基于多源遙感數(shù)據(jù)融合與數(shù)據(jù)同化的水稻信息提取研究.pdf

1、水稻是中國(guó)種植面積最大、總產(chǎn)最多的糧食作物，水稻生產(chǎn)在中國(guó)糧食生產(chǎn)中占有極其重要的地位。準(zhǔn)確的獲取水稻生產(chǎn)信息，正確及時(shí)地掌握農(nóng)作物生產(chǎn)狀況，對(duì)糧食安全，社會(huì)穩(wěn)定，農(nóng)村就業(yè)，農(nóng)民增收具有十分重要的現(xiàn)實(shí)意義。
　　水稻遙感信息提取是遙感、地理信息系統(tǒng)和全球定位系統(tǒng)結(jié)合水稻農(nóng)學(xué)知識(shí)的一個(gè)綜合應(yīng)用。本研究基于中等空間分辨率多源多時(shí)相遙感衛(wèi)星數(shù)據(jù)，以詳盡的地面觀測(cè)數(shù)據(jù)為基礎(chǔ)，利用遙感數(shù)據(jù)融合及數(shù)據(jù)同化等方法，解決我國(guó)地塊較破碎地區(qū)水稻遙感

2、信息提取過程中的具體問題，并對(duì)影響水稻信息提取精度的原因進(jìn)行一定的定性分析和定量的研究，旨在提高對(duì)水稻遙感中各種數(shù)據(jù)處理步驟的認(rèn)識(shí)理解。主要研究?jī)?nèi)容和結(jié)論如下:
　　(1)結(jié)合大田冠層光譜數(shù)據(jù)及地面實(shí)測(cè)數(shù)據(jù)，探究水稻生長(zhǎng)規(guī)律，通過Wilks's lambda系數(shù)進(jìn)行判別分析確定植被指數(shù)EVI2能夠較好的反應(yīng)出水稻與其他地類的差異性。分析研究區(qū)五種主要地類（水稻、樹木、水體、旱地作物和其他非植被）的HJ-1 A/B CCD EVI2

3、時(shí)間序列曲線，水稻移栽期和快速生長(zhǎng)的營(yíng)養(yǎng)生長(zhǎng)時(shí)期具有區(qū)別于其他地物類別的獨(dú)特的光譜特征，確定這兩個(gè)時(shí)期為水稻的關(guān)鍵生育期，實(shí)現(xiàn)了分步耦合最佳生育期閩值法估算研究區(qū)單季稻種植面積。單季稻估算面積與當(dāng)?shù)剞r(nóng)業(yè)部門的統(tǒng)計(jì)數(shù)據(jù)對(duì)比，相對(duì)分類精度為91.2％。與地塊調(diào)查結(jié)果的空間精度驗(yàn)證顯示，水稻的總精度達(dá)到91.68％，Kappa系數(shù)為0.79。提取結(jié)果與典型的參數(shù)分類法（最大似然法）和非參數(shù)分類法（支持向量機(jī)）相比，總精度分別提高了6.80％和

4、10.89％?；谖鍌€(gè)地塊調(diào)查樣地的空間分布信息，定量分析了由地塊景觀格局、混合像元純度及邊界效應(yīng)給水稻分類帶來的影響。結(jié)果表明，選擇合適的多時(shí)相遙感影像，結(jié)合水稻關(guān)鍵生育期及有代表性的光譜特征，可以提高水稻分類精度;引入景觀指數(shù)分析地塊緊湊程度，結(jié)果表明遙感影像像元混合程度越嚴(yán)重，則分類精度越低，錯(cuò)分漏分的水稻像元集中在水稻田塊的邊緣。
　　(2)通過最小二乘法融合HJ-1 CCD和Landsat-8 OLI植被指數(shù)數(shù)據(jù)，較單一

5、數(shù)據(jù)源能夠更準(zhǔn)確地估計(jì)研究區(qū)單季稻的關(guān)鍵物候參數(shù)（移栽期、抽穗期、成熟期）。不同植被指數(shù)對(duì)目標(biāo)地物的變化反應(yīng)能力不同，和NDVI相比，EVI2在兩個(gè)傳感器之間表現(xiàn)更穩(wěn)定。與地面觀測(cè)生育期數(shù)據(jù)進(jìn)行比較，融合后的植被指數(shù)時(shí)間序列提取的水稻生育期結(jié)果具有相對(duì)低的RMSE，其中EVI2優(yōu)于NDVI。在不同傳感器融合獲取更高時(shí)間分辨率植被指數(shù)時(shí)間序列的過程中，利用一致性分析定量計(jì)算傳感器間系統(tǒng)差異與非系統(tǒng)差異，結(jié)果表明，通過選擇合適的濾波窗口可以

6、減小傳感器間非系統(tǒng)差異，使用大于5×5濾波窗口以后，傳感器間非系統(tǒng)差異趨于穩(wěn)定，選擇合適的模型如最小二乘法建立植被指數(shù)的回歸函數(shù)減小傳感器間系統(tǒng)差異，從而減少數(shù)據(jù)融合過程中的不確定性的產(chǎn)生。
　　(3)利用多時(shí)相遙感影像，以2012-2013年地面實(shí)驗(yàn)數(shù)據(jù)為建模和驗(yàn)證數(shù)據(jù)，制作出可應(yīng)用于地區(qū)尺度的單季稻全生育期內(nèi)近實(shí)時(shí)動(dòng)態(tài)長(zhǎng)勢(shì)監(jiān)測(cè)圖。通過去云處理及最大值合成的植被指數(shù)代表每個(gè)像元在一甸內(nèi)的最大值，以此估測(cè)研究區(qū)每旬單季稻長(zhǎng)勢(shì)狀況，

7、估測(cè)模型選用傳統(tǒng)的回歸模型及機(jī)器學(xué)習(xí)模型。驗(yàn)證了機(jī)器學(xué)習(xí)模型（神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)）在作物長(zhǎng)勢(shì)監(jiān)測(cè)參數(shù)提取中具有優(yōu)勢(shì)。將生育期劃分為營(yíng)養(yǎng)生長(zhǎng)和生殖生長(zhǎng)后，可以明顯提高葉面積指數(shù)的反演精度，抽穗前時(shí)期LAI最佳估測(cè)模型為EVI2-BPNN模型，抽穗后LAI最佳估測(cè)模型為NDVI-SVM模型，結(jié)果同時(shí)表明，EVI2通常在水稻快速生長(zhǎng)階段（營(yíng)養(yǎng)生長(zhǎng)）效果更好，而NDVI在生長(zhǎng)速率減緩后（生殖生長(zhǎng)）的反演效果更佳。累積植被指數(shù)可以適用于水稻地上

8、干生物量的估算，全生育期內(nèi)模型決定系數(shù)達(dá)到0.93。通過選擇合適的植被指數(shù)及反演模型，結(jié)合水稻獨(dú)特的生育期特征，可以提高水稻長(zhǎng)勢(shì)參數(shù)的估測(cè)精度，為當(dāng)?shù)氐姆N植管理提供有價(jià)值的空間化可視化信息服務(wù)。
　　(4)結(jié)合地面觀測(cè)數(shù)據(jù)與FSEOPT對(duì)研究區(qū)水稻主栽品種進(jìn)行WOFOST作物模型參數(shù)本地化，參數(shù)本地化結(jié)果表明在單點(diǎn)尺度上作物模型可以較好地表征水稻生長(zhǎng)變化趨勢(shì)，估測(cè)水稻產(chǎn)量。通過集合卡爾曼濾波法同化時(shí)間序列LAI與WOFOST作物模

9、型，同化狀態(tài)參量間隔越短同化效果越好，最終在平衡同化效率與精度的考量下，選用10天LAI資料進(jìn)行區(qū)域水稻估產(chǎn)。以研究區(qū)水稻面積分布圖、水稻生育期提取結(jié)果為輸入?yún)?shù)，10天的遙感反演LAI為同化狀態(tài)參量，估測(cè)研究區(qū)水稻產(chǎn)量分布信息。模型模擬結(jié)果與實(shí)測(cè)結(jié)果有較好的一致性，與實(shí)測(cè)樣點(diǎn)的觀測(cè)值相比，R2為0.66，RMSE為1.61 ton·ha-1。研究結(jié)果表明，提高水稻信息提取過程中各步驟精度的前提下，WOFOST模型可以用于區(qū)域尺度水稻產(chǎn)