《基于卫星遥感TM影像的冬小麦长势诊断》由会员分享，可在线阅读，更多相关《基于卫星遥感TM影像的冬小麦长势诊断（81页珍藏版）》请在金锄头文库上搜索。
1、”笼j 。 ，i i ?- 噜一0 + 。 等：_ ：1j 麓。 _ 。一。? ，lt 叠 ，；hr 5 ；! 硕士学位论文基王至星遥蹙! 塾毖像的整尘麦鸶麴途堑篡! 塞壁丫8 0 03 78，_；，、。；，“，#弘一譬曩。乓沁、一*， _ k。班堡篮。趣，韭一趣，塞石隆，强，。i猢i 斌灌。嶂。：、：。遴一。慧。o 鳖，。师i一。羚熬；_，。I粤以。!-凡。芬。，I摘要基于卫星遥感似影像的冬小麦长势诊断摘要农田土壤空间异质性及人为水肥管理的差异是造成作物长势时空差异的两大原因，利用遥感技术实时对其诊断是当前农业生态环境遥感研究的热点问题，前人的研究工作基本上集中在利用N O A A 遥感数据
2、进行大范围的作物长势监测，有关农田水平的诊断监测研究少见报道。大尺度长势的监测其监测精度不够，对农田生产管理的指导具有局限性。为此，本研究基于1 M 遥感影像的时空分辨率特点，在海河低平原区对应地测定冬小麦的拔节、孕穗、抽穗、灌浆4 个关键生育期的叶片叶绿素相对含量，应用地统计学方法分析叶绿索相对含量和T M 影像各波段灰度值时空变异特征，研究了其在农田尺度监测农作物长势的可行性，建立了遥感变量与叶片叶绿豢相对含量的关系，根据研究区叶绿索相对含量与植被指数N D V I 实现研究区内冬小麦在拔节与孕穗期的长势监测。其结果为农田生态系统可持续管理中合理应用遥感技术提供了可靠的依据，对高空间分辨率
3、遥感信息的农业应用具有重要的现实意义。在本项研究中，得出以下主要结论：( 1 ) 研究区内冬小麦叶绿素相对含量时间变化趋势是拔节期 0矗= O( 5 )0 爿( 6 )晟= OO 彳( 7 ) = O向 O( 8 ) 向= 04 高斯模型，( ) = c 。+ c 【1 一e X p ( 一 ) 2 4 2 j( 9 )5 幂函数模型y ( 矗) = c o 十c p l 。o 7 5 时，变量空间相关性很弱( c 眦b a r d e l l aC A c ta l ，1 9 9 4 ) 。半方差y ( A ) 与自相关系数p ( ) 在理论上有如下关系：，( ) = c r 2 一户( 厅
4、) 】( 1 2 )式中仃2 为z ( x 。) 的方差，随 增大，P ( ) 减小，而y ( ) 增大；当矗= a 时，( ) = 盯2( 1 3 )三、K r i g i n g 内插半方差图除用于分析空间分布的方向性和相关距离外，半方差的另一个重要的用途是为心i g i n g 空间内插法提供必要的、有关变量空间变异的信息。蹦g i n g 方法是利用原始数据和半方差结构性对未采样点的区域化变量作无偏最优估值的方法，其吴素霞：基于卫星遥感1 M 影像的冬小麦长势诊断特点在于能计算出每个估值的误差大小，从而能够确定估值的可靠程度。其实质是一个实行局部估计的加权平均值：z ( ) = z 。
5、)( 1 4 )f 。1式中z ( ) 是在未经观测的点上的内插估计值，z ( 五) 是在点附近的若干观测点上获得的实测值。丑是考虑了半方差图中表示空间的权重，所以，z 值的估计应该是无偏的，因为：五，= 1 J t l( 1 5 )估计偏差是最小的，并可以由下列方程求出：盯2 ：6 ，HE洲( 1 6 )式中b 是被估计点与其它点之间的半方差矩阵，b 7 为矩阵的转置矩阵，为拉格朗目参数。K i g i n g 插值可为空间格局( 在空间上有规律的分布) 分析提供从取样设计、误差估计到成图的理论和方法，可精确描述所研究的变量在空间上的分布、形状、大小、地理位置或相对位置，这在确定空间定位图式
6、( 格局) 方面是比较有效的方法( T I g m a r B B 吼a 1 ，1 9 8 5 ) 。第五节遥感图像分类方法一、遥感分类的概念与原理遥感图像通过像元灰度值的高低差异( 反映地物的波谱特性) 和空间变化( 反映地图的空间分布) 来表示不同属性的地物目标及其分布状况。遥感影像分类就是利用计算机通过对遥感影像各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分为互不重叠的子空间，然后将影像中的各个像元划分到各个子空间去。遥感影像分类的理论依据是：遥感影像中各同类地物在相同条件下( 纹理、地形、光照以及植被覆盖等) 应具有相同或相似的光谱信息特征和空间信息特征，
7、因此同类地物像元的特征向量将集群在同一特征空间区域，而不同的地物由于光谱信第二章研究内容与方法息特征或空间信息特征的不同，将集群在不同的特征空间区域( ( h l e r s c h m a n ie t a ，2 0 0 3 ) 。同类地物的各像元特征向量虽然不是完全集中在一个点上，但也不是杂乱无章分布的，而是相对密集地分布在一起形成集群，当像元数目较大时，近似呈多维芷态分布。一个集群相当于一个类别，而每类的像元值向量可以看作随机变量，因而遥感影像分类方法一般是建立在随机变量统计分析的基础上的。遥感图像的计算机分类，与遥感图像的目视判读技术相比，两者的目的一致，但手段不同，前者是利用计算机模
8、拟人类的识别能力，后者把地学工作人员的专业知识介入到图像分析中去，是遥感解译的基本方法( 陈述彭，1 9 9 0 ) 。而在实际工作中，常常是二者有机结合起来，互相取长补短。计算机自动分类可以利用各波段、各像元的灰度值最小差异，探测目标的微小变化，精度较高，始于定量分析，速度快，可重复性好，因而越来越得到广泛的应用，尤其是与地理信息系统相结合更显示出强大优势。计算机分类的快速处理数据的能力也是与遥感大量信息相适应的，目前已成为遥感理论和应用研究领域主流之一。遥感图像分类大致按图2 5 的顺序进行：二、遥感分类的方法1 非监督分类图2 5 遥感图像分类流程F i g 2 5F l o wc h
9、a r to f R _ sc l a s s i f i c a 廿o n所谓“非监督”，是仅凭遥感图像地物的光谱特征的分布规律，随其自然地进行分类。其分类的结果，只是对不同类别达到了区分，但( 在联机过程中) 并不确定类别的属性；其类属是通过事后对各类的光谱响应曲线进行分析，以及与实地调查实践相b B 较后确定的。非监督分类中，主要算法有混合距离法( I s O M I 均、循环集群法( I s O D A r A ) 和合成序列积群方法等。尽管非监督分类较少受人为因素的影响，不需要对地面有许多实际的了解，但由于“同谱异质”、“同质异谱”以及混食像元等现象的存在，许多专家认为非监督分类的结
10、果不如监督分类令人满意，非监督分类不适用于对山区耕地的精确分类，只适用于图像中的类已知且特别规则和做大概的分类。如吴紊霞：基于卫星遥感1 M 影像的冬小麦长势诊断J o s eA 在进行土地覆盖土地利用制图时，先采用非监督分类大体确定类别，然后再进行细致分类( J o s e A e ta l ，2 0 0 0 ) 。2 监督分类监督分类又称训练区分类，它的最基本特点是在分类之前人们通过实地的抽样调查，配合人工目视判读，对遥感图像上某些抽样区中影像地物的类别属性已有了先验的知识，计算机便按照这些已知类别的特征去“训练”判决函数，以此完成对整个图像的分类。经典的监督分类法有最大似然法、平行六面体
11、法、M a h a l a l l o b i s 距离法和最小距离法等。与非监督分类相比，监督分类有一定的优势，但其所产生的分类结果往往也有较多的错分、漏分情况，导致分类精度降低。因此，在提取土地利用信息时，为了提高监督分类精度，总会在图像分类前或分类过程中采取一些措施。图像分类前采取的措施主要是针对训练区的，因为监督分类的精度与训练区的选择是密切相关的。监督分类和非监督分类是最基本的两种分类方法，由于其单一地依靠地物的光谱特征，因此对某些地物和某些地区分类效果并不理想，随着遥感技术和计算机技术的发展及人们实践经验的增多，又发展了其它分类方法。3 模糊分类监督分类和非监督分类方法都是假设每个
12、像元只能被归入一个类型中，像元和类型之间只能是一对一的关系。事实上，由于遥感图像分辨率及其他因素的影响，图像中的像元所对应的地面实体并不是一个类别，而是两个或两个以上类别的混合体。例如，T M3 0 m 3 0 m 的像元所对应的居住区也许是由房屋、草地、遵路组成，将其归到单一的房屋、草地或道路明显地会引起分类中很大的误差。模糊分类就是允许根据其混合类型的百分比将一个像元归到几个类型( 孙丹峰等，2 0 0 4 ) 。一般其像元中所对应的各类型百分比是由一个各类型百分比函数来决定的。模糊分类的原理被广泛地应用于许多领域，在遥感图像分类中尤其重要( w a n gF ，1 9 9 0 ；张兵，1
13、 9 9 6 ；尤淑撑等，2 0 0 0 ) 。从理论上，模糊分类提高了图像分类的精度，但必须事先确定训练像元中各类别的隶属度，这一过程比较复杂，也影响了该方法的推广应用。第二章研究内容与方法4 空间结构纹理分类纹理是物体表面灰度变化内容的特征，是遥感信息的重要内容。要利用图像空间信息提高分类精度，合理而有效地度量纹理至关重要( 冯春等，2 0 0 3 ) 。人类眼睛具有很好地区分不同空间特征的能力，利用不同的定量化方法计算其空间特征，然后用于分类中，被许多人所提倡( 郑肇藻，2 0 0 3 ；黄桂兰等，1 9 9 6 ；林剑等，2 0 0 4 ；E 0 mK B ，1 9 9 9 ；D e
14、丑gY M e ta l ，2 0 0 l ；B a n d e r aA e ta l ，2 0 0 1 ；C r i s 亡o b a 】G e ta 】，1 9 9 9 ) 。空间结构分类器主要是利用一些测量空间纹理结构的函数得到新的层。一般这些函数都是利用一定的窗口测定像元与其周边像元之间的关系，比如在5 5 窗口内像元之间的方差、空间相关系数等。将这些层加到原始图像的光谱层中，从而对混合图像进行分类。但是较大的窗口会降低图像的分辨率。5 人工智能神经元网络方法人工神经元网络方法，简称神经网络方法( 触州觚i f i c i a lN e u r a lN e 似o r I $ )分类
15、方法是近年来探讨最多的分类方法( 方红亮，1 9 9 7 ) ，它是对人脑神经的结构和功能的模拟，是一种简化的人脑数学模型。它不需要任何关于统计分布的先验知识，不需要预定义分类中各个数据源的先验权值( 方红亮，1 9 9 7 ) ，可以处理不规则的复杂数据且易于辅助信息结合( 熊桢等，2 0 0 0 ) 。与传统分类方法相比，心州分类方法一般可获得更高精度的分类结果，特别是对于复杂类型的土地覆盖分类，触m 方法显示了其优越性( w a I l gY e ta 1 ，1 9 9 5 ) 。实践表明，神经网络在数据处理速度和地物分类精度上均由于监督分类的最大似然方法，特别是当数据资料明显偏离假设的
16、高斯分布时，其优势更为突出( 江东等，1 9 9 9 ) 。但大量实验中发现某些地物的光谱数据的团聚性较差，使得网络对大多数易区分的地类识别率高，而对少数不易分的地类识别率低。实验结果表明，神经网络方法对某些类别的识别精度并不尽人意，网络对不同信息并不都具备良好的特征提取和理解分析能力，尽管有些学者做了改善，提高了识别精度，但最高分类精度也只达8 0 左右( 李四海，1 9 9 5 ) 。吴素霞：基于卫星遥感咖影像的冬小麦长势诊断第三章冬小麦叶片叶绿素相对含量时空变异性分析作物肥水的动态监测对于正确评价作物生长环境与受胁迫状况、诊断作物营养状况和预估作物产量具有重要意义，作物生长时空特征的提取是进行不同尺度农田生态系统研究的基础。农田土壤空间异质性及人为水肥管理的差异是造成作物长势时空差异的两大原因，利用遥感技术实时对其诊断已经成为当前的一个研究热点。作物产量
