基于植被指数时序谱类内差异特征的冬小麦遥感识别研究

发布时间：2020-04-05 12:49

【摘要】：小麦是世界第三大粮食作物,在世界范围内被广泛种植,其中冬小麦的种植面积超过了小麦总面积的80%。及时、准确地获取冬小麦种植面积对冬小麦产量估算、长势监测及生产规划等具有重要的现实意义。遥感技术因其覆盖面积广、重访周期短、数据获取相对容易和费用低廉等优点,为快速和准确获取冬小麦种植信息提供了强有力的技术手段。然而,农作物遥感识别是一项复杂的工作,既要考虑到技术的实用性和可执行程度,又要考虑识别结果的可信度和精度。利用单一时相遥感影像进行冬小麦识别时容易出现“错分、漏分”现象,难以达到理想的分类精度。时间序列尤其是植被指数时间序列数据成为农作物遥感分类识别研究的热点。近年来,随着对地观测技术水平的不断提高,多源、多时空分辨率的卫星传感器不断涌现,国内外遥感数据量迅速增加,为冬小麦遥感识别提供了丰富的数据源。面对庞大的数据量,如何高效地选择与合理地利用已有的多源、多时空分辨率卫星数据,开展冬小麦遥感分类识别方法研究,提高冬小麦分类识别精度,准确、快速地获取冬小麦种植面积及空间分布信息,对国家宏观决策具有重要的现实意义,也是当前我们面临的挑战。本文针对目前冬小麦遥感识别中存在的问题,以黄淮海平原为研究区,以高分一号WFV(GF-1,Wide Field of View)、MODIS(Moderate-Resolution Imaging Spectroradiometer)多光谱中、高分辨率影像为数据源,考虑到冬小麦光谱特征随季节变化的差异,分析了冬小麦植被指数时序谱特征,结合冬小麦与其他地物的时序波谱特征差异,探究冬小麦的遥感识别方法。研究采用矢量分析法,将N维矢量的方向和距离特征引入植被指数时间序列,基于GF-1WFV影像提出了冬小麦遥感识别矢量分析模型。同时,考虑到遥感识别的时效性问题,基于构建的识别模型进·步探究冬小麦遥感识别的最佳时序数据,以满足尽早获取冬小麦种植信息的实际需求。其次,将构建的模型用于MODIS影像,在大区域冬小麦遥感识别中进一步改进模型,并利用Landsat影像和统计数据对模型的识别结果进行验证。最后,采用MODIS数据在美国堪萨斯州对改进后的模型进行适用性评价模型。同时,结合景观格局指标中有关破碎度的相关指数,对影响冬小麦遥感识别精度的因素进行了讨论。论文的主要研究结论包括:(1)基于时序数据的空间方向与距离特征,采用矢量分析方法构建了冬小麦遥感识别矢量分析模型。基于GF-1 WFV影像构建覆盖冬小麦完整生长期的时间序列数据,考虑到同一区域的冬小麦具有相似的物候特征与生长状况,对比分析了冬小麦生长期内与其他地物类型的时序波谱曲线的特征差异。在借鉴光谱角制图法的基础上,将NDVI时间序列看作N维空间向量,基于冬小麦时序波谱特征,结合矢量的夹角和距离两个特征参量,构建冬小麦遥感识别矢量分析模型。结合地面数据验证,冬小麦识别精度达到了 94.83%,与其他方法对比,精度最大提高了 8.33%。结果表明构建的识别模型可以有效实现冬小麦的遥感识别并取得较高的精度。(2)基于构建的冬小麦遥感识别矢量分析模型,探究了冬小麦遥感识别的时效性问题,确定了用于冬小麦识别的最佳时序数据。考虑到农作物遥感识别需要满足时效性的需求,采用构建的冬小麦遥感识别矢量分析模型,依次对覆盖不同冬小麦物候期的时序数据进行测试,确定了满足精度需求的冬小麦识别的最早物候期。通过验证表明,采用本文构建的模型,基于冬小麦播种期至返青期的GF-1 NDVI时序数据,冬小麦识别精度可以达到90%以上。(3)提出了基于EVI时序谱类内差异特征的冬小麦遥感识别矢量分析模型。基于MODIS中等空间分辨率遥感影像,通过分析冬小麦植被指数时序谱特征,发现影像上大区域的冬小麦受不同的生长状况、耕作管理模式、气候环境等因素的影响,植被指数时序谱表现出较大的类内差异,在前文构建的模型基础上,加入考虑冬小麦时序谱类内差异特征的多个子训练样本集,进一步改进冬小麦遥感识别矢量分析模型。将改进后的模型在黄淮海平原应用,结合地面数据和Landsat影像对识别结果进行验证。结果表明,冬小麦识别总体精度达到85%以上,相比传统的监督分类(最大似然分类法),精度提高了 15%。同时,采用播种期至返青期的时间序列,冬小麦的识别精度为70.17%。(4)改进后的冬小麦遥感识别矢量分析模型在不同区域的适用性评价。为了验证改进后的模型的普适性,在与黄淮海平原同纬度的美国堪萨斯州进行模型适用性评价。对堪萨斯州的冬小麦遥感识别结果在区域、县级以及像元尺度上进行精度验证。结果表明,改进后的识别模型可以有效地识别不同区域的冬小麦分布,结合Landsat分类结果图在像元尺度上的验证表明冬小麦总体识别精度达到90.33%。同时,采用覆盖冬小麦播种期至返青期的EVI时序数据对模型进一步验证,结果表明冬小麦识别精度达到80.67%。在堪萨斯州的冬小麦识别结果充分说明了本文提出的识别模型具有较高的普适性。(5)基于景观格局指数,明晰了冬小麦遥感识别矢量分析模型的影响因素。基于中等分辨率影像的作物识别精度与农田的空间异质性特征有着密切关系。本文采用景观格局指数表达研究区的景观破碎度,定量分析冬小麦农田的景观破碎度对冬小麦遥感识别精度的影响。结果表明,景观破碎度指数(FRG)与冬小麦识别精度之间有很强的正相关关系(r=0.99)。同样,较高的冬小麦面积比例(PLAND)对应着较高的冬小麦识别精度。当PLAND值大于20%时,平均误差百分比小于10%,即冬小麦识别精度达到90%以上。分析结果表明在破碎程度较低的区域,改进的冬小麦识别模型表现更好。对比黄淮海平原和堪萨斯州的冬小麦识别结果,后者精度提高程度较大,同时也说明在美国连续大面积冬小麦农田背景下,基于MODIS数据的冬小麦识别可以取得较高的精度,而对我国农田破碎度较高的国情,需要借助高分一号这样的高分辨率数据才能满足大区域高精度冬小麦制图。
【图文】：

对两个区域的冬小麦识别结果进行对比与分析。逡逑基于对典型作物冬小麦的时序特征分析，，为后续的多种作物遥感分类识别研逡逑宄提供理论依据。论文研宄的总体技术路线见图１－１。逡逑／／邋ＧＦ－１ＷＦＶ邋影像￣￣Ｚ逡逑Ｚ邋ＭｐＤＩＳ邋产品邋Ｚ逡逑数据预处理逡逑Ｉ逡逑！逦逦１植被指数时间序列数据｜逦邋N逡逑１＼／１００丨５￡NB１时序＇）逦逦逦＾逦ＭＯＤＩＳＥＶ丨时序逡逑＾ｊ逦ＧＦ－１邋ＮＤＶＩ邋时序逦＾逦逦＞逡逑冬小麦子训练逦丨逦．‘一逦｜冬小麦子训练逡逑样本集构建逦冬小麦时序谱特征分析逦样本集构建逡逑改

本文编号：2615043