[发明专利]在作物识别和面积估算中选择遥感数据和分类算法的方法

权利要求书

1.在作物识别和面积估算中选择遥感数据和分类算法的方法，其特征在于，包括如下步骤：

(1)获取目标区的遥感数据，并对获取的遥感数据进行预处理：获取影像空间分辨率为20m的卫星的目标区遥感数据，对获取的目标区遥感数据进行辐射定标和几何纠正处理；辐射定标处理方法：将影像的DN值转化为大气顶归一化光谱反射率，大气纠正采用FLAASH模型；几何纠正处理方法：以目标区的历史SPOT5影像数据作为参考影像，采用二次多项式方法对数据进行几何精纠正，采用40个控制点，纠正误差控制在0.5个象元内；

(2)进行目标区实际作物分布地面调查，获得样本作物分布图；利用地面调查数据，确定作物分类的训练样本与检验样本：首先根据耕作信息，参考SPOT5全色影像勾绘出每个种植地块的边界，并进行唯一性编号,借助地理信息系统整理形成目标区内作物田块矢量数据集,开展野外实地调查，实地确认地块边界的正确性，并逐地块填写作物类型,在室内编辑整理，得到目标区的样本作物分布图；然后根据目标区地物物候及分布特征，确定最终分类类别；最后根据SPOT5数据的野外实地调查得到的样本作物分布图，并结合目视判图经验解译方式，按照最终分类类别对每个类别分别选取样本，从所选取的样本中随机抽取一半作为训练样本，另一半为用于精度评价的检验样本，训练样本和检验样本没有重合；

(3)对预处理后的遥感数据进行尺度扩展，模拟生成多分辨率影像序列：采用简单平均法对预处理后的遥感数据进行尺度扩展：将遥感影像n*n窗口内的像元平均值作为转换后对应的分辨率为40m、60m、80m和100m的遥感影像的像元值；

(4)利用分类算法对作物进行分类，并估算不同作物的种植面积；

(5)分析空间分辨率对作物识别和面积估算精度的影响，同时分析种植成数F和聚集度对作物种植面积估算精度的影响：种植成数F即某一种作物种植面积fraction占总种植面积A₀的百分比，即：F＝fraction/A₀；聚集度即同一种作物空间分布的集中程度，聚集度值越高，作物分布越零散，相反，聚集度值越低，作物分布越集中，聚集度计算方法如下：(a)设定目标区内各作物类型象元个数的50％作为计算作物聚集度的标准，(b)把15km*10km的目标区均分成100个1.5km*1km的小区域，统计各小区域内各个作物类型的象元个数，并将象元个数由大到小排列，(c)把小区域内各作物类型的象元个数由大到小相加，直到达到总象元个数的50％，(d)计算参与相加的小区域个数占总小区域数的百分比，这个值即为该作物的聚集度；

(6)针对作物识别和面积估算区的具体情况及精度要求，选择适宜的遥感数据和分类方法：对于区域精度要求达到90％以上且待估算作物种植面积很小但待估算作物分布又比较密集的地区，待估算作物种植面积很小是指待估算作物的种植成数不足5％，待估算作物分布又比较密集是指待估算作物的聚集度低于0.2的情况；选用60m分辨率的数据；分类算法采用最大似然分类算法或支持向量机分类算法；最大似然分类算法：通过统计方法计算各个象元属于每个类的概率，将该象元归属于概率最大的类；支持向量机分类算法：选择径向基函数RBF为核函数，核参数γ设置为0.25，惩罚因子C设置为100；对于区域精度要求达到90％以上且待估算作物种植面积较小且待估算作物分布比较零散的地区，待估算作物种植面积较小是指待估算作物的种植成数不足30％而大于或等于5％，待估算作物分布比较零散是指待估算作物的聚集度高于0.4的情况，选用20m-40m分辨率的数据；分类算法采用支持向量机分类算法或最大似然分类算法；对于区域精度要求达到90％以上且待估算作物种植较密集且待估算作物种植面积占优势的地区，待估算作物种植较密集是指待估算作物的作物聚集度小于或等于0.4且大于或等于0.2，待估算作物种植面积占优势是指待估算作物的种植成数大于30％的情况，选用100m分辨率数据；分类算法采用人工神经网络分类算法：选用三层神经网络反向传播算法，遥感数据的5个波段对应于网络的5个输入节点，隐含层设置8个节点，6个分类类别对应输出层的6个输出节点，激发函数选用Logistic函数，最大迭代次数设为1000，结束迭代的误差阈值设为0.1。