卫星高光谱遥感农作物分类研究

内容简介

本书依据作者承担的**农业***农业遥感创新团队基金项目的研究成果撰写而成。以往利用星载多光谱遥感影像在我国种植结构复杂、地块分散破碎地区开展农作物分类时精度普遍偏低，而卫星高光谱遥感影像因具有光谱分辨率高、光谱信息丰富等优点，在复**植区的农作物精细分类领域具有较高的使用价值和应用潜力。然而，由于卫星高光谱遥感影像空间分辨率较低、特征空间维数高、波段间相关*强、运算时间长等不足，严重阻碍了卫星高光谱遥感技术在上述区域一步推广应用，影响了我国分布广泛的复**植结构区农作物遥感监测的*和时效*。鉴于此，选取河北省廊坊市广阳区为典型研究区，采用**GF-5卫星AHSI高光谱影行玉米、花生、红薯等10余种农作物的精细分类研究，联合GF-1卫星PMS****，比较了各种融合方法的影像质量，出适合卫星高光谱遥感的影像融合方法；定量评价了多种波段选择与特征提取方法，提出适合卫星高光谱遥感农作物精细分类的关键波段与特征，出农作物高光谱遥感分类算法，旨在为实现复**植结构区的农作物精细分类提供解决途径。全书共七章，主要内括：章农作物高光谱遥感分类的研究现状与存在问题分析；章研究区与数据源介绍；第三章高光谱图像融合方法研究；第四章面向农作物分类的高光谱图像降维方法研究；第五章面向高光谱遥感的农作物分类算法研究；第六章不同遥感数据源的农作物分类精度评价；第七章结论与展望。本书具有较强的系统*、创新*和实**，可供从事农业遥感、高光谱遥感、农业农村社会经济调查、地学、生态、环境等领域的科研与技术人员以及高等院校相关专业师生参考使用。

目录

章绪论
节研究背景及意义
节国内外研展
一、面向农作物分类的高光谱遥感数据源研展
二、高光谱图像融合方法研展
三、高光谱数据降维方法研展
四、农作物高光谱遥感分类算法研展
五、当前研究不足
第三节研究思路及研究内容
一、研究思路
二、研究内容
第四节技术路线及研究框架
一、技术路线
二、研究框架
章研究区及数据
节研究区概况
节数据收集与处理
一、高光谱卫星遥感影像
二、多光谱卫星遥感影像
三、样本地面调查数据
四、光谱野外观测数据及预处理
第三章高光谱图像融合方法研究
节绪论
一、基于全色锐化图像融合
二、基于成像模型图像融合
三、基于深度网络图像融合
四、融合图像指标
节融合影像的收集与预处理
第三节影像融合方法
一、GS（Gram-Schmidt）法
二、IHS（IntensityHueSaturation）变换法
三、Brovey变换法
四、PCA（PrincipalComponentsAnalysis）变换法
五、谐波分析法
六、PCA变换法
第四节融合图像的质量评价
第五节不同融合方法下的高光谱图像质量比较
一、基于视觉分析的高光谱图像融合质量对比
二、基于不同评价指标的高光谱图像融合质量比较
第六节本章小结
第四章面向农作物分类的高光谱图像降维方法研究
节绪论
一、波段选择
二、特征提取
节面向农作物分类的高光谱图像波段选择方法
一、波段初选
二、面向农作物的高光谱影像波段方法
第三节面向农作物分类的高光谱影像特征挖掘方法
一、高光谱影像特征提取
二、高光谱影像特征方法
第四节结果与分析
一、典型地物的反射光谱特征分析
二、不同算法下的高光谱影像波段选择结果比较
三、不同算法下的高光谱影像特征结果比较
第五节本章小结
第五章面向高光谱遥感的农作物分类算法研究
节面向高光谱遥感的农作物分类算法设计
一、支持向量机（SVM）法
二、森林（RF）法
三、似然（MLC）法
节农作物分类精度评价
第三节不同算法下的农作物高光谱遥感分类精度比较
第四节本章小结
第六章不同遥感数据源的农作物分类精度评价
节高光谱遥感的农作物分类
一、样本数据
二、分类特征
三、分类算法
节多光谱遥感的农作物分类
一、样本数据
二、分类特征提取
三、分类算法
第三节农作物分类精度评价
第四节不同遥感数据源的农作物分类精度比较
第五节本章小结
第七章结论与展望
节结论
节展望
参考文献
附件主要符号对照表

摘要与插图

章绪论节研究背景及意义我国是农业大国，农作物播种面积和产量信息是保障粮食、农业供给侧结构改革的重要依据（胡琼等，2015；陈仲新等，2016）。及时、地获取农作物种植面积及产量信息对优化农作物种植结构、科学制定农业政策、国家经济发展具有重要意义（Wardlow et al.,2007； 等，2015）。农作物种植面积是影响农作物产量的关键信息，而农作物分类与识别则是获取农作物种植面积和产量信息的核心问题（贾坤等，2013）。遥感技术作为一门快速发展的新兴科学技术，凭借其、及时、宏观等优点已广泛应用于农作物类型识别中（Shibayama et al.，1989）。随着传感器的发展，多光谱影像的空间分辨率越来越高，但是光谱分辨率依然较低，在农作物种植结构复杂、地块破碎地区分类精度不高，且难以实现对农作物品种的分类研究（Ulfarsson et al.，2003）。而高光谱图像凭借高光谱分辨率、能细致地获取地物光谱特征及其差异等优势，广泛应用于农作物精细分类研究中（Liu et al.，2015）。高光谱遥感应用于农作物分类研究初期，大多使用单一的机载高光谱影像作为数据源括美国的AVIRIS、德国的ROSIS、加拿大的CASI、中国的PHI等。随着高光谱遥入航天遥感阶段，卫星高光谱图像开始应用于农作物精细分类领域，其中常见的数据括美国的Hyperion数据、中国的HJ1A卫星数据、GF-5卫星影像年来，随着卫星高光谱遥感传感器的逐渐完善，以及高光谱图像处理技术、软件的发展，使得卫星高光谱图像在农作物精细分类、果园提取等方面的研究也不断增加，并且取得了的成果。但仍存在以下不足之处：其一，卫星高光谱影像光谱分辨率高，可以识别农作物间微小的差异，但空间分辨率较低，适合GF-5卫星高光谱图像的融合方法尚不明确。其二，高光谱数据存在维数高、波段间相关强等问题，面向GF-5图像农作物分类的关键波段和特征未实现。其三，对于种植结构复杂地区，卫星高光谱遥感农作物优分类算法尚未确定。其四，在同等条件下，不同数据源的农作物精细分类的精度和效率还未完成定量比较。针对上述卫星高光谱遥感农作物精细分类存在的问题，本研究采用卫星AHSI高光谱图像和GF-1PMS全色图行融合方法研究：在此基础上对高光谱图行数据降维，减少图像波段过多带来的维数灾难，适合卫星高光谱图像的数据降维方法；在特征的基础上，适合复杂地区高光谱图像农作物精细分类的分类算法：后比较高光谱、多光谱农作物分类的精度和效率，旨在为高光谱遥感农作物精细分类提供参考依据。