遥感技术应用于作物种植面积估算实例

爱地理 · 发表于 2014-3-3 16:37

本帖最后由爱地理于 2014-3-10 11:31 编辑

　　1.农作物遥感分类
　　1.1 利用多时相环境星 CCD 数据作物分类识别实验
　　采用支持向量机分类器进行基于象素遥感影像分类方法。在分类过程中，分别对不同日期的单景环境星数据以及不同日期环境星数据的组合进行分类，以评价环境星在作物分类中的应用潜力，并确定利用环境星数据进行作物分类的最佳影像获取时期及最优时相组合。
　　对单时相及不同时相组合的环境星数据进行分类，结果如图 1 所示。

地理国情监测云平台

其中左下角代码表明了分类所用的环境星数据，比如 HJ3 表示使用的是 3 月份获取

的环境星数据，HJ3+HJ4 表示使用的是 3 月份和 4 月份获取的环境星数据的组合

　　花期获取的环境星数据分类效果最好，总体分类精度达到了 88.2%，花前期获取的数据分类效果次之，拔节期获取的数据分类效果在三个时相的影像中分类效果最差。使用多时相的数据分类效果要优于单一时相数据分类效果，其中使用三个时相的数据分类效果最好，总体分类精度达到了 91.7%。但是，使用三个时相的数据相对于花期和拔节期两个时相数据组合的分类精度提高有限，表明两个合适时相数据的组合可以达到足够的分类精度，再多时相的组合对于分类精度的提高作用不大。
　　1.2 基于环境星和 ASAR 数据融合的作物分类识别实验
　　数据融合采用主成分分析法对环境星与 ASAR 数据进行融合。将含有 4 个不同光谱波段的环境星数据进行主成分变换，并将 ASAR VV 极化图像拉伸, 使图像灰度的均值与方差和主成分变换第一分量图像一致, 然后以拉伸过的 ASAR 图像替换环境星数据主成分变换后第一分量图像, 再经过逆变换还原到原始图像空间，得到环境星数据与 ASAR 数据的融合数据。数据融合效果评价采用光谱角来衡量融合前后不同地物之间的光谱差异。
　　研究采用的分类算法包括最大似然(MLC)、人工神经网络(ANN)和支持向量机(SVM)三种方法。环境星多光谱数据与 ASAR VV 极化数据融合后信息量有所增加，相比于环境星数据，其与ASAR 数据融合后图像的层次更加分明，不同地物之间的差别更加明显。虽然 ASAR 数据与环境星数据的空间分辨率相同，但是由于 ASAR VV 极化数据对于田块边界更加敏感，使得融合后田块的边界比环境星要更加明显。

地理国情监测云平台

图 2 田块边界在不同影像产品上的视觉效果对比

左：环境星;中：融合图像;右：RapidEye

　　融合后类别间的光谱角均明显增大，表明不同类别之间的光谱差异在融合后显著增大。小麦与棉花、小麦与树木、棉花与树木之间的光谱角值分布由原来的 0.063、 0.02、 0.043 增大到融合后的 0.345、0.242、0.104。环境星多光谱数据与ASAR VV 极化后向散射数据融合后所含信息量相比环境星多光谱数据有显著增加，扩大了不同地物之间的光谱差异，增强了地物之间的可分性。更多知识及3s应用实例分析请到地理国情监测云平台www.dsac.cn
　　根据地面调查和 RapidEye 目视解译，采用随机抽样的方法进行分类样本的选取。从所选取的地面样本中随机抽取一半作为训练样本，另一半作为精度评价的检验样本，训练样本和检验样本没有重合。采用不同的分类器分别对环境星数据以及环境星与 ASAR 的融合数据进行分类，结果如图 3 所示。

地理国情监测云平台

其中 A、B、C 为环境星数据分别采用 MLC、ANN 和 SVM 方法的分类结果，

D、E、F 为融合数据分别采用 MLC、ANN 和 SVM 方法的分类结果

　　从目视效果来分析，采用环境星多光谱数据，可以有效识别出小麦种植地块，且支持向量机分类效果最好，但是漏分了一些棉花地块。环境星多光谱数据与 ASAR VV 极化后向散射数据融合后，不但可以有效识别出小麦地块，而且田块边界更加明显，分类效果优于单独使用环境星多光谱数据，同样是采用支持向量机方法的分类结果最好，混淆较少，而且田块边界清晰可见。
　　单独使用环境星数据的分类精度明显低于融合数据，在分类方法上，环境星数据和融合数据都是采用支持向量机分类方法精度最好，并且使用融合数据比单独使用环境星数据分类精度提高约 5 个百分点，达到 94.3%。
　　综上所述，环境星多光谱数据可以有效进行农作物分类，但存在田块边界不能有效识别和分类混淆的问题;ASAR VV 极化数据可以改善光学数据的光谱信息，使不同地物之间的光谱差异有显著增大，增强了地物之间的可分性; VV 极化数据对田间非耕地信息敏感，对田块边界的识别有较大作用;VV 极化数据对于地物结构信息敏感，造成田块边界存在微小程度的扩大，致使分类结果中小麦面积比例略有下降，但相对于分类精度的提高是值得的。
　　a. 利用多源 SAR 数据的作物分类识别实验
　　在 2009 年冬小麦返青期内，获取小麦返青期、拔节期和花期三个生育期的 ASAR VV 极化数据，空间分辨率 30 米，C波段数据。数据接收时间为 2009-2-27、2009-4-3 和 2009-5-8。同时，获取一景TerraSAR-X 数据，HH 极化，空间分辨率6 米，数据接收时间为小麦花期 2009-5-10。采用支持向量机分类器的遥感影像分类方法。在分类过程中，分别对不同组合的 SAR 数据进行了分类，以评价多源 SAR 数据在作物分类中的应用潜力，并确定利用 SAR 数据进行作物分类的最佳组合。采用四景数据组合的结果如图 4 所示。

地理国情监测云平台

图 4 3 景 ASAR 数据+1 景 TerraSAR 数据组合的分类结果

　　精度评价结果显示，使用单一时相的数据进行分类，总体分类精度较低。使用多时相的数据分类效果要优于单一时相数据分类效果，其中使用三个时相的数据分类效果最好，总体分类精度达到了84.12%。使用两个频率的 SAR 数据进行分类，取得了优于多时相数据的分类精度，A3+T 的分类精度达到了 86.55%，高于三个时相的 ASAR 分类精度。在加入了纹理信息后，分类精度相对于后向散射数据有了一定程度的精度提高，约 3-5 个百分点。
　　通过多源 SAR 数据的分类实验得出如下结论：(1)多频率 SAR 数据的结合比多时相数据获取了更高的分类精度。(2)拔节期和花期两个时相 ASAR 数据的结合取得了与三个时相 ASAR 数据分类精度相当的结果。(3)纹理信息的加入对于 SAR 农作物分类精度有一定的提高。
　　2.多尺度遥感数据的作物种植面积估算
　　实验区选择中国华北平原北部地区，横跨河北中南部、山东北部和河南北部，面积约 200,000 平方公里。
　　中分辨率遥感数据主要包括 14 期 MODIS NDVI16 天合成数据;高分辨率遥感数据采用 CBERS CCD 数据，主要 6 景数据。
　　所采用的技术方法主要是：1)在地面调查数据和 GVG 数据的支持下，利用高分辨率影像进行作物分类;2)将分类结果进行区域统计，区域大小采用与中低分辨率影像像元同样大心的格网，得到与 MERIS 或 MODIS 同像元大小的作物组分结果; 3)将 MODIS 时间序列 NDVI 数据集与 ENVISAT MERIS 多光谱数据与高分辨率生成的作物组分数据进行比较，建立神经网络模型;4)利用神经网络模型进行全影像外推，得到研究区的作物种植面积。
　　实验结果表明，利用多尺度遥感影像数据估算玉米种植面积可以达到 90%的精度，尤其是在整个研究区水平上，精度可以达到 90%以上;在地市水平上，利用 MDOIS NDVI 估算的玉米种植面积估算精度也均能达到 90%以，在省级尺度上，利用MODIS NDVI 河北和山东均能达到 95%以上精度，利用 MERIS 估算精度仅能达到 90%以上。
　　更多知识及3s应用实例分析请到地理国情监测云平台www.dsac.cn