有关基于时间序列NDVI的河套平原农田分类方法毕业论文写作资料-论文写作网

简介:关于本文可作为区域分类方面的大学硕士与本科毕业论文区域分类论文开题报告范文和职称论文论文写作参考文献下载。

区域分类论文范文

摘　要：河套平原是中国北方重要的农业基地,利用遥感影像开展河套灌区监测具有重要意义.该文利用时间序列NDVI,分析了不同作物在生长周期上的差异对其NDVI的影响.将多尺度分割和FCM分类算法相结合,发展了一种基于区域的农田遥感影像分类算法.利用本文的方法对五原县农田区域的时间序列NDVI进行分类实验.结果表明,该文的方法可以有效区分非农田、葵花和小麦.基于区域的遥感图像分类算法中,尺度参数的选取是非常重要的.

关键词：NDVI 图像分割 FCM 农田分类

中图分类号:F326.2文献标识码:A文章编号:1674-098X(2014)09(a)-0202-02

河套平原地势平坦,土质肥沃,虽然年降雨量较低,但凭借黄河灌溉的优势,自古以来就是中国北方重要的农业基地.该地区面积广阔,约为25000km2,可种植小麦、玉米、葵花、蜜瓜等多种经济作物.农作物长势和种类分布信息对于指导农业生产有着非常重要的作用.然而,利用传统观测手段来监测大范围的河套灌区是非常费时费力的.遥感技术的兴起,为大面积的农业区域监测提供了有力的手段[1].因此,利用遥感影像进行河套灌区监测具有非常重要的意义.

归一化差分植被指数（Normalized Difference Vegetation Index,NDVI）是农业遥感中重要的观测量,利用NDVI可以有效区分农田植被与非植被区域.然而,NDVI仅能反应植被的覆盖率,不能区分植被覆盖的种类.为了解决该问题,国内外很多学者利用多时相的遥感影像提取NDVI,根据不同农作物在生长周期上植被覆盖率的差异,来精确区分农作物的类别.Badhwar等人早在1982年就建立了一个时间序列剖面模型,用以从Landsat NDVI数据中区分作物类型[1].苗翠翠等利用多时相MODIS提取的NDVI进行了江苏省水稻面积估计[2].马丽等利用3景不同时间的Landsat影像开展了农作物分类研究,试图区分黑龙江军川农场的大豆、玉米和水稻.Edlinger等利用Landsat数据对乌兹别克斯坦的棉花作物灌溉区域进行了提取研究.Liu等人综合利用了不同空间分辨率的时间序列NDVI进行作物分类研究.以上研究的一个共同点是,都根据各自研究区域的特点来调整作物分类方法的参数,以达到最佳分类精度.因此,要利用时间序列的NDVI数据开展河套灌区的作物分类研究,有必要根据该区域的特点进行作物分类方法的优化,以获得较高的作物识别精度.

该文利用地球观测一号卫星（Earth Observation-1,EO-1）改进型陆地成像仪（Advanced Land Imager,ALI）影像提取河套灌区的时间序列NDVI,以开展河套灌区作物分类研究.作物分类在本质上可以归为遥感影像分类问题,而近年来的相关研究表明,基于区域的分类方法在精度上要明显优于基于像素的分类方法.因此,本文发展了一种基于区域的作物分类方法,该方法结合了多尺度图像分割和模糊C均值聚类（Fuzzy C-Means,FCM）,以准确获取河套灌区农作物的种类分布信息.本文篇章结构如下.第二节介绍了数据和研究区域；第三节详细阐明了该文提出的作物分类方法；第四节展示了河套灌区作物分类实验的结果；第五节总结全文.

1.数据域研究区域

1.1 数据源和预处理

EO-1卫星是NASA于2000年发射的一颗对地观测卫星,其上主要搭载三个遥感器：高光谱成像仪、大气校正仪和ALI.ALI与Landsat7具有相似的波段设置,包括9个多光谱波段和1个全色波段.ALI全色波段的空间分辨率为10m,高于Landsat7 ETM+(15m),这使得ALI具有更为论文范文的对地观测能力.

该文选用了2013年的3景ALI影像,影像获取时间见表1.影像的预处理包括辐射标定和全色锐化.辐射标定是通过ENVI遥感影像处理软件实现的,其目的是获取反射率,用以计算NDVI.ALI多光谱波段的空间分辨率为30m,为了获取更为精细的多光谱分辨率影像,采用了ENVI软件中Gram-Schmidt全色锐化方法,将全色波段和多光谱波段进行融合.

1.2 研究区域

五原县地处黄河最北端,约占河套灌区总面积的1/4.该地日照充足,温差较大,虽然年降雨量较低,但黄河灌溉弥补了水资源的不足,因此五原已成为中国北方重要的商品粮基地之一.

(图1)显示了五原县东南的农田区域.蓝色方框部分是该文的研究区域.其中西南方较粗的河道为总干渠,由它引出了两条五原县的重要灌渠：义和渠和通济渠.两条渠道均由南向北流经五原,前者贯穿研究区域的中间部分,后者则在前者的东部向北流入五原.

当地的主要作物包括小麦和葵花,其收获时间分别为每年的7月下旬和9月中下旬.该文利用7、8、9三个月的NDVI数据,结合两种作物在收获时间上的不同,可在遥感影像中得到两种作物的分布信息.

2.时间序列农田影像分类方法

该文采用了基于区域的遥感影像分类方法,利用时间序列NDVI影像,获取五原县不同种类作物的分布信息.

2.1 时间序列NDVI提取与分析

该文利用EO-1 ALI影像中的近红外波段（790.0092nm）和红色波段（660.0438nm）计算NDVI,其公式为：NDVI等于(ρNIR-ρR)/(ρNIR+ρR),其中ρNIR和ρR分别表示近红外和红色波段的反射率.NDVI的数值范围是-1～1.一般而言,植被的NDVI大于0.3,而土壤则在0.1～0.2之间,水体的小于0.

2.2 多尺度图像分割算法

该文采用为分形网演化算法（Fractal Net Evolution Algorithm,FNEA）对遥感影像进行多尺度分割,该算法集成在专业遥感影像处理软件eCognition中.FNEA在遥感影像分类中具有广泛的应用,其基本思想是：初始阶段,将每一个像素看做独立的区域；通过合并相似的区域,将遥感图像中的地物分割出来.

为了衡量两个相邻的区域是否适合合并,FNEA定义了光谱异质性和形状异质性,两者的加和即为两个区域适合合并的程度.该算法共包含三个参数：形状参数、紧凑性参数和尺度参数.其中,前两个参数调节形状异质性对总异质性的贡献.尺度参数控制的是分割结果中区域的平均大小；其值越大,则合并次数越多,分割结果中区域的平均尺度越大.

地区分类:12.迅雷看看轮换版区域全部分类样式讲解

2.3 FCM农田分类方法

FCM是一种非监督分类方法,目前已广泛应用于遥感影像解译.它是在模糊理论上发展的一种聚类算法,其实现过程中的目的是最小化下面的目标函数.

其中,N是图像中像素的个数,C是类别数,xj表示第j个像素值组成的向量,vc是第c个类别的中心的向量,μcj表示第j个像素属于第c类的程度,m参数控制聚类过程的模糊度.

FCM的步骤是：(1）输入参数：待分类的图像I等于{x1,x2,...,xN},类别数目C,模糊参数m,停止条件ξ.

(2)初始化隶属度矩阵u,其维度是C×N,其元素μcj的取值范围是0～1.

(3)设置循环计数变量L等于0.

(4)计算每一类的聚类中心vc：

(5)根据新计算的聚类中心,重新计算u：

其中dcj表示像素xj和聚类中心vc的距离,dcj等于xj·vc.

(6)若max(u(L)-u(L+1))<,ξ,则停止计算,进行去模糊化；否则,L等于L+1,并返回(4).

去模糊化是根据隶属度矩阵u对像素进行分类的过程,其方法是：每个像素隶属度最大所对应的类别,即为该像素的类别.

以上FCM得到的是基于像素的分类结果.要得到基于区域的分类结果,可以结合分割结果,采用大多数论文范文法.分割结果中,每个区域的大多数像素所对应的种类,即为该区域的类别.该方法可以有效减少基于像素分类结果产生的椒盐噪声效应.

3.实验结果与分析

该文利用2013年7、8、9三个月的五原县EO-1 ALI数据,开展了农田分类实验.按照图2的流程,首先对ALI影像进行预处理,并提取时间序列NDVI,之后对提取的NDVI进行图像分割和FCM分类,最后得到基于区域的分类结果.

根据时间序列NDVI的分析,并经过反复试验,得到该区域的最佳FCM参数设置为：C等于3,即非农田、葵花、小麦；模糊参数m等于2；停止条件ξ等于0.001.利用FNEA对时间序列NDVI进行图像分割,需要选取合适的尺度参数来得到最佳的分割结果,以提高作物分类精度.图3a和b中显示了小尺度和大尺度参数的分割结果,前者的尺度参数为1.0,后者为4.0.显然,随着尺度参数的增大,分割结果中区域的尺度越大.

图3c和d是不同尺度的基于区域的分类结果.由于缺乏现场数据,本文定性的评价了尺度参数对分类精度的影响.首先,非农田区域被准确的区分出来；在小尺度分类结果中,存在很多细碎的区域,一些尺度较小的道路、渠道等区域,被错误的分为葵花；在大尺度的分类结果中,葵花种植区域的分布更完整.显然,选用尺度参数为4.0的分类结果更为准确.