基于時(shí)序MODIS影像的農(nóng)作物遙感識(shí)別方法研究.pdf

1、農(nóng)作物空間分布信息是農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)、農(nóng)作物產(chǎn)量估算、農(nóng)作物結(jié)構(gòu)調(diào)整與優(yōu)化、農(nóng)業(yè)生態(tài)氣候建模等研究和應(yīng)用的重要基礎(chǔ)數(shù)據(jù)。不同農(nóng)作物具有特定的生長(zhǎng)規(guī)律和物候特征，充分利用農(nóng)作物的典型季相節(jié)律特征是區(qū)分不同作物類別、作物與其他綠色植被的關(guān)鍵依據(jù)。MODIS數(shù)據(jù)因其大幅寬范圍、豐富的光譜和時(shí)相信息等特點(diǎn)使它在刻畫作物物候歷特征以及大區(qū)域作物制圖方面表現(xiàn)出了明顯優(yōu)勢(shì)。然而，MODIS數(shù)據(jù)較粗的空間分辨率易導(dǎo)致混合像元問(wèn)題，從而限制了農(nóng)作物識(shí)別的精

2、度。因此，如何充分挖掘時(shí)序MODIS數(shù)據(jù)在光譜和時(shí)間上的優(yōu)勢(shì)，有限彌補(bǔ)混合像元問(wèn)題，從而實(shí)現(xiàn)大區(qū)域多類農(nóng)作物高效提取成為了目前農(nóng)業(yè)監(jiān)測(cè)領(lǐng)域需重點(diǎn)解決的科學(xué)問(wèn)題。本研究以我國(guó)重要商品糧基地——黑龍江省為研究區(qū)域，以該區(qū)域的主要農(nóng)作物（玉米、水稻、大豆和小麥）為研究對(duì)象，采用時(shí)序MODIS影像、中高分辨率農(nóng)作物參考圖以及統(tǒng)計(jì)數(shù)據(jù)等主要研究數(shù)據(jù)，開(kāi)展了大區(qū)域農(nóng)作物遙感識(shí)別方法研究。本論文的主要研究?jī)?nèi)容和結(jié)論如下:
　　(1)光譜和時(shí)序特

3、征對(duì)農(nóng)作物遙感識(shí)別的影響評(píng)估?；跁r(shí)序MOD09A1影像，構(gòu)建10組不同數(shù)量和質(zhì)量的光譜時(shí)序特征集組合，基于支持向量機(jī)方法分類并進(jìn)行精度評(píng)估。研究結(jié)果表明光譜多樣性和時(shí)序多變性是農(nóng)作物遙感識(shí)別的兩大重要特征屬性。光譜信息和時(shí)相信息能夠相互補(bǔ)充，從而提供農(nóng)作物遙感識(shí)別的必要信息。然而，并不是影像的時(shí)間分辨率越高精度就越高。只要包含關(guān)鍵的物候歷影像，就能以較少的特征數(shù)量達(dá)到較高的分類精度
　　(2)全局SI指數(shù)擴(kuò)展方法在農(nóng)作物特征選擇

4、中的潛力評(píng)估。本研究提出了兩種擴(kuò)展類對(duì)分離指數(shù)到全局分離指數(shù)的方法:“平均值法”(SIave)和“最小值法”(SImin)。從特征解釋性和分類精度兩個(gè)方面，評(píng)估了兩類方法在農(nóng)作物特征選擇中的適用性。SIave能夠很好表達(dá)農(nóng)作物關(guān)鍵的物候歷特征，優(yōu)選的特征相比SImin具有更高的解釋能力。光譜分離性低的農(nóng)作物對(duì)SI全局指數(shù)擴(kuò)展方法的敏感性更高，同時(shí)在SImin方法中能獲得更高的分類精度。而SIavc方法優(yōu)選的特征在時(shí)間維度上具有較高的相關(guān)

5、性，導(dǎo)致了較嚴(yán)重的信息冗余，從而降低了分類精度。
　　(3)基于SI指數(shù)的時(shí)序光譜特征自動(dòng)優(yōu)選方法(STAFS)研究。STAFS算法通過(guò)綜合考慮特征的“分離性”和特征之間的“信息冗余”，自動(dòng)篩選出農(nóng)作物最優(yōu)的光譜時(shí)相特征子集。在實(shí)際應(yīng)用中，該方法從155個(gè)候選特征中為黑龍江玉米識(shí)別選取了34個(gè)最優(yōu)的光譜時(shí)相特征集，同時(shí)揭露了三葉期和乳熟期是黑龍江玉米與其它地物最易區(qū)分的時(shí)相窗口。STAFS特征優(yōu)選方法結(jié)合支持向量機(jī)分類器能夠產(chǎn)生較

6、高精度的農(nóng)作物空間位置分布和面積總量估算。此外，STAFS方法具有較強(qiáng)的魯棒性，可以泛化應(yīng)用到其它地物類型、不同研究區(qū)域和多種遙感影像。
　　(4)基于遙感數(shù)據(jù)與統(tǒng)計(jì)數(shù)據(jù)融合的亞像素農(nóng)作物比例提取方法研究。結(jié)合隨機(jī)森林模型和“向后剔除”策略優(yōu)選具有最高精度的農(nóng)作物亞像素提取結(jié)果。采用“面積差循環(huán)分配”(IAGA)方法將遙感結(jié)果與縣級(jí)統(tǒng)計(jì)數(shù)據(jù)的總“面積差”空間分配給對(duì)應(yīng)的MODIS像素。經(jīng)統(tǒng)計(jì)數(shù)據(jù)修整后的遙感結(jié)果不僅在面積上與統(tǒng)計(jì)數(shù)