遥感图像的作物生长参数提取方法与空间变异分析(附件)
以江苏省为例，利用MODIS数据，探讨了基于遥感图像全覆盖的大尺度区域下NDVI与EVI两种应用广泛的的植被指数对作物种植面积的提取方法，两种植被指数下面积提取精度的对比表明,增强型植被指数EVI的提取精度较好。首先实现了K-means、模糊C均值、Kmediods三种聚类算法，其次，分析提取区域的基本统计特征值，分别采用K-means、模糊C均值、Kmediods三种聚类算法，对变异系数大于10%的指标和生育期进行了分区处理。分析实验结果发现，Kmeans的改进算法Kmediods算法抗噪性较好，但时间性能较差，FCM算法的分区效果总体来讲相对好一些，时间性能优良，但也存在着局部最小值的问题。
目录
摘要 1
关键词 1
Abstract 1
Key word 1
引言 1
1 选题背景 1
1.1 问题的提出 2
1.2 国内外研究状况 2
1.2.1 植被信息提取的研究 2
1.2.2 聚类算法的研究 2
2 研究目标和内容 2
2.1 研究目标 2
2.2 研究内容 2
2.3 研究路线 3
3 材料与方法 3
3.1 研究区域概况 3
3.2 数据源 3
3.2.1 遥感影像获取 3
3.2.2 数据预处理 4
3.3 作物种植面积的提取 4
3.4 分区方法 5
3.4.1 K均值聚类算法(KMeans) 5
3.4.2 模糊C均值聚类算法(FCM) 6
3.4.3 K中心点聚类算法(KMediods) 7
3.4.4 算法比较 8
3.4.5 算法实现 8
4 结果与分析 8
4.1 提取面积精度分析 8
4.2 空间变异性分析 9
4.2.1 基本统计值 9
4.3 分区精度分析 10
4.3.1 分区数的确定 10
4.3.2 灌浆期分区对比 10
4.3.3 成熟期分区 *好棒文|www.hbsrm.com +Q: ￥351916072$
对比 12
5 总结与展望 14
5.1 总结 14
5.2 展望 14
致谢 14
参考文献 14
基于遥感图像的作物生长参数提取方法与空间变异分析
引言
引言：遥感影像富含多样的信息，二十世纪七八十年代以来，遥感技术在作物长势监测、植被信息提取、作物产量估计等方面应用广泛。遥感技术通过分析目标物体电磁波特性来研究物体特征及其变化，获取信息量大且覆盖面积大，可以快速获取农作物长势、土壤状况等信息，用于农业诊断和估产[1]。
多年来基于作物叶面积指数和覆盖度等作物生长参数展开不同尺度的空间变异分析研究受到极大的关注。目前，通过对多光谱图像波段进行组合而形成一种可以定量表现植被特性的植被指数，成为利用遥感影像提取作物植被信息的常用方法，可以及时准确的获取作物生长参数的时空变化，是监测大面积作物生长情况的途径之一。
本文将用两种反映作物生长参数的植被指数提取作物种植面积，同时运用聚类算法对植被指数进行分区处理，分析作物生长情况的空间变异，探讨遥感数据划分管理分区的可行性。
1 选题背景
1.1 问题的提出
小麦广泛种植于我国东北到长江中下游地区[1]，是我国重要的粮食农作物，小麦的产量的增加一靠品种改良，二靠增施肥料。但许多农户在施肥方面存在着错误的观念，认为肥料越多，产量越高，不重视施肥时间，这样既不利于作物产量的提高，还造成大量的浪费，对土壤也造成破坏。因此，对作物生长进行监测对于高产、生态、优质小麦生产具有重要的现实意义和应用前景。目前遥感技术监测作物长基本上集中在小区域内，研究大区域尺度下作物空间变异性的较少，因此，实时获取大区域尺度农作物长势的空间变异情况是遥感监测的一个关键问题[2]。
作物生长参数是作物生长情况检测的重要指标，单位面积作物生物量反映了作物群体长势[3]。农业管理分区中指标的选择至关重要，既要选择相关性较大的指标，同时还要满足变异性较大的条件，也就是说，各个分区间变异程度较大，而分区内部差异较小。这样分区有利于了解不同区域作物的生长情况以及针对不同情况的区域确定不同的作物施肥方案，防止施肥过多造成的环境污染。
1.2 国内外研究状况
1.2.1 植被信息提取的研究
迄今为止，通过遥感影像来获取植被信息的方法层出不穷，大体上可分为两类：第一类从地面物体不同的光谱反射率方面考虑，通过比较反射率的特点，获取所需信息，此类方法已经发展的比较成熟。第二类是结合外在知识获得所需信息，如神经网络、借助GIS、利用专家知识等，这些方法在近几年的植被信息提取中有不少的应用，地理信息系统与遥感技术的结合可极大的提高生物量的估测能力以及高级模型的发展有深远的影响[4]。
植被指数可以定量和定性地表示植被绿度和作物长势等特征，已有研究表明对于遥感图像，植被指数是一种有效提取植被信息的方法，可以达到较高的精度[4]。
1.2.2 聚类算法的研究
聚类是一种常用的数据分析工具，在许多领域得到广泛的研究和成功的应用。通过聚类，大量数据点按照某个特定标准（或距离准则）被划分到若干个类中，使得每个类中的点相似度最大，而不同类点的差异显著。
目前，主要的聚类算法有以下几类：基于划分的方法，基于密度的方法，层次方法和模糊聚类方法等[5]。kmeans作为划分方法中的经典算法，在多个领域都有着,kmediods是它的一种改进算法；CURE算法和改进的ROCK算法两者都是层次聚类的代表算法；与上述硬聚类不同，FCM 是一种模糊的划分方法，理论成熟，应用也很广泛；除了上述一些经典的算法，决策树、神经网络等新方法发展迅速，解决了传统算法无法突破的瓶颈，为高维数据的分析提出了新的视角。
目录
摘要 1
关键词 1
Abstract 1
Key word 1
引言 1
1 选题背景 1
1.1 问题的提出 2
1.2 国内外研究状况 2
1.2.1 植被信息提取的研究 2
1.2.2 聚类算法的研究 2
2 研究目标和内容 2
2.1 研究目标 2
2.2 研究内容 2
2.3 研究路线 3
3 材料与方法 3
3.1 研究区域概况 3
3.2 数据源 3
3.2.1 遥感影像获取 3
3.2.2 数据预处理 4
3.3 作物种植面积的提取 4
3.4 分区方法 5
3.4.1 K均值聚类算法(KMeans) 5
3.4.2 模糊C均值聚类算法(FCM) 6
3.4.3 K中心点聚类算法(KMediods) 7
3.4.4 算法比较 8
3.4.5 算法实现 8
4 结果与分析 8
4.1 提取面积精度分析 8
4.2 空间变异性分析 9
4.2.1 基本统计值 9
4.3 分区精度分析 10
4.3.1 分区数的确定 10
4.3.2 灌浆期分区对比 10
4.3.3 成熟期分区 *好棒文|www.hbsrm.com +Q: ￥351916072$
对比 12
5 总结与展望 14
5.1 总结 14
5.2 展望 14
致谢 14
参考文献 14
基于遥感图像的作物生长参数提取方法与空间变异分析
引言
引言：遥感影像富含多样的信息，二十世纪七八十年代以来，遥感技术在作物长势监测、植被信息提取、作物产量估计等方面应用广泛。遥感技术通过分析目标物体电磁波特性来研究物体特征及其变化，获取信息量大且覆盖面积大，可以快速获取农作物长势、土壤状况等信息，用于农业诊断和估产[1]。
多年来基于作物叶面积指数和覆盖度等作物生长参数展开不同尺度的空间变异分析研究受到极大的关注。目前，通过对多光谱图像波段进行组合而形成一种可以定量表现植被特性的植被指数，成为利用遥感影像提取作物植被信息的常用方法，可以及时准确的获取作物生长参数的时空变化，是监测大面积作物生长情况的途径之一。
本文将用两种反映作物生长参数的植被指数提取作物种植面积，同时运用聚类算法对植被指数进行分区处理，分析作物生长情况的空间变异，探讨遥感数据划分管理分区的可行性。
1 选题背景
1.1 问题的提出
小麦广泛种植于我国东北到长江中下游地区[1]，是我国重要的粮食农作物，小麦的产量的增加一靠品种改良，二靠增施肥料。但许多农户在施肥方面存在着错误的观念，认为肥料越多，产量越高，不重视施肥时间，这样既不利于作物产量的提高，还造成大量的浪费，对土壤也造成破坏。因此，对作物生长进行监测对于高产、生态、优质小麦生产具有重要的现实意义和应用前景。目前遥感技术监测作物长基本上集中在小区域内，研究大区域尺度下作物空间变异性的较少，因此，实时获取大区域尺度农作物长势的空间变异情况是遥感监测的一个关键问题[2]。
作物生长参数是作物生长情况检测的重要指标，单位面积作物生物量反映了作物群体长势[3]。农业管理分区中指标的选择至关重要，既要选择相关性较大的指标，同时还要满足变异性较大的条件，也就是说，各个分区间变异程度较大，而分区内部差异较小。这样分区有利于了解不同区域作物的生长情况以及针对不同情况的区域确定不同的作物施肥方案，防止施肥过多造成的环境污染。
1.2 国内外研究状况
1.2.1 植被信息提取的研究
迄今为止，通过遥感影像来获取植被信息的方法层出不穷，大体上可分为两类：第一类从地面物体不同的光谱反射率方面考虑，通过比较反射率的特点，获取所需信息，此类方法已经发展的比较成熟。第二类是结合外在知识获得所需信息，如神经网络、借助GIS、利用专家知识等，这些方法在近几年的植被信息提取中有不少的应用，地理信息系统与遥感技术的结合可极大的提高生物量的估测能力以及高级模型的发展有深远的影响[4]。
植被指数可以定量和定性地表示植被绿度和作物长势等特征，已有研究表明对于遥感图像，植被指数是一种有效提取植被信息的方法，可以达到较高的精度[4]。
1.2.2 聚类算法的研究
聚类是一种常用的数据分析工具，在许多领域得到广泛的研究和成功的应用。通过聚类，大量数据点按照某个特定标准（或距离准则）被划分到若干个类中，使得每个类中的点相似度最大，而不同类点的差异显著。
目前，主要的聚类算法有以下几类：基于划分的方法，基于密度的方法，层次方法和模糊聚类方法等[5]。kmeans作为划分方法中的经典算法，在多个领域都有着,kmediods是它的一种改进算法；CURE算法和改进的ROCK算法两者都是层次聚类的代表算法；与上述硬聚类不同，FCM 是一种模糊的划分方法，理论成熟，应用也很广泛；除了上述一些经典的算法，决策树、神经网络等新方法发展迅速，解决了传统算法无法突破的瓶颈，为高维数据的分析提出了新的视角。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/wljs/434.html
