收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于MODIS NDVI时间序列遥感影像的耕地种植模式识别

王婷  
【摘要】:我国耕地熟制格局南北呈现复杂多样的局面,江汉平原作为湖北省重要的作物产区,一年多季种植现象更为普遍。遥感作为一种高效的监测手段,能够对农作物种植的空间分布及其动态变化进行大面积、实时地监测。但是受传感器自身因素、气候和云的影响,遥感影像并不能完全反映真实地物情况,因此对监测结果的真实性会产生很大的限制。通过对遥感影像进行平滑去噪,处理后的影像能够更真实地反映地物的情况。此外不同的作物物候特征各异,单幅遥感影像不能够动态反映作物生长过程中不同的阶段的变化,而重构后的遥感影像时间序列更能反映作物不同时期的生长情况。本研究选取湖北省天门市、潜江市和仙桃市(以下称江汉平原地区)为研究区域。利用2005-2015年的MOD13Q1遥感影像数据集提取NDVI(Normalized Difference Vegetation Index)并构建NDVI时间序列曲线。由于受到云、霾等天气甚至气候的影响,传感器获取影像的NDVI时间序列曲线并不能很好的反应真实地物的特性,所以需要对影像进行重构去噪。本文选用以下三种时间序列方法:HANTS滤波算法(时间序列的谐波分析方法,Harmonic Analysis of NDVI Time Series),该算法根据时间序列的非零频率的振幅和相位特点,通过迭代的方法去噪;S-G(Savitzky-Golay)滤波算法可以很好保留原始时间序列的形状和宽度,这对重要信息的保留具有重要意义;EMD(经验模态分解,Empirical Mode Decomposition)滤波算法不需要预置任何基函数,是一种自适应的数据处理方法,因此去噪处理的结果具有很高的信噪比。基于以上三种算法的优势,分别使用对时间序列进行重构,实现江汉平原地区较大空间尺度的复种指数提取和农作物种植面积提取,主要研究结果如下:(1)基于HANTS滤波算法、S-G滤波算法和EMD滤波算法能够对NDVI时间序列曲线进行有效重构,有效地消除由于云、霾等产生的对MODIS影像产生的噪声。3种滤波算法的处理结果虽在精度上不一致,但均能较好地反映地物在物候上的变化特征。通过滤波前后相关系数空间分布图和前后精度对比,EMD滤波算法的相关系数优于HANTS滤波算法和S-G滤波算法。(2)通过二次差分法得到符合实际情况的研究区的熟制空间分布,通过地面验证点对熟制结果进行熟制情况验证,熟制制图的平均精度较高。二次差分法结果中,HANTS算法的滤波结果的平均精度高于S-G算法和EMD算法。基于决策树的耕地熟制提取方法能够较好地识别一年两季的种植模式,但是对一年一季作物的敏感度较低。(3)结合农作物的物候信息,利用决策树对2013——2015年NDVI时间序列曲线进行试探性分析。熟制提取结果表明,江汉平原地区主要以一年两季的种植模式为主,此结果在3种滤波算法的结果中均有体现。而潜江市西南部地区在HANTS滤波算法和S-G滤波算法下,一年两季作物种植面积较为突出,在EMD滤波算法中并没有呈现密集的趋势。(4)形态相似性方法识别和提取地物需要标准地物曲线作为提取依据,天门市地区种植模式较为复杂,潜江市以稻虾养殖闻名世界,在天门市和潜江市很难提取到能够反映真实地物情况的标准地物曲线。所以针对形态相似性方法的研究区域以仙桃市为主,通过该方法识别的仙桃地区一年两季作物的种植面积较大,对一年两季的种植模式的识别较为敏感。(5)基于二次差分的耕地熟制提取对3种滤波方法后的11年时序数据的熟制提取效果较为明显;而基于决策树的方法对2013——2015年的识别效果更加显著;基于形态学相似性的熟制提取方法在仙桃地区提取效果更为显著。三种方法都能够对一年两季作物进行有效地识别和提取,但是基于决策树的耕地熟制提取方法对一年一季作物的面积提取准确性有待提高。


知网文化
【相似文献】
中国期刊全文数据库 前20条
1 孙其法;闫秋艳;闫欣鸣;;基于多样化top-k shapelets转换的时间序列分类方法[J];计算机应用;2017年02期
2 王金策;杨宁;;时间序列趋势预测[J];现代计算机(专业版);2017年02期
3 彭佳星;肖基毅;;基于分型转折点的证券时间序列分段表示法[J];商;2016年31期
4 刘伟龙;;基于ARMA模型的股价预测及实证研究[J];智富时代;2017年02期
5 周仰;;《漫长的告别》(年度资助摄影图书)[J];中国摄影;2017年04期
6 王嵬;;王嵬作品[J];当代油画;2017年07期
7 刘明华;张晋昕;;时间序列的异常点诊断方法[J];中国卫生统计;2011年04期
8 郭崇慧;苏木亚;;基于独立成分分析的时间序列谱聚类方法[J];系统工程理论与实践;2011年10期
9 王佳林;王斌;杨晓春;;面向不确定时间序列的分类方法[J];计算机研究与发展;2011年S3期
10 万里;廖建新;朱晓民;倪萍;;一种基于频繁模式的时间序列分类框架[J];电子与信息学报;2010年02期
11 左爱文;郭宏武;王保保;;气象时间序列规则发现及其应用[J];陕西气象;2006年06期
12 许清海;混沌投资时间序列的嬗变[J];漳州师范学院学报(自然科学版);2003年01期
13 王海燕,李文,陈文彦;时间序列间统计依赖性测量的一种改进方法[J];南京理工大学学报(自然科学版);2002年03期
14 石岩,胡昌振,马宝华,谭惠民;模糊时间序列的最优预测方法[J];探测与控制学报;1999年03期
15 阎光辉,孙颖;混沌系统时间序列的二维重构[J];辽宁大学学报(自然科学版);1997年02期
16 冯希杰;长江三峡及其邻区断裂活动时间序列[J];华南地震;1991年02期
17 管韶宁;;时间序列经济预测方法及其在外贸中的应用[J];广州对外贸易学院学报;1987年04期
18 方小容;;用电子计算机定量分析与预测高校图书馆流通量[J];陕西科技大学学报;1987年01期
19 李志安;Clark R.Wilson;;日长50天波动的衰减振荡模型[J];天文学报;1987年01期
20 胡家元;;运用时间序列辨识方法实现卡尔曼式自适应天线[J];电波科学学报;1988年01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 张可;李媛;柴毅;黄磊;;基于分段趋势的符号化时间序列聚类表示[A];第37届中国控制会议论文集(D)[C];2018年
3 张立波;庞蓉蓉;王勇;黄敏;何成涛;傅强;曲贤敏;仲昭衍;;基于时间序列的随机质控设计与应用[A];中国输血协会第九届输血大会论文专辑[C];2018年
4 徐光晶;;统计学在大地电磁测深时间序列处理中的应用[A];2017中国地球科学联合学术年会论文集(二十九)——专题57:电磁地球物理学研究及其应用[C];2017年
5 毛宇清;王咏青;王革丽;;支持向量机方法应用于理想时间序列的预测研究[A];中国气象学会2008年年会气候预测研究与预测方法分会场论文集[C];2008年
6 吴丽娜;黄领梅;沈冰;吕继强;;黄河上游降水时间序列混沌特性识别与预测年限分析[A];水系统与水资源可持续管理——第七届中国水论坛论文集[C];2009年
7 吴坚忠;路子愚;郑应平;;时间序列社会悖论模型及分析[A];1989年控制理论及其应用年会论文集(上)[C];1989年
8 雷敏;孟光;谢洪波;Kerreie Mengersen;Peter Bartlett;;嵌入维数对复杂时间序列的熵分析的影响研究[A];中国力学大会-2015论文摘要集[C];2015年
9 王兆甲;王海良;;一种相似时间序列挖掘算法及其在汽车运动分析中的应用[A];2014中国汽车工程学会年会论文集[C];2014年
10 林忠辉;莫兴国;薛玲;;用NDVI时间序列确定作物物侯和作物类型判别[A];第十四届全国遥感技术学术交流会论文摘要集[C];2003年
中国博士学位论文全文数据库 前10条
1 张弼尧;基于遥感时序分析的半干旱地区森林生态系统变化研究[D];中国地质大学(北京);2019年
2 颜昌;心血管时间序列的图形分析和应用[D];山东大学;2019年
3 姚文坡;生理时间序列的符号化和非线性特征分析[D];南京邮电大学;2019年
4 刘海洋;复杂环境下时间序列预测方法研究[D];北京交通大学;2019年
5 石巍巍;大规模多源时间序列预处理与隐藏空间映射分析研究[D];上海交通大学;2018年
6 康峻;基于时间序列遥感数据的植被精细分类与覆盖度反演研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年
7 林蕾;基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[D];中国科学院大学(中国科学院遥感与数字地球研究所);2018年
8 丁红;柳江径流分析与预测研究[D];武汉理工大学;2016年
9 周超;集成时间序列InSAR技术的滑坡早期识别与预测研究[D];中国地质大学;2018年
10 张琪;时间序列流数据异常检测问题的研究[D];山东大学;2019年
中国硕士学位论文全文数据库 前10条
1 郑迪威;基于空间索引的不确定时间序列相似性查找方法研究[D];南京航空航天大学;2019年
2 左良利;基于DTW的不确定时间序列分类方法研究[D];南京航空航天大学;2019年
3 叶锐;基于迁移学习和多任务学习的时间序列预测算法[D];南京航空航天大学;2019年
4 王玙;关系数据库支持的不确定时间序列存储与优化方法研究[D];南京航空航天大学;2019年
5 尹奥;时间序列异常子序列检测算法研究[D];哈尔滨工业大学;2019年
6 李斯泽;基于深度学习的工业大数据时间序列分类技术研究[D];哈尔滨工业大学;2019年
7 苏佳轩;面向工业大数据的高维时间序列清洗系统[D];哈尔滨工业大学;2019年
8 黄诗茹;不平衡时间序列多分类问题研究[D];国防科技大学;2017年
9 王靖云;时间序列数据中相似子序列快速查询技术研究[D];沈阳航空航天大学;2019年
10 郑炜超;高效时间序列聚类算法的研究[D];西安电子科技大学;2019年
中国重要报纸全文数据库 前10条
1 王晓宝 杨永恒 永安期货;浅析波动率的均值回复特征[N];期货日报;2017年
2 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
3 国家统计局核算司 吕峰;不变价GDP时间序列数据的构造[N];中国信息报;2016年
4 ;《时间序列与金融数据分析》[N];中国信息报;2004年
5 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
6 刘俏;让数据坦白真相[N];21世纪经济报道;2003年
7 卞纪;我国多时间序列湿地遥感制图完成[N];中国气象报;2011年
8 权证一级交易商 国信证券;正股走势及时间序列主导下半年权证市场运行结构[N];证券时报;2006年
9 广发期货股指研究小组 谢贞联;Hurst指数提示市场升势或将形成[N];上海证券报;2012年
10 丁睿 中粮期货研究院;试论指数HP滤波分析法的应用[N];期货日报;2014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
  • 010-62982499
  • 010-62783978