英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料

基于Landsat-MODIS增强时间序列数据的基于对象的作物分类

摘要：遥感农田测绘可为农业生态研究提供重要信息。遥感影像的时间序列对农地分类特别有用。本研究基于对象的图像分析（OBIA）分割和决策树分类的协同使用，调查了2007年使用更精细时间分辨率Landsat-MODIS增强时间序列的特征选择。增强时间序列在西南密苏里州农业用地的一个子集中提取了26层归一化差异植被指数（NDVI）和五个NDVI时间序列指数（TSI）。使用逐步判别分析（SDA）进行特征选择程序，并且选择10个最佳特征作为用于OBIA分割的输入数据，具有通过对拓扑和几何对象差异进行量化评估而获得的最佳尺度参数。在决策树分类器中使用分割度量指标，总体分类准确率达到90.87％。我们的研究强调了OBIA分割和分类在降低现场异质性和光谱变化的噪音方面的优势。以30米分辨率生产的作物分类图提供了一年生和多年生作物的空间分布，这对农业监测和环境评估研究很有价值。

关键词：基于对象; 特征选择; 决策树; 卫星时间序列; 作物分类

1.介绍

土地利用和土地覆被变化是地球表面环境变化的主要驱动因素，对生态系统健康和可持续性土地管理具有重要意义[1]。由于人口和消费的增加，全球农业用地变化特别广泛 [2]。 农业扩张对栖息地，生物多样性，碳储量和土壤条件产生了巨大影响[3,4]。详细和最新的农业土地利用信息对于了解种植活动的环境影响很重要。对遥感影像进行分析是一种可靠且具有成本效益的大面积作物监测方法，可以提供一致的时间记录[5,6]。

对遥感影像的频繁观测可以揭示作物在其发育周期中的独特特征，因此对于农用地分类特别有用。利用先进的星载热辐射和反射辐射计（ASTER）获得的5幅图像，开发了高寒草原暖季草地制图的时间轨迹图像[7]。具有30米空间分辨率的Landsat图像也被发现很好适合作物分类。例如，从2002年到2005年获得的36幅Landsat图像被用于提取6种主要地中海作物的时间特征[8]。8幅Landsat图像的时间序列被用来确定四个主要类别（裸露土壤，一年生植被，裸露土壤上的树木和年度林下树木）[9]。

然而，Landsat影像的16天重访周期限制了卫星时间序列的大小，特别是在通常与高云量和降水有关的作物生长季节 [10]。相反，中分辨率成像光谱仪（MODIS）具有日常观测能力，其产品的空间分辨率为250米，500米和1000米。MODIS时间序列已被用于分析作物的物候变化，并在区域和全球尺度上区分植被类型[11-14]。利用每年500 m的MODIS归一化差异植被指数（NDVI）时间序列对不同植物区域的C3和C4草本植物功能类型进行研究[13]。利用类似的数据集，绘制了主要年度（玉米，大豆，冬小麦和春小麦）和多年生（矮草，暖温季节和高温季节草）作物在美国中西部的生物能源驱动的农业土地利用变化 [14]。然而，在250-1000米分辨率下，MODIS像素通常覆盖地面上的多个农田。在这种粗糙的分辨率下，小作物田地已经丧失，作物制图的准确性降低[13]。

为了模拟空间和时间维度上更高分辨率下的反射率数据，开发了空间和时间自适应反射率融合模型（STARFM），以整合TM和MODIS数据来预测Landsat空间分辨率下的日表面反射率[15]。STARFM也许是最广泛使用的Landsat和MODIS影像数据融合算法[16]，可以产生合成Landsat样表面反射率[17,18]。基于现有的STARFM算法[19]开发了增强的空间和时间自适应反射率融合模型（ESTARFM）。ESTARFM最显着的改进是使用转换系数来提高异构景观预测的准确性。这种融合方法特别适用于检测大陆地区的逐渐变化，如物候学研究[10,15,20-23]。

农田中的像素级光谱异质性是图像分类中常见的问题[24]。对于中等分辨率的像素，其光谱反射率受不同作物物种，种植系统和管理活动的影响。为了克服这个困难，基于对象的图像分析（OBIA）已经越来越多地应用于遥感图像分析[25]。OBIA模型在图像分类中的应用考虑了对“空间对象”的分析，而不是“空间像元”[26]。用于生成此类对象的最常见方法是图像分割，通过按照预定义的均匀性和异质性标准将像元分组，将图像细分为均匀区域[27]。对于在分割过程中创建的每个对象，将生成光谱，纹理，形态和上下文属性，并在以后用于图像分类[25]。整个对象中的所有像元都被分配到同一类，以避免基于像元分类中的椒盐噪声[5]。

并不是所有从图像中提取的特征都必然有助于提高分割和分类的准确性。选择合适的图像特征是任何图像分析过程中的关键步骤[28]。几种特征选择方法已经与OBIA一起使用，例如Bhattacharyya距离[29]，Jeffreys-Matusita距离[30]和遗传算法[31]。通过决策树分析[32-35]，最佳特征的选择也已成功应用。逐步判别分析（SDA）有效地选择变量的子集，并已应用于降低数据维度[36-38]。在分类和回归树（CART）中，根据它们对分类的相对重要性来识别最优特征[39,40]。

在这项研究中，我们通过特征选择，OBIA分割和决策树分类的协同作用，测试了Landsat-MODIS增强时间序列在作物地图上的可行性。研究区位于密苏里州西南部，共有18个TM和8个MODIS层 是2006年2月至11月收购的。 利用Landsat-MODIS增强型时间序列数据和OBIA分类，以30米分辨率生成的作物分类图可以应用于该地区的农业监测和管理活动。

2.材料和方法

基于Landsat-MODIS的基于对象的作物分类增强时间序列数据主要由四个步骤组成，包括（1）利用ESTARFM算法构建时间序列数据;（2）NDVI时间序列特征分析和选择; （3）使用图像分割算法和质量评估来提取图像对象; （4）基于图像对象的决策树分类。该方法总结在图1中。

图1. 作物分类流程图

2.1.研究区域和数据集

研究区位于密苏里州西南部的欧塞奇平原（图2）。2007年，研究区的作物类型在由美国农业部（USDA）的国家农业统计局（NASS）开发的农田数据层（CDL）产品中采用多时相影像获得，该影像采用56米印度ResourceSat-1高级宽场传感器（AWIFS）[41]。研究区主要一年生作物有玉米，大豆，冬小麦和冬小麦-大豆双季作物（WWSoybean）。冷季草（CSG）在草地牧草地占主导地位，而温季原生草原草（WSG）仍然存在于各种草原残余物中，这些草原残余物通常作为休闲保护区进行管理[7]。CDL数据对主要作物特定土地覆被类别的准确度为85％-95％左右。预计该草地优势研究区域的准确度会降低。CSG和WSG在CDL数据中都被归类为草地。非作物的土地（森林，水，城市发展等）是从2007年CDL地图中提取出来的，并在本研究中被掩盖了。

研究区域覆盖Landsat图像的一个子集（路径26 /行34）。在2007年，收集了所有云层覆盖率低的TM图像。在2007年没有高质量TM影像的几个月里，2006年和2008年以类似日期获得的影像被用作替代品。尽管大多数替代图像是在作物生长季节（4月至9月）之前或之后采集的，但是在秋季的第16,18和19层（2006年8月5日，2008年8月1日，2006年9月6日）（表1）由于年份之间可能存在差异（耕作程序，作物类型，水文条件等），季节可能会影响作物分类。为减少年际差异的影响，应用NDVI时间序列的平滑和分类前的特征选择。共收集18个TM图像，但在几个月内时间差距仍然很大（表1）。例如，5月份和7月份只有一个TM图像可用。本系列的一个月间隔严重限制了作物制图的准确性。当2007年Landsat图像之间的时间差大于16天时，收集8天的500 m MODIS反射图像（MOD09A1）。 MOD09A1产品被用作我们的主要数据源，因为它的时间序列已被证明是有用的区域作物制图[12-14]。与MOD09Q1（250米）相比，MOD09A1产品包含一个云遮蔽层，其中使其最大值复合（MVC）的表面反射率在空间范围内受云影响较小。ESTARFM算法[19]被应用于将MODIS图像分解为30 m像素大小。该算法的基础是Landsat和MODIS影像都观测到相同的反射率，偏差有一个恒定的误差。该误差取决于像元的特性，并且在短时间间隔内是系统性的。因此，如果在同一日期有可用的基础Landsat-MODIS图像对，则可以为图像中的每个像元计算该误差。这些误差然后可以应用于预测日期的MODIS图像，以获得该日期的类似Landsat的预测图像。在实施ESTARFM之前，所有的图像必须预处理为地理配准的表面反射率[19]。在这项研究中，我们使用的Landsat地表反射率产品是由Landsat生态系统干扰自适应处理系统（LEDAPS）产生的[42]。使用MODIS重复投影工具（MRT）对MODIS地表反射率数据进行重新投影并重采样到Landsat分辨率。 LEDAPS对MODIS表面反射率产品使用类似的大气校正方法（6S方法）。因此，来自两个传感器的反射率是一致的和可比的[42]。本研究制作了平均间隔约为10天的26层Landsat-MODIS时间序列（表1）。

表1. Landsat和MODIS融合图像的时间序列

出现在某些日期后面的“M”表示MODIS，只有MODIS数据可用于相应的日期。

2007年CDL地图提供了玉米，大豆，冬小麦和冬小麦-大豆一年生作物的训练和验证数据。但是，我们发现CDL提取的单季冬小麦田在研究区域内的面积非常小。通过目视解译，许多冬小麦-大豆田的生长周期的NDVI峰值下降并不明显，表明一些冬小麦田被错误地归类为冬小麦-大豆。因此，我们只选择有明显下降的NDVI峰值的像素作为冬小麦-大豆样本。CDL产品没有在草本土地上描绘CSG的WSG。在Wang等（2010）发表的分类图中，WSG和CSG与ASTER图像区分开来，ASTER图像为本研究提供了参考样本。共选择了1260个样本（表2）。每种作物选择的样品数量与其总面积成正比，并均匀分布在研究区域。全部数据集被随机划分为分类过程的训练和验证子集。表2列出了用于训练和验证的样本数量。

表2. 用于培训和验证的样本分布

为了评估分割质量，从这1260个样本中随机选取108个样本。包含108个样本的场边界被解释为关于TM图像的假彩色合成以及2007年来自Google Earth的高空间分辨率图像。

2.2. 功能分析和选择

光谱植被指数（VI），如NDVI，已被广泛用于分析和监测作物发育的时空变化[5,14]。在这项研究中，NDVI特征被用于作物田间分割和分类。从表1中列出的Landsat-MODIS增强时间序列中，计算出26层NDVI。NDVI时间序列用五点中值滤波器和二阶多项式Savitzky-Golay滤波器进行平滑，以减少大气和云的影响[13,14]。通过计算所有训练样本的平均NDVI来反演每种作物的平均曲线，其显示了沿着生长季节的作物生长周期（图3）。

图3中作物具体的NDVI变化模式表明了用NDVI时间序列划分作物的可行性。 在这里，我们根据生长季节的NDVI变化模式开发了五个NDVI时间序列指数（TSI）。

(1)TSI1=(NDVI5-NDVI2) NDVI6

(2)TSI2=(NDVI11-NDVI6) (NDVI12-NDVI8)

(3)TSI3=(NDVI15-NDVI10) (NDVI15-NDVI17)

(4)TSI4=(NDVI12-NDVI5) NDVI24

(5)TSI5=(NDVI20-NDVI12) (NDVI19 NDVI20)/2

TSI 1反映了早NDVI高峰期（冬小麦，大豆和CSG）作物的变化模式。TSI 2反映了WSG的变化模式。TSI 3反映了玉米的变化模式.TSI 4反映了CSG的变化模式。TSI 5反映了冬小麦-大豆在秋季NDVI高峰期的变化模式。

从31个特征（26个NDVI和5个TSI）中选择最佳特征以减少作物分割和分类的数据冗余和相互关联。对逐步判别分析（SDA）进行测试，通过最大化类之间的差异来选择特征，同时最小化类内差异。对于SDA技术，使用WilksLambda测试，它选择入口变量到公式中，并评估它们降低Wilkslambda的程度。在每一步中，输入使Wilkslambda整体最小化的变量。 在预测分析软件和解决方案（SPSS）统计数据[43]中，输入F值为3.84，去除F值为2.71以执行SDA。

图3. 研究区六种作物的平均NDVI时间序列

2.3. OBIA细分和质量评估

使用商业软件Definiens eCognition Developer 8.0中的多分辨率分割算法完成图像分割。 eCognition中使用的分割方法是从一个像素对象开始的自底向上区域合并技术，较小的对象在迭代步骤中合并为较大的对象[44]。分割输出由分割尺度和异质性标准控制。分割尺度决定了合成对象的平均大小。异质性标准包括两个相互排斥的属性：颜色和形状。颜色是指光谱均匀性。 形状考虑了物体的几何/地貌特征，并进一步划分为两个同样独特的属性：平滑度和紧致度[44]。通常，分割过程需要几个用户指定的参数，包括（1）与输入图像层相关的权重; （2）分割尺度;（3）颜色/形状比;和（4）紧致度/光滑比[45]。

在图像分割中测试了几个尺度（10,15,20,30）。对于每个尺度，分割的对象都可以通过相应的裁剪区域边界进行目视解译，这些边界可以在图像中轻松解译。进行质量评估以确定本研究

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[24517]，资料为PDF文档或Word文档，PDF文档可免费转换为Word