本文關鍵詞： 農(nóng)作物分布 遙感 多源數(shù)據(jù) 短時間序列 參考NDVI　出處：《中國科學院大學(中國科學院遙感與數(shù)字地球研究所)》2017年博士論文　論文類型：學位論文

【摘要】：快速獲取與分析農(nóng)作物的種植分布是農(nóng)作物長勢監(jiān)測的基礎。遙感技術以其快速、無損和客觀等特點,廣泛應用于農(nóng)作物種植面積提取。本文針對目前大面積農(nóng)作物遙感提取工作中存在的30m影像時間分辨率不足、地面樣本不足和農(nóng)作物識別時效性較低的實際問題,以我國新疆和美國堪薩斯州為實驗區(qū),從提高遙感數(shù)據(jù)的時間分辨率、使用時間序列長度較短的數(shù)據(jù)提前獲取農(nóng)作物種植分布結(jié)果和減小農(nóng)作物遙感提取對訓練樣本數(shù)量的需求三個方面展開分析,為大區(qū)域農(nóng)作物遙感提取提供了新的方案�；诂F(xiàn)有研究區(qū)和數(shù)據(jù),得出如下結(jié)論:1.評估Landsat TM數(shù)據(jù)與HJ數(shù)據(jù)多光譜波段的相似性,發(fā)現(xiàn)TM數(shù)據(jù)和HJ數(shù)據(jù)擁有類似的多光譜波段。在此基礎上,結(jié)合兩種數(shù)據(jù)源獲得空間分辨率為30m,時間分辨率為15天的影像時間序列,并使用合成的數(shù)據(jù)進行農(nóng)作物提取。結(jié)果表明,一部分優(yōu)選的時相可以實現(xiàn)高精度農(nóng)作物分類,而更高的時間分辨率增加了在最優(yōu)時相獲得影像的可能性,是進行大面積30m農(nóng)作物分布制圖的數(shù)據(jù)基礎。2.以我國新疆和美國堪薩斯州為實驗區(qū),分析時間序列長度對農(nóng)作物識別精度的影響,探討使用時間序列長度較短的遙感數(shù)據(jù)進行農(nóng)作物早期提取的可行性。新疆喀什實驗區(qū)的結(jié)果表明4~6月影像具備識別作物的潛力,研究區(qū)主要農(nóng)作物相互之間JM距離高于1.6,分類總體精度為85.16%。新疆博樂的實驗結(jié)果表明,識別棉花、葡萄、玉米和打瓜需要的時間序列長度分別為160天、100天、160天和130天,作物生長期和NDVI峰值期(第60~80天和第100天)是識別夏季作物的最佳時相。美國堪薩斯州的實驗結(jié)果表明,主要農(nóng)作物的可分性、分類精度和分類置信度在時間序列長度為5個月(4~8月)時達到飽和,且NDVI對分類的貢獻最大。3.提出M-Voting和P-Fusion兩種融合多種分類器結(jié)果的方法,并比較融合分類器方法和單分類器法對訓練樣本數(shù)量的需求。實驗結(jié)果表明M-Voting法和P-Fusion法在分類的訓練樣本較少時(少于500),分類精度高于單分類器。當訓練樣本數(shù)量較大時(大于4000),單分類器的分類精度較高,融合分類器不能進一步提高分類精度。另外,基于象元和基于對象的分類方法獲得的分類精度類似,但基于對象方法獲得的分類結(jié)果“椒鹽噪聲”較少,更接近地表農(nóng)作物的真實分布。4.提出不能獲得地面調(diào)查樣本時,使用歷史數(shù)據(jù)建立各種作物的參考NDVI時間序列曲線,并使用參考曲線進行30m農(nóng)作物提取的方法。該方法在博樂實驗區(qū)和瑪納斯實驗區(qū)獲得的總體分類精度分別為87.13%和83.38%。由于該方法使用MODIS數(shù)據(jù)獲得參考時間序列曲線,因而在分類時需要將參考曲線的MODIS NDVI轉(zhuǎn)換為Landsat NDVI或HJ NDVI,從而引入誤差。為避免NDVI轉(zhuǎn)換引起的誤差,進一步改進了基于參考曲線進行作物識別的方法。使用2006~2013年堪薩斯州的歷史樣本直接獲得分類年(2014年)的訓練樣本,并使用這些訓練樣本進行了2014年30m農(nóng)作物提取。在獲得的5412個訓練樣本中,5259個樣本的作物類別與美國農(nóng)業(yè)部提供的Crop Data Layer(CDL)數(shù)據(jù)相同。使用這些訓練樣本提取作物時,農(nóng)作物提取精度高于90%。
[Abstract]:Fast acquisition and analysis of planting distribution of crops is the basis of crop condition monitoring. Remote sensing technology with its rapid, nondestructive and objective characteristics, widely used in crop planting area extraction based on 30m images. The existing large area remote sensing extraction in time resolution, the actual problem of insufficient sample and ground crop identification timeliness low, in China's Xinjiang and Kansas into the experimentation area, from improving the time resolution of remote sensing data, using short time series data to obtain crop distribution results and three aspects of Remote Sensing Extraction decreases the number of training samples on demand analysis, which provides a new solution for large area remote sensing the existing research area and data extraction. Based on the conclusions are as follows: 1. evaluation of Landsat TM data and HJ data of multi spectral band phase Iconicity, TM data and HJ data with multi spectral bands similar. On this basis, combined with the two kinds of data sources to obtain spatial resolution of 30m, the time resolution of image time series for 15 days, and the crops from the use of synthetic data. The results show that it can achieve high precision crop classification are a part of selection when the higher time resolution increases the possibility of the optimal phase image is obtained, data based.2. 30m crop distribution drawing large area in China's Xinjiang and Kansas into the experimentation area, analysis of time series effects of length on the crop identification accuracy, to evaluate the feasibility of crop early extraction of remote sensing data the use of short time series. The results show that the 4~6 Xinjiang Kashi experimentation area shadow like identify crop potential of main crops in study area between JM distance More than 1.6, the overall classification accuracy of 85.16%. Xinjiang bole. The experimental results show that the identification of cotton, grapes, maize and melon to the length of time series were 160 days, 100 days, 160 days and 130 days, crop growth period and NDVI peak period (60~80 days and 100th days) is the best identification of summer crops when the United States of Kansas. The experimental results show that the main crops of separability, classification accuracy and confidence in the length of time series was 5 months (4~8 months) reached saturation, and the contribution of NDVI to the classification of the maximum.3. M-Voting and P-Fusion two methods of integration of multiple classifier results, and compare the fusion classifier method and a single classifier method demand for the number of training samples. The experimental results show that M-Voting method and P-Fusion method in the classification of the training sample is small (less than 500), higher accuracy than a single classifier. When a large number of training samples (more than 4000), high classification accuracy of single classifier, classifier fusion can further improve the classification accuracy. In addition, based on the image element and classification accuracy classification method based on object is similar, but the classification results obtained based on the object of salt and pepper noise "less is more close to the real distribution of.4. surface of crops can not get ground investigation samples, using historical data to establish reference NDVI time series curve of various crops, and 30m crops are extracted using the reference curve. The overall classification accuracy obtained in the experimentation area and experimentation area of Manasi Bole were 87.13% and 83.38%. due to the method of using MODIS data to obtain reference time series curve, so when the classification needs to be converted the MODIS NDVI Landsat reference curve of NDVI or HJ NDVI, thus introducing error. In order to avoid the error caused by the conversion of NDVI into. A improved method of crop identification based on the reference curve. The use of 2006~2013 in Kansas state history samples directly obtained classification year (2014) of the training samples, and the 2014 30m crops are extracted using these training samples. In 5412 samples obtained in 5259 samples of the crop category and the U.S. Department of agriculture Crop Data Layer (CDL) the same data. Using these training samples to extract crop, crop extraction accuracy is higher than that of 90%.

【學位授予單位】：中國科學院大學(中國科學院遙感與數(shù)字地球研究所)
【學位級別】：博士
【學位授予年份】：2017
【分類號】：S127

【相似文獻】

相關期刊論文 前10條

1 白亞恒,吳勝軍,黃進良,薛懷平;基于時間序列的灰色預測技術在估產(chǎn)模型中的應用[J];華中師范大學學報(自然科學版);2001年02期

2 張艷君;梁運香;唐磊;;天氣和氣候的時間序列特征分析[J];農(nóng)業(yè)與技術;2012年06期

3 向杰;程昌明;張軼;;小波分析在時間序列中的分析應用[J];節(jié)水灌溉;2013年12期

4 楊蕊;王龍;余航;沈立群;田琳;;昆明歷史洪澇災害時間序列分形特征研究[J];安徽農(nóng)業(yè)科學;2012年07期

5 廖文輝;夏成鋒;;關聯(lián)時間序列異常數(shù)據(jù)的預警模型研究[J];仲愷農(nóng)業(yè)工程學院學報;2012年02期

6 李紹石;胡正軍;王洪全;;稻田飛虱、狼蛛種群密度動態(tài)數(shù)據(jù)時間序列預報模型[J];植物保護學報;1989年01期

7 胡致強,耿鴻江,李肥芬;小樣本時間序列的灰色組合模型研究及應用[J];農(nóng)業(yè)系統(tǒng)科學與綜合研究;1993年01期

8 孫春薇;王旭磊;辛永訓;吳春妹;;幾種關于時間序列季節(jié)調(diào)整方法的研究[J];青島農(nóng)業(yè)大學學報(自然科學版);2007年02期

9 周文;曹琳;;時間序列在干旱區(qū)棉花需水量預測中的應用[J];安徽農(nóng)業(yè)科學;2008年23期

10 李鑫川;徐新剛;王紀華;武洪峰;金秀良;李存軍;鮑艷松;;基于時間序列環(huán)境衛(wèi)星影像的作物分類識別[J];農(nóng)業(yè)工程學報;2013年02期

相關會議論文 前10條

1 周家斌;張海福;楊桂英;;多維多步時間序列預報方法及其應用[A];中國現(xiàn)場統(tǒng)計研究會第九屆學術年會論文集[C];1999年

2 馬培蓓;紀軍;;基于時間序列的航空備件消耗預測[A];中國系統(tǒng)工程學會決策科學專業(yè)委員會第六屆學術年會論文集[C];2005年

3 盧世坤;李夕海;牛超;陳蛟;;時間序列的非線性非平穩(wěn)特性研究綜述[A];國家安全地球物理叢書（八）——遙感地球物理與國家安全[C];2012年

4 李強;;基于線性模型方法對時間序列中異常值的檢測及證券實證分析[A];加入WTO和中國科技與可持續(xù)發(fā)展——挑戰(zhàn)與機遇、責任和對策（上冊）[C];2002年

5 戴麗金;何振峰;;基于云模型的時間序列相似性度量方法[A];第八屆中國不確定系統(tǒng)年會論文集[C];2010年

6 謝美萍;趙希人;莊秀龍;;多維非線性時間序列的投影尋蹤學習逼近[A];'99系統(tǒng)仿真技術及其應用學術交流會論文集[C];1999年

7 張大斌;李紅燕;劉肖;張文生;;非線性時問序列的小波-模糊神經(jīng)網(wǎng)絡集成預測方法[A];第十五屆中國管理科學學術年會論文集（下）[C];2013年

8 黃云貴;;基于時間序列的電網(wǎng)固定資產(chǎn)投資規(guī)模研究[A];2012年云南電力技術論壇論文集（文摘部分）[C];2012年

9 李松臣;張世英;;時間序列高階矩持續(xù)和協(xié)同持續(xù)性研究[A];21世紀數(shù)量經(jīng)濟學（第8卷）[C];2007年

10 陳赫;羅聲求;;歷史橫斷面數(shù)據(jù)的時間序列化[A];科學決策與系統(tǒng)工程——中國系統(tǒng)工程學會第六次年會論文集[C];1990年

相關重要報紙文章 前6條

1 ;《時間序列與金融數(shù)據(jù)分析》[N];中國信息報;2004年

2 何德旭 王朝陽;時間序列計量經(jīng)濟學：協(xié)整與有條件的異方差自回歸[N];中國社會科學院院報;2003年

3 劉俏;讓數(shù)據(jù)坦白真相[N];21世紀經(jīng)濟報道;2003年

4 西南證券高級研究員 董先安邋德圣基金研究中心 郭奔宇;預計6月CPI同比上漲7.2%[N];證券時報;2008年

5 東證期貨 王愛華　楊衛(wèi)東;兩年漲跌輪回 秋季普遍下跌[N];期貨日報;2009年

6 任勇邋鄭重;中國對世界鋼材價格的影響實證分析[N];現(xiàn)代物流報;2007年

相關博士學位論文 前10條

1 張墨謙;遙感時間序列數(shù)據(jù)的特征挖掘：在生態(tài)學中的應用[D];復旦大學;2014年

2 張德成;滑坡預測預報研究[D];昆明理工大學;2015年

3 苗圣法;時間序列的模式檢測[D];蘭州大學;2015年

4 翁同峰;時間序列與復雜網(wǎng)絡之間等價性問題及表征應用研究[D];哈爾濱工業(yè)大學;2015年

5 楊婷婷;用Argo浮標結(jié)合衛(wèi)星觀測估算北太平洋經(jīng)向熱輸運[D];中國科學院研究生院(海洋研究所);2015年

6 史文彬;時間序列的相關性及信息熵分析[D];北京交通大學;2016年

7 原繼東;時間序列分類算法研究[D];北京交通大學;2016年

8 盧偉;基于粒計算的時間序列分析與建模方法研究[D];大連理工大學;2015年

9 胡建明;基于正則化核學習模型的時間序列多步預測的研究與應用[D];蘭州大學;2016年

10 黃標兵;回聲狀態(tài)網(wǎng)絡時間序列預測方法及應用研究[D];吉林大學;2017年

相關碩士學位論文 前10條

1 陳健;基于多變量相空間重構(gòu)的投資組合策略研究[D];華南理工大學;2015年

2 蘭鑫;時間序列的復雜網(wǎng)絡轉(zhuǎn)換策略研究[D];西南大學;2015年

3 米曉將;區(qū)域尺度下月均氣溫的時空演化格局研究[D];昆明理工大學;2015年

4 張鳴敏;基于支持向量回歸的PM_(2.5)濃度預測研究[D];南京信息工程大學;2015年

5 林健;基于改進小世界回聲狀態(tài)網(wǎng)的時間序列預測[D];渤海大學;2015年

6 曹智麗;日氣溫和干旱指數(shù)支持向量回歸預測方法[D];南京信息工程大學;2015年

7 高雄飛;基于分形理論的土壤含水量時間序列特性分析[D];長安大學;2015年

8 姚茜;城市安全生產(chǎn)發(fā)展目標研究[D];中國地質(zhì)大學(北京);2015年

9 謝翠穎;蘇州社會消費品零售總額簡析[D];蘇州大學;2015年

10 包仁義;基于時間序列的搜索引擎評估模型算法研究[D];東北師范大學;2015年

，

本文編號：1552019