遙感技術(shù)應(yīng)用于作物種植面積估算實(shí)例

1、地理國(guó)情監(jiān)測(cè)云平臺(tái)北京數(shù)字空間科技有限公司遙感技術(shù)應(yīng)遙感技術(shù)應(yīng)用于作物種植面積估算實(shí)例用于作物種植面積估算實(shí)例1.1.農(nóng)作物遙感分類農(nóng)作物遙感分類1.11.1利用多時(shí)相環(huán)境星利用多時(shí)相環(huán)境星CCDCCD數(shù)據(jù)作物分類識(shí)別實(shí)驗(yàn)數(shù)據(jù)作物分類識(shí)別實(shí)驗(yàn)采用支持向量機(jī)分類器進(jìn)行基于象素遙感影像分類方法。在分類過(guò)程中，分別對(duì)不同日期的單景環(huán)境星數(shù)據(jù)以及不同日期環(huán)境星數(shù)據(jù)的組合進(jìn)行分類，以評(píng)價(jià)環(huán)境星在作物分類中的應(yīng)用潛力，并確定利用環(huán)境星數(shù)據(jù)進(jìn)行作物分

2、類的最佳影像獲取時(shí)期及最優(yōu)時(shí)相組合。對(duì)單時(shí)相及不同時(shí)相組合的環(huán)境星數(shù)據(jù)進(jìn)行分類，結(jié)果如圖1所示。其中左下角代碼表明了分類所用的環(huán)境星數(shù)據(jù)，比如HJ3表示使用的是3月份獲取的環(huán)境星數(shù)據(jù)，HJ3HJ4表示使用的是3月份和4月份獲取的環(huán)境星數(shù)據(jù)的組合花期獲取的環(huán)境星數(shù)據(jù)分類效果最好，總體分類精度達(dá)到了88.2%，花前期獲取的數(shù)據(jù)分類效果次之，拔節(jié)期獲取的數(shù)據(jù)分類效果在三個(gè)時(shí)相的影像中分類效果最差。使用多時(shí)相的數(shù)據(jù)分類效果要優(yōu)于單一時(shí)相數(shù)據(jù)分類

3、效果，其中使用三個(gè)時(shí)相的數(shù)據(jù)分類效果最好，總體分類精度達(dá)到了91.7%。但是，使用三個(gè)時(shí)相的數(shù)據(jù)相對(duì)于花期和拔節(jié)期兩個(gè)時(shí)相數(shù)據(jù)組合的分類精度提高有限，表明兩個(gè)合適時(shí)相數(shù)據(jù)的組合可以達(dá)到足夠的分類精度，再多時(shí)相的組合對(duì)于分類精度的提高作用不大。1.21.2基于環(huán)境星和基于環(huán)境星和ASARASAR數(shù)據(jù)融合的作物分類識(shí)別實(shí)驗(yàn)數(shù)據(jù)融合的作物分類識(shí)別實(shí)驗(yàn)數(shù)據(jù)融合采用主成分分析法對(duì)環(huán)境星與ASAR數(shù)據(jù)進(jìn)行融合。將含有4個(gè)不同光譜波段的環(huán)境星數(shù)據(jù)進(jìn)行

4、主成分變換，并將ASARVV極化圖像拉伸使圖像灰度的均值與方差和主成分變換第一分量圖像一致然后以拉伸過(guò)的ASAR圖像替換環(huán)境星數(shù)據(jù)主成分變換后第一分量圖像再經(jīng)過(guò)逆變換還原到原始圖像空地理國(guó)情監(jiān)測(cè)云平臺(tái)北京數(shù)字空間科技有限公司其中A、B、C為環(huán)境星數(shù)據(jù)分別采用MLC、ANN和SVM方法的分類結(jié)果，D、E、F為融合數(shù)據(jù)分別采用MLC、ANN和SVM方法的分類結(jié)果從目視效果來(lái)分析，采用環(huán)境星多光譜數(shù)據(jù)，可以有效識(shí)別出小麥種植地塊，且支持向量機(jī)

5、分類效果最好，但是漏分了一些棉花地塊。環(huán)境星多光譜數(shù)據(jù)與ASARVV極化后向散射數(shù)據(jù)融合后，不但可以有效識(shí)別出小麥地塊，而且田塊邊界更加明顯，分類效果優(yōu)于單獨(dú)使用環(huán)境星多光譜數(shù)據(jù)，同樣是采用支持向量機(jī)方法的分類結(jié)果最好，混淆較少，而且田塊邊界清晰可見(jiàn)。單獨(dú)使用環(huán)境星數(shù)據(jù)的分類精度明顯低于融合數(shù)據(jù)，在分類方法上，環(huán)境星數(shù)據(jù)和融合數(shù)據(jù)都是采用支持向量機(jī)分類方法精度最好，并且使用融合數(shù)據(jù)比單獨(dú)使用環(huán)境星數(shù)據(jù)分類精度提高約5個(gè)百分點(diǎn)，達(dá)到94.

6、3%。綜上所述，環(huán)境星多光譜數(shù)據(jù)可以有效進(jìn)行農(nóng)作物分類，但存在田塊邊界不能有效識(shí)別和分類混淆的問(wèn)題ASARVV極化數(shù)據(jù)可以改善光學(xué)數(shù)據(jù)的光譜信息，使不同地物之間的光譜差異有顯著增大，增強(qiáng)了地物之間的可分性VV極化數(shù)據(jù)對(duì)田間非耕地信息敏感，對(duì)田塊邊界的識(shí)別有較大作用VV極化數(shù)據(jù)對(duì)于地物結(jié)構(gòu)信息敏感，造成田塊邊界存在微小程度的擴(kuò)大，致使分類結(jié)果中小麥面積比例略有下降，但相對(duì)于分類精度的提高是值得的。a.a.利用多源利用多源SARSAR數(shù)據(jù)的

7、作物分類識(shí)別實(shí)驗(yàn)數(shù)據(jù)的作物分類識(shí)別實(shí)驗(yàn)在2009年冬小麥返青期內(nèi)，獲取小麥返青期、拔節(jié)期和花期三個(gè)生育期的ASARVV極化數(shù)據(jù)，空間分辨率30米，C波段數(shù)據(jù)。數(shù)據(jù)接收時(shí)間為2009227、200943和200958。同時(shí)，獲取一景TerraSARX數(shù)據(jù)，HH極化，空間分辨率6米，數(shù)據(jù)接收時(shí)間為小麥花期2009510。采用支持向量機(jī)分類器的遙感影像分類方法。在分類過(guò)程中，分別對(duì)不同組合的SAR數(shù)據(jù)進(jìn)行了分類，以評(píng)價(jià)多源SAR數(shù)據(jù)在作物分類