基于圖像分割和NDVI時(shí)間序列曲線分類(lèi)模型的冬小麥種植區(qū)域識(shí)別與提取
發(fā)布時(shí)間:2021-11-28 16:24
為自動(dòng)獲取大面積冬小麥種植區(qū)域,通常利用中等空間分辨率遙感影像中的物候信息,基于時(shí)間序列曲線進(jìn)行識(shí)別與提取。但在實(shí)際工程項(xiàng)目中,只使用物候信息提取精度偏低。因此提出了一種基于時(shí)間序列曲線數(shù)據(jù)分類(lèi)模型與圖像分割相結(jié)合的冬小麥識(shí)別方法。首先,構(gòu)建多源數(shù)據(jù)的歸一化植被指數(shù)(normalized difference vegetation index,NDVI)時(shí)間序列曲線,采用時(shí)間序列諧波分析方法(harmonic analysis of time series,HANTS)對(duì)NDVI時(shí)間序列數(shù)據(jù)進(jìn)行平滑和去噪;然后,對(duì)NDVI時(shí)間序列進(jìn)行坐標(biāo)轉(zhuǎn)換,獲取波段均值、標(biāo)準(zhǔn)差和均方根3個(gè)參數(shù),構(gòu)建新的分類(lèi)模型,提升冬小麥與其他作物的差異值;最后,通過(guò)與高空間分辨率數(shù)據(jù)的分割結(jié)果相結(jié)合,利用圖像的空間結(jié)構(gòu)信息,提高地物邊界的準(zhǔn)確性。以南京市江寧區(qū)為例,利用2017年12月—2018年6月間高分一號(hào)、Landsat8和Sentinel-2A 3種類(lèi)型的共21景多源數(shù)據(jù)進(jìn)行實(shí)驗(yàn),最終提取精度達(dá)到98. 74%,比其他方法有所提高,為農(nóng)業(yè)管理部門(mén)提供了準(zhǔn)確的冬小麥種植區(qū)域和分布的地理信息數(shù)據(jù)。
【文章來(lái)源】:國(guó)土資源遙感. 2020,32(02)北大核心CSCD
【文章頁(yè)數(shù)】:7 頁(yè)
【部分圖文】:
坐標(biāo)轉(zhuǎn)換NDVI值曲線
NDVI時(shí)間序列曲線分類(lèi)模型結(jié)果
鑒于冬小麥在不同的生長(zhǎng)階段具有不同的物候特征,本文選用2017年12月—2018年6月間覆蓋冬小麥生長(zhǎng)周期的高分一號(hào)(GF-1)、Landsat8和Sentinel-2A共3種數(shù)據(jù),分別來(lái)自中國(guó)資源衛(wèi)星應(yīng)用中心、美國(guó)地質(zhì)調(diào)查局(United States Geological Survey,USGS)和歐洲航天局。選取原則是首先選用16 m空間分辨率的GF-1 WFV數(shù)據(jù),若數(shù)據(jù)質(zhì)量差,則用該月經(jīng)多光譜和全色數(shù)據(jù)融合后空間分辨率為15 m的Landsat8數(shù)據(jù)或空間分辨率為10 m的Sential-2A數(shù)據(jù)予以補(bǔ)充。研究共選用了21期圖像,平均每月3期,各數(shù)據(jù)的獲取時(shí)間如表1所示。用于圖像分割來(lái)提高地物邊界準(zhǔn)確性的數(shù)據(jù)為北京二號(hào)衛(wèi)星圖像,獲取時(shí)間為2018年4月17日,空間分辨率為1 m,如圖1所示。2 研究方法
【參考文獻(xiàn)】:
期刊論文
[1]面向地塊的農(nóng)作物遙感分類(lèi)研究進(jìn)展[J]. 韓衍欣,蒙繼華. 國(guó)土資源遙感. 2019(02)
[2]基于地塊尺度多時(shí)相遙感影像的冬小麥種植面積提取[J]. 鄧劉洋,沈占鋒,柯映明,許澤宇. 農(nóng)業(yè)工程學(xué)報(bào). 2018(21)
[3]基于高分一號(hào)衛(wèi)星遙感影像的地表巖性特征提取及三維可視化[J]. 陳國(guó)旭,李盼盼,劉盛東,李忠城,趙萍. 地理與地理信息科學(xué). 2018(05)
[4]遙感圖像分割下的青藏高原湖泊提取[J]. 王碧晴,王珂,廖偉逸. 遙感信息. 2018(01)
[5]基于GIMMS 3g NDVI的近30年中國(guó)北部植被生長(zhǎng)季始期變化研究[J]. 李凈,劉紅兵,李彩云,李龍. 地理科學(xué). 2017(04)
[6]高分一號(hào)歸一化植被指數(shù)時(shí)間序列用于冬小麥識(shí)別[J]. 張晶,占玉林,李如仁. 遙感信息. 2017(01)
[7]基于多尺度分割的高分遙感圖像變異函數(shù)紋理提取和分類(lèi)[J]. 劉昌振,舒紅,張志,馬國(guó)銳. 國(guó)土資源遙感. 2015(04)
[8]基于面向?qū)ο蠓诸?lèi)的冬小麥種植面積提取[J]. 李衛(wèi)國(guó),蔣楠. 麥類(lèi)作物學(xué)報(bào). 2012(04)
[9]基于地塊特征基元與多時(shí)相遙感數(shù)據(jù)的冬小麥播種面積快速提取[J]. 朱長(zhǎng)明,駱劍承,沈占鋒,程熙. 農(nóng)業(yè)工程學(xué)報(bào). 2011(09)
[10]山東省典型地表覆被NDVI時(shí)間序列諧波分析[J]. 梁守真,邢前國(guó),施平,周迪. 生態(tài)學(xué)雜志. 2011(01)
本文編號(hào):3524753
【文章來(lái)源】:國(guó)土資源遙感. 2020,32(02)北大核心CSCD
【文章頁(yè)數(shù)】:7 頁(yè)
【部分圖文】:
坐標(biāo)轉(zhuǎn)換NDVI值曲線
NDVI時(shí)間序列曲線分類(lèi)模型結(jié)果
鑒于冬小麥在不同的生長(zhǎng)階段具有不同的物候特征,本文選用2017年12月—2018年6月間覆蓋冬小麥生長(zhǎng)周期的高分一號(hào)(GF-1)、Landsat8和Sentinel-2A共3種數(shù)據(jù),分別來(lái)自中國(guó)資源衛(wèi)星應(yīng)用中心、美國(guó)地質(zhì)調(diào)查局(United States Geological Survey,USGS)和歐洲航天局。選取原則是首先選用16 m空間分辨率的GF-1 WFV數(shù)據(jù),若數(shù)據(jù)質(zhì)量差,則用該月經(jīng)多光譜和全色數(shù)據(jù)融合后空間分辨率為15 m的Landsat8數(shù)據(jù)或空間分辨率為10 m的Sential-2A數(shù)據(jù)予以補(bǔ)充。研究共選用了21期圖像,平均每月3期,各數(shù)據(jù)的獲取時(shí)間如表1所示。用于圖像分割來(lái)提高地物邊界準(zhǔn)確性的數(shù)據(jù)為北京二號(hào)衛(wèi)星圖像,獲取時(shí)間為2018年4月17日,空間分辨率為1 m,如圖1所示。2 研究方法
【參考文獻(xiàn)】:
期刊論文
[1]面向地塊的農(nóng)作物遙感分類(lèi)研究進(jìn)展[J]. 韓衍欣,蒙繼華. 國(guó)土資源遙感. 2019(02)
[2]基于地塊尺度多時(shí)相遙感影像的冬小麥種植面積提取[J]. 鄧劉洋,沈占鋒,柯映明,許澤宇. 農(nóng)業(yè)工程學(xué)報(bào). 2018(21)
[3]基于高分一號(hào)衛(wèi)星遙感影像的地表巖性特征提取及三維可視化[J]. 陳國(guó)旭,李盼盼,劉盛東,李忠城,趙萍. 地理與地理信息科學(xué). 2018(05)
[4]遙感圖像分割下的青藏高原湖泊提取[J]. 王碧晴,王珂,廖偉逸. 遙感信息. 2018(01)
[5]基于GIMMS 3g NDVI的近30年中國(guó)北部植被生長(zhǎng)季始期變化研究[J]. 李凈,劉紅兵,李彩云,李龍. 地理科學(xué). 2017(04)
[6]高分一號(hào)歸一化植被指數(shù)時(shí)間序列用于冬小麥識(shí)別[J]. 張晶,占玉林,李如仁. 遙感信息. 2017(01)
[7]基于多尺度分割的高分遙感圖像變異函數(shù)紋理提取和分類(lèi)[J]. 劉昌振,舒紅,張志,馬國(guó)銳. 國(guó)土資源遙感. 2015(04)
[8]基于面向?qū)ο蠓诸?lèi)的冬小麥種植面積提取[J]. 李衛(wèi)國(guó),蔣楠. 麥類(lèi)作物學(xué)報(bào). 2012(04)
[9]基于地塊特征基元與多時(shí)相遙感數(shù)據(jù)的冬小麥播種面積快速提取[J]. 朱長(zhǎng)明,駱劍承,沈占鋒,程熙. 農(nóng)業(yè)工程學(xué)報(bào). 2011(09)
[10]山東省典型地表覆被NDVI時(shí)間序列諧波分析[J]. 梁守真,邢前國(guó),施平,周迪. 生態(tài)學(xué)雜志. 2011(01)
本文編號(hào):3524753
本文鏈接:http://www.sikaile.net/guanlilunwen/gongchengguanli/3524753.html
最近更新
教材專著