农业信息小编为大家带来以下内容：
摘要：为了进一步加强国产卫星和地理人口普查成果的应用，本研究以黑龙江省齐齐哈尔市克山县为研究区，以地理人口普查成果为影像多尺度分割和空间种植结构提取的数据基础，以国产卫星影像(高分一号、资源三号)为主要数据源，采用基于对象的分类方法根据农作物信息对克山县主要农作物)玉米、大豆、水稻、马铃薯进行分类研究和栽培，结果表明，根据地理人口普查成果进行农作物种植结构提取，可以有效消除与主要农作物光谱信息相似的草地和林地干扰， 利用农作物生物气候信息可有效区分玉米、大豆、马铃薯，提取主要农作物总体准确度为92.22%，Kappa系数为0.89，可以满足农业成果应用的准确度要求。 该方法可为市域、县域尺度上农作物栽培结构的信息提取研究提供理论和技术支持。
关键词：农作物地理国情地理人口普查成果栽培结构遥感
引言
农业发展是国家发展、经济建设的基本问题，是人们关注的焦点。 准确高效地掌握农作物空间种植结构不仅是农作物生长状况监测和灾情评估的基础，而且对国家宏观指导农业生产、农业政策制定、农业管理规范化具有重要的现实意义。 传统的农作物种植结构统计方法多为实地调查，存在主观性强、持续时间长、人力、物力、财力等问题[ 1，2 ]。 遥感技术具有宏观视野、动态监测、信息获取方便和成本节约等诸多优点，已成为获取农作物种类和空间分布的重要途径，在不同时空尺度上发挥着重要作用[ 3，4，5，6 ]。
目前农作物空间种植结构、长势分析及产量估算等主要利用国外数据源，其中，中低空间分辨率的MODIS、AVHRR和Landsat系列等卫星遥感数据重访周期长、扫描幅度窄、天气影响大而空间分辨率和光谱分辨率高的Rapideye、SPOT等卫星影像价格相对较高，数据处理费时，难以广泛应用于农作物分类研究和经营[7]。
随着zy-3，02c、GF-1、GF-2等国产卫星遥感影像的成功发射及其数据的免费应用，大大降低了大范围农情遥感监测的数据成本，且在图像处理方面对处理人员的专业性要求比较高因此，本研究采用国产卫星影像[高分1号和资源3号]作为主要数据源[8、9、10]
传统的农作物栽培结构提取方法通常采用基于像素的分类方法，主要有非监督分类法和监督分类方法。 其中，监督分类法有最大似然( MaximumLikelihood )、支持向量机( SupportVectorMachine )、谱角( SpectralAngleMapper )等方法，主要基于像元类内和类间空间纹理结构和相邻像素谱间的关联效果被忽略，而面向对象的分类方法处理具有相似空间特征和纹理特征的对象，在数据分析处理中使用机器学习技术， 通过分析光谱信息和空间几何关系实现数据的分类和特征的提取，自动化程度高，针对高分辨率图像，该方法效果更好，很好地避免了基于像素分类方法的不足，因此本研究采用面向对象的方法进行主要农作物的信息提取。
仅基于遥感数据，数据源单一，本研究采用地理国情矢量数据，数据信息丰富，可靠性高。 利用地理人口普查矢量数据进行图像分割时，可以更好地进行地物边缘提取。 地理国情监测项目的矢量成果包括耕地、园地、林地、草地等一级耕地[11]，一级耕地包括水田、旱地、果园、茶园等两类，二级农田未具体区分玉米、大豆、马铃薯等主要农作物农作物光谱曲线与草地、林地等植被的光谱曲线相似，在农作物信息提取时容易混淆。 利用地理人口普查成果进一步从耕地中提取主要农作物，可以有效地清除林地、草地、植被等，大大减少信息提取的工作量，提高信息提取的效率和准确性。 因此利用地理人口普查成果进行农作物种植结构提取具有重要的现实意义。 玉米、大豆和马铃薯等农作物具有相似的生长周期，其光谱曲线相似，仅靠单时相单遥感数据源很难提取精度，因此本研究利用主要农作物气候期光谱信息的差异进行区分，其提取结果更为科学
1、研究区和试验数据
1.1研究区概况
克山县地处黑龙江省西部，属黑龙江省齐齐哈尔市，东与克东县接壤，西与依安县接壤，南与拜泉县，北与讷河市相望，总土地面积3186km2。 如图1所示。
图1研究区位置图
克山县气候属寒温带大陆季风气候，年平均气温2—3，年降雨量400—600mm，主要集中在6—8月。 克山县地处松嫩平原北部，地处小兴安岭南麓和松嫩平原过渡地带，南部为冲积平原，地形较平坦，中部、北部为丘陵地带，地形起伏较大。 克山县主要农作物是大豆、玉米、土豆、水稻，是我国重点商品粮基地县，大豆出口基地县和土豆基地县是首批国家级食品安全示范县，有“北国粮仓”“大豆之乡”之称。
1.2试验数据
高分卫星1号有WFV和PMS两种传感器，搭载的两台PMS传感器的空间分辨率为2m，光谱分辨率为8m，搭载的四台WFV传感器的光谱分辨率为16m。 本文选择了2017年7月3日和2017年7月24日的GF-1/PMS数据共计6景，分别为2017年8月22日和2017年9月24日的gf-1
资源三号( ZY-3 )卫星空间分辨率2.1m，广泛应用于国土资源、林业、农业、地质等行业。 本文选取2017年6月5日ZY-3卫星数据1景，见表1。
1.3数据处理
本文利用地理人口普查数据作为视频预处理的基础，地理人口普查数据包括宽幅正射视频数据和DEM数据，覆盖整个克山县。 分幅正射图像数据宽125000分幅，分辨率为0.5m，作为本文修正和精度检测的主要数据源，DEM数据宽150000分幅，网格间距10m，作为本文图像修正的数据基础。 对gf-1(wfv，PMS )、ZY-3数据进行数据预处理，利用Envi软件对全色、多光谱图像进行辐射校正，利用FLAASH大气辐射传输模型对多光谱图像进行大气校正所利用的遥感影像时空分辨率高，影像数据量大，需要利用PCI软件进行控制点采集，实现正射校正； 通过各主流软件融合模块的比较，发现PixelGrid软件的Pansharp融合方法效果最好，本研究利用PixelGrid软件进行图像融合的单景图像宽度狭窄，无法覆盖工作空间，因此对多景图像进行了隐藏本文用Erdas软件镶嵌，镶嵌编辑用ArcGIS软件修改； 根据地理人口普查成果克山县工作区行政范围，利用ArcGIS软件进行裁剪。
表1多源遥感影像数据
1.4处理流程
整体的处理流程如图2所示。
图3是图2处理流程图
2、研究方法
2.1图像分割
面向对象的分类方法是基于对象的，包括对象分割和对象信息提取两个重要步骤。 其中，分割是提取目标信息的基础，分割的效果关系到后续分类精度的高低。 目前，最佳分割尺度主要依靠人工经验，通过反复实验和目视解释确定。 通过使用主题向量对图像进行分割，可以更有效地进行地物的边缘提取。 本文的主题矢量数据来自地理人口普查的成果，无矢量的多尺度分割不能很好地将草地和耕地分开，影响信息提取的准确性。 如图3所示。
图3地理国情向量参与分割效果图
分割尺度过大不能保证完全区分不同的类别，分割尺度过小会破坏对象整体的结构，只要满足必要的精细条件就需要使用较大的尺度。 本研究如图4所示，分别选取40、60、80、100个量表进行分割，通过目视分析判别分割效果是否满足应用需求。 其中，为了在充分区分分类的同时尽量保持对象的完整性，本研究选择80作为分割最优尺度。 由于遥感影像中最重要的信息是光谱信息，形状标准权重过高往往会影响分割结果的质量，在满足所需形状标准的前提下尽量使用颜色标准[ 13，14，15 ]。 在本论文中，形状参数为Shape=0.2，紧凑型参数为Compactness=0.5。 从图4中可以看出，被分割的对象内部异质性很小，对象间的异质性很大。 这样同时保证了对象的纯度和对象的分离性。
图4不同分割尺度的影像效果图
2.2特征选择
本文采用地理人口普查主题成果数据进行分类，可以提高特征提取的准确性。 地理国情采集内容的代码如表2所示。 将林草覆盖、房屋建筑(区)、铁路和道路、构筑物、人工堆挖地、沙漠和地表裸露、水域一级地类划为本项目其他类，将种植土地划为耕地。 其中种植土地中，地理人口普查成果分为二级类稻田和旱地，稻田为本项目水稻。 由于旱地没有具体区分玉米、大豆、土豆等农作物，因此在旱地的基础上是农作物) )。
表2地理国情采集的内容
结合克山县研究区的特点，根据作物自身光谱特性选择光谱植被指数，本研究采用两种强普遍性光谱植被指数：归一化植被指数( normalizeddifferencevegetationiNDVI，NDVI )和比植被指数( rormalizedddiferencevegetationiNDVI，ndex，ndex ) RS
表3植被指数的计算公式
通过对农作物植被指数曲线的分析，揭示了玉米、大豆、马铃薯归一化植被指数( NDVI )、比植被指数( RVI )的差异。 9月底大豆、土豆收获完毕，玉米NDVI值比大豆和土豆高0.4，应用该特征可以提取玉米； 7月中下旬马铃薯RVI指数比玉米大豆低0.5，应用该特征可提取大豆，其余类别为马铃薯。 如图5所示。
图5不同农作物植被指数曲线
2.3信息提取
本文使用的eCognition软件为高分辨率遥感影像提供地物分类和信息提取算法，能够快速高效地生产地理信息数据，自动化程度高，大大缩短实际工作所需的时间。 通过以上算法和特征选择的执行，发现不同地物存在少量同谱异物和异物同谱，此时需要使用人工编辑工具进行修正。 实际生产过程中的自动提取和人工编辑是相辅相成的，不需要分别执行。 计算机自动提取和人工修正交互方式可以有效提高基于规则集的农作物提取效率和精度，分类后进行同类合并，进行平滑等分类后处理，提高地物提取的完整性。 本项目自动将小于400m2的集群整合到相邻集群中，将分类后的成果输出为向量，并在ArcGIS软件中组织成果的属性字段。
三、结果与分析
3.1主要农作物栽培结构提取
通过对以上过程的梳理和分析，得出克山县主要农作物种植结构分布图，如图6所示。 克山县主要农作物以种植大豆、玉米、马铃薯为主，其中大豆种植面积最大，分布在整个研究区； 大豆、玉米和马铃薯种植明显，主要是当地政府宏观制定农业政策，科学规范管理农业种植的结果水稻种植面积比较少，集中种植多，主要分布在克山县北部地区，这是该地区水资源丰富，雨热同步
图6克山县主要农作物种植结构分布图
针对分类结果，对栽培结构提取结果进行精度分析，见表4。
表4地物识别模糊矩阵
通过精度评价，总体分类精度为92.22%，Kappa系数为0.89。 水稻分类效果好，主要加入地理国情矢量数据参与多尺度分割和分类，能很好地区分旱地和水田，而东北地区水田主要种植水稻。 玉米分类效果也比较好，主要是玉米生物气候信息与大豆、马铃薯差异较大，玉米收获期主要在10月5日至15日左右，此时大豆、马铃薯已基本完成收获，玉米图谱由于大豆和土豆的光谱信息主要来源于地表反射，玉米植被覆盖度高于大豆和土豆，根据该特征可以对玉米进行有效分类。 但大豆和马铃薯分类准确率相对不高的主要原因是两者拔节期、抽雄期和收获期比较接近，特征差异小，种植地区比较接近，两者识别难度较大，大豆和马铃薯的分类结果存在一定程度的混淆。
3.2农作物生长状况分析
植被增长率可以在一定程度上反映作物产量不足的情况，利用植被指数可以较好地观测植被增长率[ 18，19，20 ]。 本文在主要农作物分区的基础上，利用归一化植被指数NDVI从克山县7月份的影像分析农作物生长率进行提取工作，对玉米、大豆、水稻、马铃薯进行了分级。 其中，一级地类生长率较高，二级地类生长率一般，三级地类生长率较差。 从图7可以看出，大豆生长势总体效果较好，多位于一级地区，该地区大豆生长势较好，栽培分布最广； 玉米和马铃薯多为二级地类，其中北部地区马铃薯多为一级类，生长势头良好； 水稻分布在克山县最北部地区，多为一级地区，总体增长势头较好。
图7克山县主要农作物生长格局图
4、结束语
本文以2017年高分一号( WFV传感器、PMS传感器)、资源三号数据为数据源，选取地理国情调查成果作为图像分割与分类基础，以黑龙江省齐齐哈尔市克山县为研究区，针对主要农作物物候期光谱信息差异，采用归一化植被指数
1 )采用地理国情数据和面向对象相结合的分类方法，充分挖掘地理人口普查成果的潜在价值，说明该方法的有效性。 基于地理人口普查成果提取农作物种植结构，可以有效去除易与农作物混淆的草地、林地等植被，提高主要农作物的信息提取精度。
2 )本文利用多源多相多尺度遥感影像进行主要农作物信息提取，充分考虑不同农作物的生物学关键生长期，实现了县域主要农作物信息提取。 整体分类准确率为92.22%，Kappa系数为0.89，满足实际生产要求。
中国Www.yileen.Com.CN艺莲园专注中国农业种植和养殖技术的综合性农业知识网站,涵盖蔬菜,水果,园林花卉,茶叶,粮油,饲料食用菌,温室灌溉,农业机械,水产,渔业,畜牧家禽,特种养殖,农业会展。