收藏本站
《中国科学院大学(中国科学院遥感与数字地球研究所)》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

基于多时相遥感数据的农作物分类研究

郝鹏宇  
【摘要】:快速获取与分析农作物的种植分布是农作物长势监测的基础。遥感技术以其快速、无损和客观等特点,广泛应用于农作物种植面积提取。本文针对目前大面积农作物遥感提取工作中存在的30m影像时间分辨率不足、地面样本不足和农作物识别时效性较低的实际问题,以我国新疆和美国堪萨斯州为实验区,从提高遥感数据的时间分辨率、使用时间序列长度较短的数据提前获取农作物种植分布结果和减小农作物遥感提取对训练样本数量的需求三个方面展开分析,为大区域农作物遥感提取提供了新的方案。基于现有研究区和数据,得出如下结论:1.评估Landsat TM数据与HJ数据多光谱波段的相似性,发现TM数据和HJ数据拥有类似的多光谱波段。在此基础上,结合两种数据源获得空间分辨率为30m,时间分辨率为15天的影像时间序列,并使用合成的数据进行农作物提取。结果表明,一部分优选的时相可以实现高精度农作物分类,而更高的时间分辨率增加了在最优时相获得影像的可能性,是进行大面积30m农作物分布制图的数据基础。2.以我国新疆和美国堪萨斯州为实验区,分析时间序列长度对农作物识别精度的影响,探讨使用时间序列长度较短的遥感数据进行农作物早期提取的可行性。新疆喀什实验区的结果表明4~6月影像具备识别作物的潜力,研究区主要农作物相互之间JM距离高于1.6,分类总体精度为85.16%。新疆博乐的实验结果表明,识别棉花、葡萄、玉米和打瓜需要的时间序列长度分别为160天、100天、160天和130天,作物生长期和NDVI峰值期(第60~80天和第100天)是识别夏季作物的最佳时相。美国堪萨斯州的实验结果表明,主要农作物的可分性、分类精度和分类置信度在时间序列长度为5个月(4~8月)时达到饱和,且NDVI对分类的贡献最大。3.提出M-Voting和P-Fusion两种融合多种分类器结果的方法,并比较融合分类器方法和单分类器法对训练样本数量的需求。实验结果表明M-Voting法和P-Fusion法在分类的训练样本较少时(少于500),分类精度高于单分类器。当训练样本数量较大时(大于4000),单分类器的分类精度较高,融合分类器不能进一步提高分类精度。另外,基于象元和基于对象的分类方法获得的分类精度类似,但基于对象方法获得的分类结果“椒盐噪声”较少,更接近地表农作物的真实分布。4.提出不能获得地面调查样本时,使用历史数据建立各种作物的参考NDVI时间序列曲线,并使用参考曲线进行30m农作物提取的方法。该方法在博乐实验区和玛纳斯实验区获得的总体分类精度分别为87.13%和83.38%。由于该方法使用MODIS数据获得参考时间序列曲线,因而在分类时需要将参考曲线的MODIS NDVI转换为Landsat NDVI或HJ NDVI,从而引入误差。为避免NDVI转换引起的误差,进一步改进了基于参考曲线进行作物识别的方法。使用2006~2013年堪萨斯州的历史样本直接获得分类年(2014年)的训练样本,并使用这些训练样本进行了2014年30m农作物提取。在获得的5412个训练样本中,5259个样本的作物类别与美国农业部提供的Crop Data Layer(CDL)数据相同。使用这些训练样本提取作物时,农作物提取精度高于90%。
【学位授予单位】:中国科学院大学(中国科学院遥感与数字地球研究所)
【学位级别】:博士
【学位授予年份】:2017
【分类号】:S127

手机知网App
【相似文献】
中国期刊全文数据库 前10条
1 白亚恒,吴胜军,黄进良,薛怀平;基于时间序列的灰色预测技术在估产模型中的应用[J];华中师范大学学报(自然科学版);2001年02期
2 张艳君;梁运香;唐磊;;天气和气候的时间序列特征分析[J];农业与技术;2012年06期
3 向杰;程昌明;张轶;;小波分析在时间序列中的分析应用[J];节水灌溉;2013年12期
4 杨蕊;王龙;余航;沈立群;田琳;;昆明历史洪涝灾害时间序列分形特征研究[J];安徽农业科学;2012年07期
5 廖文辉;夏成锋;;关联时间序列异常数据的预警模型研究[J];仲恺农业工程学院学报;2012年02期
6 李绍石;胡正军;王洪全;;稻田飞虱、狼蛛种群密度动态数据时间序列预报模型[J];植物保护学报;1989年01期
7 胡致强,耿鸿江,李肥芬;小样本时间序列的灰色组合模型研究及应用[J];农业系统科学与综合研究;1993年01期
8 孙春薇;王旭磊;辛永训;吴春妹;;几种关于时间序列季节调整方法的研究[J];青岛农业大学学报(自然科学版);2007年02期
9 周文;曹琳;;时间序列在干旱区棉花需水量预测中的应用[J];安徽农业科学;2008年23期
10 李鑫川;徐新刚;王纪华;武洪峰;金秀良;李存军;鲍艳松;;基于时间序列环境卫星影像的作物分类识别[J];农业工程学报;2013年02期
中国重要会议论文全文数据库 前10条
1 周家斌;张海福;杨桂英;;多维多步时间序列预报方法及其应用[A];中国现场统计研究会第九届学术年会论文集[C];1999年
2 马培蓓;纪军;;基于时间序列的航空备件消耗预测[A];中国系统工程学会决策科学专业委员会第六届学术年会论文集[C];2005年
3 卢世坤;李夕海;牛超;陈蛟;;时间序列的非线性非平稳特性研究综述[A];国家安全地球物理丛书(八)——遥感地球物理与国家安全[C];2012年
4 李强;;基于线性模型方法对时间序列中异常值的检测及证券实证分析[A];加入WTO和中国科技与可持续发展——挑战与机遇、责任和对策(上册)[C];2002年
5 戴丽金;何振峰;;基于云模型的时间序列相似性度量方法[A];第八届中国不确定系统年会论文集[C];2010年
6 谢美萍;赵希人;庄秀龙;;多维非线性时间序列的投影寻踪学习逼近[A];'99系统仿真技术及其应用学术交流会论文集[C];1999年
7 张大斌;李红燕;刘肖;张文生;;非线性时问序列的小波-模糊神经网络集成预测方法[A];第十五届中国管理科学学术年会论文集(下)[C];2013年
8 黄云贵;;基于时间序列的电网固定资产投资规模研究[A];2012年云南电力技术论坛论文集(文摘部分)[C];2012年
9 李松臣;张世英;;时间序列高阶矩持续和协同持续性研究[A];21世纪数量经济学(第8卷)[C];2007年
10 陈赫;罗声求;;历史横断面数据的时间序列化[A];科学决策与系统工程——中国系统工程学会第六次年会论文集[C];1990年
中国重要报纸全文数据库 前6条
1 ;《时间序列与金融数据分析》[N];中国信息报;2004年
2 何德旭 王朝阳;时间序列计量经济学:协整与有条件的异方差自回归[N];中国社会科学院院报;2003年
3 刘俏;让数据坦白真相[N];21世纪经济报道;2003年
4 西南证券高级研究员 董先安德圣基金研究中心 郭奔宇;预计6月CPI同比上涨7.2%[N];证券时报;2008年
5 东证期货 王爱华 杨卫东;两年涨跌轮回 秋季普遍下跌[N];期货日报;2009年
6 任勇郑重;中国对世界钢材价格的影响实证分析[N];现代物流报;2007年
中国博士学位论文全文数据库 前10条
1 张墨谦;遥感时间序列数据的特征挖掘:在生态学中的应用[D];复旦大学;2014年
2 张德成;滑坡预测预报研究[D];昆明理工大学;2015年
3 苗圣法;时间序列的模式检测[D];兰州大学;2015年
4 翁同峰;时间序列与复杂网络之间等价性问题及表征应用研究[D];哈尔滨工业大学;2015年
5 杨婷婷;用Argo浮标结合卫星观测估算北太平洋经向热输运[D];中国科学院研究生院(海洋研究所);2015年
6 史文彬;时间序列的相关性及信息熵分析[D];北京交通大学;2016年
7 原继东;时间序列分类算法研究[D];北京交通大学;2016年
8 卢伟;基于粒计算的时间序列分析与建模方法研究[D];大连理工大学;2015年
9 胡建明;基于正则化核学习模型的时间序列多步预测的研究与应用[D];兰州大学;2016年
10 黄标兵;回声状态网络时间序列预测方法及应用研究[D];吉林大学;2017年
中国硕士学位论文全文数据库 前10条
1 陈健;基于多变量相空间重构的投资组合策略研究[D];华南理工大学;2015年
2 兰鑫;时间序列的复杂网络转换策略研究[D];西南大学;2015年
3 米晓将;区域尺度下月均气温的时空演化格局研究[D];昆明理工大学;2015年
4 张鸣敏;基于支持向量回归的PM_(2.5)浓度预测研究[D];南京信息工程大学;2015年
5 林健;基于改进小世界回声状态网的时间序列预测[D];渤海大学;2015年
6 曹智丽;日气温和干旱指数支持向量回归预测方法[D];南京信息工程大学;2015年
7 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年
8 姚茜;城市安全生产发展目标研究[D];中国地质大学(北京);2015年
9 谢翠颖;苏州社会消费品零售总额简析[D];苏州大学;2015年
10 包仁义;基于时间序列的搜索引擎评估模型算法研究[D];东北师范大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026