 m格网为最优抽样单元尺寸,空间分层抽样方法的相对误差为3.86%,变异系数为6.03%,抽样成本为6.03,抽样效率高.与传统抽样方法相比,空间抽样方法显著减少样本容量,节约调查成本.

遥感影像是大数据的一种,利用遥感对农作物播种面积进行估算常采用回归估计量或校准估计量,通常都需要将地面样本数据与遥感分类信息相结合。但对于大多数回归估计量,对以省级为总体的农作物面积的估算只能满足对省级总体的精度要求而不能分解到更小区域,比如县和乡级。本文利用黑龙江省2011年的地面实测样本数据结合遥感分类结果,构建了单元层次的多响应变量的多元回归形式的小域模型,并将小域效应设定为固定形式。基于这样的回归估计方法,既可以估算分县的主要作物播种面积,也可以使得各县播种面积估计结果相加就等于回归模型含义下的省级总体的总量估计。

森林类型识别技术是遥感分类中的重点和难点，采用面向对象的遥感影像分类方法是实现森林类型分类的新方法。资源３号遥感影像可为森林类型提取提供新方向。以资源３号遥感影像作为基础研究数据，采用面向对象的分类方法，选择分形网络演化法进行多尺度分层分割，并结合典型地物的光谱特征、纹理特征、几何特征以及植被指数，构建了适用于森林类型提取的决策树模型，并与分割尺度不同的支持向量机分类方法进行比较分析。结果表明：多层分割的决策树分类方法分类精度高于单层分割的支持向量机分类方法，分类精度分别提高了６．１％和１２．５％。说明建立多层分割的决策树分类方法适用于森林类型的分类研究。

【目的】近年来,越来越多高时间分辨率、高空间分辨率卫星相继出现,为我们的生产生活提供了很大的便利,如何利用好这些数据庞大、信息丰富的遥感影像一直以来都是国内外研究的热点问题。其中遥感影像的分类是将大量的遥感影像应用于各个领域的基础,针对传统方法对于高分辨率影像分类精度提高难的问题,提出一种面向对象结合卷积神经网络的遥感分类方法。【方法】首先利用构建moran’s I指数与地理探测器q统计量的二维空间的方法,确定最佳分割尺度,以最大面积法确定均质因子权重,对预处理后的GF-1影像进行分割,利用分割后的对象的特征作为分类模型的输入变量,建立一维卷积神经网络(1D-CNN)的分类模型,构建了基于像元的支持向量机,面向对象的支持向量机分类模型,对研究区进行了分类。【结果】利用面向对象的一维卷积神经网络方法进行分类,分类结果总体精度为93.10%,Kappa系数为0.916 7,同基于像元支持向量机方法相比,总体精度提高了24.35%,Kappa系数提高了0.292 3;同面向对象的支持向量机方法相比,总体精度提高了6.2%,Kappa系数提高了0.074 6。【结论】利用构建的moran’s I指数与地理探测器q统计量的二维空间和最大面积法确定最佳分割参数,建立一维卷积神经网络结合面向对象的方法对遥感影像进行分类,与传统模型相比得到的分类结果精度较高,是一种快速有效的分类方法。

高分辨率遥感影像地理信息是研究山区河流的重要数据源。针对山区地物类型复杂、河道狭窄等原因导致的河流表面信息提取完整性差、河宽难以自动提取且精度低等问题,结合随机森林(RF)和神经网络(ANN)算法,建立了河流表面信息提取方法RF-ANN。该方法支持并行运算且能降低热红外数据尺度辅助去噪,实现了对河流表面信息的像素级提取。利用Laplace算子及边缘算法改进了RivWidthCloud河宽提取算法,使其不需要人工设定判别阈值,提升了算法的普适性。以国产GF-1、ZY-3卫星影像为主要数据源,选取黄河一级支流皇甫川为研究区域。利用所建立的方法提取了皇甫川流域2级及以上河流的河流表面信息和平滩河宽。结果表明:RF-ANN的河流表面信息提取精度达到94.7%。提取河宽的平均误差为1.07m(约0.5个像素),提取的最小有效河宽为6.1m(约3个像素),提取河宽与检验河宽的R2和RMSE分别为0.93和1.52,宽度小于10m极细河流、10～30m细小河流、30～90m较细河流及90m以上较宽河流的河宽提取误差分别为18.5%、8.8%、2.0%和0.7%。该研究结果为山区河流几何形态特征提取及河流地貌空间分布研究提供了方法和数据支持。

中国芒果种植面积居世界第二,并有持续增长的趋势。国内外利用遥感手段提取农作物的相关研究较多,但有关芒果林遥感提取的研究仍较少。本研究基于2016年12月的高分辨率卫星SPOT-6数据,结合植被覆盖度(FVC)和坡度(SLOPE)因子,利用面向对象分类方法对芒果林地信息进行提取,结果表明,利用FVC和SLOPE参与分割的面向对象分类方法,提取芒果林地的生产者精度达92.81%,用户精度达97.19%。该方法相比于最大似然法分类以及FVC和SLOPE未参与分割的面向对象分类,提取芒果林地的生产者精度分别提高了