本文關鍵詞：基于高分一號和Landsat-8的昌吉市小麥面積提取研究

  更多相關文章： 高分一號 Landsat-8 昌吉市 小麥 面積提取

【摘要】：遙感技術是空間技術的核心組成部分,它具有高信息量、宏觀性、客觀性和時效性的優(yōu)勢,使其成為農業(yè)、林業(yè)、國上資源等部門進行監(jiān)測管理不可替代的技術手段。小麥種植面積的準確估算關系到產量預測、市場價格等重要的現實問題。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致結果不甚準確,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)星數據之上,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年實地采集小麥、玉米、棉花、其他作物樣本數據,基于高分一號和Landsat-8遙感影像,利用單時相、多時相NDVI序列遙感數據和五種常用的監(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據源、最佳識別時相以及識別方案。結果表明：1)Landsat-8總體分類精度稍好于高分一號衛(wèi)星數據,但高分一號衛(wèi)星的小麥生產精度和用戶精度卻高于Landsat-8衛(wèi)星數據。即國高分一號衛(wèi)星總體分類精度稍低,但其小麥生產和用戶精度相比Landsat-8衛(wèi)星要高。因此,如果研究目的是要進行農作物空間分布解譯,建議使用數據質量更好更穩(wěn)定的Landsat-8衛(wèi)星數據；如果是要識別昌吉市小麥種植面積,建議使用高分一號數據,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精度及用戶精度均高于單時相數據,是小麥面積解譯的優(yōu)選方法。3)如果基于單時相數據進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序列數據進行小麥面積提取,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多光譜數據、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,從而實現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%。
【關鍵詞】：高分一號 Landsat-8 昌吉市 小麥 面積提取
【學位授予單位】：新疆農業(yè)大學
【學位級別】：碩士
【學位授予年份】：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 國內外研究現狀9-17
• 1.2.1 國外作物種植面積遙感提取應用進展9-11
• 1.2.2 國內作物種植面積遙感提取應用進展11-17
• 1.3 研究內容和技術路線17-19
• 1.3.1 研究目的17
• 1.3.2 研究內容17
• 1.3.3 技術路線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20
• 2.1.3 農業(yè)資源概況20
• 2.2 數據源20-23
• 2.2.1 遙感數據20-22
• 2.2.2 實地調查數據22-23
• 2.2.3 其他數據23
• 2.3 遙感數據的預處理23-27
• 2.3.1 圖像幾何校正23-25
• 2.3.2 輻射定標25-26
• 2.3.3 大氣校正26-27
• 2.4 影像處理27-29
• 2.4.1 NDVI時間序列數據的生成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 神經網絡法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 解譯面積和實際統(tǒng)計面積驗證比較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 樣本數據33-35
• 3.2.1 建立ROI33-34
• 3.2.2 訓練樣本可分離性統(tǒng)計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 訓練樣本40-41
• 4.1.1 訓練樣本數量40
• 4.1.2 訓練樣本可分離性統(tǒng)計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 最佳遙感數據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果47-49
• 5.5 本章小結49-50
• 第6章 結論與展望50-52
• 6.1 結論50
• 6.2 不足與展望50-52
• 參考文獻52-56
• 致謝56-57
• 個人簡歷57

【相似文獻】

中國碩士學位論文全文數據庫 前2條

1 閻孟冬;基于Landsat-8衛(wèi)星影像數據的清河水庫水質反演模型研究[D];沈陽農業(yè)大學;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];新疆農業(yè)大學;2016年

，

本文編號：880970