共查询到20条相似文献，搜索用时 640 毫秒
1.
基于典型物候特征的MODIS-EVI时间序列数据
农作物种植面积提取方法
—小区域冬小麦实验研究 总被引：11，自引：1，他引：10
利用MODIS植被指数时间序列这一特性,以北京市通州及周边为实验区,冬小麦种植面积为研究对象,提出
了农作物种植面积指数模型(Pan-CPI模型)的概念,并构造了冬小麦特征物候期植被指数与种植面积的定量函数关系,
通过样区TM影像求解关键参数,对研究区冬小麦种植面积测量方法进行了试验研究。研究结果表明：(1)Pan-CPI模
型能够很好地反映特定目标农作物种植面积状况,为基于植被指数时间序列影像识别农作物种植面积提供了新方法;
(2)精度分析结果表明：Pan-CPI模型具有很高的稳定性,且不受样本变化的影响,只要达到满足模型计算的样本量(如：
5%),多次测量结果间具有很好的一致性。选取MODIS 6×6像元大小的窗口时,TM样本的复相关系数(R2)稳定在0.85
左右,与TM结果比较,窗口相对精度稳定在95%左右,区域精度稳定在92%以上,经调整的区域精度高达96%以上;
(3)对于种植结构复杂、目标作物种植破碎的地区,Pan-CPI模型可以充分利用MODIS植被指数时间序列的优势,有效改
善TM单时相和多时相提取信息因时相缺失无法表征作物变化的不足。 相似文献
2.
《国土资源遥感》2020,(1)
单期中等空间分辨率遥感影像(如Landsat8 OLI)进行冬小麦提取,易受到"异物同谱、同物异谱"影响,造成冬小麦识别结果的"错入、错出",降低冬小麦识别精度。低空间分辨率遥感影像(如MODIS)获取时间频率高,具有时间序列特征,能够准确地刻画出冬小麦生长周期内的特有物候特征,可以有效地消除单期遥感影像上存在的"异物同谱、同物异谱"现象。研究利用MODIS时间序列特征提取出的冬小麦空间分布信息为辅助信息,用来修正单期OLI遥感影像识别冬小麦结果的"错入、错出"误差,以提高冬小麦的识别精度。实验结果表明,在冬小麦错出区域,OLI提取结果的均方根误差(root mean square error,RMSE)为0. 758,经MODIS修正后RMSE为0. 142,降低了0. 616;在冬小麦错入区域,OLI提取结果的RMSE为0. 901,经MODIS修正后RMSE为0. 122,降低了0. 779。可见,该方法能够发挥MODIS有效描述冬小麦生长周期内时间序列特征的优势,对Landsat OLI冬小麦测量结果进行了有效修正,提高了冬小麦测量精度。 相似文献
3.
尺度变化对冬小麦种植面积遥感测量区域精度影响的研究 总被引：6，自引：1，他引：5
不同尺度遥感数据源的选取将直接影响到作物种植面积测量的精度,研究尺度因子在农作物面积遥感测量中的作用,尺度与面积测量精度的定性和定量关系是非常必要的.为此,本文利用SPOT5卫星数据,以尺度变化对农作物种植面积遥感测量精度影响的分析为主线,运用空间统计分析方法和多种精度评价指标,从不同空间分辨率、不同空间范围、不同农作物百分比等角度系统分析了农作物种植面积遥感测量中的尺度效应问题.为基于多尺度遥感数据复合的农作物种植面积测量业务化运行中的数据选择和精度保证问题提供理论与实验基础. 相似文献
4.
油菜是我国主要的食用油料作物。及时、准确地获取油菜种植分布信息对油菜长势监测、估产以及灾情评估具有十分重要的意义。以江汉平原为研究区,利用250 m空间分辨率的MODIS EVI时序数据,以TM数据作为野外采样数据与MODIS EVI数据之间的过渡数据,间接提取MODIS EVI数据农作物的训练样本;通过分析江汉平原油菜和冬小麦的EVI光谱特征及物候信息,建立油菜种植面积提取模型;采用多次阈值比较法提取2014—2015年间江汉平原油菜种植分布信息。研究结果表明,2014年和2015年油菜面积遥感提取结果与农业局统计数据相比,总体提取精度分别达到95.22%和91.29%;2014年MODIS数据与TM数据提取的油菜面积一致性为88.61%;基于时间序列MODIS EVI数据,结合EVI光谱特征和物候信息,利用该方法可以有效提取江汉平原油菜种植分布信息。 相似文献
5.
冬小麦是中国的主要粮食作物且种植面积年际变化较大,及时准确掌握冬小麦种植面积变化有利于国家和相关部门科学决策。遥感技术是获取大范围冬小麦种植面积数据的最有效手段。前期研究多利用多时相中低分辨率影像（如MODIS）的归一化植被指数NDVI（Normalized Difference Vegetation Index）开展大范围冬小麦种植区提取,因分辨率低导致精度难以令人满意。Sentinel-2卫星是唯一能获取3个红边波段影像的米级分辨率传感器,但应用其红边波段进行大范围冬小麦提取的研究几乎没有。本文分析了红边位置指数REPI（Red-Edge Position Index）与NDVI各自在冬小麦提取中的优势,并基于冬小麦物候特征与JM距离研究关键时相,提出一种综合多时相Sentinel-2 PERI、NDVI的大范围冬小麦提取方法,将其应用于2020年京津冀地区的冬小麦种植区提取,冬小麦总面积提取误差为-2.57%。提取结果与Google Earth高分辨率光学影像的解译结果进行比较,总体精度为94.24%,Kappa系数为0.88,相较于已有大范围冬小麦提取研究精度有明显提升,表明了本文方法的有效性。 相似文献
6.
基于尺度下降理论,利用高时间分辨率的MODIS遥感影像数据,结合同时间段高空间分辨率的ETM+遥感影像及其分类数据,应用混合像元分解技术,获得了不同时间段的MODIS子像元类别反射率数据。通过类别反射率与像元反射率间的关系模型,以原有的ETM+影像的像元反射率和时间序列的类别反射率,模拟出具有高时间分辨率与高空间分辨率特征不同时间段的模拟影像,实现了遥感影像地物类别反射率在时间上和空间上的细化。通过计算模拟影像与真实影像的相关系数,以及比较模拟影像与真实影像生成的NDVI影像,验证了该方法的有效性。 相似文献
7.
结合像元分解和STARFM模型的遥感数据融合 总被引：4，自引：2，他引：2
高空间、时间分辨率遥感数据在监测地表快速变化方面具有重要的作用。然而,对于特定传感器获取的遥感影像在空间分辨率和时间分辨率上存在不可调和的矛盾,遥感数据时空融合技术是解决这一矛盾的有效方法。本文利用像元分解降尺方法(Downscaling mixed pixel)和STARFM模型(Spatial and Temporal Adaptive Reflectance Fusion Model)相结合的CDSTARFM算法(Combination of Downscaling Mixed Pixel Algorithm and Spatial and Temporal Adaptive Reflectance Fusion Model)进行遥感数据融合。首先,利用像元分解降尺度方法对参与融合的MODIS数据进行分解降尺度处理;其次,利用分解降尺度的MODIS数据替代STARFM模型中直接重采样的MODIS数据进行数据融合;最后以Landsat 8和MODIS遥感影像数据对该方法进行了实验。结果表明:(1)CDSTARFM算法比STARFM和像元分解降尺度算法具有更高的融合精度;(2)CDSTARFM能够在较小的窗口下获得更高的融合精度,在相同的窗口下其融合精度也高于STARFM;(3)CDSTARFM融合的影像更接近真实影像,消除了像元分解降尺度影像中的"图斑"和STARFM模型融合影像中的"MODIS像元边界"。 相似文献
8.
以地块分类为核心的冬小麦种植面积遥感估算 总被引：5，自引：0，他引：5
以提高冬小麦种植面积估算精度为目标,选取种植结构复杂的都市农业区,采用QuickBird影像数字化农田地块边界,以多时相TM影像为核心数据源,以地块为基本分类单元,进行不同特征向量组合、不同分类器的冬小麦地块分类方法研究,并对比分析了基于地块分类和基于像元分类的冬小麦种植面积估算精度。研究结果表明,基于地块分类的冬小麦种植面积估算方法的总量精度和位置精度均高于像元分类;植被指数和纹理信息的引入有助于进一步提高地块分类精度;支持向量机与最大似然均能得到高达97%的总量精度和90%的位置精度,支持向量机地块分类所需的训练样本量远低于最大似然,因此支持向量机更加适合于冬小麦地块分类;冬小麦错分与漏分情况大多发生在细碎地块,其面积总量较小,而大地块错分和漏分较少,因此相对于像元分类,地块分类能在整个区域能得到较高的冬小麦位置精度和总量精度。 相似文献
9.
在对太湖、巢湖等大型湖泊进行业务化蓝藻水华遥感监测工作中,常以250 m空间分辨率的MODIS数据为主,但其像元多为水体和水华的混合像元,若用常规方法进行水华面积提取,势必会严重影响水华监测的精度和实际应用效果。针对上述问题,基于混合像元分解原理,通过混合像元分解得到水华组分在混合像元中的丰度(百分比),实现亚像元级的水华面积提取。该方法可直接根据图像的DN值进行水华面积提取,无需对数据进行辐射校正和大气校正等预处理。与常规水华提取法相比,该方法的水华面积提取精度提高了近30%。 相似文献
10.
训练样本对TM尺度小麦种植面积测量精度影响研究（Ⅰ）——训练样本与分类方法间分类精度响应关系研究 总被引：6，自引：1，他引：6
准确的遥感农作物类型识别和种植面积统计,不仅仅取决于不同分类方法的选择,同时还要看输入分类器用以学习的训练样本数据,训练样本对分类精度的影响比分类技术本身对测量精度的影响还要大。训练样本对测量精度的影响包含样本的质量和数量两个方面。为了探讨训练样本对农作物种植面积测量精度的影响,本文以小麦为例,选择典型试验区,利用较常用的TM遥感影像,结合高分辨率SPOT数据和野外GPS数据,在构建标准训练样本和检验样本数据集的基础上,在不同训练样本量下,分别对光谱角制图、平行六面体、马氏距离、最小距离、最大似然和支持向量机6种方法进行了多次试验,并对测量结果进行了对比分析。研究结果表明:①不同样本量下6种方法10次测量的结果存在不同程度的波动,而且地块越破碎的地区波动越大,但这种波动随样本量的增加会减少,说明目前在小麦面积测量中,用单次分类的结果作为最终的提取结果的做法存在一定的随机误差,在实际的工作中,应尽可能多的获取训练样本,以提高小麦面积测量的稳定性,同时利用多次测量结果求均值的方式,来消减或者抵消测量的随机误差;②相同样本量下,各种方法测量出的全区和破碎区的小麦像元个数(总量)不一致,种植结构复杂且破碎的地区,各种方法测量出的小麦面积总量差异会更大,说明不同方法对同一地区小麦的识别能力是不同的,同种方法对于不同地区小麦的识别能力也是不一样的,但是通过分析小麦识别的产品精度和用户精度,可以判断出哪个结果最接近于真实总量。 相似文献
11.
农作物种植面积遥感估算的影响因素研究 总被引：3，自引：0，他引：3
《国土资源遥感》2015,(4)
针对不同的农作物种植结构区,研究影响遥感影像分类各因素与农作物种植面积估算精度的定性和定量关系是十分必要的。以Rapid Eye影像提取的早稻种植信息为研究对象,从农作物的种植成数、种植破碎度和地块形状指数3个角度进行了不同空间分辨率下各因素对农作物面积监测的影响研究。结果表明:随着农作物种植成数的降低,种植结构越来越破碎,种植地块趋于狭长分布,各分辨率下农作物面积估算精度均呈递减趋势;要达到85%以上的面积估算精度,当作物种植成数在50%以上时,可选取高于150 m分辨率的遥感数据;当作物种植较为破碎时,需要在提高影像空间分辨率的同时融入其他技术手段;当作物种植地块为狭长分布时,提高影像的空间分辨率并不能保证面积估算精度,必须通过其他技术手段达到精度要求;并最终得到了4种影响因素对面积估算精度的定量评估模型。研究结果为解决不同农作物种植结构区遥感数据的选择、面积估算精度的提高,以及在特定研究区和数据源条件下可达到的面积估算水平等问题提供了理论基础。 相似文献
12.
基于MODIS数据的水体提取研究 总被引：2，自引：0，他引：2
通过对遥感图像各类地物的光谱和水体在中等分辨率的EOS／MODIS上的波谱特征的分析,论述了水体最为明显的波段组合,研究了如何从不同时期（枯水期、丰水期）的中等分辨率MODIS遥感影像提取水体的方法,并以武汉市梁子湖为例,对水体提取范围和精度进行比较和分析。实验表明：遥感图像经空间变换后再利用相同的方法提取的水体,更容易区分水体和阴影,产生的噪声也少,提取的水体范围更准确、计算的水域面积精度更高。 相似文献
13.
以洞庭湖区典型的产量大县——南县为研究区,针对Landsat回访周期较长及长江中下游阴雨天气较多的特点,利用STARFM模型融合高时间分辨率的MODIS数据与中等空间分辨率的Landsat TM数据,获取融合时间特征的Landsat TM时序数据,基于作物物候特征提取水稻的种植面积,并与单时相Landsat TM影像分类结果进行对比分析。结果表明,基于时序Landsat NDVI数据的水稻作物分类精度较之单时相Landsat TM影像分类结果有较大的提高。 相似文献
14.
人们总是期望用较高分辨率的遥感影像来检验或评价相对低分辨率的遥感影像的分类结果的正确性，比如用航空影像检验ＴＭ的分类结果，用ＴＭ影像检验ＮＯＡＡ的分类结果。然而进行检验的首要关键的问题是将两幅不同分辨率的遥感影像在空间准确配准。事实证明，在空间域进行强制叠合是不成功的，因为二者没有可比的共同基准。两物相比必须要有一个共同的基础，作者认为遥感影像的空间频谱是一个较好的可以相互比较的基础，人们可以设法使空间尺度不同的两幅遥感影像在空间频谱上具有一致性，也就是说对相对高分辨率的影像进行适当的低通滤波而粗化，并通过它与相对的低分辨率的遥感影像进行错动，求取相关系数值，当相关系数达到最大值时可被认为是最佳的配准状况。本文以１：１００００的黑白航空像片为准，对应用ＴＭ影像估算冬小麦播种面积的精度进行了对比检验。结果表明，在传统的监督分类，Ｋ－Ｔ变换或混合像元分解方法中，混合像元分解方法的精度最高。 相似文献
15.
通过基于高时间分辨率的"环境一号"卫星数据的变化向量分析(CVA)冬小麦遥感识别方法,并以地理国情普查数据为调整单元对识别结果进行修正,达到提高冬小麦遥感识别精度的目的。结果表明,使用CVA方法可提高冬小麦遥感识别精度,以国情普查数据为调整单元可在一定程度上降低遥感影像配准误差影响,对其他农作物遥感识别具有一定的参考意义。 相似文献
16.
17.
18.
河南省各地地形地貌差异较大,如何准确地获取不同地形冬小麦种植面积对农业调查来说是关键问题。本文选取河南省鹤壁市淇县作为典型的复杂地形区,选取Sentinel-2影像作为数据源进行多植被指数及红边指数计算,采用面向对象分类方法进行多尺度分割并计算分割对象的光谱特征、纹理特征、指数特征等信息,然后对淇县进行冬小麦种植多时相遥感分类,分析不同时相冬小麦解译面积与精度,最终得到最优精度冬小麦种植面积。结果表明：淇县东部平原地区冬小麦大量种植,西部山区小麦种植多以点状分布于山谷与河滩地等。采用预留样本点对解译结果进行精度验证,整体验证精度在95%以上;其中平原地区冬小麦分类精度在97%左右,西部山区冬小麦分类精度为95%。结合数字高程数据及不同时期植被指数进行分析,结果显示鹤壁淇县冬小麦空间分布与其生长周期、空间分布特性高度吻合。 相似文献
19.
20.
监督分类和目视修改相结合在高分辨率遥感影像中的应用 总被引：3，自引：0，他引：3
用计算机对遥感影像进行地物类型识别是遥感数字图像处理的一个重要内容，传统的地物分类一般采用MSS、TM和Spot等遥感影像作为数据源。与MSS、TM和Spot等传统遥感影像相比，QuickBird等高分辨率影像数据量大，混合像元减少、地物信息增大，能够被应用于土地分类。在监督分类中，对于达不到精度要求的模板，通常采用重新选择训练区的方法来进行修正，而本文采用目视修改的方法来对监督分类进行补充。本文方法可以改正初次分类中的误分、混分地物，使其归到正确的地物分类中，显著提高了土地分类的精度。为了验证算法的有效性，利用ERDASIMAGING遥感图像处理软件进行实验和精度评价。实验结果表明，监督分类和目视修改相结合的地物分类方法可以显著提高图像的分类精度。 相似文献