基于图像分割和NDVI时间序列曲线分类模型的冬小麦种植区域识别与提取

发布时间：2021-11-28 16:24

　　为自动获取大面积冬小麦种植区域,通常利用中等空间分辨率遥感影像中的物候信息,基于时间序列曲线进行识别与提取。但在实际工程项目中,只使用物候信息提取精度偏低。因此提出了一种基于时间序列曲线数据分类模型与图像分割相结合的冬小麦识别方法。首先,构建多源数据的归一化植被指数（normalized difference vegetation index,NDVI）时间序列曲线,采用时间序列谐波分析方法（harmonic analysis of time series,HANTS）对NDVI时间序列数据进行平滑和去噪;然后,对NDVI时间序列进行坐标转换,获取波段均值、标准差和均方根3个参数,构建新的分类模型,提升冬小麦与其他作物的差异值;最后,通过与高空间分辨率数据的分割结果相结合,利用图像的空间结构信息,提高地物边界的准确性。以南京市江宁区为例,利用2017年12月—2018年6月间高分一号、Landsat8和Sentinel-2A 3种类型的共21景多源数据进行实验,最终提取精度达到98. 74%,比其他方法有所提高,为农业管理部门提供了准确的冬小麦种植区域和分布的地理信息数据。 

【文章来源】：国土资源遥感. 2020,32(02)北大核心CSCD

【文章页数】：7 页

【部分图文】：

坐标转换NDVI值曲线

NDVI时间序列曲线分类模型结果

鉴于冬小麦在不同的生长阶段具有不同的物候特征，本文选用2017年12月—2018年6月间覆盖冬小麦生长周期的高分一号(GF-1)、Landsat8和Sentinel-2A共3种数据，分别来自中国资源卫星应用中心、美国地质调查局(United States Geological Survey,USGS)和欧洲航天局。选取原则是首先选用16 m空间分辨率的GF-1 WFV数据，若数据质量差，则用该月经多光谱和全色数据融合后空间分辨率为15 m的Landsat8数据或空间分辨率为10 m的Sential-2A数据予以补充。研究共选用了21期图像，平均每月3期，各数据的获取时间如表1所示。用于图像分割来提高地物边界准确性的数据为北京二号卫星图像，获取时间为2018年4月17日，空间分辨率为1 m，如图1所示。2 研究方法

【参考文献】：
期刊论文
[1]面向地块的农作物遥感分类研究进展[J]. 韩衍欣,蒙继华.  国土资源遥感. 2019(02)
[2]基于地块尺度多时相遥感影像的冬小麦种植面积提取[J]. 邓刘洋,沈占锋,柯映明,许泽宇.  农业工程学报. 2018(21)
[3]基于高分一号卫星遥感影像的地表岩性特征提取及三维可视化[J]. 陈国旭,李盼盼,刘盛东,李忠城,赵萍.  地理与地理信息科学. 2018(05)
[4]遥感图像分割下的青藏高原湖泊提取[J]. 王碧晴,王珂,廖伟逸.  遥感信息. 2018(01)
[5]基于GIMMS 3g NDVI的近30年中国北部植被生长季始期变化研究[J]. 李净,刘红兵,李彩云,李龙.  地理科学. 2017(04)
[6]高分一号归一化植被指数时间序列用于冬小麦识别[J]. 张晶,占玉林,李如仁.  遥感信息. 2017(01)
[7]基于多尺度分割的高分遥感图像变异函数纹理提取和分类[J]. 刘昌振,舒红,张志,马国锐.  国土资源遥感. 2015(04)
[8]基于面向对象分类的冬小麦种植面积提取[J]. 李卫国,蒋楠.  麦类作物学报. 2012(04)
[9]基于地块特征基元与多时相遥感数据的冬小麦播种面积快速提取[J]. 朱长明,骆剑承,沈占锋,程熙.  农业工程学报. 2011(09)
[10]山东省典型地表覆被NDVI时间序列谐波分析[J]. 梁守真,邢前国,施平,周迪.  生态学杂志. 2011(01)



本文编号：3524753