非监督分类的冬小麦种植信息提取模型

doi:10.13474/j.cnki.11-2246.2019.0254

测绘通报 ›› 2019, Vol. 0 ›› Issue (8): 68-71,77.doi: 10.13474/j.cnki.11-2246.2019.0254

非监督分类的冬小麦种植信息提取模型

王冬利^1,2, 张安兵^1,2, 赵安周^1,2, 李静^1,2

1. 河北工程大学矿业与测绘工程学院, 河北邯郸 056038;
2. 河北工程大学河北省煤炭资源综合开发与利用协同创新中心, 河北邯郸 056038

收稿日期:2019-03-17 修回日期:2019-05-13 出版日期:2019-08-25 发布日期:2019-09-06
通讯作者: 张安兵。E-mail:zhanganbing@hebeu.edu.cn E-mail:zhanganbing@hebeu.edu.cn
作者简介:王冬利(1979-),男,博士,讲师,主要从事遥感在资源、环境和农业领域的应用研究。E-mail:wangdongli@hebeu.edu.cn
基金资助:
国家863计划子课题（2015AA123901）；河北省自然科学基金（D2017402159）；河北省高等学校科学技术研究重点项目（ZD2018230）；河北省高等学校科学技术研究青年拔尖人才项目（BJ2018043）

Extraction model of winter wheat planting information based on unsupervised classification

WANG Dongli^1,2, ZHANG Anbing^1,2, ZHAO Anzhou^1,2, LI Jing^1,2

1. School of Mining and Geomatics, Hebei University of Engineering, Handan 056038, China;
2. Collaborative Innovation Center for the Comprehensive Development & Utilization of Coal Resources in Hebei Province, Hebei University of Engineering, Handan 056038, China

Received:2019-03-17 Revised:2019-05-13 Online:2019-08-25 Published:2019-09-06

摘要/Abstract

摘要： 为了解决在区域冬小麦种植信息遥感提取过程中监督学习算法存在的需要地面样本数据支持、流程复杂、人为干扰因素多及自动化程度低等问题，本文以非监督分类为核心，结合多尺度技术，提出了一种新的非监督分类冬小麦种植信息提取模型。选取河北省辛集市为典型试验区，以2014年高分一号数据为数据源，对本文提出的模型进行实例验证。试验结果表明：该模型的Kappa系数为0.88，整体精度为94.00%；对于研究区内的冬小麦，在无需训练样本、人为干扰因素少等条件下，该模型具有与监督分类相似的提取精度，能够满足冬小麦种植信息地面遥感监测的需求。

关键词: 非监督分类, 冬小麦, 植被指数, 高分一号, 多尺度

Abstract: There are some problems of supervised learning algorithm in remote sensing extraction of regional winter wheat planting information, such as heavy dependence on ground sample data, complex process, too many artificial interference factors and low degree of automation, etc. In order to solve those problems, this paper proposed a model of winter wheat extraction which took unsupervised classification technology as the core and combined with multi-scale technology. It verified the accuracy and validity of the model proposed in this paper that took Xinji city of Hebei province as a typical experimental area and used the GF-1 remote sensing data in 2014. The experimental results show that the overall accuracy of the model is 94.00%, and the Kappa coefficients is 0.88. For winter wheat in the study area, the model can achieve the supervised classification extraction accuracy without training sample data and less artificial interference factors. So, the model can meet the requirements of ground remote sensing monitoring for winter wheat planting information.

Key words: unsupervised classification, winter wheat, vegetation index, GF-1, multi-scale

中图分类号:

P237

王冬利, 张安兵, 赵安周, 李静. 非监督分类的冬小麦种植信息提取模型[J]. 测绘通报, 2019, 0(8): 68-71,77.

WANG Dongli, ZHANG Anbing, ZHAO Anzhou, LI Jing. Extraction model of winter wheat planting information based on unsupervised classification[J]. 测绘通报, 2019, 0(8): 68-71,77.

参考文献

[1] BECKER-RESHEF I, VERMOTE E, LINDEMAN M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6):1312-1323.
[2] 何浩, 朱秀芳, 潘耀忠, 等. 尺度变化对冬小麦种植面积遥感测量区域精度影响的研究[J]. 遥感学报, 2008, 12(1):168-175.
[3] 史舟, 梁宗正, 杨媛媛,等. 农业遥感研究现状与展望[J]. 农业机械学报, 2015, 46(2):247-260.
[4] PEÑA-BARRAGÁN J M, NGUGI M K, PLANT R E, et al. Object-based crop identification using multiple vegetation indices, textural features and crop phenology[J]. Remote Sensing of Environment, 2011, 115(6):1301-1316.
[5] 李存军, 王纪华, 刘良云, 等. 利用多时相Landsat近红外波段监测冬小麦和苜蓿种植面积[J]. 农业工程学报, 2005, 21(2):96-101.
[6] 邓刘洋, 沈占锋, 柯映明, 等. 基于地块尺度多时相遥感影像的冬小麦种植面积提取[J]. 农业工程学报, 2018, 34(21):157-164.
[7] 李乐, 张锦水, 朱文泉, 等. 地块支持下MODIS-NDVI时间序列冬小麦种植面积测量研究[J]. 光谱学与光谱分析, 2011, 31(5):1379-1383.
[8] 潘耀忠, 李乐, 张锦水, 等. 基于典型物候特征的MODIS-EVI时间序列数据农作物种植面积提取方法——小区域冬小麦实验研究[J]. 遥感学报, 2011, 15(3):578-594.
[9] 张健康, 程彦培, 张发旺, 等. 基于多时相遥感影像的作物种植信息提取[J]. 农业工程学报, 2012, 28(2):134-141.
[10] 范磊, 程永政, 王来刚, 等. 基于多尺度分割的面向对象分类方法提取冬小麦种植面积[J]. 中国农业资源与区划, 2010, 31(6):44-51.
[11] 陈水森. 基于波谱库的作物纯像元识别与种植面积遥感估算[D]. 北京:中国科学院研究生院, 2005.
[12] 石涛, 张丽, 杨元建. 基于Landsat-8和LSMM的冬小麦面积提取研究——以皖北为例[J]. 麦类作物学报, 2015, 35(12):1727-1732.
[13] 吴炳方, 李强子. 基于两个独立抽样框架的农作物种植面积遥感估算方法[J]. 遥感学报, 2004, 8(6):551-569.
[14] 屠星月, 赵冬玲. 多时相遥感影像农作物识别方法的分析[J]. 测绘通报, 2012(S1):380-383.
[15] 林文鹏, 王长耀, 黄敬峰, 等. 基于MODIS数据和模糊ARTMAP的冬小麦遥感识别方法[J]. 农业工程学报, 2008, 24(3):173-178.
[16] 黄青, 李丹丹, 陈仲新, 等. 基于MODIS数据的冬小麦种植面积快速提取与长势监测[J]. 农业机械学报, 2012, 43(7):163-167.

非监督分类的冬小麦种植信息提取模型

Extraction model of winter wheat planting information based on unsupervised classification

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.
[2]	罗鸿, 廖雨, 杨存建. 基于高分影像的乡村聚落提取与空间重构[J]. 测绘通报, 2022, 0(6): 62-65,92.
[3]	李慧敏, 罗大伟, 窦世卿. 利用腾讯位置大数据进行多尺度人口空间化估算[J]. 测绘通报, 2022, 0(6): 93-97.
[4]	冯志立, 肖锋, 卢小平, 郝波, 王如意, 朱睿. 基于随机森林特征优选的冬小麦分类方法[J]. 测绘通报, 2022, 0(3): 70-75.
[5]	王晓晓, 韩留生, 杨骥, 李勇, 张大富, 孙广伟, 范俊甫. Sentinel-2与Landsat 8数据组合下的多特征冬小麦面积提取[J]. 测绘通报, 2022, 0(3): 111-115.
[6]	程滔, 管林杰, 郑新燕, 陶舒, 高崟. 基于色调饱和度亮度模型的可见光植被提取[J]. 测绘通报, 2022, 0(2): 116-120.
[7]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[8]	高莎, 袁希平, 甘淑, 杨明龙, 袁新悦, 罗为东. 融合无人机影像与LiDAR点云的山区地表覆被景观特征探测[J]. 测绘通报, 2022, 0(1): 110-115.
[9]	聂倩, 七珂珂, 赵艳福. 融入超像素分割的高分辨率影像面向对象分类[J]. 测绘通报, 2021, 0(6): 44-49.
[10]	贾文翰, 刘越岩. 基于卷积神经网络的高分遥感影像内陆盐沼湿地信息提取[J]. 测绘通报, 2021, 0(6): 89-92.
[11]	王树祥, 韩留生, 杨骥, 李勇, 赵倩, 刘杨晓月, 吴昊. 一种改进的融合多指标荒漠化等级分类方法[J]. 测绘通报, 2021, 0(4): 8-12.
[12]	刘智勇, 张晨, 刘泽楷, 袁俊健, 祁宏昌, 潘屹峰, 朱焕廉, 吴希文, 王华. 雷达相干性与NDVI经验模型[J]. 测绘通报, 2021, 0(4): 45-51,59.
[13]	蓝贵文, 唐宇龙, 杜永良, 潘柱光, 莫栩琪. 排水管网多尺度几何语义建模[J]. 测绘通报, 2021, 0(3): 123-127.
[14]	梁磊, 周启, 任东宇, 文学虎. 第三次国土调查的图斑自动综合方法[J]. 测绘通报, 2021, 0(12): 124-129.
[15]	杨泽宇, 张洪艳, 明金, 冷伟, 刘海启, 游炯. 深度学习在高分辨率遥感影像冬油菜提取中的应用[J]. 测绘通报, 2020, 0(9): 110-113.