【摘要】：非洲的糧食安全問題十分嚴(yán)峻,農(nóng)業(yè)生產(chǎn)率低,年增長量僅為2.7%。糧食安全問題的相關(guān)決策需要作物類型分布和耕地范圍等空間信息。津巴布韋和非洲缺乏有關(guān)作物類型分布和耕地范圍的精準(zhǔn)空間信息。由于不可避免的云量影響,利用光譜衛(wèi)星影像繪制亞熱帶、潮濕和熱帶地區(qū)地圖是一項(xiàng)艱巨的任務(wù);而雷達(dá)圖像極化波段少,也限制了傳統(tǒng)數(shù)字分類的能力。雖然耕地面積信息十分重要,但限于多種原因限制,農(nóng)田制圖仍然面臨著挑戰(zhàn)。本研究的總體目標(biāo)是利用遙感數(shù)據(jù)集的光譜、紋理和時間特征,開發(fā)可伸縮、可靠和可重復(fù)的作物分類方法,以加強(qiáng)津巴布韋和非洲的作物分類和農(nóng)田制圖,從而實(shí)現(xiàn)糧食安全。為實(shí)現(xiàn)這一總體目標(biāo),(一)利用Sentinel 1合成孔徑雷達(dá)數(shù)據(jù)確定種植模式;(二)利用多源光學(xué)圖像(Landsat 8、Sentinel 2和Landsat 7)開發(fā)了一種決策級數(shù)據(jù)融合方法,對作物進(jìn)行總體分類;(三)整合Sentinel 1 SAR達(dá)和Landsat 8作物質(zhì)地特征,以進(jìn)行作物鑒別和分類;(四)確定了2000年至2018年津巴布韋耕地的范圍和變化情況;(五)確定了2000年至2018年非洲的范圍和變化情況。為了繪制小規(guī)模農(nóng)田的種植模式圖,考慮了兩個研究地點(diǎn):國際玉米和小麥改良中心(CIMMYT)研究站和幾個鄰近的農(nóng)田,以及Middle Sabi Estate。采用傅里葉時間序列分析,平滑和識別在兩個研究區(qū)的不同變化。利用k 均值算法和隨機(jī)森林算法對堆疊時間序列圖像進(jìn)行分類。結(jié)果表明,Sentinel 1 SAR時間序列數(shù)據(jù)可以在不考慮地塊大小的情況下,繪制作物分布圖、種植模式和確定作物和地塊的細(xì)微變化。通過對堆疊圖像的分類,合成了作物模式圖。多時相圖像的隨機(jī)森林分類在各研究點(diǎn)的總體準(zhǔn)確率分別為99%和95%。采用平行拼接不同分類器的方法將多光源光學(xué)傳感器集成。分別設(shè)計了像素級融合和決策級融合,并比較了它們在作物類型識別和映射方面的性能。多分類器系統(tǒng)中的基本分類器是支持向量機(jī)、光譜相對熵和最大似然分類器。采用多元投票方法實(shí)現(xiàn)決策級融合。將Landsat 7或Sentinel 2無云像素通過拼接的方法附加到Landsat 8像素上,實(shí)現(xiàn)像素級融合。比較和評價了兩種融合圖像的分類精度。決策級融合的總體分類準(zhǔn)確率為85.4%,kappa系數(shù)為0.84,像素級融合的分類準(zhǔn)確率為82.5%,kappa系數(shù)為0.80,同時Z檢驗(yàn)α=0.05則表明,兩種方法的分類結(jié)果沒有顯著差異。對這兩種方法所對應(yīng)的每個類都進(jìn)行了F1檢驗(yàn)計算,在大多數(shù)單類中,決策級融合都優(yōu)于像素級融合。兩種方法提取的種植面積統(tǒng)計量之間的回歸系數(shù)為0.99。其中,支持向量機(jī)優(yōu)于其他基本分類器。為了實(shí)現(xiàn)SAR和光學(xué)數(shù)據(jù)的融合,從Landsat 8 OLI和雙極化sentinel 1 SAR斑點(diǎn)濾波和非濾波后向散射中提取紋理特征,利用決策級融合得到聚合分類結(jié)果,并對決策級融合圖的性能進(jìn)行評價。采用灰度共生矩陣,利用5×5,7×7,9×9和11×11窗口尺寸,得到了Landsat 8波段和VV+VH后向散射的7個紋理特征集。為了避免過擬合,每個特征分別與各自的源圖像疊加,并使用支持向量機(jī)算法進(jìn)行獨(dú)立分類。使用多元化投票算法將斑點(diǎn)濾波和非濾波的三種最佳紋理分類地圖與來自Landsat 8的三種最佳表現(xiàn)紋理的分類地圖進(jìn)行聚合,并使用Z檢驗(yàn)方法對其進(jìn)行比較。結(jié)果表明,Landsat 8+Sentinel 1非散斑濾波圖像的決策級融合圖像的總體分類準(zhǔn)確率為96.02%,而Landsat+散斑濾波圖像的總體分類準(zhǔn)確率為94.69%。Landsat 8的最佳紋理信息來自藍(lán)色帶和紅色帶,而Sentinel 1合成孔徑雷達(dá)的非散斑濾波紋理表現(xiàn)得比散斑濾波紋理更好。結(jié)果表明,將Landsat 8和Sentinel 1相結(jié)合,無論是斑點(diǎn)濾波還是非散斑濾波,都可以提高農(nóng)作物的整體分類水平,但斑點(diǎn)對紋理特征推導(dǎo)沒有統(tǒng)計學(xué)意義(p=0.1208)。針對津巴布韋地圖耕地面積,采用了三種方法:(1)自動分類(2)多分類器系統(tǒng)(MCS)(3)NDVI BSI閾值分割。利用最優(yōu)方法確定了耕地的時空變化。該變化檢測是通過執(zhí)行分類后統(tǒng)計方法實(shí)現(xiàn)的。通過與谷歌地球圖像、GFSAD30AFCE耕地層、ESA和SADC土地覆蓋產(chǎn)品的耕地等級進(jìn)行比較,評估了分類觀測的質(zhì)量。評估結(jié)果表明,MCS和NDVI BSI的分類性能相當(dāng),優(yōu)于自動分類,2013年的整體準(zhǔn)確度分別為80.54%和79.32%,2018年的整體準(zhǔn)確度分別為87.90%和88.56%。自動分類、MCS和NDVI BSI閾值分別提取的平均耕地面積分別為3416396 ha、10346778 ha和9788833 ha。目視評價的觀察表明,NDVI BSI閾值的方法優(yōu)于其他兩種方法。利用MCS和NDVI BSI閾值分割技術(shù)對津巴布韋2013年和2018年10個省的總耕地面積進(jìn)行了觀測對比,分別得到了0.8404和0.9619的確定系數(shù)。變化檢測顯示,盡管長期干旱,但由于人類活動的影響,農(nóng)田面積仍普遍急劇增加。提出了一種基于地層特征的耕地制圖方法,該方法使用光譜指數(shù)(LCoSI)邏輯組合,并且適用非洲的旱作農(nóng)田和灌溉農(nóng)田。分層是以非洲農(nóng)業(yè)生態(tài)區(qū)為基礎(chǔ)的。以1000個樣本為基礎(chǔ),用條件方程計算了BSI、DBI、GNDVI、GVI、MNDWI、NBLI、NBRI、NDMI和NDVI在農(nóng)業(yè)生態(tài)區(qū)的最佳閾值。將不同原始生態(tài)區(qū)的耕地面積綜合為一個圖層。2018年的農(nóng)田層是根據(jù)Landsat 8數(shù)據(jù)合成的,而2000年的農(nóng)田層是根據(jù)Landsat 7數(shù)據(jù)合成的。通過綜合精度、kappa系數(shù)、用戶精度、生產(chǎn)者精度、數(shù)量不一致性和分配不一致性,對2018年耕地層進(jìn)行精度評價。引用ESRI世界地圖樣本對應(yīng)的精確度分別為97.5%、93%、88.94%、100%、2.5%和0.0%。并與GFSAD30AFCE耕地層、IWMI耕地產(chǎn)品和ESA CCI耕地原型層進(jìn)行了比較,得到了較高的精度。對2000年至2018年的耕地面積變化進(jìn)行了分析,觀測到耕地面積普遍擴(kuò)大。這種擴(kuò)大是由于輪耕(刀耕火種)種植模式、人口增長和政府促進(jìn)作物種植等政策。就津巴布韋而言,從2000年至2018年,LCoSI方法所提取的面積觀測到耕地面積增加了7.63%。利用NDVI BSI方法提取的耕地面積,計算出2001年至2018年耕地面積增加7.36%。LCoSI方法在不考慮地形、農(nóng)業(yè)生態(tài)區(qū)或田地大小的情況下,繪制大比例尺農(nóng)田圖方面具有巨大的潛力。進(jìn)一步的研究應(yīng)該集中在自動化的方法。總的來說,這項(xiàng)研究的結(jié)果表明,最近發(fā)射的Sentinel 1提供了足夠的空間分辨率,在不考慮農(nóng)場大小的情況下實(shí)現(xiàn)種植模式制圖。多傳感器數(shù)據(jù)的融合可以克服無法避免的云覆蓋問題,決策級融合則不需要各種傳感器光譜配置的相關(guān)先驗(yàn)知識。分類器集成分類能夠增強(qiáng)作物分類。在提取SAR的紋理特征進(jìn)行作物分類時,不需要進(jìn)行斑點(diǎn)濾波。光譜指數(shù)的合理組合為農(nóng)田制圖提供了更大的潛力。然而,盡管長期干旱,耕地面積仍在作物生產(chǎn)和人類活動政策的影響下擴(kuò)大。本研究的局限性包括實(shí)地參考觀察不足,所使用的谷歌地球引擎在非洲等大型地區(qū)的分類中訓(xùn)練樣本數(shù)量有限。在今后研究中建議考慮區(qū)分休耕土地和廢棄土地。
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP18;TP391.41;S127
，

本文編號：2707688