基于時序MODIS影像的農作物遙感識別方法研究.pdf

1、農作物空間分布信息是農作物長勢監(jiān)測、農作物產量估算、農作物結構調整與優(yōu)化、農業(yè)生態(tài)氣候建模等研究和應用的重要基礎數(shù)據(jù)。不同農作物具有特定的生長規(guī)律和物候特征，充分利用農作物的典型季相節(jié)律特征是區(qū)分不同作物類別、作物與其他綠色植被的關鍵依據(jù)。MODIS數(shù)據(jù)因其大幅寬范圍、豐富的光譜和時相信息等特點使它在刻畫作物物候歷特征以及大區(qū)域作物制圖方面表現(xiàn)出了明顯優(yōu)勢。然而，MODIS數(shù)據(jù)較粗的空間分辨率易導致混合像元問題，從而限制了農作物識別的精

2、度。因此，如何充分挖掘時序MODIS數(shù)據(jù)在光譜和時間上的優(yōu)勢，有限彌補混合像元問題，從而實現(xiàn)大區(qū)域多類農作物高效提取成為了目前農業(yè)監(jiān)測領域需重點解決的科學問題。本研究以我國重要商品糧基地——黑龍江省為研究區(qū)域，以該區(qū)域的主要農作物（玉米、水稻、大豆和小麥）為研究對象，采用時序MODIS影像、中高分辨率農作物參考圖以及統(tǒng)計數(shù)據(jù)等主要研究數(shù)據(jù)，開展了大區(qū)域農作物遙感識別方法研究。本論文的主要研究內容和結論如下:
　　(1)光譜和時序特

3、征對農作物遙感識別的影響評估?；跁r序MOD09A1影像，構建10組不同數(shù)量和質量的光譜時序特征集組合，基于支持向量機方法分類并進行精度評估。研究結果表明光譜多樣性和時序多變性是農作物遙感識別的兩大重要特征屬性。光譜信息和時相信息能夠相互補充，從而提供農作物遙感識別的必要信息。然而，并不是影像的時間分辨率越高精度就越高。只要包含關鍵的物候歷影像，就能以較少的特征數(shù)量達到較高的分類精度
　　(2)全局SI指數(shù)擴展方法在農作物特征選擇

4、中的潛力評估。本研究提出了兩種擴展類對分離指數(shù)到全局分離指數(shù)的方法:“平均值法”(SIave)和“最小值法”(SImin)。從特征解釋性和分類精度兩個方面，評估了兩類方法在農作物特征選擇中的適用性。SIave能夠很好表達農作物關鍵的物候歷特征，優(yōu)選的特征相比SImin具有更高的解釋能力。光譜分離性低的農作物對SI全局指數(shù)擴展方法的敏感性更高，同時在SImin方法中能獲得更高的分類精度。而SIavc方法優(yōu)選的特征在時間維度上具有較高的相關

5、性，導致了較嚴重的信息冗余，從而降低了分類精度。
　　(3)基于SI指數(shù)的時序光譜特征自動優(yōu)選方法(STAFS)研究。STAFS算法通過綜合考慮特征的“分離性”和特征之間的“信息冗余”，自動篩選出農作物最優(yōu)的光譜時相特征子集。在實際應用中，該方法從155個候選特征中為黑龍江玉米識別選取了34個最優(yōu)的光譜時相特征集，同時揭露了三葉期和乳熟期是黑龍江玉米與其它地物最易區(qū)分的時相窗口。STAFS特征優(yōu)選方法結合支持向量機分類器能夠產生較

6、高精度的農作物空間位置分布和面積總量估算。此外，STAFS方法具有較強的魯棒性，可以泛化應用到其它地物類型、不同研究區(qū)域和多種遙感影像。
　　(4)基于遙感數(shù)據(jù)與統(tǒng)計數(shù)據(jù)融合的亞像素農作物比例提取方法研究。結合隨機森林模型和“向后剔除”策略優(yōu)選具有最高精度的農作物亞像素提取結果。采用“面積差循環(huán)分配”(IAGA)方法將遙感結果與縣級統(tǒng)計數(shù)據(jù)的總“面積差”空間分配給對應的MODIS像素。經統(tǒng)計數(shù)據(jù)修整后的遙感結果不僅在面積上與統(tǒng)計數(shù)