基于多源数据的复杂种植结构区作物遥感分类-郭栋.pdf

《基于多源数据的复杂种植结构区作物遥感分类-郭栋.pdf》由会员分享，可在线阅读，更多相关《基于多源数据的复杂种植结构区作物遥感分类-郭栋.pdf（58页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、中幽分类号 学校代码 !Q21璺学 号 !Q21Q【蚯隶北袭警九譬专业学位硕士学位论文基于多源数据的复杂种植结构区作物遥感分类作 者郢挂 导 师到缝至塞五山学位类别 盔些挂亡亟 所在学院姿源皇巫超堂瞳研究领域窭些童近到旦 学习方式全旦割二0一七年六月万方数据Classified Index：Confidential(yesno)noCode：10224No150220146Dissertation for the Professional Master DegreeCrop Remote Sensing ClassificationBased on Multi-source Data in C

2、omplexCropping Structure AreaCandidate：Guo DongSupervisor：Liu Huanj un&Song KaishanDegree Category：Master ofAgricultural ExtensionCollege：College of Resources and EnvironmentResearch Field：Agricultural Resources UtilizationStudy Mode：Full-timeHarbin ChinaJune 2017万方数据一一Ill lUl lift 曼!曼曼曼曼曼曼曼曼曼曼曼笪曼曼舅

3、舅曼蔓!曼!曼曼寰曼曼曼曼曼曼曼曼曼曼曼曼舅曼曼曼曼皇曼量曼曼曼曼曼!磐”型J JJ删J舢删舢曼目 录 摘要_I英文摘要II1引言111研究背景及意义112国内外研究动态1121基于光学数据的作物分类研究进展1122基于雷达数据的作物分类研究进展3123结合雷达和光学数据的作物分类研究进展4124存在问题413研究内容414研究思路52理论基础与相关概念界定721 SAR遥感的基本原理7211 SAR遥感的辐射特性一7212 SAR基本参数822最大似然分类法理论基础10221最大似然分类法原理10222混淆矩阵理论基础1123遥感数据融合理论12231融合理论概述12232遥感数据融合层次1

4、224多源数据定义143研究区概况与研究数据1 531研究区概况1532 Sentinel一1A数据16321 Sentinel1A数据介绍16322 Sentinel一1A数据处理1 833光学数据20331光学数据介绍20332光学数据处理2234地面数据234基于SAR与光学数据波段组合的作物遥感分类2441作物后向散射特征分析一2442耕地范围的提取一2543影像最佳时相选择一26万方数据东北农业大学农业推广硕士学位论文44基于Sentinel1A与光学数据集的作物分类26441训练样本的选择26442基于单时相光学数据的作物分类28443基于多时相SAR数据的作物分类29444基于多

5、时相SAR与单时相光学数据的作物分类2945分类精度对比分析与评价305基于SAR与光学数据融合的作物遥感分类3351融合方法介绍一33511 PCA变换法33512 HIS变换法33513 Brovey变换法33514 GramSchmidt变换融合法34515 NNDiffuse融合方法一3452 Sentinel一1A数据与光学数据融合35521 PCA融合处理36522 GramSchmidt变换融合处理37523 NNDiffuse融合处理3853基于Sentinel一1A与光学数据融合的作物分类38531最大似然分类法建立38532分类结果精度评价396结论与展望4l61 l客论4

6、162特色与创新点4163不足与展望42致谢43参考文献44攻读硕士学位期间发表的学术论文一48II万方数据CONTENTSCoNTENTSAbstract in Chinese1Abstract in EnglishII1 Introduction111 Research background and significance112 Development of domestic and foreign research-1121 Research Progress on crop classification based on optical data1122 Research Progr

7、ess on crop classification based on SAR data3123 Research Progress on crop classification based on radar and optical data4124 Existing problems-413 Research contents414 Research ideas52 Theoretical basis and related concepts definition721 Basic principles of SAR remote sensing7211 Radiation characte

8、ristics ofSAR remote sensing7212 SAR basic parameters822 Theoretical basis ofmaximum 1ikelihood classification10221 Principle of maximum likelihood classification10222 Confu【sion matrix theory1 123 Remote sensing data fusion theory12231 Fusion theory overview12232 Remote sensing data fused level1224

9、 Multisource data definition143 Research area and research data1 531 General situation of study area1532 Sentinel1A data16321 Introduction of Sentinel一1A data16322 Sentinel一1A data preprocessing1833 Optical data2033i 1 Introduction of optical dataii20332 Optical data preprocessing2234 Ground data234

10、 Crop remote sensing classification based on SAR and optical data band combination-2441 Analysis of backscattering characteristics of crops2442 Extraction of cultivated land2543 Image optimal phase selection：16III万方数据东北农业大学农业推广硕士学位论文44 Crop classification based on SentinellA and optical data sets264

11、41 Selection of training samples26442 Crop classification based on single temporal optical data28443 Crop classification based on multi temporal SAR data29444 Crop classification based on multi temporal SAR and single temporal opticaldata：1945 Classification accuracy analysis and evaluation305 Crop

12、remote sensing classification based on SAR and optical data fusion3351 Introduction of fusion methods33511 Principle component(PCA)transform method33512 HIS transform method33513 Brovey transform method：；：；!；14 Gram-Schmidt transform method34515 NNDiffuse transform method3452 Sentinel-1A data and op

13、tical data fusion35521 Principal component(PCA)fusion processing36522 Gram-Schmidt fusion processing37523 NNDiffuse fusion processing3853 Crop classification based on Sentinel一1A and optical data fusion38531 Maximum 1ikelihood classification38532 Classification accuracy evaluation396 Conclusion and

14、prospect4161 Conclusion4162 Characteristics and innovation4163 Deficiency and Prospect42Acknowledgement43References44Papers published in the period of PhMeducation48IV万方数据研究生学位论文独创声明和使用授权书独 创 声 明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含未获得(注：如没有其他需要特别声明的

15、，本栏可空)或其他教育机构的学位或证书使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文中作了明确的说明并表示谢意。学位论文作者签名：嗄p积、 日期：如7年占月r日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权学校可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 (保密的学位论文在解密后适用本授权书)学位论文作者签名：p栅、 日期：w。7年6月r日去惮砂7年占盯日万方数据摘要摘 要农作物遥感分类是作物产

16、量预估和种植面积估算的基础，是遥感技术在农业应用领域的重要组成部分，具有非常重要的意义。准确识别农作物的种类可以实现对农作物的种植面积、空问分布及布局的准确估计，并为农作物的估产提供了主要输入参数。当前，利用光学数据来进行农作物分类的技术己相对来说比较成熟，但是光学数据对相同生长期内作物的分类监测仍然存在着“同谱异物”的问题，并且易被天气影响，导致在作物生长关键时期内经常无法获取可利用的监测数据。基于这种情况，SAR(Synthetic ApertureRadar)数据成为可用的数据源，SAR数据可全天候、全天时的工作；对植被、云层都有较强的穿透能力，从而能得到植被的表层信息，且可反映其内部构

17、造等相关信息，但是，作为一种相干的测量系统，SAR接收的信号经常会受到斑点噪声的干扰，从而对地物的分类精度造成影响。鉴于SAR数据与光学数据在作物分类这方面所体现出的差异性，本文利用作物生长期内的3景光学数据与3景Sentinel。1A雷达数据，以黑龙江省典型黑土区为研究区，结合农业保险公司提供的投保地块，对数据进行了最佳时相的选择，提取了研究区内耕地范围作为掩膜进行分类；利用最大似然法对SAR数据与光学数据波段组合、融合，进行作物分类相关研究，通过真实地表投保地块数据对结果进行检验、对比分析；并对不同时期不同作物进行后向散射特征分析，从而验证不同时期不同作物分类精度。就此，论文所得主要结果如

18、下：(1)Sentinel一1A地距影像(GRD)处理。GRD数据是Sentinel一1A数据独有的数据格式，运用ENVI、Toolbox等软件，完成对数据的辐射定标、噪声滤波、地形矫正等处理步骤。选取合适的滤波方式，从而提高作物分类精度，为识别与使用遥感图像中作物信息的后续工作提供了一定思路。(2)结合SAR数据与光学数据可以提高作物分类精度。通过最大似然分类法利用多时相SAR数据与单时相光学数据波段组合后的分类总精度比使用单时相光学数据分类精度提高了约313，比单独使用雷达数据分类精度提高了约8-18。结合不同作物后向散射特征分析结果，可得出不同时期最大似然分类结果与后向散射分析结果基本吻

19、合；利用PCA变换、GramSchmidt变换、NNDiffuse变换的融合后分类总精度相比于光学数据集会有稍许提高，且利用NNDiffuse变换的光学数据集与9月13日Sentinel一1A数据融合后的分类精度比光学数据集的分类精度提高了4。(3)SAR数据会明显增强作物特征。SAR数据可用于改善农作物遥感分类的精度的原因是其所含的丰富的结构信息可以改善光学数据的波谱信息，显著提高了不同作物之间的差异，使田块边界明显，增强了作物之间的可分性，增强了对作物的识别分析能力。关键词：作物分类；Sentinel，1A数据；光学数据；融合；最大似然法万方数据AbstractIIIICrop Remot

20、e Sensing Classification Based onMultisource Data in Complex Cropping Structure AreaAbstractCrop remote sensing classification is the basis of crop yield estimation and planting areaestimation，and it is also an important part of remote sensing technology in agricultural applicationThe accurate estim

21、ation of accurate classification of various crops can be achieved on the cropplanting area，spatial distribution and layout，and provides the main input parameters for the cropyield estimation modelAt present，the crop classification using optical data technology has been relatively mature，but the clas

22、sification of the same period of crop growth monitoring optical data still exist in thesame spectrum，and because the effects are vulnerable to weather,resulting in the critical periodof crop growth often unable to obtain remote sensing data availableBased on this situation，synthetic aperture radar(S

23、ynthetic Aperture，Radar,SAR)data become available to the data source，the SAR data can be allweather，all day long time work；having strong penetrating ability ofvegetation，clouds，which can get the surface vegetation information，and can reflect the internalstructure and other relevant information，but a

24、s a measurement system of the coherent signals ofSAR often disturbed by speckle noise，which affects the classification accuracy of ground objectsIn view of the SAR data and optical data differences in crop classification that reflects thescene，3 optical data using the crop growth period and 3 Sentin

25、el一1A radar data，taking the typicalblack soil region of Heilongj iang Province as the study area，combined with the agriculturalinsurance company insured plots of data to select the best the extraction in the study area，thescope of arable land as a mask for classification；crop classification related

26、research separately onthe SAR data and optical data fusion band combination，using the maximum likelihood method，and through the comparative analysis of the real surface covered plots of the data analyzed，and theanalysis results；scattering characteristics in different periods of different crops，and v

27、alidation ofdifferent crop classification accuracyIn this paper,the main results are as follows：(1)Sentinel一1A range image processing(GaD)GRD data is a unique data formatSentinel一1 A data，the use of ENVI，Toolbox and other software to complete the radiometriccalibration of the data，noise filtering，te

28、rrain correction and other processing stepsTheappropriate filtering method is selected to improve the classification accuracy,which provides astandard data source for the extraction and utilization of crop information from image data(2)combining with SAR data and optical data Can improve crop classi

29、fication accuracyThemaximum likelihood classification method using multi temporal SAR data and single phasecombined optical band data after the total classification accuracy than using single phase opticalTT万方数据东北农业大学农业推广硕士学位论文data to improve the classification accuracy of about 3-1 3，increased by 8

30、-1 8than the use ofradar data classification accuracy aloneThe combination of different crop backscattering analysisresults can be obtained in different periods of maximum likelihood classification results andbackscattering analysis results are basically consistent with the fusion；PCA transform，Gram

31、Schmidt transformNNDiffuse transform after the total classification accuracy compared tothe optical data gathering slightly improve the classification accuracy and classification accuracy,using the optical data set and Sentinel一1 A data in September 1 3th NNDiff-use transform fusionratio of the opti

32、cal data set is increased by 4(3)SAR data will significantly enhance crop characteristicsSAR data can be used to improvethe accuracy of remote sensing classification causes crop iS abundant structural informationcontained in the data can improve the optical spectrum information，significantly increas

33、ed thedifference between different crops，the field boundary obviously,enhances the separabilitybetween crop to crop，enhances the recognition ability of analysisKey words：Crop classification；Sentinel-1 A data；Optical data；Fusion；Maximum likelihoodmethodIIICandidate：Guo DongSpeciality：Agricultural Res

34、ources UtilizationSupervisor：Liu Huanjun&Song Kaishan万方数据引 言1引言11研究背景及意义中国是一个粮食生产量与消费量巨大的国家，粮食安全对我国经济的发展发挥了重要的作用，因、此国家十分重视粮食的产量与种植面积相关问题。及时了解、掌握主要农作物的种植面积、长势信息，对于准确预估农作物产量，加强作物生产管理，为相关部门向农户发放补贴提供依据，因此保证我国粮食安全具有十分重要的意义。传统意义上的作物长势与种植面积等相关信息的获取主要依赖政府部门向上级报告或者是对农民进行走访问卷调查，此方式会消耗大量财力、且浪费时间；此外，由于存在漏报、错报和空

35、报等常见问题，及时且准确的收集大尺度农田作物的种植面积、地域分布与长势信息是有一定难度的【11。随着技术的发展，“3s”技术在农田作物的分类、区域面积计算、长势与产量预告、灾害统计等方面发挥着举足轻重的作用。将遥感数据应用在农作物类型的监测中可以达到高收益、高时效、应用范围广、信息量丰富的效果。农情遥感监测的最重要内容之一就是对农作物种植面积与产量的及时、客观的预告，精准识别不同农作物是非常重要的前提。因此，农情遥感监测的目标就是快速准确的识别不同主要的农作物，从而全面的进行作物面积和产量估计【21。国内外已经有很多学者利用各种遥感数据来进行作物分类研究，且通过光学数据的作物分类研究已经获得了丰富的研究成果。然而，在进行我国北方作物遥感监测过程中发现，严重影响监测的准确性和时效性的原因是农作物生长关键时期内经常存在云、雨天气，导致经常没有办法得到所需要的光学数据。近二十年来，随着雷达遥感技术及理论的发展，SAR遥感技术由于其具有