基于ESTARFM模型的农作物类型识别方法应用

doi:10.12190/j.issn.2096-1197.2021.03.17

北方农业学报 ›› 2021, Vol. 49 ›› Issue (3): 128-134.doi: 10.12190/j.issn.2096-1197.2021.03.17

• 农业经济·农业信息技术 • 上一篇

基于ESTARFM模型的农作物类型识别方法应用

包珺玮^1,2, 于利峰^1,2, 乌兰吐雅^1,2, 许洪滔^1,2, 于伟卓¹, 敦惠霞¹

1.内蒙古自治区农牧业科学院农牧业经济与信息研究所,内蒙古呼和浩特 010031;
2.内蒙古自治区农业遥感工程技术研究中心,内蒙古呼和浩特 010031

收稿日期:2021-03-02 出版日期:2021-06-20 发布日期:2021-08-23
通讯作者: 乌兰吐雅（1970—）,女,研究员,硕士,主要从事遥感与GIS应用的研究工作。敦惠霞（1962—）,女,编审,学士,主要从事农业信息管理与期刊出版工作。
作者简介:包珺玮（1987—）,男,助理研究员,硕士,主要从事资源开发与GIS应用的研究工作。
基金资助:
内蒙古农牧业青年创新基金项目（2021QNJJN12,2020QNJJN04）

Application of crop type identification method based on ESTARFM model

BAO Junwei^1,2, YU Lifeng^1,2, Wulantuya^1,2, XU Hongtao^1,2, YU Weizhuo¹, DUN Huixia¹

1. Institute of Agricultural and Animal Husbandry Economy and Information,Inner Mongolia Academy of Agricultural and Animal Husbandry Sciences,Hohhot 010031,China;
2. Inner Mongolia Engineering and Technology Research Center for Agricultural Remote Sensing,Hohhot 010031,China

Received:2021-03-02 Online:2021-06-20 Published:2021-08-23

摘要/Abstract

摘要： 【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。

关键词: ESTARFM模型, 时空融合, NDVI, 农作物, 类型识别

Abstract: 【Objective】 The spatiotemporal fusion technology was used to generate high spatiotemporal resolution images,which provides an idea and method for the research of crop type identification.【Methods】 Taking part of the Hetao Irrigation Area（40°10′N-41°25′N,106°23′E-108°47′E）as the study area,based on MODIS and Landsat fusion images,using enhanced adaptive reflectance spatiotemporal fusion model（ESTARFM）,to predict Landsat images and build NDVI time series image data set. Combining the ground sample data,the real image and predicted image data sets were imported into the random forest classifier,and the main crop types in the study area were compared and analyzed.【Results】 The ESTARFM model fusion image had a clearer spatial expression ability,the predicted image and the real image had a better correlation between the bands,and the R value could reach more than 0.6. The overall accuracy of crop type identification using NDVI time series prediction image data set was 93.03%,which was 12.07% higher than the real image accuracy,and the Kappa coefficient was 0.89.【Conclusion】 The ESTARFM model could effectively solve the difficulty of image missing in a specific window period of crops,and provide a better application method for crop type identification research.

Key words: ESTARFM model, Spatiotemporal fusion, NDVI, Crop, Type identification

中图分类号:

TP701

包珺玮, 于利峰, 乌兰吐雅, 许洪滔, 于伟卓, 敦惠霞. 基于ESTARFM模型的农作物类型识别方法应用[J]. 北方农业学报, 2021, 49(3): 128-134.

BAO Junwei, YU Lifeng, Wulantuya, XU Hongtao, YU Weizhuo, DUN Huixia. Application of crop type identification method based on ESTARFM model[J]. Journal of Northern Agriculture, 2021, 49(3): 128-134.

参考文献

[1] 杨军明. 基于多源数据的灌区尺度水稻水分响应研究[D].哈尔滨:东北农业大学,2019.
[2] 宫诏健,田景仁,陈杰,等.基于MODIS NDVI数据的辽宁省玉米种植面积提取研究[J].江西农业学报,2020,32(9):119-126.
[3] 邬明权,牛铮,王长耀.多源遥感数据时空融合模型应用分析[J].地球信息科学学报,2014,16(5):776-783.
[4] 阳雄伟,陈春花.基于融合时间特征Landsat影像的水稻面积提取[J].地理空间信息,2018,16(6):87-89.
[5] GAO F,MASEK J,SCHWALLER M,et al.On the blending of the Landsat and MODIS surface reflectance:predicting daily Landsat surface reflectance[J].IEEE Transactions on Geoscience & Remote Sensing,2006,44(8):2207-2218.
[6] 平博,孟云闪,苏奋振.面向GF-1 WFV数据和MODIS数据的时空融合算法对比分析[J].地球信息科学学报,2019,21(2):157-167.
[7] ZHU X L,CHEN J,GAO F,et al .An enhanced spatial and temporal adaptive reflectance fusion model for complex heterogeneous regions[J].Remote Sensing of Environment,2010,114(3):2610-2623.
[8] 邬明权,王洁,牛铮,等.融合MODIS与Landsat数据生成高时间分辨率Landsat数据[J].红外与毫米波学报,2012,31(1):80-84.
[9] 刘咏梅,马黎,黄昌,等.基于MODIS-Landsat时空融合的陕北黄土高原植被覆盖变化研究[J].西北大学学报(自然科学版),2019,49(1):62.
[10] 牛忠恩,闫慧敏,黄玫,等.基于MODIS-OLI遥感数据融合技术的农田生产力估算[J].自然资源学报,2016,31(5):875-885.
[11] 符宝玲. 基于改进的时空融合模型的小兴安岭中部地区植被分类研究[D].哈尔滨:哈尔滨师范大学,2019.
[12] 杨贵军,孙晨红,历华.黑河流域ASTER与MODIS融合生成高分辨率地表温度的验证[J].农业工程学报,2015,31(6):193-200.
[13] BAI L L,CAI J B,LIU Y,et al.Responses of field evapotranspiration to the changes of cropping pattern and groundwater depth in large irrigation district of Yellow River basin[J].Agriculture Water Manage,2017,188:1-11.
[14] HUANG C,CHEN Y,ZHANG S Q,et al.Surfacewater mapping from Suomi NPP-VIIRS imagery at 30 m resolu-tion via blending with Landsat data[J].Remote Sensing,2016,8:631.
[15] 郭文静,李爱农,赵志强,等.基于AVHRR和TM的时间序列较高分辨率 NDVI 数据集重构方法[J].遥感技术与应用,2015,30(2):267-276.
[16] 石月婵,杨贵军,李鑫川,等.融合多源遥感数据生成高时空分辨率数据的方法对比[J].红外与毫米波学报,2015,34(1):92-99.
[17] 郝贵斌,吴波,张立福,等.ESTARFM 模型在西藏色林错湖面积时空变化中的应用分析(1976—2014 年)[J].地球信息科学学报,2016,18(6):833-846.
[18] 杨闫君,占玉林,田庆久,等.基于GF-1/WFVNDVI 时间序列数据的作物分类[J].农业工程学报,2015,31(24):155-161.
[19] 郝宁燕. 基于GF-1影像的森林分类及景观格局分析[D].西安:西安科技大学,2016.
[20] 何云,黄翀,李贺,等.基于Sentinel-2A影像特征优选的随机森林土地覆盖分类[J].资源科学,2019,41(5):992-1001.
[21] 陈梦露,李存军,官云兰,等.基于ESTARFM模型的区域农田高时空分辨率影像产生与应用[J].作物学报,2019,45(7):1099-1110.
[22] 郭娇. 基于ESTARFM模型的西安地区植被覆盖度遥感估算与应用[D].西安:西安科技大学,2017.
[23] 郑利娟. 基于高分一/六号卫星影像特征的农作物分类研究[D].北京:中国科学院大学(中国科学院遥感与数字地球研究所),2017.
[24] 王楠. 黑龙江省作物种植结构提取及时空变化研究[D].哈尔滨:东北农业大学,2018.

基于ESTARFM模型的农作物类型识别方法应用

Application of crop type identification method based on ESTARFM model

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 0

[1]	包珺玮, 乌兰吐雅, 车有维, 刘朝晖, 刘朝霞. 基于GF-6影像的农作物种植结构提取方法研究[J]. 北方农业学报, 2023, 51(4): 112-121.
[2]	金青婷, 黄红星, 江顺. 基于文献计量学的农作物病虫害识别研究进展分析[J]. 北方农业学报, 2023, 51(4): 122-134.
[3]	乌兰吐雅, 于利峰, 包珺玮, 许洪滔, 乌云德吉, 任婷婷, 赵佳乐, 敦惠霞, 于伟卓. 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[J]. 北方农业学报, 2021, 49(1): 127-134.
[4]	于利峰, 乌兰吐雅, 李继辉, 于伟卓, 敦惠霞. 多源遥感数据特征优选的大兴安岭沿麓不同农作物提取[J]. 北方农业学报, 2020, 48(6): 119-128.
[5]	包珺玮, 于利峰, 乌兰吐雅, 许洪滔, 乌云德吉, 于伟卓. 基于随机森林法的农作物遥感识别方法研究——以阿荣旗部分区域为例[J]. 北方农业学报, 2020, 48(1): 129-134.
[6]	乌云德吉, 于利峰, 承昊, 包珺玮, 许洪滔, 赵佳乐, 乌兰吐雅. 基于GF-1/WFV时间序列数据的河套灌区主要农作物识别[J]. 北方农业学报, 2019, 47(5): 112-118.
[7]	聂利珍, 房永雨. CRISPR/Cas9和CRISPR/Cpf1基因组编辑技术在农作物基因功能中的研究进展[J]. 北方农业学报, 2019, 47(4): 27-32.
[8]	方静, 赵小庆, 史功赋, 程玉臣, 张向前, 张德健, 郝楠森, 武海明, 赵玉河, 路战远. 农作物根际微生物的研究进展[J]. 北方农业学报, 2019, 47(4): 102-107.
[9]	乌云德吉;乌兰吐雅;于利峰;许洪滔;包珺玮. 基于GF-1 WFV数据的河套灌区春小麦长势遥感分析——以临河区为例[J]. 北方农业学报, 2018, 46(2): 123-123.
[10]	乌云德吉;于利峰;包珺玮;许洪滔;乌兰吐雅. RapidEye卫星红边波段对主要农作物识别能力的影响研究[J]. 北方农业学报, 2017, 45(6): 118-118.
[11]	李思慧. 生长季气象条件对通辽地区植被长势影响分析[J]. 北方农业学报, 2017, 45(3): 90-90.
[12]	郭晓丽. 乌兰察布市近十年植被指数时空特征分析[J]. 北方农业学报, 2017, 45(3): 86-86.
[13]	郝丽芬;房永雨;燕孟娇;皇甫海燕;宋培玲;贾晓清;皇甫九茹;李子钦;韩冰. CRISPR/Cas9基因编辑技术及在农作物品种改良研究中的应用[J]. 北方农业学报, 2017, 45(3): 29-29.
[14]	许洪滔;包珺玮;任婷婷;解云虎;乌云德吉. 基于“3S”技术的农作物空间分布“一张图”制作探析[J]. 北方农业学报, 2017, 45(3): 103-103.
[15]	于利峰;乌兰吐雅;乌兰;包珺玮. 基于SAR-C的大兴安岭西麓地区主要农作物识别方法研究[J]. 北方农业学报, 2017, 45(3): 108-108.