[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

说明书

技术领域

本发明涉及作物遥感识别方法，特别涉及一种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。

背景技术

随着遥感技术的快速发展，目前已经能够提供从局部、区域到全球范围的连续地表采样，并可以提供从0.61米到数十公里空间分辨率的遥感数据，实现从多个空间尺度进行对地遥感观测。尺度变异和敏感性在使用遥感数据的分析中逐渐起到重要的作用。近年来，多尺度的遥感数据广泛用于区域乃至全球尺度的土地覆被制图，人们越来越重视遥感数据分类精度尺度效应方面的研究。随着空间分辨率的提高，遥感往往具有更高的地面目标识别和面积估算精度。Moody和Woodcock研究了将高分辨率的土地覆盖数据聚合到低分辨率过程中土地覆盖类型面积随分辨率的变化，结果表明当分辨率大于90米时，面积估计误差显著增大。虽然选择高分辨率遥感数据有助于提高作物识别和面积估算的区域精度，但是高分辨率遥感数据的价格较为昂贵，而实践中对区域精度要求是不一样的；在区域精度要求比较低的情况下购买高分辨率遥感数据，会使得作物识别和面积估算的成本很高，造成不必要的浪费。

利用遥感数据识别不同农作物并估算其种植面积，是农作物产量估测的基础。在农作物遥感识别过程中，作物种植面积测量精度除了受到影像空间分辨率的影响，还与分类器类型、研究区的作物种植结构、聚集程度等因素密切相关。针对具体的研究区，要满足一定的分类精度需要多少分辨率的数据；不同的分类器对同一分辨率有何不同响应；不同分辨率下同种分类器的精度有何变化；不同分辨率下作物种植成数、聚集度等因素对精度结果的影响如何等；现有技术中均没有给出针对不同作物种植结构区进行遥感数据和分类方法选择的理论依据和实验基础。

发明内容

针对现有技术中存在的不足，本发明的目的在于提供一种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，能够降低作物识别和面积估算时遥感数据的购买成本，为农作物产量估测奠定坚实的基础。

本发明的技术方案是这样实现的：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，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；

（2）地面调查数据：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；

（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；

（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，同时分析种植成数和聚集度对作物种植面积估算精度的影响；

（6）针对作物识别和面积估算的具体情况及精度要求，选择适宜的遥感数据和分类方法。

上述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，在步骤（1）中：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。

上述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，在步骤（2）中：首先根据耕作信息，参考SPOT5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。

上述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，在步骤（3）中：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。