基于多时相GF-1遥感影像的作物分类提取
发布时间：2020-01-29 15:09
【摘要】：为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。
【图文】：
之间光谱特征的明显差异，并通过反复尝试，确定不同作物之间不同光谱的划分阈值。1．5分区分类与精度评价以光谱分析的结果为基础，从整图角度和3个分区角度，分别选择合适的指标(层)构建基于专家知识的决策树，并设置合理阈值，对多时相GF－1影像进行分区决策树分类［22-24］，以获取研究区内的作物空间分布信息。本次决策树分类基于ENVI5．1版本和ENVIclassic来实现。利用混淆矩阵计算分类总体精度和Kappa系数，对分类结果进行总体评价。2结果与分析2．1主要作物光谱时序特征分析对于作物区之外的地块，如图1所示，，水体、城镇的NDVI值在全时间序列中处于稳定状，且均小于0．3，利用7月25日NDVI＜0．3将水体、城镇道路及居民区剔除掉。而5月份主要作物区均为裸土，只有林地等非作物植被才表现出较大的NDVI值，可以利用NDVI指标确定阈值，剔除其他非作物植被。图1地物类别NDVI特征曲线2．1．1整幅图像光谱时序特征分析整幅图像光谱特征曲线见图2—5，各作物的前期生长过程中，4个分类指标较为一致，差异很校5月底到6月底，大豆处于3叶期，玉米从3叶期到拔节期，马铃薯处于块茎的形成期，各作物整体开始快速生长，ref(Ｒ)减小(图4)，ref(NIＲ)增加(图5)，叶绿素的吸收能力逐渐增强，使得NDVI、EVI迅速增大，各作物长势比较明显，且较为一致;6月底到8月初，各作物NDVI持续增长，并达到最大值(图3)，3类作物之间长势差异逐渐体现。玉米由于6月23日处于小口期到大口期，长势旺盛，ref(Ｒ)较低，7月25日，经过开花期，受雄穗遮挡，影响下部对光的吸收，且雄穗呈黄色，ref(Ｒ)较高(图4)。大豆7月中下旬进入结荚期，ref(NIＲ)基本处于峰值(图5)，大豆、玉米的EVI在8月也达到最大值(图2)，而马铃薯7月底进入薯球膨大期
VI5．1版本和ENVIclassic来实现。利用混淆矩阵计算分类总体精度和Kappa系数，对分类结果进行总体评价。2结果与分析2．1主要作物光谱时序特征分析对于作物区之外的地块，如图1所示，水体、城镇的NDVI值在全时间序列中处于稳定状，且均小于0．3，利用7月25日NDVI＜0．3将水体、城镇道路及居民区剔除掉。而5月份主要作物区均为裸土，只有林地等非作物植被才表现出较大的NDVI值，可以利用NDVI指标确定阈值，剔除其他非作物植被。图1地物类别NDVI特征曲线2．1．1整幅图像光谱时序特征分析整幅图像光谱特征曲线见图2—5，各作物的前期生长过程中，4个分类指标较为一致，差异很校5月底到6月底，大豆处于3叶期，玉米从3叶期到拔节期，马铃薯处于块茎的形成期，各作物整体开始快速生长，ref(Ｒ)减小(图4)，ref(NIＲ)增加(图5)，叶绿素的吸收能力逐渐增强，使得NDVI、EVI迅速增大，各作物长势比较明显，且较为一致;6月底到8月初，各作物NDVI持续增长，并达到最大值(图3)，3类作物之间长势差异逐渐体现。玉米由于6月23日处于小口期到大口期，长势旺盛，ref(Ｒ)较低，7月25日，经过开花期，受雄穗遮挡，影响下部对光的吸收，且雄穗呈黄色，ref(Ｒ)较高(图4)。大豆7月中下旬进入结荚期，ref(NIＲ)基本处于峰值(图5)，大豆、玉米的EVI在8月也达到最大值(图2)，而马铃薯7月底进入薯球膨大期，块茎的数量基本确定，主要集中在地下的生长，所以地表的生长达到了顶峰，7月25日到8月7日阶段，马铃薯的ref(NIＲ)开始下降(图5)，区别于其他的作物。图2整区主要作物EVI特征曲线图3整区主要作物NDVI特征曲线154
【图文】：
之间光谱特征的明显差异，并通过反复尝试，确定不同作物之间不同光谱的划分阈值。1．5分区分类与精度评价以光谱分析的结果为基础，从整图角度和3个分区角度，分别选择合适的指标(层)构建基于专家知识的决策树，并设置合理阈值，对多时相GF－1影像进行分区决策树分类［22-24］，以获取研究区内的作物空间分布信息。本次决策树分类基于ENVI5．1版本和ENVIclassic来实现。利用混淆矩阵计算分类总体精度和Kappa系数，对分类结果进行总体评价。2结果与分析2．1主要作物光谱时序特征分析对于作物区之外的地块，如图1所示，，水体、城镇的NDVI值在全时间序列中处于稳定状，且均小于0．3，利用7月25日NDVI＜0．3将水体、城镇道路及居民区剔除掉。而5月份主要作物区均为裸土，只有林地等非作物植被才表现出较大的NDVI值，可以利用NDVI指标确定阈值，剔除其他非作物植被。图1地物类别NDVI特征曲线2．1．1整幅图像光谱时序特征分析整幅图像光谱特征曲线见图2—5，各作物的前期生长过程中，4个分类指标较为一致，差异很校5月底到6月底，大豆处于3叶期，玉米从3叶期到拔节期，马铃薯处于块茎的形成期，各作物整体开始快速生长，ref(Ｒ)减小(图4)，ref(NIＲ)增加(图5)，叶绿素的吸收能力逐渐增强，使得NDVI、EVI迅速增大，各作物长势比较明显，且较为一致;6月底到8月初，各作物NDVI持续增长，并达到最大值(图3)，3类作物之间长势差异逐渐体现。玉米由于6月23日处于小口期到大口期，长势旺盛，ref(Ｒ)较低，7月25日，经过开花期，受雄穗遮挡，影响下部对光的吸收，且雄穗呈黄色，ref(Ｒ)较高(图4)。大豆7月中下旬进入结荚期，ref(NIＲ)基本处于峰值(图5)，大豆、玉米的EVI在8月也达到最大值(图2)，而马铃薯7月底进入薯球膨大期
VI5．1版本和ENVIclassic来实现。利用混淆矩阵计算分类总体精度和Kappa系数，对分类结果进行总体评价。2结果与分析2．1主要作物光谱时序特征分析对于作物区之外的地块，如图1所示，水体、城镇的NDVI值在全时间序列中处于稳定状，且均小于0．3，利用7月25日NDVI＜0．3将水体、城镇道路及居民区剔除掉。而5月份主要作物区均为裸土，只有林地等非作物植被才表现出较大的NDVI值，可以利用NDVI指标确定阈值，剔除其他非作物植被。图1地物类别NDVI特征曲线2．1．1整幅图像光谱时序特征分析整幅图像光谱特征曲线见图2—5，各作物的前期生长过程中，4个分类指标较为一致，差异很校5月底到6月底，大豆处于3叶期，玉米从3叶期到拔节期，马铃薯处于块茎的形成期，各作物整体开始快速生长，ref(Ｒ)减小(图4)，ref(NIＲ)增加(图5)，叶绿素的吸收能力逐渐增强，使得NDVI、EVI迅速增大，各作物长势比较明显，且较为一致;6月底到8月初，各作物NDVI持续增长，并达到最大值(图3)，3类作物之间长势差异逐渐体现。玉米由于6月23日处于小口期到大口期，长势旺盛，ref(Ｒ)较低，7月25日，经过开花期，受雄穗遮挡，影响下部对光的吸收，且雄穗呈黄色，ref(Ｒ)较高(图4)。大豆7月中下旬进入结荚期，ref(NIＲ)基本处于峰值(图5)，大豆、玉米的EVI在8月也达到最大值(图2)，而马铃薯7月底进入薯球膨大期，块茎的数量基本确定，主要集中在地下的生长，所以地表的生长达到了顶峰，7月25日到8月7日阶段，马铃薯的ref(NIＲ)开始下降(图5)，区别于其他的作物。图2整区主要作物EVI特征曲线图3整区主要作物NDVI特征曲线154
【共引文献】
相关期刊论文 前8条
1 王尧;卓莉;易l点
本文编号：2574397
本文链接：https://www.wllwen.com/kejilunwen/nykj/2574397.html
