论文部分内容阅读
海南省属于我国南方地区,利用光学遥感数据进行水稻遥感监测经常受到云、雾、雨的干扰,无法获取有效长时间序列光学遥感数据,就无法精确识别提取水稻。虽然很多研究都在针对光学遥感数据做去云处理、融合多源遥感数据和物候曲线平滑处理等,能降低“云”噪声的影响程度,但是从根本上无法消除“云”噪声的影响,从而限制水稻识别提取的精度。本研究考虑到合成孔径雷达(SAR)数据具备全天时、全天候的优点,但是GF-3等多种多极化合成孔径雷达数据,存在购买数据、增加成本的等一系列问题。因此,本研究选择可免费获取长时间序列、高分辨率的Sentinel-1A雷达数据围绕识别提取早稻种植面积这一科学问题开展详细研究。本研究为了提高早稻种植面积识别提取的精度,以及让同时相不同极化数据或者不同时相同极化数据能较好地反映地物的时域后向散射系数特征的基础上。考虑到水体的时域后向散射系数在各个时期都处于较为平稳、低值的因素,沿用极化差分SAR图像、极化比值SAR图像的思路,对预处理之后的极化SAR数据进行水体归一化比值处理。采用专家知识决策树分类方法(基于样本统计分析的阈值分类方法)实现早稻区域与非早稻区域的分类识别提取研究,以此探讨Sentinel-1A雷达数据在南方地区识别提取早稻种植面积的可行性和应用潜力,以及探讨水体归一化参数改善极化SAR图像质量和提高早稻种植面积识别提取精度的优势。本研究得出以下结果和结论:(1)提取的早稻种植区与海南省的主要早稻生产基地在空间分布上基本一致。早稻种植区主要分布在海南省的西北部地区、东北部地区、中部偏北地区,约占全省早稻种植面积的70%以上,其余主要分布在海南岛周围的沿海地区。从混淆矩阵分析、面积分析、目视判读分析以及各地级市、县级的精度评价分析,表明海南省早稻种植面积识别提取精度效果良好。早稻种植面积提取的总体精度(Overall Accuracy,OA)为91.25%,Kappa系数为0.8167,制图精度为83.60%,用户精度为78.97%;早稻种植面积达144.70千公顷,与2017年海南省早稻统计数据130.15千公顷相比,相差14.55千公顷,相对误差为6.38%。(2)提取早稻种植面积的最佳监测系数是多时相的NDVH数据。NDVH数据能有效消减极化SAR图像因极化方式、相干斑点噪声以及地形因素带来的影响,更能有效提高SAR图像的质量和凸显早稻区域的纹理、色调特征。结果表明,多时相NDVH数据更适合应用于海南省早稻种植面积的识别提取研究,更能有效模拟早稻真实生长发育的物候特征。(3)最佳分类方法是基于专家知识决策树的阈值分类方法。本研究采用监督分类方法和专家知识决策树等多种分类方法对预处理之后的极化SAR数据进行分类提取。结果表明监督分类方法和CART算法不适合用于极化SAR数据在地形起伏较大、复杂区域的分类提取研究,唯独基于样本统计分析的阈值分类方法更适合用于极化SAR数据提取海南省早稻种植面积的研究。(4)结合Sentinel-2光学遥感数据和DEM数据,可以提高早稻种植面积识别提取的精度。因研究区的地形复杂、地形起伏较大的因素,导致极化SAR数据的回波信号出现较大偏差,而根据本研究仅仅使用极化SAR数据和水体归一化参数是无法消减此类的影响,所以结合光学数据和DEM数据在这方面具备的优势,有效辅助极化SAR数据消减因地形因素带来的影响。(5)长时间序列、高分辨率的极化SAR影像数据相对于中低分辨率的光学影像(Landsat、MODIS)来说,具备一定的优势。可以在多云雨的海南省地区有效模拟早稻生长发育的物候特征,弥补光学影像存在的缺点,也可以进一步减少混合像元的影响。本研究创新之处:本研究采用可免费获取的Sentinel-1A雷达数据,对预处理之后的极化SAR数据进行水体归一化比值处理,以此提出一种新的基于极化SAR数据监测早稻种植面积的识别提取参数。