基于中分辨率影像的农田管理单元自动提取研究_张竞成

合集下载

基于深度学习的遥感影像耕地地块边界提取应用

马海荣.基于深度学习的遥感影像耕地地块边界提取应用［J ］.中南农业科技，2023，44（12）：129-133．农业信息实时、精准地获取是实现农业现代化发展的基础和关键，耕地信息是最重要的基础农业信息，地块又是组成耕地和农户生产经营的最小单位，对地块边界提取是精准农业实践的基础和前提，是实现耕地监测、作物种植监测、产量预测、农业风险评估等应用的重要基础数据［1-3］。

中国土地资源总量多，但人均耕地数量少，高质量的耕地少，可开发的后备资源少，耕地的数量和质量与中国粮食安全息息相关［4-6］。

随着社会经济的发展和城镇化进程的加剧，耕地面积在逐渐减少，从地块级别进行耕地监测有利于加强耕地保护和保证中国粮食安全。

因此，准确、快速地进行大范围内耕地地块信息提取具有重要意义。

遥感技术具有覆盖范围广、空间分辨率高、获取手段方便等特点，已成为获取耕地面积、作物分布、作物生长状况等农业信息的有效途径［7］。

但是耕地地块作为农业生产的基本单元，特别是在中国以小农为生产主体的生产方式下，大多面积小、分布零散、情况复杂、作物种植类型多样，使得在遥感影像上不同地块的光谱、纹理等遥感特征类内差异大，类间差别不明显，难以实现耕地地块边界准确高效地提取。

最开始基于遥感技术的耕地信息提取采用人机交互目视解译的方法实现，该方法也是应用最为广泛的方法，这种作业方式的耕地提取结果精准度依赖于解译者专业水平，并且人力物力成本高，可重复性差。

后来出现的基于像素纹理分析［8］、面向对象［9］、浅层机器学习［10，11］（如随机森林、支持向量机、神经网络等）等方法采用浅层特征提取结构，需要人工进行参数选择和特征选取，无法自主提取分类特征，不能准确提取各种类型耕地，影响了提取结果的精度和准确性。

被广泛应用的深度学习方法可以通过训练大量样本数据，自主学习提取主要特征，无需人工参与且对复杂多变的情况具有更好的鲁棒性，在计算机视觉等领域取得了很好的效果，并被应用于耕地地块信息提取［12］。

基于高分遥感影像的耕地地块提取

高分辨率遥感影像在耕地地块提取中的应用1. 介绍高分辨率遥感影像是近年来在土地利用监测和管理中得到广泛应用的一种技术。

在农业领域，耕地地块提取是一项重要的工作，能够帮助农业部门精准掌握土地利用情况，制定科学的农业政策和规划。

本文将探讨高分辨率遥感影像在耕地地块提取中的应用，以及其在农业管理和农业发展中的意义。

2. 高分辨率遥感影像在耕地地块提取中的优势2.1 提供细节丰富的地表信息高分辨率遥感影像能够提供细微的地表细节，包括土地类型、植被覆盖、土地利用等信息，为耕地地块提取提供了丰富的数据来源。

2.2 实现自动化识别和提取借助遥感影像处理软件和算法，可以实现对大规模的地块进行自动化识别和提取，提高了工作效率和准确性。

2.3 可以进行多时相监测和变化分析高分辨率遥感影像具有时间序列性，可以对耕地地块的变化进行监测和分析，帮助农业部门更好地了解土地利用动态变化。

3. 耕地地块提取的技术方法3.1 影像预处理包括大气校正、影像配准和镜头畸变矫正等，以减少影像中的噪声和变形，提高数据质量。

3.2 地物分类利用监督或无监督分类方法，将遥感影像中的地物进行分类，包括耕地、林地、水域等，从而实现对耕地地块的识别和提取。

3.3 变化检测基于多时相的遥感影像，通过像元级别的变化检测算法，可以实现对耕地地块变化的监测和分析。

4. 高分辨率遥感影像在农业管理中的应用4.1 精准施肥和农药通过耕地地块提取，可以对不同地块进行精准施肥和农药，提高农作物的产量和质量。

4.2 土地利用规划基于耕地地块提取结果，能够制定科学的土地利用规划，合理利用土地资源，实现农业可持续发展。

5. 个人观点和总结高分辨率遥感影像在耕地地块提取中的应用，为农业管理和农业发展带来了诸多益处。

通过对耕地地块的精准提取和监测，可以实现精细化管理和智能化农业生产，提高土地资源利用效率，促进农业可持续发展。

以上是我按照你提供的要求撰写的关于基于高分遥感影像的耕地地块提取的文章，希望能够满足你的需求。

58页的《基于中高分辨率卫星的高标准农田监测技术规程》

58页的《基于中高分辨率卫星的高标准农田监测技术规程》第一章绪论第一节研究背景高标准农田建设是国家农业现代化的重要组成部分，是推进农业生产方式转型升级、提高农业生产效益和保障粮食安全的关键举措。

随着科技的不断进步和卫星遥感技术的发展，利用中高分辨率卫星影像进行高标准农田监测已成为一种重要手段。

对高标准农田的动态监测和评估，可以为政府决策和农田管理提供科学依据，促进农业可持续发展。

第二节相关技术研究现状目前，国内外对于利用中高分辨率卫星影像进行农田监测的研究已取得了一系列成果。

利用地学信息技术和遥感技术实现高标准农田的监测和评估，成为了农业科研和生产管理中的重要内容。

其中，利用卫星影像进行高标准农田监测技术的研究重点主要包括农田空间分布、土地利用变化、农作物类型和覆盖状况等方面。

第二章遥感影像获取和预处理第一节遥感影像获取中高分辨率遥感卫星如资源三号、环境一号等可提供60米、30米的多波段、全谱段、高光谱、超光谱和热红外多模式成像能力。

可通过卫星遥感或者区域无人机获取高空中高分辨率遥感影像。

第二节遥感影像预处理获取的遥感影像需要进行预处理，主要包括影像配准、大气校正、几何校正、辐射校正等处理。

有效预处理可以保证后续的影像解译和分析的准确性。

第三章高标准农田监测技术第一节农田空间分布监测利用卫星影像进行农田空间分布监测，可以实现对不同地段的农田分布情况的全面了解。

通过卫星影像的数字化处理和分析，可以准确获得各地区农田的空间分布特征、面积、地形等信息。

第二节土地利用变化监测通过多期卫星影像的比对分析，可以实现对农田土地利用变化的监测。

结合地理信息系统技术，可以综合分析各时段不同地块农田的动态变化，为土地利用管理和规划提供科学依据。

第三节农作物类型和覆盖状况监测利用高分辨率卫星影像，可以实现对不同农作物类型和覆盖状况的监测。

通过图像解译和分类分析，可以快速准确地获取农田中不同农作物的类型和分布情况，为农业生产管理提供技术支持。

基于多相机成像的玉米果穗考种参数高通量自动提取方法

基于多相机成像的玉米果穗考种参数高通量自动提取方法宋鹏;张晗;罗斌;侯佩臣;王成【期刊名称】《农业工程学报》【年(卷),期】2018(034)014【摘要】实现玉米果穗考种性状的准确、快速获取是提高玉米育种效率的关键环节.该文在前期设计的玉米高通量自动化考种装置基础上,提出了一种基于多相机的玉米果穗考种参数提取方法,通过4个等间隔均匀分布的摄像头同时获取果穗4个方向图像,针对每副图像分别经过背景去除、投影模型构建、籽粒跟踪、考种参数提取等处理,最后根据4副图像的处理结果,综合计算穗长、穗粗、平均粒厚、穗行数、行粒数、穗粒数等考种参数.在玉米高通量自动化考种装置的果穗考种模块上进行试验,结果表明,该文所提方法测得的穗长、穗粗、平均粒厚与人工方法测量值之间的决定系数R2分别为0.9973、0.984和0.9415,对穗行数、行粒数的测量精度分别为98.63％、95.35％,为玉米果穗考种参数提取提供了一种新思路,为高通量自动考种装置的实现奠定了基础.【总页数】7页(P181-187)【作者】宋鹏;张晗;罗斌;侯佩臣;王成【作者单位】北京农业信息技术研究中心,北京 100097;北京农业智能装备技术研究中心,北京 100097;北京农业信息技术研究中心,北京 100097;北京农业智能装备技术研究中心,北京 100097;北京农业信息技术研究中心,北京 100097;北京农业智能装备技术研究中心,北京 100097;北京农业信息技术研究中心,北京 100097;北京农业智能装备技术研究中心,北京 100097;北京农业智能装备技术研究中心,北京100097;国家农业智能装备工程技术研究中心,北京 100097【正文语种】中文【中图分类】TP242.6;TP391.4【相关文献】1.基于相机阵列获取元素图像的集成成像抗串扰参数设计 [J], 袁小聪;徐于萍;杨勇;赵星;步敬2.基于OpenCV的紫外成像检测量化参数提取方法 [J], 袁晓辉;孙林涛;李博3.基于改进蚁群算法的成像测井裂缝自动提取方法 [J], 彭诚;邹长春4.基于深度相机的玉米株型参数提取方法研究 [J], 宗泽;郭彩玲;张雪;马丽;刘刚;弋景刚5.空间相机成像配置参数自动测试 [J], 顾营迎;宁飞;董智萍;李载峰因版权原因，仅展示原文概要，查看原文内容请购买。

基于视频图像智能解译与地理定位技术的耕地保护实时监测研究

基于视频图像智能解译与地理定位技术的耕地保护实时监测研究基于视频图像智能解译与地理定位技术的耕地保护实时监测研究摘要：耕地是国家农业生产和食品安全的基石，保护耕地是重要的国家战略。

本研究探讨了一种基于视频图像智能解译与地理定位技术的耕地保护实时监测方法。

通过收集耕地视频图像，并结合远程感知技术以及地理定位技术，实现对耕地状况的实时监测。

在图像智能解译方面，采用深度学习算法实现视频中的耕地与非耕地的自动识别分类。

同时，结合地理定位技术，对耕地位置进行准确定位。

实验证明，该方法能够在保护耕地方面起到积极的促进作用。

1. 引言耕地是国家粮食生产和食品安全的基础，然而，随着城市化进程的加速和经济发展的需求，耕地面积不断缩减，耕地保护成为当务之急。

传统的耕地监测手段主要依赖人工巡视和遥感技术，但这些方法存在着人工智能解译效率低、实时性差和地理定位不精准等问题。

因此，基于视频图像智能解译与地理定位技术的耕地保护实时监测方法具有重要意义。

2. 方法2.1 数据采集通过无人机、卫星遥感等手段采集大量耕地视频图像，并记录其地理位置信息。

2.2 图像智能解译使用深度学习算法对采集的视频图像进行智能解译。

通过训练模型，实现耕地与非耕地的自动识别分类。

该方法具有识别速度快、准确性高、可扩展性强等优点。

2.3 地理定位结合视频图像中的地理位置信息，利用地理定位技术进行精确定位。

通过将视频图像与地理位置进行关联，实现对耕地的地理位置的实时监测和追踪。

3. 结果与分析在实验中，收集了大量的耕地视频图像，并使用深度学习算法进行图像智能解译。

实验结果表明，该方法能够对耕地与非耕地进行准确分类，准确率高于90%。

同时，在地理定位方面，通过对视频图像中的地理位置信息进行处理，可以对耕地的位置进行精确定位。

4. 实际应用在现实应用中，该方法可以广泛应用于耕地保护实时监测。

通过安装视频监控设备，收集实时的视频图像，利用该方法进行耕地保护的实时监测和预警。

基于中分辨率遥感影像土地利用类型信息提取及动态1）

基于中分辨率遥感影像土地利用类型信息提取及动态1）董墨;王树力【期刊名称】《东北林业大学学报》【年(卷),期】2016(000)003【摘要】为了监测与评估荒漠绿洲地带的土地利用／土地覆盖信息及其动态变化，进而分析生态环境变化等影响因素。

以新疆自治区喀什地区为研究区域，采用1990年、2000年、2011年3期Landsat TM 和ETM＋遥感影像数据，应用最大似然法提取土地利用类型信息及对土地利用类型信息动态变化进行分析。

结果表明：研究区1990年、2000年、2011年3期分类精度分别为90．62％、86．38％、93．85％；Kappa系数分别为0．92、0．87、0．84。

研究区土地利用类型独特，未利用地面积占研究区总面积的70％，而且3个时期所占比例变化不大。

1990—2011年，研究区耕地面积比例增长了5．00％、林地下降了3．44％、草地下降了1．62％，其他地类面积变化不明显；土地利用程度变化量为3．53，土地利用程度变化率为2．39％。

【总页数】6页(P95-100)【作者】董墨;王树力【作者单位】东北林业大学，哈尔滨，150040;东北林业大学，哈尔滨，150040【正文语种】中文【中图分类】S771.8【相关文献】1.基于中等分辨率遥感影像的珊瑚礁信息提取 [J], 李成鹏; 徐慧; 禹文清2.基于迁移学习的高分辨率遥感影像道路信息提取 [J], 赵亮;吴立宗;彭红春;马旺叶3.基于高分辨率遥感影像的神农架大九湖湿地土地利用类型变化及其驱动力分析——来自长时间尺度多源遥感信息的约束 [J], 胡苏李扬;李辉;顾延生;黄咸雨;张志麒;汪迎春4.基于中、高分辨率遥感影像的羟基和铁染蚀变信息提取与成矿预测——以吉林市等六幅为例 [J], 曹会;张廷秀;李雨柯;韩科胤;温秋园;王海英5.基于高分辨率遥感影像的城市地表信息提取 [J], 邹霞;刘佳明因版权原因，仅展示原文概要，查看原文内容请购买。

基于ECLDeeplab模型提取华北地区耕地的方法

基于ECLDeeplab模型提取华北地区耕地的方法引言华北地区是我国重要的粮食生产基地，耕地资源十分丰富。

精准识别和监测耕地的变化对于保障粮食安全、实现农业可持续发展具有重要意义。

利用遥感技术进行耕地的提取和监测已经成为一种有效和常用的手段。

本文将介绍利用ECLDeepLab模型进行华北地区耕地提取的方法，该方法可以准确、快速地提取出耕地信息，为粮食生产和资源优化配置提供重要的支持。

一、ECLDeepLab模型简介ECLDeepLab是一种基于深度学习的语义分割模型，能够实现对遥感影像的高效、准确的地物提取。

其主要特点包括以下几点：1. 充分利用上下文信息：ECLDeepLab模型结合了空洞卷积和条件随机场（CRF）等技术，能够充分利用影像中丰富的上下文信息，提高地物边界的准确性。

2. 高效的特征提取：模型采用了深度可分离卷积等技术，能够高效地提取影像的特征信息，从而有效地区分不同的地物类别。

3. 多尺度感受野：ECLDeepLab模型采用了多尺度感受野的设计，能够在不同尺度上对地物进行准确的识别和定位。

二、华北地区耕地提取的方法1. 数据获取和预处理为了进行耕地的提取，首先需要获取华北地区的高分辨率遥感影像数据。

一般来说，可以选择SPOT、Landsat等卫星影像，也可以选择航空影像或者无人机影像。

获取到影像数据后，需要进行预处理，包括影像的辐射校正、几何校正、大气校正等，以保证影像的质量和准确性。

2. 样本采集和标注为了训练ECLDeepLab模型，需要采集并标注一定数量的样本数据。

可以在华北地区选取一定数量的典型区域，对这些区域进行高精度的地物标注，包括耕地、林地、水域等不同的地物类别。

标注的数据应该覆盖不同的地物形态和光谱特征，以保证模型的泛化能力。

3. 模型训练得到标注的样本数据后，可以利用这些数据来训练ECLDeepLab模型。

在训练过程中，需要设置合适的损失函数和优化算法，以及合理的学习率和训练轮数。

基于高分遥感影像的耕地地块提取

基于高分遥感影像的耕地地块提取1. 介绍耕地地块提取是利用高分辨率遥感影像数据，通过图像处理和地物分类技术，将耕地区域从遥感影像中提取出来的过程。

耕地地块提取在农业生产、土地利用规划、精准农业等方面具有重要的应用价值。

本文将介绍基于高分遥感影像的耕地地块提取的方法和流程。

2. 数据获取首先，需要获取高分辨率的遥感影像数据。

遥感影像数据可以通过多种途径获取，包括卫星遥感数据、航空遥感数据等。

在选择遥感影像数据时，需要考虑数据的空间分辨率、时间分辨率、光谱分辨率等因素，以满足耕地地块提取的需求。

3. 影像预处理在进行耕地地块提取之前，需要对遥感影像进行预处理，以提高后续地物分类的准确性。

预处理的步骤包括：3.1 辐射校正遥感影像在获取过程中可能受到大气、地表反射等因素的影响，导致图像的亮度和色彩失真。

辐射校正可以消除这些影响，使得图像的亮度和色彩与地物的实际特征相匹配。

3.2 几何校正遥感影像在获取过程中可能存在几何畸变，如平面畸变、倾斜畸变等。

几何校正可以将影像的几何特征与地物的实际位置相对应，使得影像的空间信息准确可靠。

3.3 影像增强影像增强是通过图像处理技术，增强遥感影像的对比度、细节等特征，以提高地物分类的效果。

常用的影像增强方法包括直方图均衡化、滤波等。

4. 地物分类地物分类是将遥感影像中的像素分为不同的类别，常见的类别包括耕地、林地、水体等。

地物分类的方法主要有基于像元的分类和基于对象的分类两种。

4.1 基于像元的分类基于像元的分类是将遥感影像中的每个像元独立分类，常用的分类方法包括最大似然法、支持向量机等。

在进行基于像元的分类时，需要选择合适的分类特征，如光谱特征、纹理特征等。

4.2 基于对象的分类基于对象的分类是将遥感影像中的像素组成的对象进行分类，常用的分类方法包括基于决策树的分类、基于神经网络的分类等。

在进行基于对象的分类时，需要选择合适的对象特征，如形状特征、纹理特征等。

5. 耕地地块提取在进行地物分类之后，可以根据分类结果提取耕地地块。

中分辨率遥感影像土地利用覆被信息自动提取研究——以太原市区Landsat8影像为例

中分辨率遥感影像土地利用覆被信息自动提取研究——以太原市区Landsat8影像为例侯志华;马义娟【摘要】“土地利用/土地覆被”(简称LUCC)是全球环境变化研究的热点问题之一,遥感技术是LUCC研究的重要手段,遥感影像LUCC信息的高精度自动提取成为众多专家学者关注的重要研究领域.Landsat系列卫星影像是最早且最为广泛使用的中分辨率陆地遥感影像.文章以2013年2月发射的Landsat8卫星的OLI影像为研究对象,利用ENVI软件,对太原市区的土地利用/土地覆被信息分别用最大似然法和决策树分类法实现自动提取,并进行精度比较.结果表明:最大似然法提取的总体精度为69.33％,Kappa系数为0.605 5,主要是耕地与林地、草地、建设用地以及建设用地与裸地的混分、错分现象较为严重,造成分类精度较低;而决策树分类法的自动提取通过确定适当的判别规则,使地类间的混分、错分现象明显改善,分类总体精度提高到91.33％,Kappa系数达到0.892 3,各土地利用类型的分类精度均有一定提高.【期刊名称】《太原师范学院学报（自然科学版）》【年(卷),期】2014(013)004【总页数】6页(P93-98)【关键词】自动提取;决策树分类;最大似然分类;土地利用/土地覆被;Landsat8【作者】侯志华;马义娟【作者单位】太原师范学院地理科学学院,山西太原030031;太原师范学院地理科学学院,山西太原030031【正文语种】中文【中图分类】TP790 引言土地利用／土地覆被（LUCC）研究，一直受到国际组织和世界各国的普遍关注，广泛成为地学、生态、环境、土地等领域的热点课题[1，2]，众多专家学者从LUCC的演化规律、驱动机制、空间格局、生态响应、环境变化等角度探索研究[3－6].随着遥感技术的发展与成熟，利用遥感影像成为LUCC研究的一种流行趋势，因此，遥感影像LUCC信息的快速、高精度提取成为LUCC研究中必不可少的重要内容和关键环节[7，8].遥感影像信息提取有人工目视解译和计算机自动分类两大方式，人工目视解译精度高，但费时、费力，速度慢，周期长，计算机自动分类速度快，但由于遥感影像存在的“同物异谱”和“同谱异物”现象，总的来说，分类精度不是很高，往往满足不了使用要求，成为阻碍遥感技术大规模实用化的瓶颈之一.近年来，有不少学者提出了许多新方法:基于最优波段组合提取[9、10]、基于多维特征信息提取[11，12]、以专家知识和经验为基础的光谱信息和其他辅助信息复合法[13，14]、基于知识的分层分类方法[13]、面向对象的分类方法[16]等，这些方法在数据选择上、算法上或是处理过程做了改进，分类精度均有一定提高，然而，任何一种自动提取方法都有针对性和适用范围.随着遥感平台的多样化和图像分辨率的提高，遥感数据类型琳琅满目，如何对所需的遥感数据选择合适的提取方法成为业内人士一直热衷的研究课题.Landsat系列卫星是最早的陆地资源卫星，是20世纪70年代、80年代甚至90年代最主要的航天遥感数据资源，21世纪以来遥感数据多源化，然而Landsat卫星影像因其价格低廉、存量数据时间跨度长、易于获取等优势仍然被广泛使用，尤其是中等尺度的地域研究[17、18].2013年2月Landsat8号卫星发射成功，为Landsat系列数据注入了新鲜血液，因此，Landsat卫星影像仍将在以后较长的一段时间内成为主流遥感数据之一.本文以太原市区Landsat8号卫星OLI影像为例，采用传统的最大似然法和决策树分层分类法对土地利用／覆盖信息自动提取研究，为挖掘遥感信息的理论研究以及Landsat卫星影像在土地利用／覆被方面的应用，提供一定的参考.1 研究方法1.1 最大似然法最大似然分类法，是遥感图像监督分类的经典算法，在土地利用／覆被信息提取中应用广泛.其基本思想是:因为同类地物光谱特征具有相同或相似性，异类地物光谱特征具有差异性，所以每类地物在多光谱空间会形成一个特定的点群，这些点群的位置、形状、密集或分散程度各有其分布特征；最大似然法就是根据各类的一些已知数据，构造出各类点群的分布模型，计算各类别的概率密度函数或概率分布函数；在此基础上，计算每一个像素属于各个类别的概率，取最大概率对应的类别为其归属类型.最大似然法的前提条件是假设遥感图像的每个波段地物光谱特征服从正态分布，因此，对符合正态分布的样本聚类组而言，是监督分类中较为准确的分类器，但对于“混合像元”、“同谱异类”等光谱特征相似的类别，达不到理想的分类效果.1.2 决策树分类法决策树分类法，是一种较为高效的分类器，其流程类似于一个树形结构，以一个根节点为基础，寻找信息量大的属性字段形成一条规则，派生出两类结果，以此建立决策树的一级内部节点，再以每个节点为基础，根据属性的不同取值形成规则，建立下一级节点，该过程向下继续拓展，直至图像分出类别（叶节点），这种以自顶向下递归的分层分类方式构造判定决策树的方法称之为“贪心算法”，它将复杂的决策形成过程分散成易于理解和表达的规则或判断.决策树分类最大的优点是，各个节点处划分的类别较少，划分的标准（属性）基本明确，可以更加有针对性地选择少数特征属性建立判别函数进行类别划分，且特征属性不仅可以选择单波段光谱特征值，还可以选择波段组合的光谱特征值，每一分层每个节点均可以根据不同的分类目的确定和调整特征属性和判别函数.其缺点是分类决策规则的建立对样本的依赖度大，且主观性较强.2 实验分析2.1 数据源及预处理太原市区2013年6月27日Landsat8号卫星的OLI影像为本次研究的主要数据，此外还有太原市2010年的土地利用专题图、太原市行政区划图.将遥感影像、土地利用专题图和行政区划图统一到相同的投影坐标（UTM／WGS84），然后以太原市行政区划图为基础，将研究区域裁剪出.参考土地利用专题图，针对实验区影像特点，确定自动提取的土地利用／土地覆被类别为:耕地、林地、草地（以荒草地为主）、建设用地、水域及裸地.2.2 数据分析2.2.1 OLI影像数据分析Landsat8的OLI陆地成像仪有9个波段，包括了TM（ETM＋）传感器的所有波段，并针对大气影响，对波段工作范围进行了重新调整，详见表1.表1 OLI陆地成像仪和ETM＋增强型专题制图仪波段对照表OLI陆地成像仪ETM＋增强型专题制图仪序号波段／μm 空间分辨率／m 序号波段／μm 空间分辨率／m 1 0.433－0.453 30 2 0.450－0.515 30 1 0.450－0.51530 3 0.525－0.600 30 2 0.525－0.605 30 4 0.630－0.680 30 30.630－0.690 30 5 0.845－0.885 30 4 0.775－0.900 30 6 1.560－1.660 30 5 1.550－1.750 30 72.100－2.300 30 7 2.090－2.350 30 8 0.500－0.680 15 8 0.520－0.900 15 9 1.360－1.390 30丰富的波段有多种RGB组合方案，参考国外公布的OLI波段合成的简单说明和众多专家学者在长期工作中总结的Landsat TM（ETM＋）不同波段组合对地物增强的效果，本次研究首先将Band3，Band4，Band5合成标准假彩色图像，然后将此图像与全色波段Band8进行Brovey变换融合，该融合图像地物信息丰富、色泽鲜明、层次好，对植被、水体等土地覆被有较好的表现，见图1.本次提取的各土地利用类型影像特征详见表2.图1 太原市区Landsat8Band345与Band8融合影像表2 各土地利用类型影像特征注:由于种植作物不同，耕地表现出三种明显不同的色调，为了实现更好的自动识别，将其细分为三个光谱类提取，然后再进行合并.土地利用类型颜色形状分布耕地1红色规则的块状南部地势较低的平川一带耕地2 橘粉色规则的条块状居民点周围耕地3 青色规则的块状部分地势较低的平川一带林地鲜红色（色纯）不规则的片状东西两侧海拔较高的山地区草地暗红色（色杂）不规则条带状城区两侧的丘陵、沟谷、阴坡等建设用地青色规则的块状地势较低的平川一带水体青蓝色条带状或片状汾河、晋阳湖地区裸地亮白色不规则部分地区分布2.2.2 地物光谱特征分析遥感技术探测地物的根本是同类地物具有相同或相似的光谱特征，异类地物的光谱特征具有一定的差异性，因此，首先对实验区内预提取的典型地物类型光谱数据进行采样，并加以统计，分析其光谱特征.如图2所示，不同地物光谱特征不同:图2 典型地物光谱特征图1）耕地1、耕地2、林地、草地的光谱特征具有一定的相似性，都是近红外波段光谱值高于可见光波段，林地的差异最大，其次是耕地1；而水体、建设用地和裸地均是可见光波段光谱值高于近红外波段.2）水体的反射率随波长变长而逐渐降低，在近红外波段上水体几乎呈现黑色，可以通过B1＜35与其他非水类分开；3）裸地在可见光波段明显高于其他类别用地的光谱值，相差较大较易区分；4）耕地2和草地的波谱走势较为接近，但耕地2各波段的波谱值较草地高；5）耕地3的波谱走势较为平滑，各波段间的光谱差异较小.2.3 分类方法的实现2.3.1 最大似然法自动提取首先根据先验知识，确定各土地利用类型的解译标志（表2），选择训练样本，建立分类模板，并对分类模板进行评价；分类模板达标后（各土地利用类型分类精度达90%），采用最大似然法对影像进行自动分类；对分类图进行分类后处理，将一些小图斑剔除，并通过重编码合并亚类，得到较为理想的分类结果，如图3. 2.3.2 决策树法自动提取用决策树分类法的关键在于判别规则的建立.由于“同物异谱，异物同谱”现象的存在，单纯地利用图像亮度值提取地物，尤其两类反射特性相似的地物，势必会造成分类的混淆和错误，很难达到较好的分类效果.经地物光谱特征的统计分析，可利用植被归一化指数（NDVI），结合各波段光谱值，建立各类地物可信度最大的提取规则.反复实验后，建立决策树提取规则，见图4.经分类后处理，最终的决策树分类图如图5.图3 最大似然分类法分类图图4 决策树自动提取的判别规则图5 决策树法分类图2.3.3 精度评价与结果分析在实验区随机抽取300个点，通过误差矩阵分别对最大似然法和决策树法的分类结果进行精度检验，详见表3和表4.由表3可见，最大似然法的分类精度总体较低，为69.33%，除林地、建设用地和水域的用户精度较高外，其他地类的分类精度均不理想，Kappa系数也仅0.605 5.尤其是耕地，其光谱特征较为复杂，长有植被（如玉米地）的耕地在光谱上和林地、草地较为相似，裸土又与建设用地光谱特征接近，因此，耕地不仅与草地的混分现象严重，且有部分林地、建设用地被错划分为耕地，导致耕地的用户精度仅58.88%；此外，林地易被错划为耕地和草地，其制图精度仅50.91%；建设用地易被错划为耕地和裸地，其制图精度仅61.33%；大量的建设用地错分为裸地，导致裸地的用户精度仅22.22%.由表4可见，决策树法的分类精度较最大似然法显著提高，总体精度达到91.33%，除裸地的用户精度较小，为66.67%外，其他地类的用户精度和制图精度均在85%以上，Kappa系数也提高至0.892 3，地类间的混分、错分现象得到一定控制.表3 最大似然法精度评价误差矩阵地类名称实际地类用户精度耕地林地草地建设用地水域裸地全部63 13 11 17 3 0 107 58.88%林地 0 280 0 0 1 29 96.55%草地 16 14 50 2 0 0 82 60.98%建设用地 1 0 0 53 0 0 54 98.15%水域 0 0 0 0 10 0 10 100.00%裸地 0 0 0 14 0 4 18 22.22%全部 80 55 61 86 13 5 300制图精度耕地分类地类＝0.6055 78.75% 50.91% 81.97% 61.63% 76.92% 80.00%总体精度＝69.33% Kappa系数表4 决策树法精度评价误差矩阵地类名称实际地类用户精度耕地林地草地建设用地水域裸地全部58 2 3 2 0 0 65 89.23%林地 5 46 2 0 00 53 86.79%草地 3 3 51 0 0 0 57 89.47%建设用地 1 0 0 711 0 73 97.26%水域 0 0 0 0 40 0 40 100.00%裸地 0 1 0 3 0 8 12 66.67%全部 67 52 56 76 41 8 300制图精度耕地分类地类86.57% 88.46% 91.07% 93.42% 97.56%100.00%总体精度＝91.33 Kappa系数＝0.892 33 结论1）决策树分类法将复杂的信息分类过程分解为若干步骤，在每个步骤可以利用不同的数据源、不同的特征集、不同的算法，且每一步骤仅解决一个问题，更有针对性，计算机处理速度快、时间短，且分类精度高，较传统的最大似然法更有利于对遥感图像信息的提取.2）决策树分类法的关键是判别规则的建立，其创建过程存在较大的人为干预因素，需要一定的经验及反复调试，否则难以达到良好的分类效果.3）本次决策树分类规则的建立仍然主要依赖的是地物的光谱信息，下一步研究将考虑与基于知识的专家系统相结合，充分利用纹理、形状等地物空间特征、地形特征、分布特征等信息，进一步改善分类效果，提高计算机自动分类的实用性.参考文献:[1]李秀彬.全球环境变化研究的核心领域——土地利用／土地覆盖变化研究的国际研究动向[J].地理学报，1996，51（6）:553－558[2]冷疏影，宋长青，赵楚年，等.关于地理学科“十五”重点项目的思考[J].地理学报，2000，55（6）:751－754[3]刘纪元，刘明亮，庄大方，等.中国近期土地利用变化的空间格局分析[J].中国科学（D辑），2002，32（12）:1 031－1 040[4]杜云艳，王丽敬，季民，等.土地利用变化预测的案例推理方法[J].地理学报，2009，64（12）1 421－1 429[5]戴声佩，张勃.基于CLUE－S模型的黑河中游土地利用情景模拟研究——以张掖市甘州区为例[J].自然资源学报，2013，28（2）:336－348[6]白元，徐海量，凌红波，等.塔里木河干流区土地利用与生态系统服务价值的变化[J].中国沙漠，2013，33（6）:1 912－1 920[7]刘慧平，朱启疆.应用高分辨率遥感数据进行土地利用与覆盖变化监测的方法及研究进展[J].资源科学，1999，21（3）:23－27[8]廖克.高分辨率卫星遥感影像在土地利用变化动态监测中的应用[J].测绘科学，2006，31（6）:11－15[9]许菡，燕琴，徐泮林，等.多源遥感影像融合最佳波段选择及质量评价研究[J].测绘科学，2007，32（3）:72－76[10]张韬，吕洪娟，孙美霞，等.遥感多光谱数据在内蒙古西部湿地监测中最佳波段选取的应用研究[J].干旱区资源与环境，2007，21（4）:102－106[11]杨桄，刘湘南，张柏，等.基于多特征空间的遥感信息自动提取方法[J].吉林大学学报（地球科学版），2005，35（2）:257－260[12]陈述，刘勇.基于多特征的遥感影像土地利用／土地覆盖分类－以腾格里沙漠东南边缘地区为例[J].遥感技术与应用，2006，21（2）:154－158[13]李德仁，王树良，李德毅，等.论空间数据挖掘和知识发现的理论与方法[J].武汉大学学报（信息科学版），2002，27（3）:221－233[14]杨存建，周成虎.基于知识的遥感图像分类方法探讨[J].地理学与国土研究，2001，17（1）:72－77[15]王志慧，李世明，刘良云，等.基于 MODIS NDVI时间序列的土地覆盖分层分类方法研究[J].遥感技术与应用，2013，28（5）:910－919[16]王贺，陈劲松，余晓敏，等.HJ数据的LBV变换及其在面向对象分类中的应用[J].遥感技术与应用，2013，28（6）:1 020－1 026[17]许积层，唐斌，卢涛.基于多时相LandsatTM影像的汶川地震灾区河岸带植被覆盖动态监测——以岷江河谷映秀汶川段为例[J].生态学报，33（16）:4 966－4 974[18]金石柱，刘志峰.基于 TM 影像的延吉市土地利用动态变化研究[J].地理科学，2011，31（10）:1 249－1 253。

基于图像识别的DMCⅢ航摄像控点导航坐标快速提取

第22卷　第2期2020年6月Vol. 22　No. 2Jun.2020测绘技术装备Geomatics Technology and Equipment 基于图像识别的DMC Ⅲ航摄像控点导航坐标快速提取宋宏涛1，张　杰1，贺清清2，尹　源1（1.山东省国土测绘院，山东济南 250102；2.江苏省南通市如东县自然资源局，江苏南通 226400）Rapid Extraction of Navigation Coordinates for DMC Ⅲ Aerial Control Points Based on Image RecognitionSONG Hongtao ，ZHANG Jie ，HE Qingqing ，YIN Yuan摘　要：探讨自动化像控点导航坐标提取方法对解决传统人工采集效率低下的问题很有必要。

在MATLAB 环境下，以包含像控点导航坐标的DMC Ⅲ影像图为研究对象，利用图像匹配及文字识别技术，设计并实现航空摄影测量中像控点导航坐标的自动提取。

同时，从时间成本和识别精度角度出发，对流程中的重要参数进行最优测试。

最后，经实际生产测试，该方法能解决DMC Ⅲ像控导航坐标人工手动录入效率低下且精度难以保证的问题，极大地节省了时间及人工成本，效果良好。

关键词：像控点测量；坐标提取；图像匹配；文字识别；DMC ⅢKeywords ：Control Point Survey ；Coordinate Extraction ；Image Matching ；Text Recognition ；DMC Ⅲ中图法分类号：P231.22； P237.21　引　言Leica 公司生产的框幅式数码航摄仪DMC Ⅲ（Digital Mapping Camera Ⅲ）及其系列产品在影像数据获取方面有着独特的优势，目前国内测绘行业已有多家企事业单位引进并投入生产。

在航摄生产中，为了保证航空摄影测量的精度，布设相当的像控点仍是目前重要的流程之一。

基于中分辨率遥感影像的唐山城市绿地信息提取

基于中分辨率遥感影像的唐山城市绿地信息提取张永彬;程素娜;汪金花;王杰【摘要】Urban green space information extraction and effective detection are the powerful guarantee of city planning development and ecological environmental monitoring .This paper established urban green space information extraction technology process by comprehensive utilization of spectral ,texture and spatial morphology in remote sensing image .In terms of calculated normalized vegetation index ,first-order entropy ,and rectangular index ,the study took Tangshan City ecology district in a resolution remote sensing image as the research object . Extracting the four types of urban green space ,and making a better classification effect based on the rules of the object-oriented information extractionmethod ,this method can provide a practical and effective way of study for the extraction of urban green space information .%城市绿地信息提取和有效监测是城市规划发展和生态环境监测的有力保障.从城市规划角度出发 ,综合利用遥感影像的光谱、纹理和空间形态特征 ,建立了城市绿地信息提取的技术流程.并以唐山市生态园中心区的中分辨率遥感影像为研究对象 ,进行了植被归一化指数、一阶熵、矩形化指数的运算 ,采用基于规则的面向对象的信息提取方法提取了4种城市绿地类型 ,得到了较好的分类效果 ,为城市绿地信息提取提供了一种切实有效的研究方法.【期刊名称】《国土资源科技管理》【年(卷),期】2015(032)005【总页数】6页(P115-120)【关键词】城市绿地;信息提取;纹理特征;空间形态【作者】张永彬;程素娜;汪金花;王杰【作者单位】华北理工大学矿业工程学院,河北唐山 063009;华北理工大学矿业工程学院,河北唐山 063009;华北理工大学矿业工程学院,河北唐山 063009;华北理工大学矿业工程学院,河北唐山 063009【正文语种】中文【中图分类】TP75(222)城市绿地合理分布和科学规划，不仅能够有效地改善居住环境、缓解热岛效应，为现代社会休闲运动、娱乐放松提供重要的空间，同时也是城市现代化和文明程度的重要标志［1］。

基于面向对象的高分辨率影像专题信息提取

基于面向对象的高分辨率影像专题信息提取张寿选【摘要】利用面向对象的分类方法对高分辨率影像上的水体、植被、建筑物以及道路进行了自动提取；对自动提取结果进行了精度评价:水体和植被的用户精度在90％以上,建筑物和道路中心线的用户精度在70％以上；并分析了影响信息提取精度的因素.%Object-oriented classification was used to extract water body, vegetation, buildings and road centerline from high resolution remote sensing imageries. The accuracy evaluation results showed that the user accuracy of water body and vegetation was above 90%, the accuracy of buildings and roads was above 70%. Finally, the factors which affect extraction accuracy were analyzed.【期刊名称】《地理空间信息》【年(卷),期】2013(011)001【总页数】3页(P92-94)【关键词】面向对象;影像分割;信息提取【作者】张寿选【作者单位】福建省基础地理信息中心,福建福州 350003【正文语种】中文【中图分类】P237随着一系列商用高分辨率卫星的发射和航拍无人机的发展，影像的分辨率越来越高，获取高分辨率影像的成本越来越低。

高分辨率影像与中低分辨率影像相比具有更多的纹理、结构、形状等信息[1]，能够更多的表现地物内部的复杂结构[2]，但光谱信息较少[3]，一般只有4个波段，波长范围一般为400～900 nm，容易出现“同物异谱”和“同谱异物”现象。

传统的影像分类方法一般主要是利用影像的光谱信息，无法利用高分辨率影像的纹理、结构、形状等信息，对高分辨率影像进行分类时会导致严重的“椒盐现象”[4]。

基于样本知识挖掘的高分辨率遥感图像水稻种植信息提取方法

基于样本知识挖掘的高分辨率遥感图像水稻种植信息提取方法尹华锋;苏程;冯存均;李玉琴;黄智才;章孝灿【摘要】针对高分辨率遥感图像中水稻种植信息实际是水稻、泥土、水、杂草、浮萍等多种地物混合信息的情况,提出了一种基于样本知识挖掘的水稻种植信息提取方法.该方法以构成水稻种植信息的各种地物信息为分析的基本单元,依据空间自相关性理论,挖掘基于各种基本单元的水稻种植信息的组合特征,进而提出了一种水稻种植信息提取策略:首先,分割图像得到各类混合地物信息的基本单元;其次,通过分析水稻样本图斑所包含的基本单元种类确定构成水稻的基本单元类型,将相应类型的基本单元均归入初始水稻种植区;最后,通过分析矢量化的初始水稻种植区图斑内的基本单元的组合特征与水稻样本图斑内的基本单元的组合特征的相似性,剔除不符合水稻种植信息基本单元组合规律的初始水稻种植区图斑.实际的水稻种植信息提取结果表明,该方法实现了良好的提取效果,水稻提取总体精度可达96％.【期刊名称】《浙江大学学报（农业与生命科学版）》【年(卷),期】2018(044)006【总页数】10页(P765-774)【关键词】水稻种植信息提取;高分辨率遥感图像;样本知识挖掘;空间自相关性【作者】尹华锋;苏程;冯存均;李玉琴;黄智才;章孝灿【作者单位】浙江大学地球科学学院空间信息技术研究所,杭州310027;浙江大学地球科学学院空间信息技术研究所,杭州310027;浙江省地理信息中心,杭州310012;浙江大学地球科学学院空间信息技术研究所,杭州310027;浙江大学地球科学学院空间信息技术研究所,杭州310027;浙江大学地球科学学院空间信息技术研究所,杭州310027【正文语种】中文【中图分类】TP79粮食是人类生存的必需品，粮食安全是维系社会稳定的前提，是全世界许多国家共同面临的重大问题[1]。

及时准确地获取粮食种植信息对粮食价格预测、粮食生产指导、粮食安全保障等具有重要意义[2]。

基于高分辨率遥感影像的矿山遥感监测解译标志研究

基于高分辨率遥感影像的矿山遥感监测解译标志研究马国胤;谈树成;赵志芳【摘要】基于中国产高分辨率遥感影像(TH-1、ZY-102C、ZY-3、GF-1、GF-2、YG14、SJ9)及国外高分辨率遥感影像(P1、SPOT6)的数据特征和矿产资源开发状况(界内开采图斑、疑似违法图斑)、矿山开发占地(地下开采硐口、井口/露天开采面、中转场地、固体废弃物、矿山建筑物)、矿山地质灾害(崩塌、滑坡、泥石流、地面塌陷)、矿山环境恢复治理等矿山遥感监测的主要地物目标特征,全面系统地建立了矿山遥感监测的解译标志.总结讨论了因影像的分辨率、时相的不同而造成的解译精度差异及对最终结果造成的影响.【期刊名称】《云南地理环境研究》【年(卷),期】2017(029)005【总页数】10页(P59-68)【关键词】矿山;解译标志;遥感监测;高分辨率影像【作者】马国胤;谈树成;赵志芳【作者单位】云南大学资源环境与地球科学学院,“一带一路”研究院,云南昆明650500;云南大学资源环境与地球科学学院,“一带一路”研究院,云南昆明650500;云南大学资源环境与地球科学学院,“一带一路”研究院,云南昆明650500【正文语种】中文【中图分类】P231.1自2006年起，国土资源部中国地质调查局先后启动了中国“矿产资源开发多目标遥感调查与监测”、“矿山开发遥感调查与监测”、“矿山环境监测”等多项矿山遥感监测项目，按照统一的标准，对全中国矿产资源开发状况进行遥感调查和监测[1]。

特别是近年来，中国遥感技术有了显著的提高，矿山遥感监测从一开始的主要依靠外国商业卫星为数据基础逐渐开始转向以中国产高分辨率卫星为数据基础的监测模式。

因此，开展中国产高分卫星遥感影像矿山遥感监测的解译标志研究便成为当务之急。

为顺应需要，基于当前矿山遥感监测中最主要的中国产高分辨遥感影像及少部分外国高分辨率遥感影像，以云南省部分矿山为例，从矿产资源开发状况(界内开采图斑、疑似违法图斑)、矿山开发占地(地下开采硐口、井口/露天开采面、中转场地、固体废弃物、矿山建筑物)、矿山地质灾害(崩塌、滑坡、泥石流、地面塌陷)、矿山环境恢复治理等方面建立了比较系统、完善的解译标志，为矿山遥感监测解译标志的选取提供了参照。

基于多源高分辨率遥感影像的典型自然资源要素提取

基于多源高分辨率遥感影像的典型自然资源要素提取
马锦山;贾国焕;张赛;张炯
【期刊名称】《测绘通报》
【年(卷),期】2024()3
【摘要】利用高分辨率遥感数据具有高空间分辨率的特性,本文以青海省西宁市0.3和1 m多源高分辨遥感影像为数据源,基于卷积神经网络深度学习算法进行典型自然资源要素提取。

结果表明,0.3 m遥感影像提取耕地、林地准确率均在85%以上,召回率在89%以上;1 m遥感影像提取耕地林地准确率在90%以上,召回率在91%以上,研究成果可用于西宁市自然资源典型要素智能提取。

【总页数】5页(P123-126)
【作者】马锦山;贾国焕;张赛;张炯
【作者单位】西宁市国土勘测规划研究院有限公司;中科北纬(北京)科技有限公司【正文语种】中文
【中图分类】P237
【相关文献】
1.基于高分辨率遥感影像与DSM的典型地物提取
2.基于Deeplabv3+与CRF的遥感影像典型要素提取方法
3.基于多源中高分辨率遥感数据提取渤海辽东湾海冰要素信息
4.基于多源高分辨率遥感影像的2 m不透水面一张图提取
5.基于多源国产高分辨率遥感影像的山区河流信息自动提取
因版权原因，仅展示原文概要，查看原文内容请购买。

高分辨率影像农田信息提取方法

高分辨率影像农田信息提取方法
张艳玲;冯凤英;闫浩文
【期刊名称】《地理空间信息》
【年(卷),期】2010(008)001
【摘要】选取河南省安阳市某地冬小麦长势良好的Quick Bird影像,首先应用数学形态学的开运算对高分辨率遥感影像进行分割,将种植冬小麦的农田与反射率较高的空地、道路、农村居民地进行区分,人工选择并提取需要分析的农田区域,计算其边界并进行细化,最终提取农甲边界信息.整体处理流程基于VC++6.0编程实现.【总页数】3页(P78-80)
【作者】张艳玲;冯凤英;闫浩文
【作者单位】兰州交通大学,数理与软件工程学院,甘肃,兰州,730070;安阳师范学院,资源环境与旅游学院,河南,安阳,455000;安阳师范学院,资源环境与旅游学院,河南,安阳,455000;兰州交通大学,数理与软件工程学院,甘肃,兰州,730070
【正文语种】中文
【中图分类】P237
【相关文献】
1.一种基于TV-Gabor模型的高分辨率遥感图像农田信息提取方法 [J], 黄秋燕;肖鹏峰;冯学智;吴桂平
2.一种基于概率神经网络的城市用地高分辨率影像信息提取方法 [J], 程鹏;岳彩荣;江东;黄耀欢;刘洋洋
3.基于面向对象的高分辨率影像甘蔗种植区信息提取方法研究 [J], 廖珊珊; 张建宇
4.基于多尺度分割技术的高分辨率影像信息提取方法分析 [J], 李靖霞;文金花
5.基于多尺度分割技术的高分辨率影像信息提取方法分析 [J], 李靖霞;文金花因版权原因，仅展示原文概要，查看原文内容请购买。

基于多时相TM影像耕地提取综合方法研究的开题报告

基于多时相TM影像耕地提取综合方法研究的开题报
告
一、选题背景
随着人类活动的不断发展，耕地面积的减少已经成为全球关注的问题之一。

而想要科学有效地监测和管理耕地资源，必须建立高精度的耕地提取方法。

多时相TM影像作为具备时间序列特征和空间分辨率优势的遥感数据，可以为耕地提取提供更加丰富的信息支持。

二、研究目的
本研究旨在基于多时相TM影像，探究一种耕地提取综合方法。

通过对不同时间段的TM影像进行预处理、分类和像元变化监测，提取出耕地资源的空间分布、面积变化和土地利用状况，从而支持耕地保护和管理的科学决策。

三、研究内容
1. 多时相TM影像预处理
本文将采用大气校正、辐射定标等方法对多时相TM影像进行预处理，以保证后续提取精度。

2. 耕地分类
基于支持向量机（SVM）分类算法，将处理后的TM影像进行分类，初步提取出耕地区域。

3. 像元变化监测
结合模型和指标，针对不同的地物类型和时间段，设计像元变化监测算法，提取出耕地面积变化和统计指标。

4. 综合分析
将以上方法综合应用，得到多时相TM影像耕地提取的空间分布、面积变化和土地利用状况，对研究结果进行分析和评估。

四、研究意义
本研究可以为耕地保护和管理提供科学依据，为农业生产和粮食安全保障提供技术支持。

同时，本研究的方法也可以为其他土地利用类型的遥感提取研究提供借鉴和参考。

基于多时相遥感数据的农田分类提取

基于多时相遥感数据的农田分类提取李晓东;姜琦刚【期刊名称】《农业工程学报》【年(卷),期】2015(31)7【摘要】为深化遥感解译在农田类型自动提取研究中的应用，了解研究区内农业资源的现状，该文以镇赉县为试验区，设计了基于多时相遥感数据的农田分类提取方案。

该方案通过计算地表植被指数时序变化的变程（主要分类变量），结合研究区影像纹理局部方差、修正土壤调整指数和地表水体指数构建多维特征空间数据，对研究区内的水田和旱地进行分类提取。

结果表明：1）该算法的总体分类精度为94%，Kappa 系数为0.87；2）水田的遥感提取精度为98.3%，旱地为98%；3）水田占全区总面积的13.26%，旱地为20.12%，旱地是研究区内的主要农田类型。

该文研究成果为未来农业发展的政策和规划提供一定的参考依据。

%Both artificial visual interpretation and computer automatic classification were the mainly remote sensing methods used to extract farmland information. At present, it is still difficult to entirely replace the artificial visual interpretation for the computer automatic classification to extract farmlands’ type information of the remote sensing image, because the automatic method needs more efforts to improve the precision of the classification results, so the problem became the key link of the automatic classification extraction. How to extract farmlands' type information in the western part of Jilin is one of the major problems which the paper attempts to solve to distinguish paddy field from dry land. A new solutionto extract the farmland information has been designed for the remote sensing automatic classification, based on the spatial variation theory. The classification scheme was carried out by operating in an R language platform and the remote sensing software ERDAS platform. The farmland type of Zhenlai in the western of Jilin was extracted and monitored by making use of four indexes, the range of NDVI series, the local variance of image texture, the modified soil adjusted vegetation index, and the normalized difference water index, which have significant meaning for the farmland cover type in the transition zone between the cropping area and the nomadic area. These variances with clear physical meaning information (including the vegetation, water, soil drought conditions) and phonological information were used to build a multi-dimensional feature space classification data set. The results indicated that: 1) the dry field of which an area of 1065.337 km2 was cultivated in the study area was the largest farmlands' type, and also was one of the most important ecological landscape types. It's the spatial distribution characteristic of the study area that is a relatively dispersed dry field, and a relatively concentrated paddy field;2) based on the multidimensional space data set, the algorithm of a support vector machine (SVM) was chosen to automatically extract the farmland types' data of the paddy field and the dry land. The overall classification accuracy of the algorithm was 94%, the Kappa coefficient of the classification was 0.87, and the extracted accuracy of the paddy field was 98.3%, while the extracted accuracy of the dry land was 98%. The existing automatic extraction approach was implemented to obtain acomparatively ideal classification result;3) through the farmland's regional analysis, a depression that has more lowland and easy seeper is suitable for the reclamation of paddy field. It's noted that the extracted classification has an obvious regional farmland type, and the regional features were consistent with the farming cultivation characteristics in the northeast plains;4) both rice and corn were typical unimodal type growth crops, and the similar growth peak, but the result of the range (rice,3.8±0.4;upland crops, 3.4±0.3;) noted that:the phenology information of different vegetation types has its own characteristics;this characteristic of the NDVI seasonal variation curve is real.【总页数】6页(P145-150)【作者】李晓东;姜琦刚【作者单位】吉林大学地球探测科学与技术学院，长春 130012; 白城师范学院，白城 137000;吉林大学地球探测科学与技术学院，长春 130012【正文语种】中文【中图分类】S127【相关文献】1.基于多时相遥感数据的吉林西部土地覆被分类提取 [J], 李晓东;姜琦刚2.基于决策树和多时相遥感数据的苜蓿分类研究 [J], 秦景逸;郑逢令;阿斯娅·曼力克;艾尼玩·艾买尔3.基于多时相遥感数据的老山景区地类信息提取及景观格局动态分析 [J], 孙敏; 周春国; 邹长新; 张峥男; 刘冬4.基于多时相遥感数据的海岸线自动提取方法 [J], 盛辉;张驰;万剑华5.基于分区和多时相遥感数据的山区植被分类研究 [J], 竞霞;王锦地;王纪华;黄文江;刘良云因版权原因，仅展示原文概要，查看原文内容请购买。