论文部分内容阅读
低空间分辨率遥感数据是我国大范围农作物种植面积遥感测量重要的数据源之一,其应用的关键问题在于研究经济、有效的混合像元分解方法,通过对混合像元进行分解,来获得高精度的农作物空间分布信息。线性模型以其理论上的科学性和运算上的简单性被广泛应用于混合像元分解。论文中采用线性光谱混合模型对MODIS时间序列数据进行混合像元分解,研究的重点在于终端像元提取技术。首先对低空间分辨率的MODIS影像数据做纯净指数分析,然后借助更高空间分辨率的TM影像数据做样本,初步确定终端像元及其类别,并结合MODIS时序数据自身的特点,对终端像元进行波谱分析,剔除异常像元,最后输入到N维散点图进行N维散度分析,确定最终的终端像元。将终端像元输入线性光谱混合模型,对MODIS植被指数时序数据进行混合像元分解,以实现高精度的大面积冬小麦空间分布信息遥感测量。研究的主要结论如下:
(1)论文提出的终端像元提取技术能有效提高终端像元提取的精度。对研究区的试验结果表明,应用该技术提取的终端像元进行混合像元分解,提取冬小麦种植面积,其总量精度最高可达94.2%,像元精度达0.837,高于单一尺度上对MODIS数据进行纯净指数分析和单独进行TM数据分类提取的终端像元的混合像元分解结果。
(2)应用论文提出的终端像元提取技术提取终端像元并进行混合像元分解,其结果的总量精度有显著提高,相对而言,像元精度的提高不显著,总量精度大于像元精度。这说明线性光谱混合模型对MODIS数据的混合像元分解具有一定的局限性,较好的终端像元能使混合像元分解结果的总量精度有大的提高,但其像元精度改善效果相对不显著。
(3)对四种类型的时间序列MODIS数据来说,DVI和NDVI时间序列数据的混合像元分解结果要优于NIR和RED时间序列数据的混合像元分解结果,NIR时间序列数据的混合像元分解精度高于RED时间序列数据,RED时间序列数据的混合像元分解结果的精度在四种数据里面相对较差。这说明植被指数数据突出了作物信息,比单纯应用光谱数据效果好。NDVI植被指数虽然不是线性植被指数,但是其分解结果和线性植被指数DVI很接近,所以MODIS时序数据是否是线性植被指数对混合像元分解并没有明显的影响。
(4)MODIS混合像元分解分区评价结果显示,纯小麦种植区冬小麦的提取精度较高,而混合区的精度较低。说明应用线性光谱混合模型对MODIS数据进行混合像元分解的精度和所提取作物的空间分布状况密切相关,对种植连续、地块较大的作物的提取是有效的,对作物类型复杂、地块破碎的地区精度不理想。