鉴于作物类型识别中存在光谱特征相似的困扰,"异物同谱"问题难以有效解决,而时序归一化植被指数(Normalized Different Vegetation Index,NDVI)曲线数据能够反映作物不同时期的动态变化趋势,该文将NDVI时间序列投影到N维空间...
详细信息
鉴于作物类型识别中存在光谱特征相似的困扰,"异物同谱"问题难以有效解决,而时序归一化植被指数(Normalized Different Vegetation Index,NDVI)曲线数据能够反映作物不同时期的动态变化趋势,该文将NDVI时间序列投影到N维空间构成多维特征矢量,结合冬小麦特有的物候特征,充分利用矢量的方向和大小参量,构建冬小麦识别的矢量分析模型,模型的识别能力较强,可以充分发挥NDVI时间序列的优势。以唐山市为研究区,基于高分一号WFV(Wide Field of View)数据的高分辨率优势,构建覆盖冬小麦生长期的NDVI时间序列,采用矢量分析模型进行冬小麦识别,同时与最大似然法、马氏距离法、支持向量机法、神经网络法、最小距离法等分类方法进行对比。结果显示,后5种分类方法的Kappa系数介于0.701 8和0.790 3之间,而矢量分析模型达到了0.895 2,精度有了较大提高。该研究为冬小麦识别提取提供了新的思路,也对推动遥感农情信息调研具有一定学术和应用价值。同时,基于研究区训练样本提出了模型阈值参数自动确定的方法,为今后冬小麦自动提取奠定了基础。
暂无评论