本文關(guān)鍵詞：基于高分一號和Landsat-8的昌吉市小麥面積提取研究

  更多相關(guān)文章： 高分一號 Landsat-8 昌吉市 小麥 面積提取

【摘要】：遙感技術(shù)是空間技術(shù)的核心組成部分,它具有高信息量、宏觀性、客觀性和時效性的優(yōu)勢,使其成為農(nóng)業(yè)、林業(yè)、國上資源等部門進(jìn)行監(jiān)測管理不可替代的技術(shù)手段。小麥種植面積的準(zhǔn)確估算關(guān)系到產(chǎn)量預(yù)測、市場價格等重要的現(xiàn)實(shí)問題。傳統(tǒng)面積估算方法耗時耗力耗資金,且受人為因素影響導(dǎo)致結(jié)果不甚準(zhǔn)確,已不能滿足管理需求。目前對于小麥的面積識別研究大部分都是建立在Landsat系列衛(wèi)星、ERS-1衛(wèi)星和SPOT系列衛(wèi)星數(shù)據(jù)之上,然而基于我國自主研發(fā)的高分一號衛(wèi)星的小麥遙感識別研究還有待深入探索。本研究以昌吉市為研究區(qū),2015年實(shí)地采集小麥、玉米、棉花、其他作物樣本數(shù)據(jù),基于高分一號和Landsat-8遙感影像,利用單時相、多時相NDVI序列遙感數(shù)據(jù)和五種常用的監(jiān)督分類方法,對比分析2015年昌吉市小麥面積識別的最佳數(shù)據(jù)源、最佳識別時相以及識別方案。結(jié)果表明：1)Landsat-8總體分類精度稍好于高分一號衛(wèi)星數(shù)據(jù),但高分一號衛(wèi)星的小麥生產(chǎn)精度和用戶精度卻高于Landsat-8衛(wèi)星數(shù)據(jù)。即國高分一號衛(wèi)星總體分類精度稍低,但其小麥生產(chǎn)和用戶精度相比Landsat-8衛(wèi)星要高。因此,如果研究目的是要進(jìn)行農(nóng)作物空間分布解譯,建議使用數(shù)據(jù)質(zhì)量更好更穩(wěn)定的Landsat-8衛(wèi)星數(shù)據(jù)；如果是要識別昌吉市小麥種植面積,建議使用高分一號數(shù)據(jù),以便獲得更高的解譯精度。2)單時相影像解譯,5月份是識別小麥面積的最佳時相。多時相NDVI時間序列的總體解譯精度和小麥的生產(chǎn)精度及用戶精度均高于單時相數(shù)據(jù),是小麥面積解譯的優(yōu)選方法。3)如果基于單時相數(shù)據(jù)進(jìn)行昌吉市小麥面積提取,最大似然方法監(jiān)督分類是最優(yōu)的方法。而基于多時相NDVI序列數(shù)據(jù)進(jìn)行小麥面積提取,最大似然法和最小聚類法均是最優(yōu)方法。整體來看,最大似然方法是小麥面積識別中精度最高的監(jiān)督分類方法。4)2015年昌吉市小麥面積解譯識別的最佳模型是,基于高分一號16 m多光譜數(shù)據(jù)、利用多時相的NDVI時間序列,以及選擇最大似然或最小距離作物監(jiān)督分類器,從而實(shí)現(xiàn)最高的小麥面積識別精度�；谠撃Ｐ徒庾g2015年昌吉市小麥面積為12486公頃,小麥面積提取精度為91.8%。
【關(guān)鍵詞】：高分一號 Landsat-8 昌吉市 小麥 面積提取
【學(xué)位授予單位】：新疆農(nóng)業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：S512.1;S127
【目錄】：

• 摘要3-4
• Abstract4-8
• 第1章 緒論8-19
• 1.1 選題背景及研究意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-17
• 1.2.1 國外作物種植面積遙感提取應(yīng)用進(jìn)展9-11
• 1.2.2 國內(nèi)作物種植面積遙感提取應(yīng)用進(jìn)展11-17
• 1.3 研究內(nèi)容和技術(shù)路線17-19
• 1.3.1 研究目的17
• 1.3.2 研究內(nèi)容17
• 1.3.3 技術(shù)路線17-19
• 第2章 材料與方法19-33
• 2.1 研究區(qū)概況19-20
• 2.1.1 地形地貌19-20
• 2.1.2 氣候特點(diǎn)20
• 2.1.3 農(nóng)業(yè)資源概況20
• 2.2 數(shù)據(jù)源20-23
• 2.2.1 遙感數(shù)據(jù)20-22
• 2.2.2 實(shí)地調(diào)查數(shù)據(jù)22-23
• 2.2.3 其他數(shù)據(jù)23
• 2.3 遙感數(shù)據(jù)的預(yù)處理23-27
• 2.3.1 圖像幾何校正23-25
• 2.3.2 輻射定標(biāo)25-26
• 2.3.3 大氣校正26-27
• 2.4 影像處理27-29
• 2.4.1 NDVI時間序列數(shù)據(jù)的生成27-29
• 2.5 監(jiān)督分類方法29-31
• 2.5.1 平行六面體分類法29
• 2.5.2 最小距離法29
• 2.5.3 最大似然分類法29-30
• 2.5.4 馬氏距離法30
• 2.5.5 神經(jīng)網(wǎng)絡(luò)法30-31
• 2.6 分類后精度評價31-33
• 2.6.1 混淆矩陣精度評價31-32
• 2.6.2 解譯面積和實(shí)際統(tǒng)計(jì)面積驗(yàn)證比較32-33
• 第3章 基于單時相遙感影像的小麥遙感提取33-40
• 3.1 監(jiān)督分類33
• 3.2 樣本數(shù)據(jù)33-35
• 3.2.1 建立ROI33-34
• 3.2.2 訓(xùn)練樣本可分離性統(tǒng)計(jì)34-35
• 3.3 確定最佳識別月份35-36
• 3.3.1 基于高分一號影像的小麥最佳識別月份35
• 3.3.2 基于Landsat-8影像的小麥最佳識別月份35-36
• 3.3.3 高分一號和Landsat-8影像的小麥最佳識別月份對比36
• 3.4 確定最佳解譯方法36-39
• 3.4.1 基于GF-1影像的小麥最佳解譯方法37-38
• 3.4.2 基于Landsat-8影像的小麥最佳解譯方法38-39
• 3.4.3 高分一號和Landsat-8影像最佳分類器對比39
• 3.5 本章小結(jié)39-40
• 第4章 基于多時相NDVI序列的小麥面積提取40-45
• 4.1 訓(xùn)練樣本40-41
• 4.1.1 訓(xùn)練樣本數(shù)量40
• 4.1.2 訓(xùn)練樣本可分離性統(tǒng)計(jì)40-41
• 4.2 基于GF-1影像NDVI序列的小麥最佳解譯方法41-42
• 4.3 基于LANDSAT-8影像NDVI序列的小麥最佳解譯方法42-43
• 4.4 高分一號和LANDSAT-8影像監(jiān)督分類對比43-44
• 4.5 本章小結(jié)44-45
• 第5章 小麥面積最佳遙感解譯方案45-50
• 5.1 最佳遙感數(shù)據(jù)45-46
• 5.2 最佳時相的選擇46
• 5.3 最佳監(jiān)督分類方法46-47
• 5.4 昌吉市最佳小麥面積解譯方案及結(jié)果47-49
• 5.5 本章小結(jié)49-50
• 第6章 結(jié)論與展望50-52
• 6.1 結(jié)論50
• 6.2 不足與展望50-52
• 參考文獻(xiàn)52-56
• 致謝56-57
• 個人簡歷57

【相似文獻(xiàn)】

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 閻孟冬;基于Landsat-8衛(wèi)星影像數(shù)據(jù)的清河水庫水質(zhì)反演模型研究[D];沈陽農(nóng)業(yè)大學(xué);2016年

2 武笑天;基于高分一號和Landsat-8的昌吉市小麥面積提取研究[D];新疆農(nóng)業(yè)大學(xué);2016年

，

本文編號：880970