论文部分内容阅读
甘蔗是一种重要的经济作物,在全球食糖生产中占有重要地位。精确掌握甘蔗种植规模,将为当地政府提供非常重要的土地利用管理和决策支持。然而,甘蔗生长在多云多雨气候条件下的复杂景观中,其生长环境对甘蔗田的快速精确制图提出了诸多挑战。其中,甘蔗种植区的云噪声会对影像解译产生严重的不利影响,探索快速高效的遥感数据去云方法,并将其用于甘蔗田识别研究具有非常重要的意义。同时,这也对具有较高时间分辨率和空间分辨率的影像提出了要求。本研究尝试利用空间分辨率为10米的哨兵2号(Sentinel-2)遥感影像和典型时期作物物候信息,对甘蔗田进行制图。首先,为了减少多云多雨天气对影像质量的影响,本研究基于GEE(Google Earth Engine,谷歌地球引擎)平台,针对哨兵2号卫星数据的6个云相关波段/产品,设计相应的阈值分割算法对龙州县研究区一处典型区域进行云检测对比研究,用于探索不同波段/产品的云检测潜力,并筛选出对云噪声具有较强敏感性的波段/产品;接下来,利用云检测效果最佳的算法对研究区所有影像进行云检测并剪裁掉云噪声,然后基于替换法思想分别对研究区三个典型物候时期(出苗期、伸长期和砍收期)的所有影像进行融合,获得2018年广西龙州县三个典型物候期的哨兵2号无云影像。然后,利用融合图像计算各物候期的NDVI(Normalized Difference Vegetation Index,归一化植被指数)获取三幅归一化植被指数光谱特征图,并将三幅归一化植被指数图像进行波段合成,得到一幅具有物候特征的三波段归一化植被指数图像;最后,基于多项式核函数的支持向量机算法,利用三波段归一化植被指数图像以及4000个训练样本和2000个验证样本,进行甘蔗田识别和制图。为评估具有物候特征的三波段归一化植被指数图像在甘蔗制图中的稳健性,本研究采用4种机器学习方法设计了5个分类器进行对比研究,包括基于多项式核函数的支持向量机分类器Polynomial-SVM和基于高斯核函数的支持向量机分类器RBF-SVM、随机森林分类器RF、人工神经网络分类器ANN和基于CART算法的决策树分类器CARTDT。本文云检测结果表明,气溶胶波段云检测结果查准率、查全率、准确率和F1分数均不低于0.92,与其他云相关波段/产品相比,表现出最佳的云噪声检测潜力,对云噪声更敏感,检测结果与原始影像契合度最高,有助于哨兵2号卫星影像去云算法的设计和改进;本文影像去云结果表明,基于高时间分辨率的哨兵2号影像数据及其气溶胶波段的去云算法可以得到良好的去云效果,可能有助于为土地利用/土地覆盖变化(LUCC)研究提供更为优质的影像数据;本文甘蔗田识别结果表明,除ANN分类器外,Polynomial-SVM、RBF-SVM、RF和CART-DT分类器的甘蔗田识别结果均显示出较高的制图精度,总体精度均大于91.10%。ANN分类器倾向于高估甘蔗种植面积,低估林地面积。五种分类器的综合性能表明Polynomial-SVM分类器在区域尺度上对甘蔗制图的改进潜力最大。本研究还发现,大部分甘蔗(占整个研究区75%以上)生长在坡度小于10°的平坦地区。本研究讨论了气溶胶波段对云噪声特有的敏感性,验证了哨兵2号影像气溶胶波段去云算法的有效性,强调了物候学在甘蔗快速制图中的重要性,建议借助遥感制图方法为传统的统计调查提供参考和补充,并证实了精细分辨率的哨兵2号影像和机器学习方法,在精准的土地利用管理和决策中具有良好的潜力。