论文部分内容阅读
本文基于SVR(合成变量比)融合方法,提出了一种改进的SVR方法(ISVR)。ISVR的核心思想是利用多光谱波段的波长来模拟全色波段图像。为了评价和检验ISVR数据融合方法,本文使用了两组数据、三种数据融合方法和一种全面、客观的评价方法来对ISVR进行应用和评价。本文提出的ISVR方法首次将低空间分辨率的时间序列数据与高空间分辨率的单一时相数据进行了融合。基于对冬小麦生长的物候规律的基础上,本文使用ISVR方法将1期的TM-NDVI数据与10期的MODIS-NDVI时间序列数据进行了融合。利用最大似然分类方法,从融合数据中提取了冬小麦的面积,并使用地面调查数据对结果进行了检验。精度分析表明,通过数据融合,冬小麦分类精度kappa系数可以达到0.7578,比仅使用1期TM数据和仅使用10期MODIS-NDVI数据的提取精度可分别提高0.1169和0.4461。同时,融合数据与三期TM-NDVI数据的分类结果相比也具有较好的一致性。该结果说明本文所提出的ISVR的数据融合方法,在保证TM高空间分辨率的前提下,可以弥补单期TM数据对农作物生长的物候规律反映不足的缺点,减小单期TM数据中植物光谱上的相似性(“同谱异物”现象)所带来的误差,这对于进行多时相低空间分辨率数据与单时相高空间分辨率数据的融合具有一定的借鉴意义。