一、方案概述

     農業(yè)生產(chǎn)是國家社會(huì )經(jīng)濟的基礎，糧食產(chǎn)量對于制定國家和區域社會(huì )經(jīng)濟發(fā)展規劃、確保國家糧食安全和社會(huì )穩定、指導和調控宏觀(guān)種植結構等均有重要意義。作物種植面積是影響糧食產(chǎn)量的重要因素之一，利用遙感識別農作物地塊并估算作物種植面積是農業(yè)遙感監測的重要內容。農作物遙感分類(lèi)是估算作物種植面積的重要核心問(wèn)題，是提高作物種植面積估算精度的關(guān)鍵工作。

      公司以遙感在作物類(lèi)型識別和災害識別評估應用為主線(xiàn)，歸納了國內外作物類(lèi)型識別及農業(yè)災害識別評估研究中常用的各類(lèi)遙感數據，如資源遙感影像、氣象遙感影像、高分辨率影像、高光譜影像和微波影像等，分析其優(yōu)缺點(diǎn)和適用性；總結了利用遙感進(jìn)行作物類(lèi)型識別的3類(lèi)研究方法，包括基于光譜的識別方法、基于物候差異的識別方法以及光譜與物候相結合的方法，分析了各種方法的特點(diǎn)；解決克服了作物類(lèi)型遙感識別中存在的主要問(wèn)題，如影像空間精度與價(jià)格的平衡問(wèn)題，多分辨率遙感數據的綜合應用問(wèn)題，物候差異對作物識別的影響問(wèn)題等；通過(guò)結合不同分辨率遙感數據、不同時(shí)相遙感數據的結合建立更多的光譜與物候相結合的解譯標志；提出作物識別機理和多尺度數據融合方法。為用戶(hù)提供多種農作物種類(lèi)及在災害發(fā)生后評估的遙感識別解決方案。

二、方案特點(diǎn)

>> 智能化的人機交互：將前沿的人工智能技術(shù)與傳統遙感影像解譯技術(shù)結合，提供作業(yè)效率和解譯精度，利用像元間的統計特征建立類(lèi)別間的判別函數，進(jìn)而識別作物類(lèi)型。建立特定的農作物識別算法模型。

>> 時(shí)間序列匹配方法：高時(shí)間分辨率的影像能夠充分體現植被的季相變化，而同一區域相同植被具有相似的變化曲線(xiàn)，通過(guò)植被指數時(shí)間序列變化特征可以識別地物。匹配方法通過(guò)分析未知像元波譜曲線(xiàn)和純像元波譜曲線(xiàn)的匹配程度以識別地物類(lèi)型，引入時(shí)間序列數據的分析以識別作物類(lèi)型，利用季相節律的差異避免了作物類(lèi)型間光譜特征相似的問(wèn)題。

>> 關(guān)鍵物候期識別：同種作物在同一個(gè)地區具有相對穩定的生長(cháng)發(fā)育規律。關(guān)鍵物候期可以使作物與其他植被具有較大的可區分性，可作為作物類(lèi)型識別的重要依據，從而使作物類(lèi)型識別更有效。通過(guò)分析時(shí)間序列數據中作物生長(cháng)的關(guān)鍵物候期的特征值提取作物；利用當地的作物物候歷信息，選擇適當時(shí)相的遙感影像，使作物類(lèi)型識別更有針對性，避免了遙感數據選取的盲目性。

>> 關(guān)聯(lián)分析模型：以實(shí)測結果或中高分辨率影像識別結果為樣本，與低分辨率時(shí)間序列或關(guān)鍵物候期數據建立半定量或回歸模型識別作物。通過(guò)考慮作物關(guān)鍵物候期植被指數與種植面積的定量函數關(guān)系，當像元中混入其他類(lèi)型地物時(shí)會(huì )導致關(guān)鍵時(shí)段的曲線(xiàn)斜率發(fā)生變化。充分利用了多分辨率遙感的優(yōu)勢，突出關(guān)鍵物候特性，使構建模型時(shí)理論更充分，精度應該更高；可用于統計總種植面積和大概種植分布。 

三、案例展示

案例效果及經(jīng)典案例

      案例效果：目前已建立識別模型農作物種類(lèi)：水稻、小麥、玉米、棉花、大豆、