基于时空特征融合的水稻种植区提取研究
发布时间：2021-07-08 04:18
本文目的是探究基于时空特征融合的水稻信息提取策略,具体地,将在当前低空间分辨率时序影像分类中引入“超像元”,基于超像素分割方法,对高空间分辨率影像进行分割,得到具有高度内部匀质性的超像素图像,进而获取高精度的地物纹理信息;随后以超像素为基本单元,基于加权平均方法获取各个超像素平均时序曲线;最后,利用曲线相似性度量方法,计算各个超像素与目标地物标准时序曲线相似性,通过合理的阈值划分,获取最终分类结果。大体上,将其分为三个部分的内容:（1）基于GF-1可见光波段的云处理方法研究虽然高分1号重访周期可以达到4天,但由于其PMS传感器成像宽幅较小（60km）,因此若要获取覆盖较大区域的GF-1 PMS影像,需要从一个较大的时间范围内去选择质量好的影像,特别是低云影像。为了尽大可能利用现有GF-1影像,本文对GF-1影像云处理算法进行了探究,提出了一种基于面向对象的可见光波段的云检测算法（Object-oriented Cloud Extraction with Space and Spectrum Information,OCESS）,以获取研究区云区分布情况,在有效性验证中,该方法制图精度为...
【文章来源】：华中农业大学湖北省 211工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
总体技术路线图
基于时空特征融合的水稻种植区提取研究112研究区、数据及其预处理2.1研究区概况仙桃市位于湖北省中部，地处江汉平原，在112°55"E—113°49"E、北纬30°04"N—30°32"N之间。市境内地形大部为冲击平原，地势平坦；气候属于亚热带季风性气候，常年气候温和，雨量充沛，日照充足，年平均日照时数在2000h以上，无霜期一般256d，是传统的农业区。仙桃市总面积2538km2，2017年全市耕地面积900km2，占比35.5%，其中水田580km2，旱地323km2，粮食作物以小麦、水稻为主，经济作物以棉花、油菜为主。图2-1研究区位置Fig.2-1Locationofstudyarea2.2MODIS数据预处理2.2.1MODIS影像数据来源ModerateResolutionImagingSpectroradiometer（MODIS）是搭载在Terra星和Aqua星上的重要传感器，其扫描宽幅为2330km，可以在1-2d的时间内，以250m、500m、1000m三个空间分辨率尺度，获取整个地球表面关于36个光谱波段的影像数据，为了满足不同领域的需求，美国宇航局（NationalAeronauticsandSpaceAdministration，NASA）针对陆地、大气、海洋三个遥感应用领域发布了44种标准数据产品。本文所用MODIS影像数据是从NASA官网（https://reverb.echo.nasa.gov/reverb/）获取的2005～2015年湖北地区MOD13Q1
华中农业大学2020届硕士研究生学位（毕业）论文14（3）以自适应Savitzky-Golay滤波法（S-G滤波）(AbrahamSetal1964)为代表的非线性拟合方法；S-G滤波是时序数据处理中常用到的方法，S-G滤波法可以看作是移动平均法的改进，但其加权系数不再是固定不变的，而是对定义窗口内的数据点进行多项式的最小二乘拟合，基于拟合结果给出的。其表达式为：=1·∑+1=(2-2)其中，为NDVI的拟合后的值，为原始NDVI值，为其下标，为时序NDVI数据的第个值，为半窗口宽度，为窗口长度，其等于2+1。上面提到的三大类共四种滤波方法中，BISE方法最早是作为MVC方法的替代方法出现的，由于MOD13Q1数据集中的NDVI数据已经过MVC处理，因此此处仅对MVI、EMD和S-G滤波三种方法进行对比分析，以选择最佳的时序NDVI数据的滤波方式。图2-2、图2-3、图2-4分别是以上三种方法针对单季稻样本的NDVI时序数据滤波结果，从图中直观的发现，MVI方法效果最差，其仅针对了少部分点进行了处理，而且变动较大，但大部分时序点的值维持不变，处理前后数据质量并无明显改变；EMD方法和S-G方法的平滑效果较好，有效地减弱了时序数据中的锯齿效应，并能保证主要波峰特征的存在，相对而言，S-G方法的数据保持能力比较强，但EMD方法的平滑效果更加优秀。图2-2基于迭代内插法（MVI）的NDVI时序数据平滑结果Fig.2-2SmoothingresultsofNDVItimeseriesdatabasedonMVImethod
【参考文献】：
期刊论文
[1]基于GF-1影像的耕地地块破碎区水稻遥感提取[J]. 张海东,田婷,张青,陆洲,石春林,谭昌伟,罗明,钱春花. 遥感技术与应用. 2019(04)
[2]基于GF-1与MODIS时空融合的南方丘陵区水稻提取研究[J]. 王建勋,华丽,邓世超,王惠东,陈家慧. 中国农业资源与区划. 2019(05)
[3]面向GF-1 WFV数据和MODIS数据的时空融合算法对比分析[J]. 平博,孟云闪,苏奋振. 地球信息科学学报. 2019(02)
[4]基于面向对象法艾比湖卤虫信息提取[J]. 李微,刘伟男,贾越平,刘洪洋,汤勇. 国土资源遥感. 2018(04)
[5]特征优选下的遥感影像面向对象分类规则构建[J]. 戴莉莉,李海涛,顾海燕,余凡. 测绘科学. 2019(02)
[6]基于资源三号卫星影像的面向对象地表覆盖要素分类方法研究[J]. 罗建松,曹宇佳,阳俊. 测绘与空间地理信息. 2018(06)
[7]Integrated uncertain models for runoff forecasting and crop planting structure optimization of the Shiyang River Basin,north-west China[J]. Fan ZHANG,Mo LI,Shanshan GUO,Chenglong ZHANG,Ping GUO. Frontiers of Agricultural Science and Engineering. 2018(02)
[8]基于GF-1影像的东江流域面向对象土地利用分类[J]. 李恒凯,吴娇,王秀丽. 农业工程学报. 2018(10)
[9]多时相Sentinel-2A与SPOT-7影像在油菜识别中的差异[J]. 韩涛,潘剑君,罗川,周涛,张培育. 南京农业大学学报. 2018(04)
[10]农业遥感研究进展与展望[J]. 唐华俊. 农学学报. 2018(01)
博士论文
[1]基于时序MODIS影像的农作物遥感识别方法研究[D]. 胡琼.中国农业科学院 2018
[2]图像中的超像素生成方法[D]. 潘晓.山东大学 2017
[3]基于GF-1/WFV和面向对象的农作物种植结构提取方法研究[D]. 宋茜.中国农业科学院 2016
[4]利用多时相MODIS数据提取中国水稻种植面积和长势信息[D]. 孙华生.浙江大学 2009
硕士论文
[1]纹理增强提取与面向对象结合的高分影像分类的应用[D]. 郝剑南.东华理工大学 2018
[2]基于时间序列植被指数的水稻发育期提取和估产[D]. 李新星.浙江大学 2017
[3]基于Landsat 8 OLI与MODIS的时空数据融合方法研究[D]. 庄喜阳.南京大学 2017
[4]基于多时相遥感影像的黑河流域农作物种植结构提取研究[D]. 刘亚群.重庆交通大学 2016
[5]基于相似涨落模式的时间序列预测研究[D]. 汤子健.合肥工业大学 2016
[6]基于遥感和气象数据的江苏省水稻面积监测和估产研究[D]. 汤斌.浙江大学 2016
[7]基于高空间分辨率的高光谱遥感数据的城市地物分类[D]. 邹会杰.山东大学 2014
[8]经验模态分解算法应用研究[D]. 岳相臣.西安电子科技大学 2013
本文编号：3270845
【文章来源】：华中农业大学湖北省 211工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
总体技术路线图
基于时空特征融合的水稻种植区提取研究112研究区、数据及其预处理2.1研究区概况仙桃市位于湖北省中部，地处江汉平原，在112°55"E—113°49"E、北纬30°04"N—30°32"N之间。市境内地形大部为冲击平原，地势平坦；气候属于亚热带季风性气候，常年气候温和，雨量充沛，日照充足，年平均日照时数在2000h以上，无霜期一般256d，是传统的农业区。仙桃市总面积2538km2，2017年全市耕地面积900km2，占比35.5%，其中水田580km2，旱地323km2，粮食作物以小麦、水稻为主，经济作物以棉花、油菜为主。图2-1研究区位置Fig.2-1Locationofstudyarea2.2MODIS数据预处理2.2.1MODIS影像数据来源ModerateResolutionImagingSpectroradiometer（MODIS）是搭载在Terra星和Aqua星上的重要传感器，其扫描宽幅为2330km，可以在1-2d的时间内，以250m、500m、1000m三个空间分辨率尺度，获取整个地球表面关于36个光谱波段的影像数据，为了满足不同领域的需求，美国宇航局（NationalAeronauticsandSpaceAdministration，NASA）针对陆地、大气、海洋三个遥感应用领域发布了44种标准数据产品。本文所用MODIS影像数据是从NASA官网（https://reverb.echo.nasa.gov/reverb/）获取的2005～2015年湖北地区MOD13Q1
华中农业大学2020届硕士研究生学位（毕业）论文14（3）以自适应Savitzky-Golay滤波法（S-G滤波）(AbrahamSetal1964)为代表的非线性拟合方法；S-G滤波是时序数据处理中常用到的方法，S-G滤波法可以看作是移动平均法的改进，但其加权系数不再是固定不变的，而是对定义窗口内的数据点进行多项式的最小二乘拟合，基于拟合结果给出的。其表达式为：=1·∑+1=(2-2)其中，为NDVI的拟合后的值，为原始NDVI值，为其下标，为时序NDVI数据的第个值，为半窗口宽度，为窗口长度，其等于2+1。上面提到的三大类共四种滤波方法中，BISE方法最早是作为MVC方法的替代方法出现的，由于MOD13Q1数据集中的NDVI数据已经过MVC处理，因此此处仅对MVI、EMD和S-G滤波三种方法进行对比分析，以选择最佳的时序NDVI数据的滤波方式。图2-2、图2-3、图2-4分别是以上三种方法针对单季稻样本的NDVI时序数据滤波结果，从图中直观的发现，MVI方法效果最差，其仅针对了少部分点进行了处理，而且变动较大，但大部分时序点的值维持不变，处理前后数据质量并无明显改变；EMD方法和S-G方法的平滑效果较好，有效地减弱了时序数据中的锯齿效应，并能保证主要波峰特征的存在，相对而言，S-G方法的数据保持能力比较强，但EMD方法的平滑效果更加优秀。图2-2基于迭代内插法（MVI）的NDVI时序数据平滑结果Fig.2-2SmoothingresultsofNDVItimeseriesdatabasedonMVImethod
【参考文献】：
期刊论文
[1]基于GF-1影像的耕地地块破碎区水稻遥感提取[J]. 张海东,田婷,张青,陆洲,石春林,谭昌伟,罗明,钱春花. 遥感技术与应用. 2019(04)
[2]基于GF-1与MODIS时空融合的南方丘陵区水稻提取研究[J]. 王建勋,华丽,邓世超,王惠东,陈家慧. 中国农业资源与区划. 2019(05)
[3]面向GF-1 WFV数据和MODIS数据的时空融合算法对比分析[J]. 平博,孟云闪,苏奋振. 地球信息科学学报. 2019(02)
[4]基于面向对象法艾比湖卤虫信息提取[J]. 李微,刘伟男,贾越平,刘洪洋,汤勇. 国土资源遥感. 2018(04)
[5]特征优选下的遥感影像面向对象分类规则构建[J]. 戴莉莉,李海涛,顾海燕,余凡. 测绘科学. 2019(02)
[6]基于资源三号卫星影像的面向对象地表覆盖要素分类方法研究[J]. 罗建松,曹宇佳,阳俊. 测绘与空间地理信息. 2018(06)
[7]Integrated uncertain models for runoff forecasting and crop planting structure optimization of the Shiyang River Basin,north-west China[J]. Fan ZHANG,Mo LI,Shanshan GUO,Chenglong ZHANG,Ping GUO. Frontiers of Agricultural Science and Engineering. 2018(02)
[8]基于GF-1影像的东江流域面向对象土地利用分类[J]. 李恒凯,吴娇,王秀丽. 农业工程学报. 2018(10)
[9]多时相Sentinel-2A与SPOT-7影像在油菜识别中的差异[J]. 韩涛,潘剑君,罗川,周涛,张培育. 南京农业大学学报. 2018(04)
[10]农业遥感研究进展与展望[J]. 唐华俊. 农学学报. 2018(01)
博士论文
[1]基于时序MODIS影像的农作物遥感识别方法研究[D]. 胡琼.中国农业科学院 2018
[2]图像中的超像素生成方法[D]. 潘晓.山东大学 2017
[3]基于GF-1/WFV和面向对象的农作物种植结构提取方法研究[D]. 宋茜.中国农业科学院 2016
[4]利用多时相MODIS数据提取中国水稻种植面积和长势信息[D]. 孙华生.浙江大学 2009
硕士论文
[1]纹理增强提取与面向对象结合的高分影像分类的应用[D]. 郝剑南.东华理工大学 2018
[2]基于时间序列植被指数的水稻发育期提取和估产[D]. 李新星.浙江大学 2017
[3]基于Landsat 8 OLI与MODIS的时空数据融合方法研究[D]. 庄喜阳.南京大学 2017
[4]基于多时相遥感影像的黑河流域农作物种植结构提取研究[D]. 刘亚群.重庆交通大学 2016
[5]基于相似涨落模式的时间序列预测研究[D]. 汤子健.合肥工业大学 2016
[6]基于遥感和气象数据的江苏省水稻面积监测和估产研究[D]. 汤斌.浙江大学 2016
[7]基于高空间分辨率的高光谱遥感数据的城市地物分类[D]. 邹会杰.山东大学 2014
[8]经验模态分解算法应用研究[D]. 岳相臣.西安电子科技大学 2013
本文编号：3270845
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3270845.html
