為提高遙感圖像對農(nóng)作物的預估精度和農(nóng)業(yè)種植效率,設計了基于衛(wèi)星遙感圖像的農(nóng)作物分類算法。以2018年7月30日哨兵二號（Sentinel-2）衛(wèi)星拍攝的高分辨率哈爾濱市農(nóng)業(yè)示范基地衛(wèi)星影像為實驗數(shù)據(jù),在不同光譜波段內(nèi)（含紅邊波段）,通過使用最大似然法、支持向量機法、神經(jīng)網(wǎng)絡法分別對影像中水稻、大豆、玉米、高粱等農(nóng)作物特征進行提取、分類,獲得到農(nóng)作物分類圖;將統(tǒng)計結(jié)果與真實的參數(shù)進行比較,分析了相同算法下使用不同數(shù)據(jù)源,不同算法使用相同數(shù)據(jù)源,這兩種情況下的分類精度與可靠性。實驗結(jié)果表明,通過神經(jīng)網(wǎng)絡法得到的分類結(jié)果精度最高,可靠性最強,適合于全國范圍內(nèi)推廣。 

【文章來源】：吉林大學學報(信息科學版). 2020,38(05)

【文章頁數(shù)】：8 頁

【部分圖文】：

農(nóng)業(yè)示范基地遙感影像

采用控制變量的總體思想，將3種分類算法結(jié)果橫向?qū)Ρ�，總體流程如圖2所示。筆者使用2018年7月30日哨兵二號(Sentinel-2)衛(wèi)星拍攝的高分辨率哈爾濱市農(nóng)業(yè)示范基地衛(wèi)星影像為實驗數(shù)據(jù)，此景影像云量較少，有利于地表信息的采集識別。在分類前，要對目標區(qū)域的遙感影像進行預處理，主要包含:輻射定標、震懾校正、圖像相融合和大氣校正等操作。對不同時間、不同傳感器所獲得的圖像進行比較時，先要將圖像的灰度值轉(zhuǎn)換為絕對的輻射亮度，這個過程就是輻射定標[4];同時，通過正射校正操作，以校正遙感成像過程中產(chǎn)生的幾何畸變，使圖像更加精確;正射校正后進行圖像融合，綜合各個傳感器的信息，使圖像空間分辨率更高、更加適合計算機處理;然后對融合的影像進行大氣校正處理，以消除大氣散射、吸收、反射引起的誤差，得到預處理后的全景圖。最后從中裁剪出感興趣區(qū)域作為實驗區(qū)域。

利用如上算法對實驗區(qū)域的遙感影像進行農(nóng)作物分類，并結(jié)合實地考察初步判斷其分類準確度。最佳分類結(jié)果顯示，實驗區(qū)域有高粱19 100 m2、水稻7 600 m2、玉米11 000 m2、大豆13 100 m2以及道路5 100 m2，分類精度達91.7%。道路將農(nóng)田分為7大種植區(qū)(見圖3)，其中1號區(qū)域以水稻、高粱以及大豆為主;2號區(qū)域高粱、大豆間作，充分利用光能、地力;3號、4號、6號、7號區(qū)域分別以水稻、高粱為主要作物，間作其他作物;5號區(qū)域種植水稻、高粱，區(qū)塊規(guī)整，與實地考察結(jié)果幾乎一致。3.2 精度評估對比

【參考文獻】：
期刊論文
[1]基于紋理和支持向量機的GF-1圖像土地覆被分類研究[J]. 方臣,吳龍,胡飛,陳曦,劉燁青.  資源環(huán)境與工程. 2019(01)
[2]RapidEye衛(wèi)星紅邊波段對農(nóng)作物面積提取精度的影響[J]. 劉佳,王利民,滕飛,楊玲波,高建孟,姚保民,楊福剛.  農(nóng)業(yè)工程學報. 2016(13)
[3]Kappa系數(shù):一種衡量評估者間一致性的常用方法（英文）[J]. 唐萬,胡俊,張暉,吳攀,賀華.  上海精神醫(yī)學. 2015(01)
[4]基于多尺度融合的高分辨率影像城市用地分類[J]. 馮昕,杜世宏,張方利,王嵩.  地理與地理信息科學. 2013(03)
[5]Kappa系數(shù)的修正及在干旱預測精度及一致性評價中的應用[J]. 田苗,王鵬新,嚴泰來,劉春紅.  農(nóng)業(yè)工程學報. 2012(24)
[6]淺述植被“紅邊”效應及其定量分析方法[J]. 鄒紅玉,鄭紅平.  遙感信息. 2010(04)
[7]遙感影像分類方法比較研究[J]. 李爽,丁圣彥,許叔明.  河南大學學報(自然科學版). 2002(02)
[8]基于支持向量機分類的回歸方法[J]. 陶卿,曹進德,孫德敏.  軟件學報. 2002(05)
[9]人工神經(jīng)網(wǎng)絡模型在流域水沙預報中的應用[J]. 許全喜.  人民長江. 2000(05)

博士論文
[1]高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D]. 黃昕.武漢大學 2009

碩士論文
[1]基于高分辨率遙感影像的建筑物提取研究[D]. 曹瓊.吉林大學 2018



本文編號：3475606