遥感技术应用于作物种植面积估算实例.pdf

地理国情监测云平台

遥感技术应用于作物种植面积估算实例

1.农作物遥感分类

1.1利用多时相环境星CCD数据作物分类识别实验

采用支持向量机分类器进行基于象素遥感影像分类方法。在分类过程中，分别对不同日期的单景环境

星数据以及不同日期环境星数据的组合进行分类，以评价环境星在作物分类中的应用潜力，并确定利用环

境星数据进行作物分类的最佳影像获取时期及最优时相组合。

对单时相及不同时相组合的环境星数据进行分类，结果如图1所示。

其中左下角代码表明了分类所用的环境星数据，比如HJ3表示使用的是3月份获取的环境星数据，

HJ3+HJ4表示使用的是3月份和4月份获取的环境星数据的组合

花期获取的环境星数据分类效果最好，总体分类精度达到了88.2%，花前期获取的数据分类效果次之，

拔节期获取的数据分类效果在三个时相的影像中分类效果最差。使用多时相的数据分类效果要优于单一时

相数据分类效果，其中使用三个时相的数据分类效果最好，总体分类精度达到了91.7%。但是，使用三个

时相的数据相对于花期和拔节期两个时相数据组合的分类精度提高有限，表明两个合适时相数据的组合可

以达到足够的分类精度，再多时相的组合对于分类精度的提高作用不大。

1.2基于环境星和ASAR数据融合的作物分类识别实验

数据融合采用主成分分析法对环境星与ASAR数据进行融合。将含有4个不同光谱波段的环境星数据

进行主成分变换，并将ASARVV极化图像拉伸,使图像灰度的均值与方差和主成分变换第一分量图像一致,

然后以拉伸过的ASAR图像替换环境星数据主成分变换后第一分量图像,再经过逆变换还原到原始图像空

北京数字空间科技有限公司

地理国情监测云平台

间，得到环境星数据与ASAR数据的融合数据。数据融合效果评价采用光谱角来衡量融合前后不同地物之

间的光谱差异。

研究采用的分类算法包括最大似然(MLC)、人工神经网络(ANN)和支持向量机(SVM)三种方法。环境星多

光谱数据与ASARVV极化数据融合后信息量有所增加，相比于环境星数据，其与ASAR数据融合后图像的

层次更加分明，不同地物之间的差别更加明显。虽然ASAR数据与环境星数据的空间分辨率相同，但是由

于ASARVV极化数据对于田块边界更加敏感，使得融合后田块的边界比环境星要更加明显。

图2田块边界在不同影像产品上的视觉效果对比

左：环境星;中：融合图像;右：RapidEye

融合后类别间的光谱角均明显增大，表明不同类别之间的光谱差异在融合后显著增大。小麦与棉花、

小麦与树木、棉花与树木之间的光谱角值分布由原来的0.063、0.02、0.043增大到融合后的0.345、

0.242、0.104。环境星多光谱数据与ASARVV极化后向散射数据融合后所含信息量相比环境星多光谱数据

有显著增加，扩大了不同地物之间的光谱差异，增强了地物之间的可分性。

根据地面调查和RapidEye目视解译，采用随机抽样的方法进行分类样本的选取。从所选取的地面样

本中随机抽取一半作为训练样本，另一半作为精度评价的检验样本，训练样本和检验样本没有重合。采用

不同的分类器分别对环境星数据以及环境星与ASAR的融合数据进行分类，结果如图3所示。

北京数字空间科技有限公司

地理国情监测云平台

其中A、B、C为环境星数据分别采用MLC、ANN和SVM方法的分类结果，D、E、F为融合数据分别

采用MLC、ANN和SVM方法的分类结果

从目视效果来分析，采用环境星多光谱数据，可以有效识别出小麦种植地块，且支持向量机分类效果

最好，但是漏分了一些棉花地块。环境星多光谱数据与ASARVV极化后向散射数据融合后，不但可以有效

识别出小麦地块，而且田块边界更加明显，分类效果优于单独使用环境星多光谱数据，同样是采用支持向

量机方法的分类结果最好，混淆较少，而且田块边界清晰可见。

单独使用环境星数据的分类精度明显低于融合数据，在分类方法上，