共查询到20条相似文献，搜索用时 145 毫秒
1.
Sentinel-2和GF-1影像结合提取苜蓿空间分布 总被引：1，自引：1，他引：0
及时准确地获取苜蓿空间分布信息有利于对草业生产发展和管理提供科学数据支撑。该研究基于GF-1/WFV和Sentinel-2遥感影像,以甘肃省金昌市作为研究区,构建了苜蓿的归一化植被指数（Normalized Difference Vegetation Index,NDVI）数据集,并结合苜蓿光谱反射率随生育期的变化规律,提出一种利用MATLAB寻峰函数（Findpeaks）提取苜蓿遥感特征的方法,通过确定最小峰值突出（Minimum Peak Prominence,MPP）值实现金昌市苜蓿空间分布信息的提取。研究结果表明,基于Sentinel-2遥感数据的识别苜蓿精度优于GF-1/WFV,识别精度和Kappa系数在85%和0.7以上,主要是由于Sentinel-2数据的NDVI时间序列曲线密度较GF-1/WFV大,可以更好地识别苜蓿刈割前后的关键时间点;寻谷法的苜蓿提取总体精度、Kappa系数、用户精度、制图精度指标均比寻峰法高,基于Sentinel-2影像的寻谷法苜蓿遥感识别总体精度为92.25%,Kappa系数为0.81,位置精度为86.44%;2019年金昌市苜蓿空间分布整体呈现从北到南逐渐增多的趋势,统计得到苜蓿种植面积为15 449.07 hm2,其中金川区的苜蓿面积为1 353.42 hm2,占金昌市苜蓿总面积的8.76%;永昌县的苜蓿面积为14 095.65 hm2,占总面积的91.24%。研究结果证实,基于Sentinel-2遥感数据的寻谷法可以有效识别苜蓿空间分布,对于实现草牧场精准化管理和草牧业生产信息精准监测具有重要意义。 相似文献
2.
为更加科学地识别丘陵山区耕地非粮化水平特征，探究耕地非粮化驱动机制，该研究采用多时相Sentinel-1A后向散色系数分析、监督分类、空间特征分析、地理探测器等方法，选取江西省典型丘陵山区修水县开展实证研究，探究了丘陵山区耕地非粮化的技术识别、空间特征及影响机制。结果表明：1）修水县耕地非粮化面积17899.59 hm2，耕地非粮化率为57.47%，并呈现东南及西北集聚的特征，且呈现空间正相关性，包括了“低-低”、“高-高”、“低-高”集聚等不同形式。2）在社会经济特征上，修水县耕地非粮化主要呈环工业中心镇分布的特征，分布密度西高东低，逐渐向东北倾斜，且经济作物主导的乡镇非粮化水平显著高于其他地区。3）修水县耕地非粮化受多个因子综合影响，包括到农村道路的距离、坡度、粮食生产功能区、高程、水土流失强度、到城镇中心的距离、到城市公路的距离、到水源的距离。各因子对耕地非粮化的影响呈非线性增强的相互作用关系，其中尤以到农村道路的距离、到城镇中心的距离、粮食功能主产区等3个因素与其他因子的相互作用特征明显。该研究成果可为新形势下推进耕地资源保护利用提供参考，为科学诊断区域耕地非粮化问题提供依据。 相似文献
3.
掌握耕地非粮化的时空演变特征及其碳排放效应，对于保障粮食安全和发展低碳绿色农业具有重要意义。研究以东部浙江省平原县桐乡市为例，运用遥感技术和GIS空间分析探讨耕地非粮化类型和时空演变特征，并采用生命周期评价法评估不同耕地非粮化类型的碳排放效应。研究表明：1）桐乡市2005—2020年耕地非粮化率由1.56%提升至7.50%，非粮化面积净增加2 464.74 hm2，在空间上呈现团状集聚型格局，高值集聚区分布在西南远郊水网密布地区。2）耕地非粮化的坑塘养殖类型面积占比最大，其次为苗木种植和蔬菜大棚，2005—2020年耕地非粮化主导类型由苗木种植为主转变为多类型交错分布模式。3）2005—2020年桐乡市耕地非粮化导致的碳排放量由22 233.18t增长至98 853.27t，其中坑塘养殖对碳排放量的贡献最大，2020年达到83.7%；在空间上呈现西南远郊高值集聚、中部近郊低值环状分布的态势。在保障区域粮食安全的前提下，应结合不同非粮化类型的碳排放效应，分区域、分类别地实施耕地非粮化管控，实现耕地保护和低碳利用协同发展。 相似文献
4.
实时准确地获取林农间作模式下的果树结构信息对推进新疆特色林果业的提质增效，增加农民收入，稳定脱贫攻坚成果，实现乡村振兴具有重要意义。该研究以新疆和田绿洲林农间作区为研究对象，提出一种综合高分遥感数据的纹理和光谱特征以及中分遥感数据的时序物候特征的果树提取方法。基于GF-2遥感数据利用面向对象方法提取高分辨率的林田地块空间信息；基于多时相Sentinel-2遥感数据构建植被归一化指数（Normalized Difference Vegetable Index，NDVI）时间序列产品，并依据果树物候特征建立决策树模型，提取间作核桃、纯核桃、枣树和葡萄4种类型；最后将多时相的分类结果与高分的林田地块叠加，获取和田绿洲特色林果作物分布信息。该方法对2020年和田绿洲核桃、枣树和葡萄提取结果的用户精度和总体分类精度均在90%以上，Kappa系数为0.95，能够满足县市级尺度的林果遥感监测精度需求。基于遥感提取的和田绿洲主要林果作物面积为4.28×105 hm2，以核桃（间作和纯核桃）为主，间作核桃面积占比63.80%，其次为枣树（19.38%）和葡萄（3.30%）。该方法可为林农间作立体种植模式下的果树类型和面积精确信息提取研究提供参考和借鉴。 相似文献
5.
开展粮食作物监测对于国家粮食安全具有重要意义。在传统像元尺度下,利用单一遥感数据进行粮食作物监测,识别精度往往较低,提取的作物地块破碎,难以满足应用需求。为此,该研究以山东省青岛市黄岛区为研究区,提出了一套地块尺度下综合多源卫星遥感数据（包括高分辨率数据、多时相数据、高光谱数据）与土地利用调查矢量数据的粮食作物信息识别方法。首先,对高分辨率数据进行分割获取耕地地块矢量数据;其次,基于多源卫星遥感数据提取地块级时空谱特征;再次,利用样本数据计算特征类间可分性,并进行特征优选;最后,构建基于二次多项式支持向量机的主要粮食作物（春玉米）识别方法。结果表明：1）该研究所提的方法可以有效进行粮食作物信息识别,基于地块数统计的识别精度为89.7%;2）利用光谱特征、植被指数、纹理特征组合得到的识别结果精度最优,基于像元数统计的精度为97.1%,与传统方法相比提高了24.2个百分点,且提取的地块信息更完整。该研究成果可支持粮食作物种植用地的调查与监测,也可为耕地非粮化时空演变与分析提供新的思路。 相似文献
6.
为解决岭南地区作物制图中光学影像时空覆盖缺失以及作物种植结构复杂导致不确定性高等问题,以满足对高精度作物制图日益迫切的应用需求。该研究提出了一种基于Sentinel-1的双极化时间序列和作物物候信息建立时空维度典型物候特征的作物分类方法,选择广州市南沙区为试验区,通过XGBoost机器学习算法,实现了田块尺度下的不同作物类型的准确识别及种植面积的精细提取。结果表明：1）相比像素时序特征分类结果,经过雷达时空滤波后的田块时序特征分类方法不仅能有效抑制合成孔径雷达（Synthetic Aperture Radar,SAR）影像斑点噪声产生,而且总体分类精度和Kappa系数分别提高了12.5个百分点、0.19;2）与仅基于Sentinel-1(VV+VH)时空滤波后的全年时序特征分类方法相比,在分类过程中添加物候特征变量的方法表现出更高的精度,Kappa系数可达0.91,甘蔗和香蕉播种面积提取精度分别达到82.04%和71.01%。研究结果表明中高分辨率SAR影像（10 m×10 m）时间序列结合XGBoost算法和雷达数据时空滤波策略可实现区域作物准确识别及种植面积提取,同时,可从数据源与分类方法上为岭南地区农业遥感应用提供思路,对该地区农业灾害管理和灾后救助具有重要参考价值。 相似文献
7.
准确测算耕地“非粮化”率，掌握耕地“非粮化”的空间分异规律及其影响因素，对于科学管控耕地“非粮化”、保障粮食安全具有积极意义。研究以江西省信丰县为例，从种植结构和产业结构2个方面测算耕地“非粮化”率，综合运用空间关联分析研究山区县耕地“非粮化”的空间分异特征，并采用空间计量模型揭示影响耕地“非粮化”生产的关联因素。研究表明：1)信丰县耕地总体“非粮化”率为30.28%，其中种植结构“非粮化”和农业产业结构“非粮化”面积分别为6 601.94 hm2和7 679.98 hm2,“非粮化”率分别为13.84%和16.44%。但不同地形区“非粮化”空间分布异质性明显，高山丘陵区主要为农业产业结构“非粮化”，而低丘岗地区域主要表现耕地种植结构型“非粮化”。2)信丰县耕地“非粮化”呈集聚型空间格局，种植结构“非粮化”在中部低丘岗地区域呈高值集聚，农业产业结构“非粮化”在高山丘陵区域呈高值集聚。3)严格的耕地管护政策对于“非粮化”生产具有抑制作用。4)“非粮化”生产存在空间扩散效应。自然资源禀赋差异和社会经济发展的不均衡性，对山区县不同类型的耕地“非粮化... 相似文献
8.
遥感技术是研究土地覆盖类型的重要手段，但大部分研究仅采用单一数据源、少特征，该研究基于GEE环境对多源遥感数据、多特征协同进行地物类型分类研究。采用哨兵一号（Sentinel-1）合成孔径雷达数据、哨兵二号（Sentinel-2）多光谱数据和国产高分二号（GF-2）多光谱数据，构建了青海省诺木洪地区地表8类地物的波段特征、植被指数特征、纹理特征和极化特征空间，利用特征优化算法和RF算法实现了研究区域地物的有监督分类，以此评估构建的多特征空间性能及多源数据协同分类的能力。结果表明，基于Sentinel-1与Sentinel-2数据源，使用多特征空间协同分类时的总体精度和Kappa系数可达到97.62%和0.971 6，精度均高于使用单一数据或部分特征的分类精度（总体精度为95.91%，Kappa系数为0.951 1）。而基于Sentinel-1、Sentinel-2与GF-2数据提取的波段、植被指数、纹理特征和极化特征进行的协同地物分类结果总体精度达到了96.67%，Kappa系数达到了0.960 2。总体上，基于多数据源、多特征协同分类结果精度要优于单一数据源或少特征分类结果，而不同空间分辨率图像提取的纹理特征对分类结果有着不同影响，在适宜的分辨率下提取纹理特征参与分类才能达到更好的效果。 相似文献
9.
GEE平台下利用物候特征进行面向对象的水稻种植分布提取 总被引：1，自引：1，他引：0
为高效提取高精度水稻种植分布及其面积,该研究基于谷歌地球引擎（Google Earth Engine,GEE）平台,以辽宁省盘锦市为研究区,利用2020年Sentinel-2影像提取水稻生命周期内4个水稻物候期相应的光谱指数,利用简单非迭代聚类（Simple Non-Iterative Clustering,SNIC）算法来分割影像,灰度共生矩阵（Gray Level Co-occurrence Matrix,GLCM）来计算纹理特征,结合支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）算法构建6种不同的模型进行水稻种植分布提取,并基于目视解译及实地调查数据,对比6种模型提取水稻的验证精度和实测精度,确定最优模型。结果表明：在水稻种植分布提取中,面向对象方法有助于提高水稻种植分布提取精度,且RF算法优于SVM算法。其中SNIC图像分割结合RF模型具有最高提取精度,总体精度和Kappa系数分别为96.83%、0.934,经实测数据验证,水稻实测精度为95.43%,可满足区域水稻种植分布和面积监测需求。 相似文献
10.
由于热带地区的雨季时间较长,云覆盖严重,基于光学影像难以准确提取区域内的水稻种植模式。该文以泰国湄南河流域中部平原水稻种植区为例,基于Sentinel-1SAR时间序列数据,提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻种植结构提取方法。首先利用年内所有可获取的Sentinel-1SAR数据,分别基于像元和基于对象构建后向散射系数时间序列曲线,提取时序特征参数;利用动态时间规整(Dynamic Time Warping,DTW)算法,计算后向散射系数时序曲线与地物标准曲线间的隶属度;将时序特征参数、时序曲线隶属度相结合,利用随机森林模型进行机器学习监督分类,提取研究区的水稻种植信息并评价分类精度。结果表明,基于Sentinel-1SAR时序特征融合的算法可以较好地提高水稻种植结构分类精度。其中,基于对象的分类算法的单季稻提取用户精度为81.46%,生产者精度为82.00%;双季稻用户精度为88.0%,生产者精度为84.08%,均优于基于像元的分类算法。研究结果可为多云多雨的热带地区水稻种植信息提取提供一种新的思路。 相似文献
11.
基于时序NDVI图谱库提高土地覆盖分类精度的方法 总被引：3，自引：2，他引：1
为提高MODIS土地覆盖产品的分类精度,该文以河南省为试验区,首先将MODIS土地覆盖产品(MCD12Q1)分为高精度区域和低精度区域,然后通过构建时序NDVI图谱库并利用图谱曲线相似性测定方法,改进MCD12Q1低精度区域的分类精度。结果表明:1)时序NDVI是土地覆盖的重要分类特征,二者之间具有较强的关联性。2)利用时序NDVI图谱库能够明显提高MODIS土地覆盖产品的分类精度,改进后的MCD12Q1的总体分类精度分别由72.76%(比较评价)、64.52%(样本评价)提高到83.05%和81.72%。3)不同土地覆盖类别精度提高的程度不同,林地、草地、耕地、人工地表以及水体的生产者精度分别提高35.36%、29.51%、2.98%、6.96%和6.11%。4)对于判定时序NDVI曲线相似度的2种具体方法而言,最小距离法(minimum distance,MD)总体上优于光谱角度匹配法(spectral angle mapper,SAM)。综上,保留现有土地覆盖产品中分类精度较高的部分,基于时序NDVI图谱库改进分类精度较低的部分,是提高现有土地覆盖产品分类精度的有效方法。 相似文献
12.
基于非线性降维时序遥感影像的作物分类 总被引：1，自引：1，他引：0
当前基于时序遥感数据的作物分类方法大都需要较多专家知识及人工干预,难以自动化,也难以移植到其他地区。将光谱降维技术用于时序遥感影像分析可以很好地解决这一问题。其中,非线性降维方法已经成功应用于高光谱数据,并且获得了比线性降维方法更好的结果。但是,直接将非线性降维方法用于时序遥感影像无法充分利用其时相维度的信息。该文改进了一种非线性降维算法——Laplacian Eigenmaps(LE)用于时序遥感影像的作物分类,该方法更加关注相同时相下不同作物生长季的物候特征差异,而不再仅依赖于整个生长季的物候曲线轮廓。改进的LE算法被应用于美国伊利诺伊州覆盖作物全生长季的Landsat 8时间序列影像。降维后保留的波段结合随机森林分类器基于美国农业部Cropland Data Layer(CDL)提供的训练数据完成了一系列的分类试验,并与传统插值未降维的方法进行对比。试验结果表明,改进的LE降维方法完成了更高的整体及各个类别的分类精度,其中整体分类精度达到85.37%,该方法作为一种自动化的方法,不需要人工干预,可直接移植到其他研究区,并且只需要较少的训练样本就可以完成一个较高的分类精度,为日后不同尺度的作物识别和提取研究提供了有效的方法。 相似文献
13.
河套灌区沈乌灌域GF-1/WFV遥感耕地提取 总被引：3，自引：2，他引：1
为提高基于遥感影像的灌区耕地自动快速提取,该文针对河套灌区沈乌灌域种植结构特点,利用实地调查结果、Google earth和GF1-WFV遥感影像构建了研究区主要作物及土地利用类型的NDVI时间序列,并利用HANTS滤波法对NDVI时间序列进行了平滑处理。分别采用基于遥感与Google earth的目视解译、监督分类(支持向量机)、基于NDVI时间序列的决策树分类与监督分类相结合的方法、基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法对灌区耕地进行提取。利用基于Google earth与目视解译的10 000个随机验证点以及正确率(用户精度)、完整率(生产者精度)和整体精度(提取耕地面积与实际面积的比值)3个指标对提取结果进行了评价。验证结果表明:监督分类(支持向量机)提取结果的正确率、完整率和总体精度仅为84.82%、64.4%和75.68%;基于NDVI时间序列的决策树分类与监督分类相结合的方法提取精度分别为94.28%、84.21%和89.1%;基于HANTS滤波法平滑处理后的NDVI时间序列决策树分类与监督分类相结合的方法提取精度进一步提高,3个指标分别达到94.47%、87.32%和92.24%。在作物种类繁多的大型灌区,时空分辨率优异的GF1-WFV数据在耕地面积提取上具有很强的实用性;结合作物生长规律与遥感信息的联合方法能够有效提高耕地面积的提取精度。 相似文献
14.
基于多源遥感数据融合和LSTM算法的作物分类研究 总被引：7，自引：6，他引：1
准确、及时地获取农作物的空间分布信息,对于指导农业生产、制定农业政策具有重要意义。为了检验长短时记忆网络(long short-term memory,LSTM)算法在基于时序遥感数据进行作物分类中的优势,该文以临汾盆地为研究区域,利用Savitzky-Golay滤波对MODIS NDVI进行平滑处理,并采用ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)算法对滤波后的MODIS NDVI和Landsat NDVI进行融合,生成空间分辨率为30 m、时间分辨率为8天的时序NDVI。基于Landsat NDVI利用LSTM算法进行作物分类,同时,基于融合NDVI分别利用LSTM算法和神经网络(neuralnetwork,NN)算法进行作物分类,并对比3种方法的分类精度。结果表明,Savitzky-Golay滤波后的时序MODISNDVI能够反映不同作物的物候特征;基于融合NDVI的分类精度明显高于基于LandsatNDVI的分类精度,表明融合后的时序NDVI由于具有更高的时间分辨率,能够更加突出不同作物的物候特征,显著提高作物分类精度;基于融合NDVI和LSTM算法的分类精度高于基于融合NDVI和NN算法的分类精度,前者的冬小麦面积估测精度高于后者的估测精度,表明LSTM算法的分类精度高于NN算法。该文可为基于遥感影像进行不同作物种植区域提取的研究提供重要的方法参考。 相似文献
15.
了解耕地"非农化"的时空格局及其演变过程，是合理制定土地利用政策的重要依据；卫星遥感具有大范围的时空监测能力，基于遥感影像进行耕地监测，极为高效。针对耕地"非农化"类型复杂多样、"非农化"遥感监测分类体系缺乏的问题，该研究提出了耕地"非农化"遥感解译样本分类体系，进而构建耕地"非农化"遥感解译样本库。针对样本采集效率低、质量差的问题，该研究提出了一种基于地理国情监测成果的快速样本采集方法，用于快速获取高精度、高可靠性的"非农化"遥感解译样本。为验证方法的可行性和有效性，选取湖北省范围作为研究区域，利用该研究所提出的耕地"非农化"样本体系和样本采集方法，采集了覆盖平原、丘陵、山地、高山等地形的9类样本，并形成了深度学习模型训练的样本库；选择EfficientNet深度学习网络提取湖北省耕地"非农业"空间分布。结果表明：1）基于地理国情监测成果的样本采集方法可以极大地利用地理国情监测数据空间、属性精度高的特点，快速、精确定位变化样本。2）依据分类体系采集的样本用于模型优化后，样本数量超过5 000时，模型精度有明显提高。在验证区域，采用目视解译和外业核查点的方式进行精度验证，其正检率分别为67.0%和76.5%，召回率分别为77.9%和76.5%。3）利用样本体系训练构建的网络模型相较于全要素样本训练模型，精度有显著提高，5个核查区正检率均提高20个百分点以上。因此，该研究提出的方法可以提高耕地"非农化"遥感监测的效率和精度，可适用于区域尺度的耕地遥感季度监测。 相似文献
16.
基于MODIS植被指数时间谱的华北平原土地覆盖分类 总被引：9，自引：6，他引：9
中分辨率成像光谱仪(MODIS)已在全球资源环境监测中发挥了重要作用，但是它的低分辨率成为提高分类精度的阻碍。利用MODIS的高时间分辨率弥补其低空间分辨率的不足，设计分类器改善分类精度。利用2003年23个时相的MODIS_EVI图像，构建华北平原植被指数图像时间立方体。在谐波分析去噪标准化基础上，从EVI时间谱上提取5个表征物候差异的特征向量，结合表征地气交互作用差异的地表温度(LST)信息及表征地表固有的空间分异特征的坡度信息，建立分类二叉树进行土地覆盖分类。结果表明，与2000年TM分类结果的总体一致性为75.5%，Kappa系数为0.68。而NASA USGS基于MODIS分类精度为66.0051%，Kappa系数为0.3209。进一步与2003年耕地面积的官方统计资料的比较表明，该文的估算误差为34.0507 khm2，而NASA USGS的估算误差高达66.1205 khm2。研究表明利用高时间分辨率的MODIS植被指数时间序列获得较高精度的土地覆盖分类结果是可能的。 相似文献
17.
基于多时相遥感数据的吉林西部土地覆被分类提取 总被引：2，自引：1，他引：1
为深化计算机自动提取土地覆被类型在遥感分类研究中的应用,以吉林西部的镇赉县为试验区,利用Landsat8多时相遥感数据的季节变化信息、地表植被、水体与土壤等特征参量,构建多维分类特征数据集对试验区进行土地覆被分类研究,提取了11种地表覆被类型。结果表明:1)多维变量组合方案的总体分类精度为95.50%,Kappa系数为0.9504。该方案自动提取地类达到了一个比较理想的分类结果,方案有效可行;2)方案中,3个主要特征分类变量的引入能很好改善易混淆地类的可分性,尤其,地表植被季节变化信息和土地信息的引入能明显提高土地覆被的分类精度;3)实际情况表明,引入的分类特征量不是越多越好,只有将多种分类特征有效结合才能够提高土地覆被分类精度。该文为农牧交错带上的土地覆被遥感监测提供了一个可行的方案,该方案有效可行。 相似文献
18.
基于SegNet语义模型的高分辨率遥感影像农村建设用地提取 总被引：3，自引：2，他引：1
针对传统分类算法、浅层学习算法不适用于高空间分辨率遥感影像中农村建筑物信息提取的问题,该文以河北省霸州市高空间分辨率遥感影像WorldView-2为数据源,利用182 064幅128×128像素大小的影像切片为训练样本,选取基于深度卷积神经网络的SegNet图像语义分割算法对遥感影像中的农村建筑物进行提取,并与传统分类算法中的最大似然法(maximum likelihood,ML)和ISO聚类、浅层学习算法中的支持向量机(support vector machine,SVM)和随机森林(random forest,RF)以及深层语义分割算法中的金字塔场景解析网络(pyramid scene parsing network,PSPNet)的试验结果作对比分析。研究结果表明:SegNet不仅能够高效利用高空间分辨率遥感影像中农村建筑物的光谱信息而且还能够充分利用其丰富的空间特征信息,最终形成较好的分类模型,该算法在验证样本中的分类总体精度为96.61%,Kappa系数为0.90,建筑物的F1值为0.91,其余5种分类算法的总体精度、Kappa系数、建筑物的F1值都分别在94.68%、0.83、0.87以下。该研究可以为高空间分辨率遥感影像农村建设用地提取研究提供参考。 相似文献
19.
基于MODISNDVI多年时序数据的农作物种植识别 总被引：26，自引：18，他引：8
为了获取陕西省农作物种植模式和类型分布信息,实现对于多年农作物长势分析及精确的估产和耕地生产力的估算,该文以2003-2012年的MOD09Q1时间序列遥感数据集为数据源,以陕西省主要农作物冬小麦、夏玉米、春玉米、水稻和油菜为研究对象,利用Savitzky-Golay滤波方法重建NDVI长时间序列数据集,充分利用农作物的物候信息,构建农作物年际间动态阈值方法,实现了农作物种植模式和类型的识别。通过对混合像元进行分解,更精确地提取农作物种植面积信息。利用空间和定量2种方式对农作物类型识别结果进行分析验证,空间对比分析得到分类的总体精度和Kappa系数为88.18%和59.64%,定量对比分析得到分类的总体一致性为87.56%。研究结果表明,结合物候信息与时间序列数据利用该文的分类方法可以有效的识别大尺度农作物信息。 相似文献
20.
融合光谱混合分解与面向对象的土地利用/覆被分类 总被引：2，自引：2，他引：0
错综复杂的土地利用模式和破碎的地物斑块制约了土地利用/覆被分类的精度和效率。一方面,混合像元模糊了地物的光谱信息,影响了分类精度。另一方面,如何高效利用地物的光谱、形状和纹理特征是当前土地利用/覆被分类的研究热点。为了提高基于遥感技术的土地利用/覆被分类精度,该研究基于Sentinel-2A遥感影像,开展融合光谱混合分解与面向对象的土地利用/覆被分类研究。首先,基于地物的光谱、形状和纹理特征,在3个分割尺度通过NDWI（Normalized Difference Water Index)、NDVI（Normalized Difference Vegetation Index）、SBL（Soil Background Level）等8个特征参数构建了不同地物信息的提取规则。其次,利用光谱混合分解模型提取研究区基质（SL;岩石和土壤）、植被（GV;光合作用叶片）和暗色物质（DA;阴影和水）3类通用端元。最后,尝试融合3端元光谱特征优化地物信息提取规则。研究结果表明：1）基于构建的光谱、形状和纹理的地物信息提取规则,使用模糊函数、阈值法进行土地利用/覆被分类,获得了较高的分类精度,总体精度为80.83%,Kappa系数为0.76。2）融合3端元的光谱特征的提取规则将分类精度提升至90.00%,Kappa系数提升至0.88。3）具有明确物理意义的3端元的融入增强了像元内各组分信息的差异性,弥补了传统光谱指数对植被与土壤间的亮度信息解析度不足的缺陷。该方法能充分利用影像的光谱信息,是一种由易到难、对不确定因素进行逐层剥离的土地利用/覆被信息提取技术。因此,对中高分辨率的多光谱遥感影像十分友好,在土地利用/覆被的精细化分类中有较大应用潜力。 相似文献