1.  農作物遙感分類

1.1利用多時(shí)相環境星 CCD 數據作物分類識别實驗

       采用支持向(xiàng)量機分類器進(jìn)行基于象素遙感影像分類方法。在分類過(guò)程中，分别對(duì)不同日期的單景 環境星數據以及不同日期環境星數據的組合進(jìn)行分類，以評價環境星在作物分類中的應用潛力，并确 定利用環境星數據進(jìn)行作物分類的最佳影像獲取時(shí)期及最優時(shí)相組合。

      對(duì)單時(shí)相及不同時(shí)相組合的環境星數據進(jìn)行分類，結果如圖 1 所示。

圖 1 不同時(shí)相環境星數據組合的分類結果

      其中左下角代碼表明了分類所用的環境星數據，比如 HJ3 表示使用的是 3 月份獲取的環境星數據，HJ3+HJ4 表示使用的是 3 月份和 4 月份獲取的環境星數據的組合。

      花期獲取的環境星數據分類效果最好(hǎo)，總體分類精度達到了 88.2%，花前期獲取的數據分類效果 次之，拔節期獲取的數據分類效果在三個時(shí)相的影像中分類效果最差。使用多時(shí)相的數據分類效果要 優于單一時(shí)相數據分類效果，其中使用三個時(shí)相的數據分類效果最好(hǎo)，總體分類精度達到了 91.7%。 但是，使用三個時(shí)相的數據相對(duì)于花期和拔節期兩(liǎng)個時(shí)相數據組合的分類精度提高有限，表明兩(liǎng)個合 适時(shí)相數據的組合可以達到足夠的分類精度，再多時(shí)相的組合對(duì)于分類精度的提高作用不大。

1.2 基于環境星和 ASAR 數據融合的作物分類識别實驗

       數據融合采用主成(chéng)分分析法對(duì)環境星與 ASAR 數據進(jìn)行融合。將(jiāng)含有 4 個不同光譜波段的環境 星數據進(jìn)行主成(chéng)分變換，并將(jiāng) ASAR VV 極化圖像拉伸, 使圖像灰度的均值與方差和主成(chéng)分變換第一 分量圖像一緻, 然後(hòu)以拉伸過(guò)的 ASAR 圖像替換環境星數據主成(chéng)分變換後(hòu)第一分量圖像, 再經(jīng)過(guò)逆變 換還(hái)原到原始圖像空間，得到環境星數據與 ASAR 數據的融合數據。數據融合效果評價采用光譜角 來衡量融合前後(hòu)不同地物之間的光譜差異。

       研究采用的分類算法包括最大似然（MLC）、人工神經(jīng)網絡（ANN）和支持向(xiàng)量機（SVM）三種(zhǒng) 方法。 環境星多光譜數據與 ASAR VV 極化數據融合後(hòu)信息量有所增加，相比于環境星數據，其與 ASAR 數據融合後(hòu)圖像的層次更加分明，不同地物之間的差别更加明顯。雖然 ASAR 數據與環境星數 據的空間分辨率相同，但是由于 ASAR VV 極化數據對(duì)于田塊邊界更加敏感，使得融合後(hòu)田塊的邊界 比環境星要更加明顯。

圖 2 田塊邊界在不同影像産品上的視覺效果對(duì)比 

左： 環境星；中融合圖像；右RapidEye

      融合後(hòu)類别間的光譜角均明顯增大，表明不同類别之間的光譜差異在融合後(hòu)顯著增大。小麥與棉 花、小麥與樹木、棉花與樹木之間的光譜角值分布由原來的 0.063、0.02、0.043 增大到融合後(hòu)的 0.345、 0.242、0.104。環境星多光譜數據與 ASAR VV 極化後(hòu)向(xiàng)散射數據融合後(hòu)所含信息量相比環境星多光 譜數據有顯著增加，擴大了不同地物之間的光譜差異，增強了地物之間的可分性。

       根據地面(miàn)調查和 RapidEye 目視解譯，采用随機抽樣(yàng)的方法進(jìn)行分類樣(yàng)本的選取。從所選取的地 面(miàn)樣(yàng)本中随機抽取一半作爲訓練樣(yàng)本，另一半作爲精度評價的檢驗樣(yàng)本，訓練樣(yàng)本和檢驗樣(yàng)本沒(méi)有重 合。采用不同的分類器分别對(duì)環境星數據以及環境星與 ASAR 的融合數據進(jìn)行分類，結果如圖 3 所 示。

圖 3 實驗區遙感影像分類結果

       其中 A、B、C爲環境星數據分别采用 爲環境星數據分别采用 MLC、ANN和 SVM方法的分類結果，D、E、F爲融合數據分别采用 MLC、ANN 和 SVM 方法的分類結果。

      從目視效果來分析，采用環境星多光譜數據，可以有效識别出小麥種(zhǒng)植地塊，且支持向(xiàng)量機分類 效果最好(hǎo)，但是漏分了一些棉花地塊。環境星多光譜數據與 ASAR VV 極化後(hòu)向(xiàng)散射數據融合後(hòu)，不 但可以有效識别出小麥地塊，而且田塊邊界更加明顯，分類效果優于單獨使用環境星多光譜數據，同 樣(yàng)是采用支持向(xiàng)量機方法的分類結果最好(hǎo)，混淆較少，而且田塊邊界清晰可見。

      單獨使用環境星數據的分類精度明顯低于融合數據，在分類方法上，環境星數據和融合數據都(dōu)是 采用支持向(xiàng)量機分類方法精度最好(hǎo)，并且使用融合數據比單獨使用環境星數據分類精度提高約 5 個百 分點，達到 94.3％。

      綜上所述，環境星多光譜數據可以有效進(jìn)行農作物分類，但存在田塊邊界不能(néng)有效識别和分類混 淆的問題；ASAR VV 極化數據可以改善光學(xué)數據的光譜信息，使不同地物之間的光譜差異有顯著增 大，增強了地物之間的可分性；VV 極化數據對(duì)田間非耕地信息敏感，對(duì)田塊邊界的識别有較大作用； VV 極化數據對(duì)于地物結構信息敏感，造成(chéng)田塊邊界存在微小程度的擴大，緻使分類結果中小麥面(miàn)積 比例略有下降，但相對(duì)于分類精度的提高是值得的。

a. 利用多源 SAR 數據的作物分類識别實驗

       在 2009 年冬小麥返青期内，獲取小麥返青期、拔節期和花期三個生育期的 ASAR VV 極化數據， 空間分辨率 30 米，C 波段數據。數據接收時(shí)間爲 2009-2-27、2009-4-3 和 2009-5-8。同時(shí)，獲取一景 TerraSAR-X 數據，HH 極化，空間分辨率 6 米，數據接收時(shí)間爲小麥花期 2009-5-10。

       采用支持向(xiàng)量機分類器的遙感影像分類方法。在分類過(guò)程中，分别對(duì)不同組合的 SAR 數據進(jìn)行 了分類，以評價多源 SAR 數據在作物分類中的應用潛力，并确定利用 SAR 數據進(jìn)行作物分類的最佳 組合。采用四景數據組合的結果如圖 4 所示。

圖 4 3景 ASAR數據 +1 景 TerraSAR數據組合的分類結果

       精度評價結果顯示，使用單一時(shí)相的數據進(jìn)行分類，總體分類精度較低。使用多時(shí)相的數據分類 效果要優于單一時(shí)相數據分類效果，其中使用三個時(shí)相的數據分類效果最好(hǎo)，總體分類精度達到了84.12%。使用兩(liǎng)個頻率的 SAR 數據進(jìn)行分類，取得了優于多時(shí)相數據的分類精度，A3+T 的分類精 度達到了 86.55%，高于三個時(shí)相的 ASAR 分類精度。在加入了紋理信息後(hòu)，分類精度相對(duì)于後(hòu)向(xiàng)散 射數據有了一定程度的精度提高，約 3-5 個百分點。通過(guò)多源 SAR 數據的分類實驗得出如下結論：（1）多頻率 SAR 數據的結合比多時(shí)相數據獲取了 更高的分類精度。（2）拔節期和花期兩(liǎng)個時(shí)相 ASAR 數據的結合取得了與三個時(shí)相 ASAR 數據分類 精度相當的結果。（3）紋理信息的加入對(duì)于 SAR 農作物分類精度有一定的提高。

2.  多尺度遙感數據的作物種(zhǒng)植面(miàn)積估算

      實驗區選擇中國(guó)華北平原北部地區，橫跨河北中南部、山東北部和河南北部，面(miàn)積約 200,000 平方公裡(lǐ)。

       中分辨率遙感數據主要包括 14 期 MODIS NDVI16 天合成(chéng)數據；高分辨率遙感數據采用 CBERS CCD 數據，主要 6 景數據。

       所采用的技術方法主要是：1）在地面(miàn)調查數據和 GVG 數據的支持下，利用高分辨率影像進(jìn)行 作物分類；2）將(jiāng)分類結果進(jìn)行區域統計，區域大小采用與中低分辨率影像像元同樣(yàng)大心的格網，得 到與 MERIS 或 MODIS 同像元大小的作物組分結果；3）將(jiāng) MODIS 時(shí)間序列 NDVI 數據集與 ENVISAT MERIS 多光譜數據與高分辨率生成(chéng)的作物組分數據進(jìn)行比較，建立神經(jīng)網絡模型；4）利用神經(jīng)網絡 模型進(jìn)行全影像外推，得到研究區的作物種(zhǒng)植面(miàn)積。

       實驗結果表明，利用多尺度遙感影像數據估算玉米種(zhǒng)植面(miàn)積可以達到 90%的精度，尤其是在整個 研究區水平上，精度可以達到 90%以上；在地市水平上，利用 MDOIS NDVI 估算的玉米種(zhǒng)植面(miàn)積估 算精度也均能(néng)達到 90%以，在省級尺度上，利用 MODIS NDVI 河北和山東均能(néng)達到 95%以上精度， 利用 MERIS 估算精度僅能(néng)達到 90%以上。