【摘要】：準(zhǔn)確的農(nóng)作物空間分布是開展長勢、產(chǎn)量等監(jiān)測的重要基礎(chǔ),而提取農(nóng)作物空間分布信息的核心是農(nóng)作物分類,遙感憑借其速度快、范圍廣、費用低等特點被廣泛應(yīng)用于這一領(lǐng)域。根據(jù)分類單元可以將農(nóng)作物遙感分類方法分為面向像元、對象和地塊等類型,不同的方法各有優(yōu)勢,但也存在一些問題。面向像元分類難以克服“椒鹽”現(xiàn)象和混合像元問題,面向?qū)ο蠓诸惸軌虮苊庖陨蠁栴}但難以獲得準(zhǔn)確的對象。地塊作為一種特殊的對象,作為分類單元具有一定優(yōu)勢,陸續(xù)發(fā)布的全國地塊數(shù)據(jù)集也給面向地塊農(nóng)作物遙感分類帶來了新的契機。面向地塊分類以地塊為單元進行農(nóng)作物識別可以獲得更加準(zhǔn)確的農(nóng)作物空間分布,但在分類特征、分類策略和遙感數(shù)據(jù)選擇方面仍需進一步研究。針對面向地塊農(nóng)作物遙感分類存在的問題,本文以研究區(qū)6種農(nóng)作物為研究對象,以多時相Landsat8數(shù)據(jù)為主要數(shù)據(jù)源,開展了面向地塊農(nóng)作物遙感分類方法的研究。首先,通過分析農(nóng)作物分類特征研究其對面向地塊分類的影響;同時針對樣本數(shù)量和混合像元問題,對面向地塊分類的分類策略進行改進,以提高農(nóng)作物分類精度;其次,從分類精度和面積精度兩方面將面向地塊與面向?qū)ο蠓诸愡M行對比,分析兩種分類方法的異同點;最后從空間分辨率出發(fā),為農(nóng)作物遙感識別的數(shù)據(jù)選擇提供指導(dǎo)。本文主要研究內(nèi)容與成果如下:(1)特征選擇是遙感分類的重要步驟,本文首先基于7個時相的Landsat8數(shù)據(jù)選擇了304個分類特征并對其進行重要性評價,在特征評價的基礎(chǔ)上使用隨機森林算法研究了特征選擇對面向地塊農(nóng)作物遙感分類的影響。結(jié)果表明5月10日、9月15日、7月29日為分類最佳時相,其對應(yīng)的光譜波段和植被指數(shù)特征重要性較高;按重要性順序增加特征數(shù)量會提高分類精度,特征數(shù)量增加到10個時分類精度達到穩(wěn)定狀態(tài),過多的分類特征不會造成過擬合;在研究區(qū)使用早期影像(5月10日和6月27日)進行農(nóng)作物識別可以達到較高精度,總體精度為87.75%。(2)針對面向地塊分類存在的樣本數(shù)量和地塊邊界混合像元問題,研究對面向地塊分類策略進行了改進,對比分析了不同分類策略的分類效果。策略A將地塊作為整體進行特征提取,并將其作為分類的依據(jù),總體精度達到了88.24%,但在訓(xùn)練地塊較少的類別表現(xiàn)較差;策略A1在提取地塊特征值時排除了地塊邊界混合像元,使訓(xùn)練樣本更具代表性,將分類精度提高到90.69%;策略B和策略B1均以像元分類為基礎(chǔ),訓(xùn)練樣本數(shù)量的增加使得分類精度有一定提高,不同的是后者在確定地塊類型時排除了邊界處的像元,但最終的分類結(jié)果與策略B并無差別,兩者的分類總體精度均為93.63%。(3)為了分析面向地塊和面向?qū)ο筠r(nóng)作物遙感分類的異同,本文在研究區(qū)開展了面向?qū)ο蟮姆诸?從分類精度和面積精度兩方面對比了兩種方法的分類結(jié)果,得出以下結(jié)論:分類精度方面,面向?qū)ο蠓诸惖目傮w精度為88.24%,達到了與策略A下地塊分類相同的精度;面積精度方面,兩種方法的面積精度的高低均與其分類精度一致,但是面向地塊分類將地塊數(shù)據(jù)作為輔助數(shù)據(jù),包含了更為準(zhǔn)確的面積信息,因此面積精度更高。(4)本文研究了空間分辨率與面向地塊農(nóng)作物分類精度的關(guān)系,實驗結(jié)果表明:隨著空間分辨率的降低分類精度總體呈下降趨勢�？臻g分辨率為15 m時分類效果最好,總體精度為93.63%;當(dāng)空間分辨率為60 m時,在研究區(qū)開展農(nóng)作物遙感識別總體精度也能達到80%以上;研究區(qū)主要農(nóng)作物棉花受空間分辨率影響較小,F1精度最大差異為14.35%,分辨率不低于150m情況下均可以達到較高精度,F1精度最小為82.54%。
【學(xué)位授予單位】：中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：S127
【圖文】：

面向地塊的農(nóng)作物遙感分類方法研究物的可分性，總體分類精度提高了 6.7%。此外，通過對多光譜的運算獲得的植被指數(shù)特征，如歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）和三角植被指數(shù)（Triangular Vegetation Index，TVI）等特征在面向地塊的農(nóng)作物遙感分類中的應(yīng)用也很廣泛。微波數(shù)據(jù)可以提供農(nóng)作物幾何特征和土壤水分信息，在農(nóng)作物不同生長階段呈現(xiàn)的散射特性也不同，被較多地應(yīng)用于識別水稻等作物（Shao 等.，2001）。

（3）面向?qū)ο笈c面向地塊農(nóng)作物分類的對比。在保證分類特征和分類算法等條件相同的情況下，將面向地塊分類與對象分類進行對比，分析面向地塊分類方法的優(yōu)缺點。（4）空間分辨率對面向地塊農(nóng)作物分類的影響。針對不同空間分辨率數(shù)據(jù)選擇問題，通過尺度轉(zhuǎn)換獲取不同空間分辨率的特征影像，研究空間分辨率對面向地塊分類的影響，為面向地塊農(nóng)作物分類中的數(shù)據(jù)選擇提供指導(dǎo)。1.4 技術(shù)路線與論文組織1.4.1 技術(shù)路線本文的技術(shù)路線如圖 1.2 所示，基于多時相 Landsat8 遙感影像選擇了多種分類特征進行特征分析和評價，在特征選擇的基礎(chǔ)上開展不同策略的面向地塊農(nóng)作物分類，通過與面向?qū)ο蠓诸惖膶Ρ确治雒嫦虻貕K思想在農(nóng)作物遙感分類上的優(yōu)勢，最后研究了空間分辨率對面向地塊分類的影響。

【相似文獻】

相關(guān)期刊論文 前10條

1 修麗娜,劉湘南;人工神經(jīng)網(wǎng)絡(luò)遙感分類方法研究現(xiàn)狀及發(fā)展趨勢探析[J];遙感技術(shù)與應(yīng)用;2003年05期

2 陳斌;王宏志;李仁東;;不同等級土壤遙感分類的尺度匹配性探討[J];湖北大學(xué)學(xué)報(自然科學(xué)版);2018年04期

3 吳德慧;江洪;徐建輝;周國模;;森林可燃物的遙感分類研究進展[J];安徽農(nóng)業(yè)科學(xué);2012年26期

4 王旭紅,周明全,耿國華;“Dempster_Shafer”證據(jù)理論在智能化遙感分類中應(yīng)用研究[J];計算機應(yīng)用與軟件;2004年09期

5 付煒;土壤遙感分類識別專家系統(tǒng)的結(jié)構(gòu)設(shè)計[J];生態(tài)環(huán)境;2004年01期

6 楊超;鄔國鋒;李清泉;王金亮;渠立權(quán);丁凱;;植被遙感分類方法研究進展[J];地理與地理信息科學(xué);2018年04期

7 陸鵬宇;;遙感分類圖像斑塊土地面積的自動計算方法[J];數(shù)碼世界;2019年03期

8 董金芳;王娟;何慧娟;高蓓;;基于支持向量機的濕地遙感分類方法[J];測繪與空間地理信息;2016年11期

9 葛詠;李三平;;遙感分類信息不確定性的可視化表達方法[J];地球信息科學(xué);2008年01期

10 甘淑,張軍,張佩芳;瀾滄江流域山區(qū)土地覆蓋多級遙感分類方法研究[J];地理學(xué)報;1999年S1期

相關(guān)會議論文 前10條

1 陳利軍;陳軍;廖安平;何超英;;30m全球地表覆蓋遙感分類方法初探[A];第四屆“測繪科學(xué)前沿技術(shù)論壇”論文精選[C];2012年

2 王巖;王曉青;竇愛霞;;面向?qū)ο筮b感分類方法在震害快速提取中的應(yīng)用[A];中國地震學(xué)會第14次學(xué)術(shù)大會專題[C];2012年

3 鄒文濤;張懷清;鞠洪波;劉華;;基于決策樹的高寒濕地類型遙感分類方法研究[A];第九屆中國林業(yè)青年學(xué)術(shù)年會論文摘要集[C];2010年

4 劉詠梅;溫仲明;楊勤科;;陜北黃土丘陵地區(qū)坡耕地遙感分類方法研究[A];認(rèn)識地理過程 關(guān)注人類家園——中國地理學(xué)會2003年學(xué)術(shù)年會文集[C];2003年

5 李三平;葛詠;滿旺;;遙感分類影像不確定性可視化表達模式[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

6 吳曉東;楊小虎;楊康;;TM影像的遙感分類方法研究[A];第十七屆中國科協(xié)年會——分16　大數(shù)據(jù)與城鄉(xiāng)治理研討會論文集[C];2015年

7 張超;黃清麟;朱雪林;張曉紅;;基于空間分布特征的西藏灌木林遙感分類技術(shù)研究[A];第二屆中國林業(yè)學(xué)術(shù)大會——S3 森林經(jīng)理與林業(yè)信息化的新使命論文集[C];2009年

8 吳全;裴志遠(yuǎn);郭琳;劉躍辰;趙占營;;兩種遙感分類精度評價方法應(yīng)用研究[A];中國農(nóng)業(yè)工程學(xué)會2011年學(xué)術(shù)年會論文集[C];2011年

9 熊軼群;吳健平;;基于圖像分割的城市綠地信息自動提取研究[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

10 韓蘭英;陳全功;張張張;;基于3S技術(shù)的新疆棉花種植面積估測方法研究[A];中國氣象學(xué)會2006年年會“衛(wèi)星遙感技術(shù)進展及應(yīng)用”分會場論文集[C];2006年

相關(guān)重要報紙文章 前1條

1 李靜;遙感分類[N];新疆科技報(漢);2004年

相關(guān)博士學(xué)位論文 前10條

1 何靈敏;支持向量機集成及在遙感分類中的應(yīng)用[D];浙江大學(xué);2006年

2 曾春芬;地表覆蓋遙感分類數(shù)據(jù)質(zhì)量及變化對水文過程模擬和水資源評估影響研究[D];南京大學(xué);2012年

3 張超;西藏灌木林評價與遙感分類技術(shù)研究[D];中國林業(yè)科學(xué)研究院;2009年

4 劉穎;基于半監(jiān)督集成支持向量機的土地覆蓋遙感分類方法研究[D];中國科學(xué)院研究生院(東北地理與農(nóng)業(yè)生態(tài)研究所);2013年

5 王鑫;基于高分辨率遙感影像的植被分類方法研究[D];北京林業(yè)大學(xué);2015年

6 董杰;基于位表的關(guān)聯(lián)規(guī)則挖掘及關(guān)聯(lián)分類研究[D];大連理工大學(xué);2009年

7 凌飛龍;面向植被識別的SAR圖像分類方法研究[D];中國林業(yè)科學(xué)研究院;2010年

8 師慶東;基于FVC指數(shù)對1982～2000年中國西部干旱區(qū)植被覆蓋時空變化特征分析[D];南京氣象學(xué)院;2004年

9 郝瀧;基于Landsat OLI的西藏林芝縣森林類型提取方法和蓄積量反演模型研究[D];中國林業(yè)科學(xué)研究院;2017年

10 胡博;全國森林覆蓋信息快速提取技術(shù)研究[D];中國林業(yè)科學(xué)研究院;2016年

相關(guān)碩士學(xué)位論文 前10條

1 徐丹丹;顧及光譜變異遙感分類尺度效應(yīng)研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院東北地理與農(nóng)業(yè)生態(tài)研究所);2018年

2 任瀟灑;長春九臺區(qū)農(nóng)作物多源遙感分類方法研究[D];吉林大學(xué);2018年

3 韓衍欣;面向地塊的農(nóng)作物遙感分類方法研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所);2018年

4 王亞可;基于遙感分類圖的矢量化算法研究及應(yīng)用[D];河南大學(xué);2010年

5 羅凱;基于SOFM和專家分類器的土地類型遙感分類研究[D];北京林業(yè)大學(xué);2008年

6 郭棟;基于多源數(shù)據(jù)的復(fù)雜種植結(jié)構(gòu)區(qū)作物遙感分類[D];東北農(nóng)業(yè)大學(xué);2017年

7 袁建;氣候變化對重慶森林火災(zāi)的影響以及森林可燃物遙感分類[D];浙江農(nóng)林大學(xué);2013年

8 劉濤;基于人工神經(jīng)網(wǎng)絡(luò)的森林植被遙感分類研究[D];河北農(nóng)業(yè)大學(xué);2009年

9 楊柳;基于ETM+影像的扎龍濕地遙感分類研究[D];東北師范大學(xué);2003年

10 劉旭升;基于人工神經(jīng)網(wǎng)絡(luò)的森林植被遙感分類研究[D];北京林業(yè)大學(xué);2004年

本文編號：2727070