面向地块的农作物遥感分类方法研究

发布时间：2020-06-23 08:26

【摘要】：准确的农作物空间分布是开展长势、产量等监测的重要基础,而提取农作物空间分布信息的核心是农作物分类,遥感凭借其速度快、范围广、费用低等特点被广泛应用于这一领域。根据分类单元可以将农作物遥感分类方法分为面向像元、对象和地块等类型,不同的方法各有优势,但也存在一些问题。面向像元分类难以克服“椒盐”现象和混合像元问题,面向对象分类能够避免以上问题但难以获得准确的对象。地块作为一种特殊的对象,作为分类单元具有一定优势,陆续发布的全国地块数据集也给面向地块农作物遥感分类带来了新的契机。面向地块分类以地块为单元进行农作物识别可以获得更加准确的农作物空间分布,但在分类特征、分类策略和遥感数据选择方面仍需进一步研究。针对面向地块农作物遥感分类存在的问题,本文以研究区6种农作物为研究对象,以多时相Landsat8数据为主要数据源,开展了面向地块农作物遥感分类方法的研究。首先,通过分析农作物分类特征研究其对面向地块分类的影响;同时针对样本数量和混合像元问题,对面向地块分类的分类策略进行改进,以提高农作物分类精度;其次,从分类精度和面积精度两方面将面向地块与面向对象分类进行对比,分析两种分类方法的异同点;最后从空间分辨率出发,为农作物遥感识别的数据选择提供指导。本文主要研究内容与成果如下:(1)特征选择是遥感分类的重要步骤,本文首先基于7个时相的Landsat8数据选择了304个分类特征并对其进行重要性评价,在特征评价的基础上使用随机森林算法研究了特征选择对面向地块农作物遥感分类的影响。结果表明5月10日、9月15日、7月29日为分类最佳时相,其对应的光谱波段和植被指数特征重要性较高;按重要性顺序增加特征数量会提高分类精度,特征数量增加到10个时分类精度达到稳定状态,过多的分类特征不会造成过拟合;在研究区使用早期影像(5月10日和6月27日)进行农作物识别可以达到较高精度,总体精度为87.75%。(2)针对面向地块分类存在的样本数量和地块边界混合像元问题,研究对面向地块分类策略进行了改进,对比分析了不同分类策略的分类效果。策略A将地块作为整体进行特征提取,并将其作为分类的依据,总体精度达到了88.24%,但在训练地块较少的类别表现较差;策略A1在提取地块特征值时排除了地块边界混合像元,使训练样本更具代表性,将分类精度提高到90.69%;策略B和策略B1均以像元分类为基础,训练样本数量的增加使得分类精度有一定提高,不同的是后者在确定地块类型时排除了边界处的像元,但最终的分类结果与策略B并无差别,两者的分类总体精度均为93.63%。(3)为了分析面向地块和面向对象农作物遥感分类的异同,本文在研究区开展了面向对象的分类,从分类精度和面积精度两方面对比了两种方法的分类结果,得出以下结论:分类精度方面,面向对象分类的总体精度为88.24%,达到了与策略A下地块分类相同的精度;面积精度方面,两种方法的面积精度的高低均与其分类精度一致,但是面向地块分类将地块数据作为辅助数据,包含了更为准确的面积信息,因此面积精度更高。(4)本文研究了空间分辨率与面向地块农作物分类精度的关系,实验结果表明:随着空间分辨率的降低分类精度总体呈下降趋势。空间分辨率为15 m时分类效果最好,总体精度为93.63%;当空间分辨率为60 m时,在研究区开展农作物遥感识别总体精度也能达到80%以上;研究区主要农作物棉花受空间分辨率影响较小,F1精度最大差异为14.35%,分辨率不低于150m情况下均可以达到较高精度,F1精度最小为82.54%。
【学位授予单位】：中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S127
【图文】：

面向地块的农作物遥感分类方法研究物的可分性，总体分类精度提高了 6.7%。此外，通过对多光谱的运算获得的植被指数特征，如归一化植被指数（Normalized Difference Vegetation Index，NDVI）和三角植被指数（Triangular Vegetation Index，TVI）等特征在面向地块的农作物遥感分类中的应用也很广泛。微波数据可以提供农作物几何特征和土壤水分信息，在农作物不同生长阶段呈现的散射特性也不同，被较多地应用于识别水稻等作物（Shao 等.，2001）。

（3）面向对象与面向地块农作物分类的对比。在保证分类特征和分类算法等条件相同的情况下，将面向地块分类与对象分类进行对比，分析面向地块分类方法的优缺点。（4）空间分辨率对面向地块农作物分类的影响。针对不同空间分辨率数据选择问题，通过尺度转换获取不同空间分辨率的特征影像，研究空间分辨率对面向地块分类的影响，为面向地块农作物分类中的数据选择提供指导。1.4 技术路线与论文组织1.4.1 技术路线本文的技术路线如图 1.2 所示，基于多时相 Landsat8 遥感影像选择了多种分类特征进行特征分析和评价，在特征选择的基础上开展不同策略的面向地块农作物分类，通过与面向对象分类的对比分析面向地块思想在农作物遥感分类上的优势，最后研究了空间分辨率对面向地块分类的影响。

【相似文献】

相关期刊论文 前10条

1 修丽娜,刘湘南;人工神经网络遥感分类方法研究现状及发展趋势探析[J];遥感技术与应用;2003年05期

2 陈斌;王宏志;李仁东;;不同等级土壤遥感分类的尺度匹配性探讨[J];湖北大学学报(自然科学版);2018年04期

3 吴德慧;江洪;徐建辉;周国模;;森林可燃物的遥感分类研究进展[J];安徽农业科学;2012年26期

4 王旭红,周明全,耿国华;“Dempster_Shafer”证据理论在智能化遥感分类中应用研究[J];计算机应用与软件;2004年09期

5 付炜;土壤遥感分类识别专家系统的结构设计[J];生态环境;2004年01期

6 杨超;邬国锋;李清泉;王金亮;渠立权;丁凯;;植被遥感分类方法研究进展[J];地理与地理信息科学;2018年04期

7 陆鹏宇;;遥感分类图像斑块土地面积的自动计算方法[J];数码世界;2019年03期

8 董金芳;王娟;何慧娟;高蓓;;基于支持向量机的湿地遥感分类方法[J];测绘与空间地理信息;2016年11期

9 葛咏;李三平;;遥感分类信息不确定性的可视化表达方法[J];地球信息科学;2008年01期

10 甘淑,张军,张佩芳;澜沧江流域山区土地覆盖多级遥感分类方法研究[J];地理学报;1999年S1期

相关会议论文 前10条

1 陈利军;陈军;廖安平;何超英;;30m全球地表覆盖遥感分类方法初探[A];第四届“测绘科学前沿技术论坛”论文精选[C];2012年

2 王岩;王晓青;窦爱霞;;面向对象遥感分类方法在震害快速提取中的应用[A];中国地震学会第14次学术大会专题[C];2012年

3 邹文涛;张怀清;鞠洪波;刘华;;基于决策树的高寒湿地类型遥感分类方法研究[A];第九届中国林业青年学术年会论文摘要集[C];2010年

4 刘咏梅;温仲明;杨勤科;;陕北黄土丘陵地区坡耕地遥感分类方法研究[A];认识地理过程 关注人类家园——中国地理学会2003年学术年会文集[C];2003年

5 李三平;葛咏;满旺;;遥感分类影像不确定性可视化表达模式[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

6 吴晓东;杨小虎;杨康;;TM影像的遥感分类方法研究[A];第十七届中国科协年会——分16　大数据与城乡治理研讨会论文集[C];2015年

7 张超;黄清麟;朱雪林;张晓红;;基于空间分布特征的西藏灌木林遥感分类技术研究[A];第二届中国林业学术大会——S3 森林经理与林业信息化的新使命论文集[C];2009年

8 吴全;裴志远;郭琳;刘跃辰;赵占营;;两种遥感分类精度评价方法应用研究[A];中国农业工程学会2011年学术年会论文集[C];2011年

9 熊轶群;吴健平;;基于图像分割的城市绿地信息自动提取研究[A];第十五届全国遥感技术学术交流会论文摘要集[C];2005年

10 韩兰英;陈全功;张张张;;基于3S技术的新疆棉花种植面积估测方法研究[A];中国气象学会2006年年会“卫星遥感技术进展及应用”分会场论文集[C];2006年

相关重要报纸文章 前1条

1 李静;遥感分类[N];新疆科技报(汉);2004年

相关博士学位论文 前10条

1 何灵敏;支持向量机集成及在遥感分类中的应用[D];浙江大学;2006年

2 曾春芬;地表覆盖遥感分类数据质量及变化对水文过程模拟和水资源评估影响研究[D];南京大学;2012年

3 张超;西藏灌木林评价与遥感分类技术研究[D];中国林业科学研究院;2009年

4 刘颖;基于半监督集成支持向量机的土地覆盖遥感分类方法研究[D];中国科学院研究生院(东北地理与农业生态研究所);2013年

5 王鑫;基于高分辨率遥感影像的植被分类方法研究[D];北京林业大学;2015年

6 董杰;基于位表的关联规则挖掘及关联分类研究[D];大连理工大学;2009年

7 凌飞龙;面向植被识别的SAR图像分类方法研究[D];中国林业科学研究院;2010年

8 师庆东;基于FVC指数对1982～2000年中国西部干旱区植被覆盖时空变化特征分析[D];南京气象学院;2004年

9 郝泷;基于Landsat OLI的西藏林芝县森林类型提取方法和蓄积量反演模型研究[D];中国林业科学研究院;2017年

10 胡博;全国森林覆盖信息快速提取技术研究[D];中国林业科学研究院;2016年

相关硕士学位论文 前10条

1 徐丹丹;顾及光谱变异遥感分类尺度效应研究[D];中国科学院大学(中国科学院东北地理与农业生态研究所);2018年

2 任潇洒;长春九台区农作物多源遥感分类方法研究[D];吉林大学;2018年

3 韩衍欣;面向地块的农作物遥感分类方法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年

4 王亚可;基于遥感分类图的矢量化算法研究及应用[D];河南大学;2010年

5 罗凯;基于SOFM和专家分类器的土地类型遥感分类研究[D];北京林业大学;2008年

6 郭栋;基于多源数据的复杂种植结构区作物遥感分类[D];东北农业大学;2017年

7 袁建;气候变化对重庆森林火灾的影响以及森林可燃物遥感分类[D];浙江农林大学;2013年

8 刘涛;基于人工神经网络的森林植被遥感分类研究[D];河北农业大学;2009年

9 杨柳;基于ETM+影像的扎龙湿地遥感分类研究[D];东北师范大学;2003年

10 刘旭升;基于人工神经网络的森林植被遥感分类研究[D];北京林业大学;2004年

本文编号：2727070