針對(duì)一般相似性算法對(duì)曲線形態(tài)欠缺考慮或形態(tài)敏感性較差的問(wèn)題,提出了一種新的曲線形態(tài)相似性度量算法。使用該算法計(jì)算未知像元NDVI時(shí)序曲線與標(biāo)準(zhǔn)NDVI時(shí)序曲線的相似性,并基于特征曲線的相似性實(shí)現(xiàn)地物的識(shí)別。算法通過(guò)特征距離加權(quán),對(duì)曲線偏移距離進(jìn)行了差異性放大,相較于歐式距離、動(dòng)態(tài)時(shí)間彎曲距離等,提高了對(duì)曲線形態(tài)的敏感性,降低了算法的復(fù)雜性。對(duì)該算法的有效性檢驗(yàn)顯示,5種地物用戶(hù)精度平均為98%,制圖精度平均為92%,表現(xiàn)了較高的可靠性�；谠摲椒▽�(duì)仙桃市2005—2015年間的水稻種植信息提取。結(jié)果顯示,該區(qū)域單季稻分布基本穩(wěn)定,總體制圖精度為93.29%,總體面積精度為80.57%,達(dá)到較高水平。 

【文章來(lái)源】：遙感信息. 2020,35(02)北大核心CSCD

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

經(jīng)驗(yàn)?zāi)B(tài)分解示意圖

對(duì)每種地物樣本NDVI時(shí)序數(shù)據(jù)進(jìn)行異常值剔除，之后進(jìn)行取平均操作，獲取5種地表覆被類(lèi)型標(biāo)準(zhǔn)NDVI曲線如圖2所示。分析發(fā)現(xiàn)，單季稻和雙季稻所在耕地均為一年兩季耕作模式，一年中會(huì)有2個(gè)時(shí)期為作物生長(zhǎng)旺盛期，此階段NDVI值最大，因而其N(xiāo)DVI時(shí)序曲線存在2個(gè)波峰；而由于森林的生長(zhǎng)不同于作物的種植，其生長(zhǎng)期較長(zhǎng)，受人類(lèi)活動(dòng)影響較小，因此在一年中僅存在一個(gè)階段為生長(zhǎng)旺盛期，且該階段較長(zhǎng)，因此其N(xiāo)DVI時(shí)序曲線僅存在一個(gè)波峰，與作物差異明顯，并且森林的NDVI值長(zhǎng)期處于高值；相較于作物與森林，城鎮(zhèn)和水域在時(shí)間上的光譜響應(yīng)最為遲鈍，其光譜響應(yīng)的敏感程度較低，基本僅與光強(qiáng)的大小成正相關(guān)，表現(xiàn)為NDVI值整體較小，NDVI時(shí)序曲線趨勢(shì)與光照強(qiáng)度變化一致。因此，5種地表覆被中，城鎮(zhèn)和水域的NDVI時(shí)序曲線最為相似。這可能為單季稻和雙季稻、城鎮(zhèn)和水域易混淆的原因之一。表7為MSMA算法驗(yàn)證結(jié)果�？梢钥吹剑黝�(lèi)地物錯(cuò)分事件分布基本與訓(xùn)練情況一致，僅是數(shù)目有所差別。在β值固定的條件下，單季稻和雙季稻用戶(hù)精度有所上升，分別為99.85%和96.50%，森林用戶(hù)精度保持不變，城鎮(zhèn)和水域用戶(hù)精度有所下降，但基本穩(wěn)定；對(duì)制圖精度而言，5種地物均有所下降，其中雙季稻最低，制圖精度為88.13%，但仍然較為理想，單季稻制圖精度最高，為96.84%。總體而言，MSMA模型訓(xùn)練和模型驗(yàn)證前后用戶(hù)精度和制圖精度保持穩(wěn)定，說(shuō)明了MSMA算法具有一定的穩(wěn)健性，在地物分類(lèi)領(lǐng)域具有操作的可行性。

為了進(jìn)一步驗(yàn)證MSMA算法可靠性，本文同時(shí)檢驗(yàn)了動(dòng)態(tài)時(shí)間彎曲距離方法（DTW）對(duì)5種地物的分辨能力，使用的數(shù)據(jù)與MSMA算法驗(yàn)證樣本相同，并使用分位數(shù)法作為閾值獲取方式，在不同分位數(shù)水平下，各類(lèi)樣本錯(cuò)分情況如圖3所示，用戶(hù)精度及制圖精度結(jié)果如表8所示。從表8可以看出，隨著分位數(shù)的增長(zhǎng)，制圖精度隨之增大，當(dāng)分位數(shù)為95%時(shí)，制圖精度均在90%以上；而對(duì)于用戶(hù)精度，水域和單季稻表現(xiàn)較好，其他3種地物則基本在50%以下；5種地物中，唯有水域的用戶(hù)精度和制圖精度均保持較高水平，森林的用戶(hù)精度最低，一直保持在10%以下，雙季稻次之，保持在20%左右。由圖3分析知，在從樣本集中對(duì)森林進(jìn)行識(shí)別時(shí)，存在大量的單季稻和雙季稻樣本被分為森林類(lèi)別，在對(duì)單季稻進(jìn)行識(shí)別時(shí)，則有大量的森林和雙季稻被分為單季稻。而對(duì)于水域，各類(lèi)地物則有著相對(duì)較小的錯(cuò)分比例，當(dāng)分位數(shù)為90%以下時(shí)，水域錯(cuò)分為各類(lèi)地物的比例均低于10%，各類(lèi)地物被錯(cuò)分為水域的比例同樣較低。可見(jiàn)，他類(lèi)樣本的大量錯(cuò)分是各類(lèi)別用戶(hù)精度低下的直接原因。

【參考文獻(xiàn)】：
期刊論文
[1]一種利用多時(shí)相GF-4影像的快速水體提取方法[J]. 張偉,趙理君,唐娉,鄭柯.  遙感信息. 2018(04)
[2]基于時(shí)間序列葉面積指數(shù)傅里葉變換的作物種植區(qū)域提取[J]. 王鵬新,荀蘭,李俐,解毅,王蕾.  農(nóng)業(yè)工程學(xué)報(bào). 2017(21)
[3]基于MODIS時(shí)序NDVI主要農(nóng)作物種植信息提取研究[J]. 郭昱杉,劉慶生,劉高煥,黃翀.  自然資源學(xué)報(bào). 2017(10)
[4]基于時(shí)空數(shù)據(jù)融合的江漢平原水稻種植信息提取[J]. 陸俊,黃進(jìn)良,王立輝,裴艷艷.  長(zhǎng)江流域資源與環(huán)境. 2017(06)
[5]高分一號(hào)歸一化植被指數(shù)時(shí)間序列用于冬小麥識(shí)別[J]. 張晶,占玉林,李如仁.  遙感信息. 2017(01)
[6]基于DTW距離的時(shí)序NDVI數(shù)據(jù)植被信息提取——以秦巴山區(qū)為例[J]. 韓曉勇,韓玲,陳魯皖.  測(cè)繪工程. 2016(03)
[7]基于形態(tài)相似距離的時(shí)間序列相似度計(jì)算[J]. 李中,劉洋洋,張鐵峰.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(03)
[8]基于GF-1 WFV影像的作物面積提取方法研究[J]. 黃健熙,賈世靈,武洪峰,蘇偉.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2015(S1)
[9]華北平原2001-2011年冬小麥播種面積變化遙感監(jiān)測(cè)[J]. 王學(xué),李秀彬,談明洪,辛良杰.  農(nóng)業(yè)工程學(xué)報(bào). 2015(08)
[10]動(dòng)態(tài)時(shí)間彎曲技術(shù)支持下時(shí)序NDVI數(shù)據(jù)的耕地分布信息提取——以江蘇省蘇南地區(qū)為例[J]. 孫越凡,鐘禮山,程亮,李滿(mǎn)春.  資源科學(xué). 2014(09)

碩士論文
[1]基于時(shí)間序列植被指數(shù)的水稻發(fā)育期提取和估產(chǎn)[D]. 李新星.浙江大學(xué) 2017
[2]基于相似漲落模式的時(shí)間序列預(yù)測(cè)研究[D]. 湯子健.合肥工業(yè)大學(xué) 2016
[3]基于遙感和氣象數(shù)據(jù)的江蘇省水稻面積監(jiān)測(cè)和估產(chǎn)研究[D]. 湯斌.浙江大學(xué) 2016



本文編號(hào)：3344350