基于卫星遥感图像的农作物分类算法
发布时间：2021-11-04 11:10
为提高遥感图像对农作物的预估精度和农业种植效率,设计了基于卫星遥感图像的农作物分类算法。以2018年7月30日哨兵二号（Sentinel-2）卫星拍摄的高分辨率哈尔滨市农业示范基地卫星影像为实验数据,在不同光谱波段内（含红边波段）,通过使用最大似然法、支持向量机法、神经网络法分别对影像中水稻、大豆、玉米、高粱等农作物特征进行提取、分类,获得到农作物分类图;将统计结果与真实的参数进行比较,分析了相同算法下使用不同数据源,不同算法使用相同数据源,这两种情况下的分类精度与可靠性。实验结果表明,通过神经网络法得到的分类结果精度最高,可靠性最强,适合于全国范围内推广。
【文章来源】：吉林大学学报(信息科学版). 2020,38(05)
【文章页数】：8 页
【部分图文】：
农业示范基地遥感影像
采用控制变量的总体思想，将3种分类算法结果横向对比，总体流程如图2所示。笔者使用2018年7月30日哨兵二号(Sentinel-2)卫星拍摄的高分辨率哈尔滨市农业示范基地卫星影像为实验数据，此景影像云量较少，有利于地表信息的采集识别。在分类前，要对目标区域的遥感影像进行预处理，主要包含:辐射定标、震慑校正、图像相融合和大气校正等操作。对不同时间、不同传感器所获得的图像进行比较时，先要将图像的灰度值转换为绝对的辐射亮度，这个过程就是辐射定标[4];同时，通过正射校正操作，以校正遥感成像过程中产生的几何畸变，使图像更加精确;正射校正后进行图像融合，综合各个传感器的信息，使图像空间分辨率更高、更加适合计算机处理;然后对融合的影像进行大气校正处理，以消除大气散射、吸收、反射引起的误差，得到预处理后的全景图。最后从中裁剪出感兴趣区域作为实验区域。
利用如上算法对实验区域的遥感影像进行农作物分类，并结合实地考察初步判断其分类准确度。最佳分类结果显示，实验区域有高粱19 100 m2、水稻7 600 m2、玉米11 000 m2、大豆13 100 m2以及道路5 100 m2，分类精度达91.7%。道路将农田分为7大种植区(见图3)，其中1号区域以水稻、高粱以及大豆为主;2号区域高粱、大豆间作，充分利用光能、地力;3号、4号、6号、7号区域分别以水稻、高粱为主要作物，间作其他作物;5号区域种植水稻、高粱，区块规整，与实地考察结果几乎一致。3.2 精度评估对比
【参考文献】：
期刊论文
[1]基于纹理和支持向量机的GF-1图像土地覆被分类研究[J]. 方臣,吴龙,胡飞,陈曦,刘烨青. 资源环境与工程. 2019(01)
[2]RapidEye卫星红边波段对农作物面积提取精度的影响[J]. 刘佳,王利民,滕飞,杨玲波,高建孟,姚保民,杨福刚. 农业工程学报. 2016(13)
[3]Kappa系数:一种衡量评估者间一致性的常用方法（英文）[J]. 唐万,胡俊,张晖,吴攀,贺华. 上海精神医学. 2015(01)
[4]基于多尺度融合的高分辨率影像城市用地分类[J]. 冯昕,杜世宏,张方利,王嵩. 地理与地理信息科学. 2013(03)
[5]Kappa系数的修正及在干旱预测精度及一致性评价中的应用[J]. 田苗,王鹏新,严泰来,刘春红. 农业工程学报. 2012(24)
[6]浅述植被“红边”效应及其定量分析方法[J]. 邹红玉,郑红平. 遥感信息. 2010(04)
[7]遥感影像分类方法比较研究[J]. 李爽,丁圣彦,许叔明. 河南大学学报(自然科学版). 2002(02)
[8]基于支持向量机分类的回归方法[J]. 陶卿,曹进德,孙德敏. 软件学报. 2002(05)
[9]人工神经网络模型在流域水沙预报中的应用[J]. 许全喜. 人民长江. 2000(05)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]基于高分辨率遥感影像的建筑物提取研究[D]. 曹琼.吉林大学 2018
本文编号：3475606
【文章来源】：吉林大学学报(信息科学版). 2020,38(05)
【文章页数】：8 页
【部分图文】：
农业示范基地遥感影像
采用控制变量的总体思想，将3种分类算法结果横向对比，总体流程如图2所示。笔者使用2018年7月30日哨兵二号(Sentinel-2)卫星拍摄的高分辨率哈尔滨市农业示范基地卫星影像为实验数据，此景影像云量较少，有利于地表信息的采集识别。在分类前，要对目标区域的遥感影像进行预处理，主要包含:辐射定标、震慑校正、图像相融合和大气校正等操作。对不同时间、不同传感器所获得的图像进行比较时，先要将图像的灰度值转换为绝对的辐射亮度，这个过程就是辐射定标[4];同时，通过正射校正操作，以校正遥感成像过程中产生的几何畸变，使图像更加精确;正射校正后进行图像融合，综合各个传感器的信息，使图像空间分辨率更高、更加适合计算机处理;然后对融合的影像进行大气校正处理，以消除大气散射、吸收、反射引起的误差，得到预处理后的全景图。最后从中裁剪出感兴趣区域作为实验区域。
利用如上算法对实验区域的遥感影像进行农作物分类，并结合实地考察初步判断其分类准确度。最佳分类结果显示，实验区域有高粱19 100 m2、水稻7 600 m2、玉米11 000 m2、大豆13 100 m2以及道路5 100 m2，分类精度达91.7%。道路将农田分为7大种植区(见图3)，其中1号区域以水稻、高粱以及大豆为主;2号区域高粱、大豆间作，充分利用光能、地力;3号、4号、6号、7号区域分别以水稻、高粱为主要作物，间作其他作物;5号区域种植水稻、高粱，区块规整，与实地考察结果几乎一致。3.2 精度评估对比
【参考文献】：
期刊论文
[1]基于纹理和支持向量机的GF-1图像土地覆被分类研究[J]. 方臣,吴龙,胡飞,陈曦,刘烨青. 资源环境与工程. 2019(01)
[2]RapidEye卫星红边波段对农作物面积提取精度的影响[J]. 刘佳,王利民,滕飞,杨玲波,高建孟,姚保民,杨福刚. 农业工程学报. 2016(13)
[3]Kappa系数:一种衡量评估者间一致性的常用方法（英文）[J]. 唐万,胡俊,张晖,吴攀,贺华. 上海精神医学. 2015(01)
[4]基于多尺度融合的高分辨率影像城市用地分类[J]. 冯昕,杜世宏,张方利,王嵩. 地理与地理信息科学. 2013(03)
[5]Kappa系数的修正及在干旱预测精度及一致性评价中的应用[J]. 田苗,王鹏新,严泰来,刘春红. 农业工程学报. 2012(24)
[6]浅述植被“红边”效应及其定量分析方法[J]. 邹红玉,郑红平. 遥感信息. 2010(04)
[7]遥感影像分类方法比较研究[J]. 李爽,丁圣彦,许叔明. 河南大学学报(自然科学版). 2002(02)
[8]基于支持向量机分类的回归方法[J]. 陶卿,曹进德,孙德敏. 软件学报. 2002(05)
[9]人工神经网络模型在流域水沙预报中的应用[J]. 许全喜. 人民长江. 2000(05)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]基于高分辨率遥感影像的建筑物提取研究[D]. 曹琼.吉林大学 2018
本文编号：3475606
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3475606.html
