基于NDVI时间序列的水稻面积提取研究 ——结合物候关键值分析法

论文摘要

随着光谱仪器的飞速发展,它提供的多样性遥感数据同时加快了国内外对农作物提取方法的研究水平。由于MODIS数据具有免费、多时相性等优点逐渐成为国家粮食作物种植面积统计的重点研究对象。然而由于数据本身存在的大量坏数据严重制约了研究中的各项分析结果,特别对MODIS-NDVI时间序列的分析产生了很大影响,导致分类精度不高。本次研究采用一种先进的滤波处理方法—SG滤波平滑处理来改善数据的不足。从结果中可以得出：利用去除MODIS数据中噪声的方法,不会导致数据中细节信息的丢失,更重要的是经过TIMESAT处理后的影像中包含了所有地物物候期的关键信息。通过将其与NDVI时间序列结合分析,可以达到精确区分不同种作物的目的。通过对重建后的NDVI时间序列进行重点分析,将水体、建筑等典型地物进行剔除；并着重就水稻、小麦、林地等的关键物候信息进行对比研究。利用不同作物间的生长周期、生长幅度、生长长度以及生长中的NDVI最大值各不相同,采用先进的决策树进行分类规则训练,提取江苏省水稻的空间分布及种植面积。最后,通过多种手段,对分类后的面积进行定性和定量评价,得出98.6%的高精度。这不仅满足了国家对大范围内作物预测的要求,而且该方法更具有很强的实际应用价值。

论文目录

• 致谢
• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 什么是农情遥感
• 1.2.1 国内外农情遥感概况
• 1.2.2 农情遥感的意义
• 第二章 研究地区和数据来源
• 2.1 研究区自然概况
• 2.1.1 区域概况
• 2.1.2 行政区划
• 2.2 研究数据来源
• 2.2.1 MODIS数据介绍
• 2.2.2 试验研究数据
• 第三章 研究区主要作物种植结构及物候期
• 3.1 江苏省主要作物分布
• 3.2 江苏省主要作物的物候情况
• 3.2.1 水稻
• 3.2.2 小麦
• 3.2.3 油菜及其他作物
• 3.3 研究物候学的意义
• 第四章 基于NDVI时间序列的水稻面积提取
• 4.1 技术路线与方法流程
• 4.1.1 中心思想
• 4.1.2 归一化植被指数
• 4.2 多源遥感数据预处理技术
• 4.2.1 遥感数据预处理流程
• 4.2.2 基于时间序列的图像预处理
• 4.3 NDVI时间序列遥感图像处理
• 4.3.1 NDVI时间序列
• 4.3.2 NDVI时间序列归一化
• 4.3.3 NDVI时间序列图像的生成
• 4.4 NDVI时间序列重建
• 4.4.1 NDVI序列重建的目的与意义
• 4.4.2 时间域上的处理方法
• 4.4.3 频率域上的处理方法
• 4.4.4 S-G滤波平滑法
• 第五章 江苏省水稻面积提取与精度评价
• 5.1 基于NDVI的分类体系
• 5.1.1 NDVI物候关键值提取
• 5.1.2 水稻物候要素分析
• 5.1.3 水稻物候关键值分析
• 5.2 决策树分类法
• 5.2.1 决策树定义
• 5.2.2 决策树分类法在农情遥感中的应用
• 5.2.3 决策树分类法的实现
• 5.2.4 训练区纯化与分类规则提取水稻
• 5.3 水稻面积统计以及精度评价
• 第六章 结论与展望
• 6.1 结论
• 6.2 存在的问题及对未来的展望
• 参考文献
• 图表
• 详细摘要