论文部分内容阅读
农作物遥感分类是作物产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、空间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已相对来说比较成熟，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。 本研究主要内容包括：⑴Sentinel-1A地距影像(GRD)处理。GRD数据是Sentinel-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。⑵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3～13％，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合;利用PCA变换、Gram-Schmidt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-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％。⑶SAR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。