论文部分内容阅读
农情信息有效快速的获取是农业科学决策的重要保障。除常用的统计抽样调查方法外,随着空间信息技术的不断发展,遥感数据已广泛应用于农作物种植信息提取研究中;利用遥感技术快速准确地实施农作物分布、长势等变化的监测是农业生产与管理部门的迫切需求。我国地域广阔,人口众多,三大传统粮食作物增产空间有限,粮食安全问题尤为重要与突出。马铃薯以其适应性广、单产提升空间大等优势显示出强劲的发展势头,成为新时期确保国家粮食安全的新途径,2015年初农业部正式启动了马铃薯主粮化工程。目前,我国利用遥感监测的农作物主要集中于水稻等禾本科作物及大豆等豆科作物,对于茄科作物马铃薯研究较少。而且近年来,神经网络技术以其较高的分类精度、较广的应用范围逐渐成为农作物空间信息识别的重要手段。因此,本文选用BP人工神经网络分类方法,结合高光谱特征分析确定输入特征的方式,利用Landsat-8遥感影像对吉林省长春市纪家镇、兴隆镇马铃薯分布进行遥感提取。主要方法和结果如下:1、构建多种高光谱指数确定马铃薯与其他作物的光谱差异特征以马铃薯关键生长期——结薯期为测量时点,以马铃薯和玉米、大豆、水稻为研究对象,开展高光谱曲线特征差异性研究。为更好地描述马铃薯与其他作物的光谱差异,创建了高光谱反射率差异性指数、高光谱一阶导数差异性指数、高光谱红边幅值差异性指数、高光谱曲率差异性指数、高光谱植被指数差异性指数。结果表明:马铃薯与玉米、大豆、水稻3种作物光谱曲线具有明显差异,马铃薯与玉米的反射率值在480nm附近蓝色波段位置差异最显著,差异性指数值为67.866%,与大豆、水稻的最大差异性指数值分别为49.068%、57.559%,均位于550nm附近绿色波峰位置;作物光谱曲线经一阶导数变换运算,马铃薯与其他作物间的光谱差异被显著放大,在近红外波段放大程度最显著;马铃薯与玉米、大豆、水稻高光谱曲率差异性指数最大值均位于波长750nm附近,差异性指数值分别为78.365%、63.471%、80.882%;常用植被指数中,比值植被指数、增强型植被指数可显著区分马铃薯与玉米、大豆、水稻。2、开展不同作物的高光谱差异性分析,确定BP神经网络分类输入特征以普通遥感器为基础进行马铃薯与其他作物的分辨,植被指数和光谱波段反射率都可以作为输入特征值。选择距离地面光谱曲线测量时间最接近的2016年7月4日Landsat-8遥感影像;结合高光谱差异性分析结果,将差异较小的红色波段剔除,植被指数选择差异最大的比值植被指数RVI;综合后将输入特征确定为23567波段+RVI以进行BP神经网络的参数优化训练。3、确定神经网络分类结构选用landsat-8遥感数据,借助ENVI平台构建基于BP神经网络的土地覆盖分类模型,应用于研究区的马铃薯等作物分类研究。以23567+RVI波段特征作为输入,不断调节分类参数,确定最优分类网络结构。最终确定的参数值为:活化函数为对数函数,初始权值为0.1,学习速率为0.1,动量因子为0.5,RMS为0.3,隐层数目为1,训练次数为350,最小输出活化阈值为0。4、马铃薯分布结果及精度验证以最优参数分类得出的结果经混淆矩阵精度检验,达到的分类总精度为95.8675%,Kappa系数为0.9395,其中马铃薯的分类精度为89.18%。选择作物生育期内多时相的Landsat-8影像进行精度对比验证。影像日期分别为2016年7月4日、2016年8月5日、2016年9月22日。最终得出2016年7月4日的Landsat-8影像分类精度最高;分析原因为该时间距离地面实测光谱的时间最近,因此光谱特征与差异性结果最相似。选择作物生育期内多时相的GF1影像与Landsat-8影像的分类结果进行精度对比,结果显示Landsat-8影像分类精度远高于多时相GF1影像的分类精度;分析原因为Landsat-8影像包含的光谱信息比GF1丰富,即使空间分辨率不及,但对于马铃薯识别而言,光谱信息更重要。与ISODATA法、最小距离法、最大似然分类法进行分类精度对比分析,BP神经网络的分类精度最高;表明BP神经网络的自组织学习适应能力对于分类精度的提升有很大影响,是较优的遥感影像马铃薯识别方法。