一种改进的冬小麦识别的多时相掩蔽分类方法外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

一种改进的冬小麦识别的多时相掩蔽分类方法

摘要

在利用遥感技术对作物识别的领域中，现有的多时相方法通常并不能充分利用目标农作物的时间特征和光谱特征。一种改进的多时相掩蔽分类方法被提议用来对胶东半岛的冬小麦进行识别。这种改进的利用了四个MODIS NDVI上生成的图像和两个TM地表反射率图像的方法可以更好地进行时间特征和光谱特征的识别。首先，从四个适当的时间MODIS NDVI产品图像生成冬小麦掩膜，以区分冬小麦与其他当地作物；其次，第二，将冬小麦掩膜应用于多时相结合的TM图像。然后根据类别的光谱可分性，选择一组TM波段形成光谱空间进行分类，并且通过TM光谱空间中的光谱分类识别冬小麦。在研究区域中，识别准确率达到了94.92％。结果表明，适当的冬小麦掩膜设计和光谱分类带选择有助于改进多时相方法，以获得较高的冬小麦识别精度。

1. 介绍

如今，遥感技术越来越广泛应用于农业领域当中。冬小麦是我国主要粮食作物之一，因此冬小麦监测对中国农业生产具有重要意义。利用遥感技术，冬小麦识别是冬小麦监测中的一个重要任务。尽管农田中的作物类型通常很复杂，但某种作物通常有自己的生长规律。因此，基于多时相遥感数据的作物识别取得了良好的效果。但是，现有的多光谱手段通常使用一个单数据源。因此，高空间分辨率遥感数据通常不能形成由于长期再访时间和云污染而导致的观测序列，而较低空间分辨率的遥感数据不能克服混合像素稍差的影响。更重要的是，当前的多时相方法需要通过选择更好的时间阶段来改进。因此，应该研究具有适当的遥感数据源选择和时间相位选择的改进的多时相方法，以获得更高的作物识别准确度。

1. 方案设计
   1. 该方案流程图

采用冬小麦掩膜和光谱分类的多时相冬小麦改良方法设计如下(图1)：

图1：改进的多时相掩蔽分类方法的流程图

• 1. 冬小麦掩膜代际

胶东半岛的农作物种类繁多。除冬小麦外，农田还种植了秋玉米，春玉米，花生，大豆，棉花，甘薯，大麦以及等各种蔬菜，如油菜，菠菜，大白菜等作物。冬小麦的生长规律与其他当地作物不同。冬小麦的生物量和叶面积指数从3月初到5月初在增长。然后在6月初收获成熟的冬小麦。即使农田的种植模式是冬小麦套种秋玉米，6月中旬的冬小麦田地的生物量也会低于5月份。

归一化植被指数（NDVI）是目前应用最广泛的植被指数（VI），可以作为植被数量、结构和条件的辐射测量指标。中分辨率成像光谱仪（MODIS）的VI产品提供了时间合成NDVI产品。MODIS NDVI产品的QA标志，Walthall BRDF模型和约束视角最大值复合标准CVMVC有效校正了大气效应、云污染和BRDF效应。MODIS NDVI产品已被证明对植被条件敏感。因此，MODIS NDVI产品系列可用于反映不同作物的生长节律。本文提出的方法采用250m空间分辨率生成的MODIS NDVI产品，合成期为16天。根据当地作物的生长节律，冬小麦面膜被设计用于区分冬小麦和其他作物。冬小麦掩膜由四个时间MODIS NDVI产品图像生成。提取了MODIS NDVI值的掩膜满足了以下掩码区域的规则：

条件1：NDVI_四月gt;NDVI_三月

条件2：NDVI_五月gt;NDVI_四月

条件3：NDVI_六月lt;NDVI_五月

其中NDVI_Mar，NDVI_Apr，NDVI_May，NDVI_Jun分别代表3月下旬，4月中旬，5月上旬，6月中旬的NDVI值。冬小麦可以用掩膜提取，而农田中的大多数其他作物都会被掩盖。农田外的少量其他作物和其他土地覆盖类型也可能因为混合像素而被提取，或者因为它们也可能与掩模规则一致。

• 1. TM光谱分类

光谱分类需要两个时间TM表面反射图像。一个阶段应该是当年6月中旬生产的冬小麦掩膜，另一个应该是上一年的10月中旬。将两个时相TM表面反射图像组合成一个TM图像。然后将冬小麦掩膜应用于组合的TM图像。在“掩蔽”区域中，在TM光谱空间中要进行最大似然监督分类以提取冬小麦田地。由于其他作物几乎被掩盖，冬小麦田的光谱特征可以很容易地与其他土地覆盖类型区分开来。TM光谱识别可以降低MODIS混合像元的影响，并消除与冬小麦掩膜规则一致的土地覆盖类型。

1. 试验和验证
   1. 研究区域和实验数据

该方法的实验研究在山东省胶东半岛研究区内进行，地理坐标为东经121°11rsquo;2.92” ~122°46”17.64”之间和北纬36°48rsquo;42.34”~37°40rsquo;13.36”之间，地表平均海拔78.9米。四个MODIS NDVI产品图像的时间阶段分别为2007年3月22日至4月6日、2007年4月7日至2007年4月22日、2007年4月23日至5月8日以及2007年6月10日至6月25日。TM表面反射率数据的时间阶段是2006年10月20日和2007年6月17日。

• 1. 实验和分析

使用掩模规则，从四个MODIS NDVI产品图像生成冬小麦掩膜。然后将冬小麦掩膜应用于两个时间组合的TM表面反射图像。掩码应用结果如图2所示。TM图像的“掩盖”区域不仅包括冬小麦田，还包括少量其他作物，水，潮坪，森林和建成区。由于混合的MODIS像元，冬小麦掩膜没有消除这部分其他作物。除了相对较差的MODIS混合像元的影响外，由于重建，一些建成区域可能会被提取出来; 由于水位变化或自身的生态特征，一些水和潮滩可能会被提取出来; 由于森林砍伐，疾病或害虫，一些森林可能会被提取出来。

图2. 两个组合了TM表面反射图像的时相阶段的掩模应用结果

(a)200610月20日年获取的TM432波段RGB图像 (b)2007年1月17日获取的TM432波段RGB图像

在组合TM图像的两个时间相位的“掩模开启”区域中，应选择一组最佳光谱带用于光谱分类。在组合的TM图像的每个二维光谱空间中观察到冬小麦类和其他类的光谱可分离性。由于这些类别具有良好的光谱可分离性（图3），因此选择了五个波段来形成光谱分类空间。五个TM波段是2006年10月20日获得的波段1，波段3和波段5，以及2007年6月17日获得的波段1波段2（分别表示为2006波段1，波段3，波段5和2007波段1，波段2）。

图3.光谱空间中的离散点

利用TM五维光谱空间中的最大似然监督分类，在“掩模”区域提取冬小麦田地。结果表明，2007年上半年，研究区冬小麦种植面积约为9.16万公顷，占土地总面积的10.5％左右。图4显示了2007年上半年研究区冬小麦的分布情况。

图4. 2007年上半年研究区冬小麦分布情况

• 1. 验证

验证数据来自于2007年左右的908计划的现场调查数据，其中包括6872个验证像素。混淆矩阵用于结果评估。总体准确率达到94.92％。

1. 结论和讨论

综上所述，采用适当的冬小麦掩模设计和光谱分类带选择的改进多时相掩蔽分类方法可以达到较高的冬小麦识别精度，对胶东半岛冬小麦种植区的监测具有一定的应用价值。此外，这种方法可能有助于其他作物识别方法设计。本研究中仍然存在缺失识别和错误识别。由于MODIS混合像素的影响尚未完全消除，因此错误识别相对较为严重。当MODIS NDVI产品系列产生冬小麦面膜时，一些冬小麦田可能会产生“掩蔽”区域，因为它在MODIS像素中占一小比例，这将导致遗漏识别。更好地降低MODIS混合像素的影响可能进一步提高所提出方法的识别准确性。

声明

本研究得到了国家海洋局中华人民共和国资助的“中国沿海综合海洋资源调查与评价908计划”（908-01- WY02）的研究项目的支持。

参考文献

[1] S. Lanjeri, J. Melia, D. Segarra, “A Multi-temporal Masking Classification Method for vineyard Monitoring in Central Spain”, International Journal of Remote Sensing, 2001, vol. 22, no. 16, pp. 3167-3186.

[2] H. Qiao, H. Zhang, D. Cheng, “Application of EOS/MODIS-NDVI at Different Time Sequences on Monitoring Winter Wheat Acreage in Henan Province”, Journal of Anhui Agricultural Sciences, 2008, vol. 36, no. 27, pp. 11940-11941.

[3] A. Huete, K. Didan, Y. Shimabokuro, et al., “Regional Amazon Basin and Global Analyses of MODIS Vegetation Indices: Early Results and Comparisons with AVHRR”, Proc. IGARSS 2000.

[4] D. Ehrich, J. E. Estes, A. Singh, “Application of NOAAAVHRR 1 km Data for Environment Monitoring”, Remote Sensing, 1994, vol. 15, no. 1, pp. 145-161.

[5] T. Miura, K. Didan, A. R. Huete, et al., “A Performance Evaluation of the MODIS Vegetation Index Compositing Algorithm”, Proc. IGARSS 2001.

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[17693]，资料为PDF文档或Word文档，PDF文档可免费转换为Word