书目详细信息
： 基于高分二号卫星影像的农作物类型识别研究
书目信息 机读格式(MARC)
| ISBN/价格： | CNY20.00 (估\呈缴)学位论文 |
|---|---|
| 作品语种： | chi |
| 出版国别： | CN 530000 |
| 题名责任者项： | 基于高分二号卫星影像的农作物类型识别研究/.郑舒元著/.王建雄指导 |
| 出版发行项： | 2023.6.12 |
| 载体形态项： | 87页:;+图表:;+30cm |
| 一般附注： | 水利学院, 学号2020210066 |
| 提要文摘： | 基于遥感影像的作物分类是掌握农作物种植结构的重要技术手段，其对于农田信息管理，大范围农作物空间分布掌控，不同种农作物种植面积统计具有重大意义。随着我国卫星遥感技术的发展，我国发射了以高分系列为首的一系列高分辨率对地观测卫星，对地表的信息获取与分析能力得到了极大提升，国产卫星遥感影像开始广泛应用于多个技术领域。其中GF-2卫星具备亚米级空间分辨率及较短重返周期，能够较好获取地表农作物空间特征。基于此，本文利用GF-2 PAN卫星影像的高空间分辨率优势，结合Sentinel-2卫星影像数据光谱覆盖范围广的优势，对两种研究区影像数据利用多种方法进行融合并进行定量评价，从而得到融合结果较好的高空间分辨率与高光谱分辨率的影像数据，并通过决策树分层逐级提取策略提取研究区内作物种植区域，最后通过构建最佳分类特征配置，对作物种植区域内的不同露天农作物进行二次分类并验证其分类精度，主要研究内容与研究结论如下： （1）通过不同融合法对GF-2 PAN影像与Sentinel-2 MSI影像融合与定量评价。将研究区内同时相的GF-2 PAN影像与Sentinel-2 MSI影像，利用PCA算法、不同阶db小波变换、不同阶Coif小波变换、不同阶Sym3小波变换Gram-Schmidt算法、NNDiffuse Pan Sharpening算法分别进行影像融合，并通过RMSE、SSIM、ERGAS、SCC、PSNR、D、WARP、IE、AG、SF定量评价指标对融合结果进行评价，结果显示PCA融合法、db3小波、Coif5小波、Sym3小波所融合出的影像融合效果最佳，在保留GF-2 PAN影像的空间细节信息的同时对Sentinel-2 MSI影像光谱有较好保真度。 （2）通过构建逐级分层的决策树提取策略，结合建筑用地指数、裸土指数、水体指数、KT变换湿度分量，将各指数二值化阈值作为筛选规则，对研究区内的种植区域进行提取。结果表明通过上述方法能够对试验区内的种植区域进行较好的提取，四种融合方法中，PCA融合法因为融合过程中由于两幅影像原始分辨率的不同产生较多方块效应，在提取结果中错误提取了较多的非种植区域，利用小波变换的融合方法对种植区域提取的更为准确。 （3）对所提取的种植区域配置了最优分类特征以进行农作物类别二次分类。构建多种指数，并根据不同类别作物的植被指数值差异对植被指数进行优选降维，确定DVI指数的不同作物差异度最大；对种植区域进行纹理特征计算，结合ReliefF算法对纹理特征进行筛选，将B-信息熵、NIR-协同性、G-协同性、B-协同性、SWIR2-协同性、R-协同性、SWIR1-协同性、G-信息熵、SWIR2-信息熵作为最佳分类纹理特征；对融合影像除B1、B9、B10波段以外的9个波段的标准差、协方差进行计算，以高标准差-低协方差的判别标准进行最优波段提取，得到Red-3波段为最优波段。最终得到最优分类特征配置为：DVI+Red-3+B-信息熵+NIR-协同性+G-协同性+B-协同性+SWIR2-协同性+R-协同性+SWIR1-协同性+G-信息熵+SWIR2-信息熵。 （4）基于最优分类特征配置的面向对象分类。为规避基于像元的分类方法所带来的椒盐现象，引入面向对象分类法进行分类，通过ESP2插件确定最优分割尺度为148，并将最优分类特征数据集带入分类模型，利用SVM、RF、及最邻近分类法，选择合适的对象样本进行分类。根据分类结果对比得出，四种融合方法中，小波变换融合法所得融合影像的分类效果均优于PCA融合法所得的融合影像，以Coif5小波所得的融合效果最佳，其总体精度为90.42%；在SVM、RF、最邻近分类法三种方法中，分类效果最好的为RF分类器；在豆类、蔬菜、小麦、葡萄四种作物中，分类效果最佳的为葡萄，效果较差的为豆类。 |
| 并列题名： | Research on Crop Type Recognition Based on GF-2 Satellite Images eng |
| 题名主题： | GF-2影像 影像融合 农作物分类 决策树分类 学位论文 |
| 中图分类： | P237-533 |
| 个人名称等同： | 郑舒元 著 |
| 个人名称次要： | 王建雄 指导 |
| 团体名称等同： | 云南农业大学 授予 |
| 记录来源： | CN YNAUL 20240528 |