农田景观模型及其对农作物遥感识别与面积估算的影响研究

发布时间：2018-04-09 00:17

本文选题：农田景观　切入点：遥感　出处：《中国科学院大学(中国科学院遥感与数字地球研究所)》2017年博士论文

【摘要】：快速、准确、可靠的农作物种植面积估算结果,是国家农业政策分析和粮食宏观决策的重要支持信息之一。遥感技术用于农作物识别、长势监测及产量估算自1970s以来得到世界各国的重视。利用遥感技术准确地识别不同的农作物并客观估算其种植面积,在当今中国具有明显的科学和现实意义。如何有效地确定影响作物遥感识别精度的关键因素,并研究改进作物遥感识别效果成为提高作物面积估算结果可靠性的重要核心问题。研究表明,农作物的遥感识别和面积估算精度具有与监测区内农作物空间分布状况较明显的关联特征,因此,如何实现对农作物空间分布的定量化,并确定其对作物遥感识别以及面积估算过程的影响机制,从而改善农作物种植面积估算技术体系,成为目前农业遥感的重要任务之一。本研究选取了中国东北和加拿大安大略省东部两个实验区,依据描述农作物空间分布的农田景观模型,在农田景观类型分区的基础上,研究分析了农田景观类型对农作物遥感识别特征和分类算法的影响,以及农作物面积估算的修正办法。具体包括三方面:(1)在研究区尺度上,探索分析了农作物遥感识别特征和分类模型对作物遥感识别精度的影响,确定了不同遥感识别特征(反射率、植被指数和纹理)和分类模型的表现均与研究区的作物分布状况有关;(2)依据农田景观的概念模型优选出能够有效描述农作物分布的四个核心定量化景观指数,并实现了对农田景观的生态分区,以便有针对性地开展作物分布对作物遥感识别与面积估算的影响机制分析;(3)在农田景观分区的基础上,在实验区和区域尺度,挖掘分析了不同农田景观类型区的最优农作物遥感识别特征与分类模型。研究确定了可以推广应用到区域尺度内的作物种植面积估算结果的修正模型,并在省域尺度实验证明了按照农田景观分区进行作物种植面积估算的可行性和实用效果,为实现大区域、高精度的作物面积高效估测提供了数据支持和科学依据。本文研究主要得出以下结论:(1)主成分分析与相关分析综合选择法和逐步判别分析法相结合可以实现对农作物遥感识别特征的优选。结果表明:TVI,GNDVI,NDVI,VIgreen和TCARI5个植被指数相对独立且有较高的重要性;7个基于GLCM的纹理特征统计量在近红外波段且9×9窗口大小条件下对作物的分类贡献率最大。(2)不同的农作物遥感识别特征及其组合在不同的分类算法支持下得到的分类精度存在明显差异。研究表明:(1)光谱反射率、植被指数与纹理三类特征同时参与的情况下,本文所选用的最大似然分类(mlc)、神经网络(ann)、支持向量机(svm)和随机森林(rf)分类算法所得到的分类精度基本相当;(2)相较于仅采用波段反射率特征进行作物分类,植被指数特征的加入并不能明显地提高分类精度,纹理特征的加入则可使精度提高约4%-5%,当植被指数和纹理特征共同结合波段反射率特征进行分类时,所得到的分类精度最高(提高约7%);(3)本研究所考虑的三类特征中,波段特征对作物分类的贡献率最大,尤其是近红外波段对分类的贡献最大;其次是纹理特征,且以mean统计量纹理特征对作物识别的贡献率最大;植被指数的贡献率相对较小,且不同的植被指数对分类结果的贡献率具有一定的作物分布状况依赖性,目前暂未发现针对所有研究区均有效的最佳植被指数。(3)就改善农作物遥感识别与面积估算而言,本研究依据农田景观概念模型,采用景观指数实现了对农作物分布状况的定量化描述。结果表明:(1)农作物分布状况描述指标可以通过4个景观指数来实现,即:形状因子lsi、面积加权的平均斑块分维数frac_am、聚集度指标ai和均匀度指数shei;(2)通过k-mean方法对上述4个景观指数进行聚类可以将农田景观单元划分为6个典型的农作物生态类型区,支持农作物遥感识别。(4)在实验区尺度上,本研究针对不同的农田景观生态分区类型,优选确定了有效的农作物遥感识别特征集和分类方法。结果表明:(1)第一景观类型区植被指数特征的贡献率最大,其次是纹理特征,原始波段的贡献率最小;第二和第四景观类型区植被指数特征的贡献率最大,其次是原始光谱波段特征,纹理特征的贡献率最小;第三景观类型区植被指数特征的贡献率最大,光谱波段特征和纹理特征的贡献率基本相当;第五景观类型区波段特征和植被指数特征的贡献率均比较大,纹理特征的贡献率最小;第六景观类型区光谱波段特征的贡献率最大,其次是植被指数特征,纹理特征的贡献率最小。(2)第一景观类型区rf最优;第二、三、四景观类型区ann最优;第五景观类型区mlc、svm和rf得到基本相同的分类精度;第六景观类型区所有分类器的精度结果均较低,但是MLC算法可以达到最高的分类精度。(3)针对所有农田景观类型区,近红外波段对作物的分类识别影响最大;植被指数特征中GNDVI、TCARI和TVI三个特征对作物的分类最有贡献率;纹理特征中的Mean特征对作物分类也有很重要的影响。(5)在区域尺度上,本研究进一步确定了农田景观模型可以有效地提高农作物种植面积估算精度。研究表明:在第一和第二景观类型区,农田景观模型可使面积估算精度提高6%以上,第三、第五和第六类型区的面积精度可以提高将近4%。本论文创新点如下:(1)优选了4个农田景观指标,实现了农田景观生态分区,定量化刻画了农作物空间分布;(2)实验确定了不同农田景观生态类型区农作物遥感识别的光谱与纹理特征以及最优分类模型;(3)在省域尺度上,设计了6种农田景观生态类型区作物种植面积估算修正方法,有效提高了估算精度。
[Abstract]:In this paper , the effects of remote sensing identification and classification model on crop spatial distribution are studied . ( 2 ) The results show that : ( 1 ) The spectral reflectance , vegetation index and texture characteristics can be improved by about 4 % -5 % . The results show that : ( 1 ) The contribution rate of vegetation index in the first landscape type region is the largest , followed by the texture feature , the contribution rate of the original wave band is the least , the contribution rate of the vegetation index in the second and fourth landscape types is the least , and secondly , the contribution rate of the vegetation index feature in the second and fourth landscape type regions is the least , and the fifth landscape type region has the greatest contribution rate to the classification of crops . ( 5 ) On the regional scale , this study further determines that the farmland landscape model can improve the precision of crop planting area effectively . The research shows that , in the first and second landscape types , the farmland landscape model can improve the area estimation accuracy by more than 6 % , and the third , fifth and sixth type areas can improve the spatial distribution of crops .

【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】：博士
【学位授予年份】：2017
【分类号】：S127

【相似文献】