论文部分内容阅读
遥感影像通过数字处理可以及时、准确地获取地表农作物种植信息,这对如何更好地利用人类赖以生存的耕地生态系统具有重大意义,并且可以为分析农作物种植类型、作物估产和优化耕地种植结构提供重要的数据源,这些数据对国家粮食安全和粮食战略储备同样具有重要意义。农作物类型分类是一个复杂的过程,需要尽量减少误差,提高分类精度。鉴于此,本文选用Landsat OLI数据,主要原因是该影像数据成像面积大、时间分辨率与空间分辨率适中且数据获取方便等。本文选取河南省郸城县(115°10′E-115°46′E,33°38′N-33°65′N)为研究区,选取Landsat OLI数据为数据源,通过统计年鉴数据和野外实地调查数据确定农作物物候期,利用ENVI 5.2软件对遥感影像数据进行预处理,由波段运算得到多时相影像数据的NDVI(Normalized Difference Vegetation Index)、NDBI(Normalized Difference Building Index)和NDWI(Normalized Difference Water Index等派生数据,利用Excel表格和IBM SPSS Modeler 18.0软件分别对NDVI、NDBI以及NDWI数据进行统计分析,经过反复验证并修改后获得最佳农作物类型分类阈值,采用决策树分类方法进行分类。使用基于混淆矩阵的精度评价方法,对研究区农作物类型分类结果进行精度评价,并分析造成农作物类型分类误差的原因。研究结果表明,基于决策树的农作物类型分类结果基本符合研究区耕地种植结构。研究区部分区域种植种类复杂、地块数量多而个体面积小,受限于此类农作物而最终分类结果会有错分、漏分现象,另一方面,影像的分辨率也会造成错误发生,主要是因为混合像元问题。在基于混淆矩阵的精度评价中,最终结果的总体分类精度和Kappa系数分别为64.65%和58.25%,一定程度上可认为本文技术路线能够满足农作物种植面积快速、粗略估计的实际需求。