柴达木地区枸杞种植区遥感提取方法对比研究

doi:10.11924/j.issn.1000-6850.casb20200200085

中国农学通报 ›› 2020, Vol. 36 ›› Issue (17): 134-143.doi: 10.11924/j.issn.1000-6850.casb20200200085

柴达木地区枸杞种植区遥感提取方法对比研究

雷春苗¹^,³, 肖建设²^,³(), 史飞飞²^,³, 郭英香¹, 赵金龙⁴, 郑玲¹

¹ 青海省气象服务中心,西宁,810001
² 青海省气象科学研究所,西宁,810001
³ 青海省防灾减灾重点实验室,西宁 810001
⁴ 中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室,银川 750002

收稿日期:2020-01-05 修回日期:2020-03-14 出版日期:2020-06-15 发布日期:2020-06-09
通讯作者: 肖建设
作者简介:雷春苗,女,1989年出生,陕西绥德人,工程师,硕士,研究方向为生态气象遥感监测。通信地址：810001青海省西宁市五四大街青海省气象局,E-mail：1447160797@qq.com。
基金资助:
国家自然科学基金项目“基于多源卫星的青藏高原湿雪判识算法研究”(41761078);中国气象局旱区特色农业气象灾害监测预警与风险管理重点实验室开放研究项目“基于多源遥感数据的柴达木地区枸杞种植信息提取与生长状况遥感监测方法研究”(CAMF-201806);青海省气象局科研项目“多源遥感数据支持的柴达木地区枸杞提取方法对比研究”(QH-2017006)

Extraction Methods of Wolfberry Plantation in Qaidam Region: A Comparative Study

Lei Chunmiao¹^,³, Xiao Jianshe²^,³(), Shi Feifei²^,³, Guo Yingxiang¹, Zhao Jinlong⁴, Zheng Ling¹

¹ Qinghai Meteorological Service Center, Xining 810001
² Institute of Qinghai Meteorological Science Research, Xining 810001
³ Key Laboratory of Disaster Prevention and Mitigation of Qinghai Province, Xining 810001
⁴ Key Laboratory for Meteorological Disaster Monitoring and Early Warning and Risk Management of Characteristic Agriculture in Arid Regions, Yinchuan 750002

Received:2020-01-05 Revised:2020-03-14 Online:2020-06-15 Published:2020-06-09
Contact: Xiao Jianshe

摘要/Abstract

摘要：

枸杞作为柴达木地区特色经济作物之一,利用高分辨率遥感影像开展枸杞种植区识别与提取,有利于政府和农业部门开展市场调控和作物精细化管理。以柴达木典型枸杞种植区诺木洪农场为例,利用随机森林、Softmax、支持向量机、BP神经网络和最大似然5种分类器开展农场内不同生长年限枸杞种植区精细化提取,并对结果进行精度验证。结果表明：采用随机森林的分类效果最佳,其总体分类精度达到93.8%,Kappa 0.93,采用Softmax、支持向量机和BP神经网络方法也均获得了较高的分类精度,其总体分类精度均达到了86.6%~87.6%,Kappa系数达到0.84~0.86,而最大似然法分类效果最差,其总体分类精度仅为76.9%,Kappa系数为0.73。通过实验利用国产高分辨率卫星结合较优的分类器能够实现包括枸杞等小宗特色经济作物种植区域和种植结构的精细化识别和监测。

关键词: 柴达木, 枸杞, 随机森林, Softmax, 支持向量机, BP神经网络

Abstract:

In this study, we use high-resolution remote sensing images to identify and extract the planting areas of wolfberry, a special economic crop in Qaidam, to provide evidence for market regulation and fine crop management. Taking Numuhong Farm, a typical wolfberry plantation area in the region as the research area, and using five classifiers of random forest, Softmax, support vector machine, BP neural network and maximum likelihood, we conducted the refined extraction of wolfberry plantation areas with different growth years, and verified the accuracy of the classification results. The results show that the classification effect using the random forest method is the best, with an overall classification accuracy of 93.8% and a Kappa of 0.93. Softmax, support vector and BP neural network methods have also achieved high classification accuracy, and their overall classification accuracy is 86.6%~87.6%, and the Kappa coefficient is 0.84~0.86. The maximum likelihood method has the worst classification effect, its overall classification accuracy is only 76.9%, and the Kappa coefficient is 0.73. Therefore, the use of domestic high-resolution satellites combined with a better classification method can realize the fine identification and monitoring of the planting areas and structures of minor characteristic cash crops such as Chinese wolfberry.

Key words: Qaidam, wolfberry, random forest, Softmax, SVM, BPNN

中图分类号:

S252+.9

雷春苗, 肖建设, 史飞飞, 郭英香, 赵金龙, 郑玲. 柴达木地区枸杞种植区遥感提取方法对比研究[J]. 中国农学通报, 2020, 36(17): 134-143.

Lei Chunmiao, Xiao Jianshe, Shi Feifei, Guo Yingxiang, Zhao Jinlong, Zheng Ling. Extraction Methods of Wolfberry Plantation in Qaidam Region: A Comparative Study[J]. Chinese Agricultural Science Bulletin, 2020, 36(17): 134-143.

图/表 6

参考文献 31

[1]	如克亚·加帕尔, 孙玉敬, 钟烈州 , 等. 枸杞植物化学成分及其生物活性的研究进展[J]. 中国食品学报, 2013,13(8):161-172.
[2]	朱时佳, 谢韶璟, 余秦胤 , 等. 边远地区农特产品供需失配问题研究——以青海枸杞为例[J]. 现代商贸工业, 2020,41(2):25-27.
[3]	Chen Y S, Zhang X C, Wang X G , et al. Extraction of crop planting structure in seasons prone to waterlogging using Landsat8 OLI and MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014,30(21):165-173.
[4]	王利民, 刘佳, 姚保民 , 等. 综合NDVI时序特征的冬小麦混合像元分解及面积估算[J]. 中国农学通报, 2019,35(27):23-33.
[5]	许青云, 杨贵军, 龙慧灵 , 等. 基于MODIS-NDVI多年时序数据的农作物种植识别[J]. 农业工程学报, 2014,30(11):134-144.
[6]	陈颖姝, 张晓春, 王修贵 , 等. 基于Landsat8OLI与MODIS数据的洪涝季节作物种植结构提取[J]. 农业工程学报, 2014,30(21):165-173.
[7]	王利民, 刘佳, 杨福刚 , 等. 基于GF-1卫星遥感的冬小麦面积早期识别[J]. 农业工程学报, 2015,31(11):194-201.
[8]	曾志康, 覃泽林, 黄启厅 , 等. 基于国产高时空分辨率卫星影像的作物种植信息提取研究[J]. 福建农业学报, 2017,32(5):560-567.
[9]	姬旭升, 李旭, 万泽福 , 等. 基于高空间分辨率卫星影像的新疆阿拉尔市棉花与枣树分类[J]. 中国农业科学, 2019,52(6):997-1008.
[10]	赵璐, 任红艳, 杨林生 . 基于高分二号遥感数据的农业阳光大棚提取[J]. 遥感技术与应用, 2019,34(3):677-684.
[11]	史飞飞, 高小红, 杨灵玉 , 等. 基于HJ-1A高光谱遥感数据的湟水流域典型农作物分类研究[J]. 遥感技术与应用, 2017,32(2):206-217.
[12]	赵丽娟 . 基于BP神经网络的遥感影像分类研究[D]. 东华理工大学, 2014.
[13]	Dietterich T G . An Experimental CompARVIson of Three Methods for Constructing Ensembles of Decision Trees: Bagging,Boosting,and Randomization[J]. Machine Learning, 2000,40(2):139-157.
[14]	蒋怡, 黄平, 董秀春 , 等. 基于Softmax分类器的小春作物种植空间信息提取[J]. 西南农业学报, 2019,32(08):1880-1885,1967.
[15]	姚继营 . 数字遥感图像解译分类方法研究[D]. 包头:内蒙古科技大学, 2010.
[16]	Congalton R G . A review of assessing the accuracy of classification of remotely sensed data[J]. Remote Sensing of Environment, 1991,37(1):35-46.
[17]	Richards J A . Classifier performance and map accuracy[J]. Remote Sensing of Environment, 1996,57(3):161-166. doi: 10.1016/0034-4257(96)00038-7 URL
[18]	王利民, 刘佳, 高建孟 , 等. 基于HY-1C/CZI数据的冬小麦早期识别研究[J]. 中国农学通报, 2019,35(33):151-157.
[19]	李志鹏, 李正国, 刘珍环 , 等. 基于中分辨TM数据的水稻提取方法对比研究[J]. 中国农业资源与区划, 2014,35(01):27-33.
[20]	杨屹鹍, 蒋平安, 武红旗 , 等. 基于高分一号与Landsat 8卫星影像的库尔勒市香梨种植面积识别研究[J]. 山东农业科学, 2018,50(01):153-157.
[21]	Breiman L . Bagging prediction[J]. Machine Learning, 1996,24.
[22]	Gislason P O, J A Benediktsson, J R Sveinsson. Random Forests for land cover classification. Pattern recognition letters, 2006. 27(4):294-300.
[23]	马慧娟, 高小红, 谷晓天 . 随机森林方法支持的复杂地形区土地利用/土地覆被分类研究[J]. 地球信息科学学报, 2019,21(03):359-371.
[24]	杨蕙宇, 王征强, 白建军 , 等. 基于多特征提取与优选的冬小麦面积提取[J]. 陕西师范大学学报:自然科学版, 2020,48(1):40-49.
[25]	林卉, 邵聪颖, 李海涛 , 等. 高分辨率遥感影像5种面向对象分类方法对比研究[J]. 测绘通报, 2017(11):17-21.
[26]	李朝峰, 曾生根, 许磊 . 遥感图像智能处理. 北京: 电子工业出版社, 2007.
[27]	解毅, 张永清, 荀兰 , 等. 基于多源遥感数据融合和LSTM算法的作物分类研究[J]. 农业工程学报, 2019,35(15):129-137.
[28]	徐逸, 董轩妍, 王俊杰 . 4种机器学习模型反演太湖叶绿素a浓度的比较[J]. 水生态学杂志, 2019,40(4):48-57.
[29]	朱芳芳, 李仲勤, 杨树文 , 等. 特征分量的城市建筑物面向对象提取方法[J]. 测绘科学, 2020,45(1):84-91.
[30]	苏伟, 姜方方, 朱德海 , 等. 基于决策树和混合像元分解的玉米种植面积提取方法[J]. 农业机械学报, 2015,46(9):289-295,301.
[31]	王斌, 范冬林 . 深度学习在遥感影像分类与识别中的研究进展综述[J]. 测绘通报, 2019(02):99-102,136.

柴达木地区枸杞种植区遥感提取方法对比研究

Extraction Methods of Wolfberry Plantation in Qaidam Region: A Comparative Study

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 31

相关文章 15

编辑推荐

Metrics

本文评价

关于本刊

作者中心

审者中心

在线期刊

联系我们

分类方法		类型（像元个数）		地面真实类别（像元个数）																		用户精度/%
分类方法		类型（像元个数）		1~2年枸杞		3~6年枸杞		7~8年枸杞		城镇		道路		荒漠		湿地		行道树		总和		用户精度/%
随机森林		1~2年枸杞		48		0		1		2		0		0		0		0		51		94.12
		3~6年枸杞		0		48		0		0		0		0		0		0		48		100
		7~8年枸杞		0		1		47		0		0		0		0		2		50		94
		城镇		0		0		0		27		0		1		0		0		28		96.43
		道路		0		0		0		0		18		0		0		0		18		100
		荒漠		2		0		0		1		2		28		2		0		35		80
		湿地		0		0		1		0		0		1		28		0		30		93.33
		行道树		0		1		1		0		0		0		0		28		30		93.33
		总和		50		50		50		30		20		30		30		30		290
		生产精度/%		96		96		94		90		90		93.33		93.33		93.33		93.79*		0.93**
Softmax		1~2年枸杞		44		1		1		1		0		0		1		0		48		91.67
		3~6年枸杞		1		43		0		1		0		0		0		0		45		95.56
		7~8年枸杞		0		2		45		0		0		0		0		2		51		88.24
		城镇		0		0		0		25		0		0		0		0		27		100
		道路		0		0		0		0		13		4		0		0		17		76.47
		荒漠		2		0		0		3		7		25		1		0		36		69.44
		湿地		3		4		2		0		0		1		28		0		37		75.68
		行道树		0		0		2		0		0		0		0		28		29		96.55
		实测总和		50		50		50		30		20		30		30		30		290
		生产精度/%		88		86		90		83		65		83.33		93.33		93.33		86.55*		0.84**
支持向量机		1~2年枸杞		44		0		1		1		5		1		6		0		58		75.86
		3~6年枸杞		0		45		0		0		0		0		0		0		45		100
		7~8年枸杞		0		0		47		0		0		0		0		3		50		94
		城镇		0		0		0		25		0		0		0		0		25		100
		道路		0		0		0		0		12		0		0		0		12		100
		荒漠		2		0		0		3		3		29		1		0		38		76.32
		湿地		4		5		1		1		0		0		23		0		34		67.65
		行道树		0		0		1		0		0		0		0		27		28		96.43
		实测总和		50		50		50		30		20		30		30		30		290
		生产精度/%		88		90		94		83.33		60		96.67		76.67		90		86.9*		0.85**
BP神经网络	1~2年枸杞		48		6		2		2		0		1		4		0		63		76.19
	3~6年枸杞		0		44		4		0		0		0		1		0		49		89.8
	7~8年枸杞		0		0		43		0		0		0		0		3		46		93.48
	城镇		0		0		0		27		0		3		2		0		32		84.38
	道路		0		0		0		0		18		0		0		0		18		100
	荒漠		2		0		0		1		2		25		1		0		31		80.65
	湿地		0		0		0		0		0		1		22		0		23		95.65
	行道树		0		0		1		0		0		0		0		27		28		96.43
	实测总和		50		50		50		30		20		30		30		30		290
	生产精度/%		96		88		86		90		90		83.33		73.33		90		87.59*		0.86**
最大似然法	1~2年枸杞		34		0		1		5		2		1		1		0		44		77.27
	3~6年枸杞		4		49		4		1		0		0		0		1		59		83.05
	7~8年枸杞		0		1		38		0		0		0		0		3		42		90.48
	城镇		0		0		0		18		0		0		0		0		18		100
	道路		4		0		0		5		16		9		0		0		34		47.06
	荒漠		6		0		0		1		2		14		1		0		24		58.33
	湿地		2		0		1		0		0		6		28		0		37		75.68
	行道树		0		0		6		0		0		0		0		26		32		81.25
	实测总和		50		50		50		30		20		30		30		30		290
	生产精度/%		68		98		76		60		80		46.67		93.33		86.67		76.9*		0.73**

[1]	孙瑜, 张永梅, 武玉军. 基于粒子群算法和支持向量机的黄花菜叶部病害识别[J]. 中国农学通报, 2022, 38(8): 135-140.
[2]	沈菊, 辛萍萍, 杨起楠, 乌云珠拉. 柴达木盆地东部浅层土壤水分增量对降水的响应[J]. 中国农学通报, 2022, 38(35): 54-61.
[3]	杨露露, 秦华伟. 基于颜色和纹理特征的花生仁外观品质检测研究[J]. 中国农学通报, 2022, 38(27): 151-156.
[4]	景辉, 杨华, 赵惠瑾, 孟瑶. 基于幼果期气象数据苹果产量早期预测研究——以运城市为例[J]. 中国农学通报, 2021, 37(8): 132-136.
[5]	谢云, 郭芳芸, 曹兵. 大气CO₂浓度倍增对宁夏枸杞根区土壤微生物与酶活性的影响[J]. 中国农学通报, 2021, 37(3): 90-97.
[6]	聂必林, 吕海英, 如马南木·尼合买提, 赛比热尼沙木·莫尔扎提. 模拟酸雨胁迫对黑果枸杞种子萌发特性的影响[J]. 中国农学通报, 2021, 37(25): 64-70.
[7]	吕小艳, 薛琳, 竞霞, 张超, 徐海清, 朱启法. 基于高光谱分数阶微分的烟叶SPAD值估测[J]. 中国农学通报, 2021, 37(24): 54-59.
[8]	王军, 姜芸. 基于无人机多光谱遥感的大豆叶面积指数反演[J]. 中国农学通报, 2021, 37(19): 134-142.
[9]	雷玉红, 王发科, 许学莲, 侯岳, 颜亮东, 李春晖, 梁志勇. 柴达木地区枸杞产量与气象条件关系模型构建[J]. 中国农学通报, 2021, 37(13): 89-93.
[10]	李得禄, 魏林源, 张芝萍, 李昌龙, 柳小平. 河西走廊不同生境黑果枸杞种群年龄结构及分布格局[J]. 中国农学通报, 2021, 37(10): 35-41.
[11]	何昕孺, 王琴平, 秦垦, 戴国礼, 周军, 赵瑞秋. 枸杞不同品系的光合特性及光响应模型拟合研究[J]. 中国农学通报, 2020, 36(28): 57-62.
[12]	刘红, 党晓东, 都全胜, 马润年, 白石轮. 基于随机森林算法的日光温室内气温预测模型研究[J]. 中国农学通报, 2020, 36(25): 95-100.
[13]	颜亮东, 赵梦凡, 梁志勇, 雷玉红, 杨殷胜. 柴达木枸杞的农业气象观测方法研究与标准制定[J]. 中国农学通报, 2020, 36(15): 81-86.
[14]	王发科, 雷玉红, 都占良, 蔡玉琴. 气候变化对柴达木盆地主要农作物产量的影响[J]. 中国农学通报, 2020, 36(14): 107-112.
[15]	祁贵明,雒维萍,雷玉红,李海凤,管吉龙. 宁夏枸杞在柴达木高寒地区的适应性及气象因子的关系研究[J]. 中国农学通报, 2019, 35(31): 83-88.