文摘

复杂的种植区域分散包裹,包裹矢量数据结合遥感图像提取冬小麦种植信息可以弥补缺乏遥感图像分类的简单。这是一个可行的方向精密农业补贴,但是很难收集大规模包裹数据并获取高空间分辨率或时间序列遥感图像在大规模生产。这是一个有益的探索,利用现有的包裹数据生成的地面调查和与合适的时间和空间分辨率中分辨率遥感图像提取冬小麦种植领域大规模精确农业补贴。因此,本文提出了一种新的算法来提取冬小麦种植地区基于所有权包裹数据和改进中分辨率遥感图像分类精度。最初,图像的分割。为此,包裹数据用于生成每个包裹的感兴趣的区域(ROI)。第二,每个ROI的同质性是被其统计指标(平均值和标准偏差)。第三,平行六面体分类器和基于规则的特征提取分类方法是用来进行齐次和非齐次roi。最后,两个分类结果相结合作为最终分类结果。新算法应用于一个复杂的种植面积103.60公里²在中国中部基于所有权包裹数据和Gaofen-1 PMS和WFV遥感图像。实验结果表明,新算法能有效地提取冬小麦种植面积,消除噪音,花白的问题和获得高精度的分类结果(k = 0.9279,总体精度= 96.41%,用户精度= 99.16%,生产者精度= 93.39%,委员会错误= 0.84%,和遗漏错误= 6.61%)当所有权包裹的大小匹配遥感图像的空间分辨率。

1。介绍

准确提取作物种植结构是作物生长和产量的基本理解信息和农业灾害,具有巨大的价值在制定国家农业政策和保障国家粮食安全(1- - - - - -3]。与可控成本,获得准确的小农户的作物种植地区每个赛季通过遥感和地理信息技术是重要的提高精度和方向性的农业种植补贴在复杂的种植面积4]。

有许多方法提取作物种植地区使用先进的遥感图像来自多个传感器(5- - - - - -10]。这些方法可分为基于像素,基于对象,或两者的结合11]。基于像素的方法包括最大似然分类(12- - - - - -14),光谱角制图者(15,16),随机森林分类器(17- - - - - -20.),支持向量机(21- - - - - -23],流苏的帽子brightness-greenness-wetness [24,25[],决策树算法26,27],物候算法[28- - - - - -30.),和机器学习算法(31日- - - - - -33]。基于对象的方法包括分层图像分割软件(11,34,35和基于规则的特征提取36,37]。结合使用基于对象的方法和基于像素的方法提出了分类作物种植区域(38- - - - - -40]。然而,这些方法很难取得突破的自动分类和视觉识别作物种植地区仅从遥感图像的光谱信息分散和小型种植地区(41- - - - - -44]。结合包裹数据与遥感影像提取作物种植结构信息可以弥补的缺陷分类从遥感图像和获得更好的分类精度。它提供了一个简单而有效的方法来解决光谱变化的问题,在基于像素光谱混合分类方法和遥感是一个可行的方向的大型精密农业补贴(45- - - - - -49]。

parcel-based作物种植的概念分类源自Derenyi [50],它仍然是一个研究热点领域的遥感信息提取的作物种植。最近,parcel-based作物种植分类的研究都集中在向量化或图像分割得到的包裹51- - - - - -54]。先前的研究在parcel-based分类通常使用数字化或图像分割提取包裹数据和使用多光谱图像或时间序列图像进行作物种植与多种分类器分类。很难收集大规模包裹数据。此外,结合高空间分辨率或时间序列遥感图像和包裹数据很难获取遥感图像在大规模生产和不利于推广和应用。最近,确认和农村土地承包经营权登记权利在中国积累了一个所有权的包裹数据量,这提供了一个理想的数据来源parcel-based分类方法。这是一个有益的探索,利用现有的包裹数据生成的地面测量中分辨率遥感图像和合适的时间和空间分辨率为大规模提取作物种植信息精确农业补贴(53- - - - - -56]。

此外,遥感图像具有不同空间分辨率有自己的适用性和局限性的作物种植的分类(57,58]。遥感图像空间分辨率较低的时间分辨率高,可以覆盖很大的地区,但空间分辨率的限制,有许多混合像素,和他们只能适用于提取作物种植地区。高空间分辨率遥感图像提供更丰富的信息结构,质地,和几何但是通常有较低的时间分辨率,使它具有挑战性的获得关键物候期图像不同的农作物。此外,增加了数据处理的工作负载使用。中等空间分辨率的遥感图像有更好的精度和目标识别的可靠性。然而,应用于山区,丘陵等复杂地形区域与众多混合像素,作物种植结构不够表达和解释精度较低。可以克服这个缺点,如果我们把包裹的矢量边界信息和中等空间分辨率遥感图像提取作物种植地区。

因此,本研究提出了一种新的算法提取冬小麦种植领域基于所有权包裹矢量数据和中分辨率遥感图像来提高提取的准确性。验证它的可行性、准确性和适用性,新算法应用于一个复杂的种植面积103.60公里²2018年在中国中部。此外,包裹的大小之间的匹配关系,讨论了遥感图像的空间分辨率。

本文的组织结构如下:部分2描述了研究区和数据。节中给出的方法3。实验结果和讨论部分4。部分5总结了纸和表明对进一步的研究方向。

2。材料和方法

在本节中,阐述了研究的方法和基本工具。

2.1。研究区域

我们选择了一个复杂的种植面积103.60公里²中国中部地区为研究区域。研究区覆盖Fengle城镇的19个行政村,肥西县,合肥城市,安徽省,中国。延伸从31°32′34.77”31°39′29“N和117°2′10 117°12′23“e .该地区的地形相对平坦,与总的趋势是降低从北到南。是亚热带季风性气候区,显著的季风气候的特点,气候温和,温和多雨的年平均1020.6毫米,充足的光线,无霜期长。2017年总人口45726。研究区耕地被注册为2018年总面积6317.95公顷。因为它是安徽省的省会城市附近,在该地区有更多的经济农作物。生产主要使用小型农业机械和人工操作模式。作物种植结构更为复杂,分布在一个分散的和不连续模式。小麦、大米和其他食品是这个地区的主要农作物,约占农作物种植总面积的70%。 There are also other crops, such as rape, cotton, vegetables, melons, and fruits. It is a typical region with a hilly landform and complex planting structure in the Yangtze River delta region. Extracting the winter wheat planting area in this region has certain representativeness and typicality by combining vector boundaries of ownership parcels and remote sensing images. Figure1显示了研究区域的地图。

2.2。数据处理

在这一节中描述的组件的数据处理。

2.2.1。所有权包裹数据

2015年1月,中国农业部、财政部、和其他四个部门联合发布的“意见认真确认、登记和认证农村土地的承包经营权权利”,并要求以下到2017年底完成:(1)进行一个全面的库存的土地合同文件和材料找出合同领域的地位;(2)掌握农户承包的情况,检查承包商代表和家庭成员,并收集他们的变化和其他信息;和(3)调查感染了现场管理权利的所有权合同领域。承包领域地位的调查完成了所有的农业种植地块的地理空间信息和相应的承包商的信息。地理空间信息和相应的承包商的调查所有农业包裹完成调查合同领域的地位。图2说明了所有权包裹研究区域的地图。

土地合同管理的权利确认和登记数据库的收集研究区域农业和农村事务部肥西县局于12月31日,2017年。航空遥感正色摄影图像0.5米空间分辨率是2017年底,获得与收集到的数据,如图2。这个数据库包含类文件包裹元素和属性表简约包裹的形状(shp)格式,承包商的信息表和访问图书馆,和其他信息。的统一查询“包裹代码”和“承包商代码”字段可以获得的空间矢量位置所有包裹和简约的农民的所有权信息。空间向量和所有权的信息可以来自数据库。共有71869个包裹,其中最小的面积是10.98米²,最大的地区是21604 .77点m²,平均面积是879.09米²,面积的标准偏差为850.37。

2.2.2。中等空间分辨率遥感图像

我们选择Gaofen-1卫星全色多光谱传感器(PMS)图像的空间分辨率8米从3月11日,2018年,和广角视图(WFV)图像空间分辨率为16米从2月23日,2018年。他们在图所示3。

Gaofen-1卫星携带两个2 m全色和8 m多光谱相机和四16米多光谱相机。传感器参数信息表所示1。经前综合症和WFV四个乐队:红色,绿色,蓝色,和近红外。绿色和近红外波段的光谱反射率冬季作物敏感,可以有利于有效地确定冬小麦。8 m和16 m分辨率的图像是典型的中分辨率的图像,通常应用于提取结构信息在大地区冬小麦的种植。

我们选择最容易辨认的冬小麦生长期在江淮地区从2月到3月的时间阶段的遥感图像。在这个地区,冬小麦播种在11月初,在6月中旬收获。苗期从12月中旬到1月中旬。从2月初到4月初,冬小麦回到绿色节理和阶段。这个时候是最容易区分冬小麦遥感图像。

Gaofen-1卫星图像可以从中国资源卫星地面应用程序下载中心(http://36.112.130.153:7777 DSSPlatform / index . html免费)。两张图片的数据预处理包括以下:(我)结合30米民主党Orthorectifying RPC点(2)从wgs - 84坐标系转换地理坐标系统(GCS_WGS_1984) CGCS2000大地坐标系统与3高斯克里格投影坐标系下的核心经度117′E (CGCS2000_3_Degree_GK_CM_117E)(3)利用精确校准航空遥感正色摄影图像空间分辨率0.5米,其坐标系统也CGCS2000_3_Degree_GK_CM_117E,执行经前综合症和WFV图像的几何精度校正以保证局部误差小于2像素和平均误差小于1像素(iv)剪切两种遥感图像使用向量行政区数据研究的区域

2.2.3。样本数据的作物种植条件

有1038个包裹或非农裁剪样品通过现场调查在2018年春季农作物种植。这些包裹包括524个样本的冬季小麦和其他作物的514个样本,noncrops, noncrop非农种植。有253年冬季小麦样品用于遥感图像的信息提取和271年冬季小麦样品的准确性验证。有240个样本的其他作物或noncrops用于分类和274个样本的准确性验证。统计数据如表所示2。

2.2.4。包裹的大小之间的关系和空间分辨率的遥感图像

有一些差异小农户的所有权包裹,这些包裹通过向量化或图像分割。如果所有权地块的面积很小,有相同的一季作物种植的土地所有权。包裹的大小也会影响总体布局的最优空间分辨率的遥感图像,因为应该有足够的像素的包裹。因此,它们之间的最佳匹配关系需要进一步讨论。

有一定的匹配关系包裹的大小和空间分辨率的遥感图像。一般来说,如果一个包裹有纯净像素除了边界像素,它是有益的对不同作物进行分类。然而,如果包裹面积太大,它可能混合种植;会有多个作物在包裹内,这并不有利于冬小麦分类。

如图4和表3、包裹的200 - 500,500 - 1000和1000 - 1500²在研究区占28.82、33.08和15.92%,分别。包裹还有不到1500米²占86.04%。这表明这个地区的包裹通常是小而分散。

从表3GF-PMS图像,我们可以看到,地块面积不到200米²,占总数的8.22%,绝大多数的混合像素。地块面积200 - 500²,占总数的28.82%,有更多的混合像素。地块面积500 - 3500²,占总数的61.46%,有纯净的像素,像素相对适当的在这些包裹。

GF-WFV图像、包裹面积不到1000米²,占总数的70.12%,大多数混合像素,不利于分类。地块面积1000 - 1500²,占总数的15.92%,有更多的混合像素。地块面积1500 - 3500²,占总数的12.46%,有纯净的像素,像素是合适的包裹。两个图片,包裹面积超过3500米²,占总数的1.50%,大部分地区和可能与混合种植作物。

理论上,GF-PMS(8美元)遥感影像匹配度更高的大小包裹在研究区,和分类精度更高。GF-WFV(16美元)图像的匹配程度相对较低,不能反映分类的优势组合。这些都是以后进一步验证。

3所示。方法

本研究旨在利用所有权包裹数据和中等空间分辨率遥感图像分类复杂的冬小麦种植面积准确。采用本文的方法有6部分:(1)建立感兴趣的区域(ROI)获得的统计指标;(2)检测和确定每个ROI的同质性;(3)分类中的冬小麦均匀roi;(4)分类中的冬小麦非齐次roi;(5)选择比较分类方法;(6)评估分类精度。组合分类的具体步骤见图5。IDL语言和软件实施的环境编码和数据处理。

3.1。建筑感兴趣的区域(ROI)获得统计指标

由于不同作物丰富的光谱和纹理特征的遥感卫星图像,这些特性通常是探索设计统计指标监测冬小麦类。然而,根据遥感图像分类结果不能专注于作物种植地区的所有权和管理。所有权包裹数据可以弥补这一缺陷。

因此,土地所有权是结合遥感图像建立感兴趣的区域(roi)的光谱和纹理特征的遥感图像和所有的包裹信息的所有权。遥感图像在逻辑上分割的所有权包裹,和一个相应的投资回报率为每个包裹了。每个ROI提取的统计指数从乐队光谱数字号码(DN)的价值对应的遥感图像和写入包裹的属性表。统计指数表达DN值的平均值和标准偏差。

3.2。检测和确定每个ROI的同质性

一般来说,相同的作物可能与小面积种植在roi和属于同一所有权承包商。可能会有不同的作物种植在roi大面积或特殊情况。因此,它是必不可少的检测是否相同的作物冬小麦种植的ROI。如果确定相同的作物种植,它完全可以被认为是判断冬小麦。否则,需要不同的作物分类提取冬小麦的种植面积。

一般来说,如果作物类型的ROI是一致的,其谱值应该是基本一致的。因此,它可以检测到的光谱值的标准偏差。如果的光谱值的标准差ROI检测不到K次样本的标准差,作物类型和ROI被认为是均匀的。否则,包裹被视为非齐次ROI。检测公式如下: 在哪里表示带1的标准偏差我投资回报率,表示标准偏差带1的样本,和表示阈值检测ROI的同质性,视为一个系数,这取决于实际情况。

因为不同的地面特征有不同的标准偏差,很难使用一系列阈值检查所有地面特征的同质性。一系列的阈值只能检查一种类型的地面特征的同质性。本文的阈值检测GF-PMS和GF-WFV图像的roi的同质性是通过使用获得的次分类样本的标准差,试了两个数字,1.5和2。的详细信息如表所示4。

3.3。分类中的冬小麦齐次roi

均匀的roi,只需要确定冬小麦种植作物。平行六面体的分类器是利用分类的冬小麦均匀roi。每个乐队的平均值计算ROI的分类,然后法官是否K倍范围内的平均值的标准偏差的作物样本,显示为方程(2)。如果所有乐队ROI的平均值在预设范围内,这被视为均匀的ROI。 在哪里表示标准偏差的平均值的乐队1我包裹,表示标准偏差的平均值的乐队1样本,和表示阈值检测ROI的同质性。

图6显示了最大值的光谱曲线,平均值和标准价值的总和,平均值,平均值和标准之间的差异值,和最小值的四个乐队GF-PMS和GF-WFV图像样本的。可以看出,标准偏差不大,虽然小麦样品的最大和最小值在每个乐队差异很大。ROI中每个像素的值接近平均值,所以它是可行的,使用平行六面体分类器处理均匀ROI的冬小麦分类。

3.4。分类中的冬小麦非齐次roi

非齐次roi表明不能种植同一作物种植面积。有两种情况下在这种背景下讨论。一个案例是,ROI的面积小于阈值( )判断混合种植。有一个低概率的混合种植,它直接判断像其他作物。另一个例子是,ROI的面积大于阈值( )判断混合种植。ROI可以种植不同的作物,有必要把它作为一个独立的基于像素分类的图像。采用基于规则的特征提取分类方法来处理非齐次roi。最后,齐次和非齐次roi的分类结果相结合作为最终分类结果。判断混合种植的阈值( )作为在特定的操作参数和输入。

在本文的研究区域,3500米²分析了通过2.3.2节。基于规则的特征提取方法直接调用ENVI_FX_RULEBASED_DOIT模块版本的环境。5.3。定义的规则文件的范围倍的标准偏差的平均值从冬小麦光谱值样本,类似于方程(2),该法官的频谱ROI的平均值,而它也法官每个像素的ROI。

3.5。选择比较分类方法

为了比较新算法的准确性,本研究选择了最大似然分类(多层陶瓷)、光谱角制图者(SAM)分类、和平行六面体分类(PC)方法GF-PMS和GF-WFV图像研究中区域。输入参数的不同组合也被采用为每个方法,如表所示5。

3.6。评估新算法的作物种植的分类精度

分层抽样的方法来评估算法的作物种植的分类精度。总共271份小麦种植包裹和其他274样品的地面特征被用于验证本研究的准确性。卡帕,总体精度,用户的准确性,生产者的准确性,委员会和遗漏错误(59,60)建立了误差矩阵的计算每个分类方法。

因为253分类小麦样品可以全面覆盖小麦包裹的实际表面状态,很难完全覆盖240个样本图像的整个实际表面状态non-wheat包裹由于其众多的实际特性,准确评估,未分类的类别分类结果也归类为“其他”前的精度评估。

4所示。结果与讨论

整个研究在这一研究领域是103.60公里²和所有权包裹的总面积6317.95公顷。据统计从农业部门,冬小麦的播种面积在2018年的春天是1226.90公顷。这是近似的冬小麦种植面积的比例在几个采样小区域和被视为参考区域。

实地调查样本用于分类GF-PMS和GF-WFV图像研究区域用四种方法十参数。数据7和8展示最好的分类结果GF-PMS和GF-WFV图片为每个方法。分类精度和种植地区的冬小麦不同分类方法计算如表所示6。

4.1。精度分析

本节解释和执行一个分析结果的准确性。

以下4.4.1。总体分类精度的结果

从表6,我们知道冬小麦种植面积变化大大不同的方法之一。以GF-PMS图像为例,根据多层陶瓷,山姆,电脑,和新方法,冬小麦种植面积达到3063.60,1812.13,2406.76,和1018.77公顷,分别展示三倍的差异。

也有显著差异在不同的参数下的四种分类方法精度表6。GF-PMS形象,新算法的准确性是最高的1.5和kappa系数,总体精度,用户的准确性,委员会错误,生产者的准确性,和遗漏误差为0.9279,96.41%,99.16%,0.84%,93.39%,和6.61%,分别。PC的方法,最好的分类精度与kappa系数,总体精度,用户的准确性,委员会错误,生产者的准确性,和遗漏错误0.7975,89.89%,89.67%,10.33%,89.47%,和10.53%,分别显示不同的新方法。最严重的分类精度PC与kappa系数方法,总体精度,用户的准确性,委员会错误,生产者的准确性,和遗漏错误0.2636,63.98%,99.91%,0.09%,25.83%,和74.17%,分别。

应该注意的是,一个小精度的差异会导致一个大的差异检测冬小麦种植面积。以GF-PMS图像为例,最高的分类结果精度检测小麦种植面积1028.77公顷,分类结果与第二高的检测精度1812.13公顷。这种差异是近一倍。可以看出,与复杂的零星种植区域,不同的参数在分类方法产生重大影响的结果。似乎很好的分类精度可能与实际情况非常不同。

4.1.2。与传统的分类方法进行比较分析

研究选择最好的分类结果与其他方法比较的结果表6。我们可以看到,多层陶瓷方法比新算法的精度较低。GF-PMS和GF-WFV图像提取的面积大约是3063和4015 .56点公顷,分别,这比参考面积大得多(1226.90公顷)。数据7(一)和8(一个)还表明,多层陶瓷方法往往overidentify冬小麦,更高的佣金错误,这可能是由于其他类别的分类样本的代表名额不足。平行六面体的分类方法比算法的精度较低,但该地区提取(1194 .73点公顷)接近的参考面积GF-PMS形象。此外,平行六面体分类方法具有较高的遗漏错误和低的佣金。

虽然山姆方法算法中精度最高的两个图片,kappa系数,总体精度,用户的准确性,和生产者的准确性低于新算法,错误和遗漏,委员会GF-PMS形象更高。山姆方法相比,新方法的冬小麦种植面积接近参考区域。山姆方法具有更高的精度比新算法GF-WFV形象,但相比,新方法,与山姆的冬小麦种植面积法(2257.02公顷)大于参考区域。

数据7 (c)和7 (d)证明(1)分类结果山姆方法不能匹配实际的自然边界混合像素的影响导致冬小麦的过分识别和遗漏,如红框内的位置标记所示1;(2)山姆方法分类roi由于不同的对象有相同的光谱现象,如红框内的位置标记所示2;和(3)其分类结果满头花白噪音的问题,如红框内的位置标记所示3。

4.1.3。精度分析的新算法在不同空间分辨率

从表6,我们可以发现新方法有最好的精度与8 m GF-PMS图像空间分辨率的1.5。它和平衡的用户和生产者精度高,但低遗漏和委员会的错误。GF-WFV图像的新方法的性能与16米空间分辨率是平均,kappa系数和总体精度更糟比光谱角映射器的分类方法。这是符合表的分析3,因为总数的70.12%的roi区域不到1000米²研究区导致发生更多的混合像素,使图像分辨率不匹配的总体分布的大小16 m图像roi。所以,新算法不能利用其优势。

摘要平行六面体分类方法用于过程均匀roi。尽管这种方法不适合基于像素分类,在分类获得好的结果roi作为一个整体,反映了新算法的优越性。是否使用其他分类方法,如光谱角制图者,处理均匀roi可以进一步提高准确性值得进一步研究。

从图7 (d),我们可以看到,通过检测roi的同质性,新方法可以控制混合少量的光谱变异问题的边界和内部噪声花白的roi来解决这个问题。新算法不需要依靠遥感图像的空间信息,只使用roi的图像来获得光谱信息。这可以获得高精度的分类结果利用中分辨率遥感图像分类结果对应与现实,所以他们有很高的实用价值。在现实中,所有权的矢量边界包裹数据不会改变大大在短时间内(如3 - 5年),所以连续观察和比较的包裹或地区可以通过使用新方法。前提是高精度遥感图像的几何校正。

4.1.4。包裹的大小之间的匹配程度分析和空间分辨率的遥感图像

结合表6与数据7和8,我们发现新算法的准确性GF-PMS (8 m)和GF-WFV(16美元)研究区域的图像是完全不同的。它总是可以从high-spatial-resolution获得高精度的图像,这是适合的其他方法。然而,不同的方法对不同空间分辨率很敏感。山姆的方法显示了一个小的差别在两幅图像之间的精度。新算法具有相对较大的差异与不同空间分辨率和精度之间的图像需要匹配遥感图像的空间分辨率与所有权包裹的大小。也是值得研究的分类精度是否可以大大增强新算法进一步提高遥感图像的空间分辨率分散种植地区小roi。

4.2。适用性分析

食品稳定是社会稳定的基础,农业补贴。目前,补贴对农业种植的面积是基于农民承包领域而不是实际测量作物种植地区实践。这使得补贴不清楚和不精确的方向,这是相反的做法鼓励农民种植粮食。因为目标的补贴不够精确,农民的热情种植粮食减少,导致nongrain农田的趋势越来越严重。因此,迫在眉睫的是通过探索和提高农业补贴的精度获得精确的作物种植地区的农户对于每一个季节。

本文实验结果证明它是可行的提取作物种植地区基于中分辨率遥感影像和矢量数据所有权包裹。此外,条件下,遥感图像的空间分辨率匹配roi的大小,分类精度高,结果可以与所有权相关的合同操作,这是一个研究方向,实现精确农业种植补贴。

4.3。限制

新算法的二次开发平台上实现5.3使用IDL语言的环境。所有权包裹矢量数据有71869个包裹。GF-PMS和GF-WFV图像组成的2027×1591、1014×796网格细胞,分别。在实现新算法的过程中,有必要使用包裹数据段光栅图像逻辑上和检测每个ROI的同质性对应于每个包裹。

由于大量数据,计算效率低于其他比较方法在桌面电脑的i7 - 7600 CPU、16 GB的RAM和Microsoft Windows 10使用64位的选项。目前,该算法实现对单核CPU和大量数据的特点,低耦合、高计算密度,适用于并行。其计算效率可以提高并行计算,如MPI, OpenMP,云计算和统一计算设备架构(CUDA)。因此,该算法的并行化基于并行计算也值得进一步研究。

5。结论

本文提出了一种新的算法提取冬小麦种植地区基于所有权包裹矢量数据和中分辨率遥感图像增强在复杂的种植地区冬小麦的分类精度。首先,每个包裹的感兴趣的区域(ROI)被使用包裹数据生成部分图像。然后,每个ROI的均匀性检测的统计指数(平均值和标准偏差),计算出图像的光谱信息得到齐次和非齐次ROI。平行六面体分类器和基于规则的特征提取分类方法提取冬小麦种植地区利用齐次和非齐次roi,分别。最后,为了达到最终的分类结果,这两个分类结果的总和。

实验验证了新算法可以提取冬小麦种植地区通过结合GF-PMS形象与8米空间分辨率和所有权包裹(71869包裹)在一个复杂的种植面积103.60公里²在中国中部,涵盖Fengle城镇的19个行政村,肥西县,合肥城市,安徽省,中国。kappa系数和整体新算法的准确性达到96.41%和0.9279,分别。新算法可以有效地控制混合边界内的几个光谱变化和内部的包裹和解决噪音花白的问题。它不依赖于使用遥感图像中提取空间位置信息和只使用图像光谱信息的roi,使得遥感图像的分类结果精度高和中等空间分辨率。用户和生产者精度高,高于最大似然,光谱角制图者,和平行六面体的分类方法。

新算法需要将图像的空间分辨率与ROI的大小,以确保每个ROI大多数但不是纯像素混合像素。如果他们不匹配,提出了分类算法的优点不能被意识到,和分类结果的精度比传统的基于像素的分类方法。16 m GF-WFV图像空间分辨率是利用分散种植地区的小包裹;因此,它需要高精度遥感图像的几何校正。

在这项研究中,一个平行六面体分类是用来处理均匀roi。其他分类方法是否能进一步提高精度的新方法值得进一步研究。也值得研究新算法的分类精度是否可以进一步提高图像的空间分辨率大大提高了分散种植地区的小包裹。的研究也集中在并行计算插入新的算法来提高计算效率。

数据可用性

8米的卫星图像空间分辨率从Gaofen-1携带全色多光谱传感器(PMS)和16米空间分辨率的卫星图像从GF1携带广角视图(WFV)下载http://36.112.130.153:7777 DSSPlatform / index . html。所有权包裹矢量数据是保密的。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢肥西县的农业和农村局,安徽省,中国数据的支持。这项研究是由安徽大学的自然科学研究项目(批准号。KJ2018A0509和KJ2019A0763)和安徽省自然科学基金(2108085 qd151)。