论文部分内容阅读
及时、准确地获取粮食作物种植面积信息及其空间分布状况，对于准确估计和预测作物产量，优化种植空间格局，确保国家粮食安全具有重要意义。以中分辨率数据为主、低分辨率数据为辅的测量方法是大范围农作物种植面积遥感测量的主要趋势之一。针对中分辨率遥感分类的同物异谱、异物同谱所导致的“椒盐”问题，开展基于地块分类的农作物种植面积测量方法研究有助于进一步提高中分辨率数据的应用能力和测量精度。
本研究以冬小麦种植面积测量为研究目标，选取种植结构复杂的都市农业区为方法实验区，通过高分辨率影像建立地块边界数据，以多时相TM影像为核心数据源，对各种特征向量进行地块可分性分析，针对纯地块区域和混合地块区域分别进行不同特征向量组合的纯地块分类和混合地块分解，并通过位置精度和总量精度对冬小麦种植面积测量结果进行评价。主要结论如下：
1.基于高分辨率影像的地块数据库建设
采用人工数字化的方式在高分辨率影像上提取地块边界数据，并通过现势影像预分类区分纯地块和混合地块，为纯地块分类和混合地块分解提供准确的边界信息。一方面能保证地块边界能与实际地块情况匹配，有利于野外测量工作的开展，另一方面能弥补图像分割技术的“过分割”所导致的地块过于破碎的问题。
通过高分辨率影像目视解译，来分析实验区种植结构。两个实验区均属于种植结构复杂的都市农业区，均在大量的冬小麦、休耕地、林地、草地、菜地的纯地块和混合地块。但两个实验区的冬小麦地块又有着一定的差异，房山的冬小麦地块较为大片，大兴则更为破碎，分别可代表一般破碎区和极度破碎区。因此本研究选取的实验区具有较好的代表性和推广性。
2.多时相中分辨率影像的地块特征向量可分性分析
本研究选取转换离散度作为两类地块之间的统计可分性度量指标，引进地块比例作为权重因子，构建特征向量综合可分性评估模型，一方面对不同地块类型、不同特征向量的可分性实现定量分析；另一方能反映实验区土地利用类型结构，每种地物的转换离散度对特征向量可分性的贡献率取决于其占实验区的比例。
多时相TM影像的光谱、植被指数、纹理特征均存在较高的综合可分性，且与地块类型、种植结构、特征组合有着密切的关系，但几何形状特征的可分性较差。冬小麦与其他地物之间有着较优的转换离散度。光谱、植被指数、纹理的综合可分性均随着特征向量的增加而递增，不会产生数据冗余，但可分性增长速度会变缓。基于地块的特征向量综合可分性优于基于像元的可分性。单独使用纹理信息作为特征向量难以得到较优的地块可分性，但可作为光谱特征、植被指数的有效补充，进行纯地块分类和混合地块分解。
3.基于纯地块分类的冬小麦种植面积遥感测量
基于纯地块分类的种植面积测量方法有着较高的总量精度和位置精度，在不同种植结构区域地块分类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纯地块分类精度。采用纯地块分类提取冬小麦种植面积对TM影像的时相要求不高，在冬小麦拔节期能得到较高精度的种植面积总量精度和位置精度。SVM对训练样本量的要求较低，能得到较高精度的地块分类总体精度和Kappa系数。对于冬小麦种植面积测量，SVM与最大似然均能得到高达97％的总量精度和90％的位置精度，SVM的纯地块分类稳定性优于最大似然法，但SVM所需的训练样本量远低于最大似然，因此SVM更加适合于冬小麦纯地块分类。通过对不同地块面积区间误差分析，基于纯地块分类的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，而大地块发生错分与漏分情况较少，因此纯地块分类在整个区域能得到较高的位置精度和面积总量精度。对于少量的大面积冬小麦纯地块的错分与漏分，则可通过较小工作量的野外调查加以修正。
4.基于混合地块分解的冬小麦种植面积遥感测量
基于混合地块分解的冬小麦种植面积测量方法比像元分类有着更高的总量精度和位置精度，多次实验的精度和稳定性随着样本量的增加而递增。在种植结构破碎的都市农业区，像元分类无法解决混合地块边界和内部的冬小麦光谱混合和变异的问题，而混合地块分解法能在混合地块冬小麦百分比与光谱、植被指数之间建立高效的多元线性回归模型和SVM分离超平面，能有效解决特征向量维数较多的问题。当训练样本量达到10％以上，即样本地块数大于86个时，SVM分解的位置精度和总量精度随着样本量的增加而缓慢提高，位置精度可达84％以上，总量精度可达97％以上，SVM分解法的精度和稳定性略高于多元线性回归法。基于SVM分解的混合地块冬小麦测量方法的位置精度和总量精度整体上优于多元线性回归法，且适用于训练样本量较小的情况，只要特征向量有着较好的相关性，均有助于SVM法进一步提高冬小麦测量的位置精度和总量精度。
因此，本研究通过地块本底数据库建设、地块可分性分析、纯地块分类、混合地块分解，构建了基于地块分类的冬小麦种植面积遥感测量方法体系，能获得比像元分类更高的测量精度，为农作物种植面积遥感测量提供一定的方法借鉴。