基于時序MODIS影像的農(nóng)作物遙感識別方法研究.pdf

1、農(nóng)作物空間分布信息是農(nóng)作物長勢監(jiān)測、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、豐富的光譜和時相信息等特點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。然而，MODIS數(shù)據(jù)較粗的空間分辨率易導(dǎo)致混合像元問題，從而限制了農(nóng)作物識別的精

2、度。因此，如何充分挖掘時序MODIS數(shù)據(jù)在光譜和時間上的優(yōu)勢，有限彌補混合像元問題，從而實現(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)測領(lǐng)域需重點解決的科學(xué)問題。本研究以我國重要商品糧基地——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）為研究對象，采用時序MODIS影像、中高分辨率農(nóng)作物參考圖以及統(tǒng)計數(shù)據(jù)等主要研究數(shù)據(jù)，開展了大區(qū)域農(nóng)作物遙感識別方法研究。本論文的主要研究內(nèi)容和結(jié)論如下:
　　(1)光譜和時序特

3、征對農(nóng)作物遙感識別的影響評估?；跁r序MOD09A1影像，構(gòu)建10組不同數(shù)量和質(zhì)量的光譜時序特征集組合，基于支持向量機方法分類并進行精度評估。研究結(jié)果表明光譜多樣性和時序多變性是農(nóng)作物遙感識別的兩大重要特征屬性。光譜信息和時相信息能夠相互補充，從而提供農(nóng)作物遙感識別的必要信息。然而，并不是影像的時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)擴展方法在農(nóng)作物特征選擇

4、中的潛力評估。本研究提出了兩種擴展類對分離指數(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方面，評估了兩類方法在農(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SI全局指數(shù)擴展方法的敏感性更高，同時在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)的時序光譜特征自動優(yōu)選方法(STAFS)研究。STAFS算法通過綜合考慮特征的“分離性”和特征之間的“信息冗余”，自動篩選出農(nóng)作物最優(yōu)的光譜時相特征子集。在實際應(yīng)用中，該方法從155個候選特征中為黑龍江玉米識別選取了34個最優(yōu)的光譜時相特征集，同時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)分的時相窗口。STAFS特征優(yōu)選方法結(jié)合支持向量機分類器能夠產(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)果與縣級統(tǒng)計數(shù)據(jù)的總“面積差”空間分配給對應(yīng)的MODIS像素。經(jīng)統(tǒng)計數(shù)據(jù)修整后的遙感結(jié)果不僅在面積上與統(tǒng)計數(shù)