东篱科研大数据发现系统（DRDS）

位置：成果数据库 > 期刊 > 期刊详情页

基于中分辨TM数据的水稻提取方法对比研究

ISSN号：1005-9121
期刊名称：中国农业资源与区划
时间：0
页码：-
分类：TP79[自动化与计算机技术—控制科学与工程;自动化与计算机技术—检测技术与自动化装置]
作者机构：[1]中国农业科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室,北京100081, [2]中山大学地理科学与规划学院,广州510275
相关基金：国家自然科学基金项目（40930101,41171328和41201184）,国家重点基础研究发展计划项目（“973”计划）（2010CB951502）
相关项目：全球变化背景下农作物空间格局动态变化与响应机理研究

关键词：水稻, 神经网络, 面向对象分类, TM影像, paddy rice , ANN, object - oriented classification, TM image

中文摘要：

水稻种植面积监测是当前农业土地变化科学的热点问题，但运用遥感技术对水稻种植面积精确实施监测一直是难点。中分辨率遥感影像能够满足我国大面积水稻作物监测，成为业务化运行的主要数据源。为此，该研究尝试以中分辨率TM影像为数据源，结合神经网络和面向对象（SVM）两种算法对对黑龙江省富锦市2010年两期不同时相影像分别进行水稻分类提取，并对分类结果进行滤波处理及混淆矩阵精度评定。结果表明：（1）在高纬度单季稻生长区，面向对象分类算法的精度显著高于神经网络的分类精度，水稻用户精度和生产者精度在6月份分别高0．55％、1．37％，在8月份分别高0．62％、2．34％；（2）对神经网络分类的结果进行Majority滤波处理，在一定程度上可以改善水稻分类的精度，水稻用户精度和生产者精度在6月份分别提高0．14％、0．5％，在8月份分别提高1．56％、1．43％；（3）选取关键水稻物候期的遥感影像获取水稻种植面积的精度更高，返青期水稻提取精度要高于乳熟期，其中神经网络算法的水稻用户精度及生产者精度分别提高2．67％、3．45％；面向对象算法的水稻用户精度及生产者精度分别提高2．6％、2．48％。未来需要重点考虑建立全国水稻物候历信息、面向对象算法中自动化最优尺度分割方法来提高水稻分类的精度。

英文摘要：

Monitoring the rice area has become a hot issue of the present agricultural land change study. However, itg uneasy to accurately monitor rice area using remote sensing technology. Based on two phase mid - spatial resolu- tion TM images, this paper monitored the rice area in Fujin County, Heilongjiang Province using the methods of ob- ject oriented classification and Artificial Neural Network （ANN）. The conclusions were as follows： Firstly, the ac- curacy using the method of object - oriented classification was higher than that using ANN classification method. It was 0. 55% and 1.37% higher for rice user and producer accuracy on June, and 0. 62% and 2. 34% on August. Secondly, after the process of Majority analysis, the rice classification accuracy would increase by 0. 14% and 0. 5% on June, and 1.56% and 1.43% on August for rice user and producer accuracy using the method of ANN. Thirdly, choosing the proper time images can get a higher accuracy rice area, and the accuracy obtained from retur- ning green stage was better than that from the milk ripe stage, the rice user accuracy and producer accuracy can in- crease 2. 67% and 3.45% using ANN method and can increase 2. 6% and 2. 48% using the method of object-ori- ented classification. In future, it should improve the classification accuracy through building long time series of rice phonological calendar and using the method of object-oriented automatized segmentation scale.

同期刊论文项目