农作物遥感识别中的多源数据融合研究进展-中国农业科学院农业资源.pdf
《农作物遥感识别中的多源数据融合研究进展-中国农业科学院农业资源.pdf》由会员分享,可在线阅读,更多相关《农作物遥感识别中的多源数据融合研究进展-中国农业科学院农业资源.pdf(14页珍藏版)》请在三一文库上搜索。
1、中国农业科学 2015,48(6):1122-1135 Scientia Agricultura Sinica doi: 10.3864/j.issn.0578-1752.2015.06.09 收稿日期: 2014-11-24;接受日期: 2015-02-04 基金项目: 国家自然科学基金(41271112) 、测绘地理信息公益性行业科研专项(201512028) 联系方式: 宋茜,E-mail:。通信作者唐华俊,E-mail : 。通信作者周清波,E-mail: 农作物遥感识别中的多源数据融合研究进展 宋 茜 1,2 ,周清波 1,吴文斌1,3 ,胡 琼 1,余强毅1,唐华俊1 (1中国农业
2、科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室,北京 100081 ; 2 黑龙江省农业科学院遥感技术中心,哈尔滨 150086 ; 3华中师范大学城市和环境科学学院,武汉 430079 ) 摘要:农作物遥感识别是地理学和生态学研究的前沿和热点,多源数据在农作遥感识别中日益发挥重要作用。 笔者从多源数据融合的角度,归纳了 2000 年后多源数据在农作物遥感识别中应用的总体概况,系统梳理并提炼了 当前多源数据融合的主要融合技术和融合模式。围绕与多源数据融合和农作物遥感识别相关的关键词,在Google 学术、ISI Web of Knowledge和中国知网中对20002014 年间
3、国内外发表的论文进行检索,并统计不同传感器 的使用频率及结合方式。研究表明,以提高空间分辨率为目标的多源数据融合和以提高时间分辨率为目标的多源 数据融合技术是当前的两种主要方式,可以在一定程度上实现时空尺度的扩展。前者的融合技术包括图像融合、 正态模糊分布神经网络模型、成分替换、半经验数据模型融合及多分辨率小波分解等,可以提升遥感数据的空间 分解力和清晰度,较好弱化混合像元产生的影响,但农作物光谱信息有一定程度的丢失或扭曲,农作物空间分布 局部细节信息与纹理特征依然会缺失;后者的融合技术形式灵活多样,可分为同源数据联合扩展时序的时空优化 技术和异源数据联合扩展时序的时空优化技术,其可以有效排除
4、短时间段内农作物生育期交叉,但易受不同遥感 数据源间光谱反射率或植被指数转换模型及光谱波段设置差异的影响。在融合模式方面,根据数据类型分为光学 数据的融合、光学数据与微波数据的融合以及遥感与非遥感数据的融合,以实现卫星资源优势互补为宗旨,充分 挖掘不同类型农作物在遥感数据上呈现的光谱、时间和空间特征差异信息。同样,农作物遥感识别研究中的多源 遥感数据融合也存在诸多挑战,在未来一段时间内,完善不同传感器之间的合作、更深层次挖掘融合信息以及多 尺度长时间序列的中高分辨率农作物空间分布数据集的需求是多源数据融合的农作物遥感识别研究的重点发展方 向和亟待解决的问题。研究结果有助于更好地理解多源遥感数据
5、融合的技术和模式,为摸清多源数据融合在农作 物识别中总体进展提供支撑,同时也为其他多源数据融合研究提供借鉴。 关键词: 农作物;多源数据;融合;遥感;识别 Recent Progresses in Research of Integrating Multi-Source Remote Sensing Data for Crop Mapping SONG Qian 1,2, ZHOU Qing-bo1, WU Wen-bin1,3 , HU Qiong1 , YU Qiang-yi 1 , TANG Hua-jun1 (1Institute of Agricultural Resources a
6、nd Regional Planning, Chinese Academy of Agricultural Sciences/Key Laboratory of Agri- Informatics, Ministry of Agriculture, Beijing 100081; 2Heilongjiang Academy of Agricultural Sciences, Remote Sensing Technology Center, Harbin 150086; 3College of Urban Topic =”classification + multi-source”; time
7、span = 6 期宋茜等:农作物遥感识别中的多源数据融合研究进展 1123 2000-2014). According to the thorough analysis on the existing publications, it is suggested that (1) there are two main ways to identify crop types based on the integration of multi-source data in order to expand the spatial and temporal scales. The techniques
8、 of multi-source data fusion, which are aimed at improving the spatial resolution, include image fusion, normal fuzzy distributed neural networks, component substitution, semi-physical fusion approach, and multiresolution wavelet decomposition. With the integrated application of such approaches, the
9、 spatial resolution and clarity of remote sensing images are raised; the effect of mixed pixels is weaken to some extent. Nevertheless, crop spectral information is partly lost or distorted. The techniques of multi-source data fusion, which are aimed at improving the temporal resolution, can be cate
10、gorized into two types: the integration of the same data source, and the integration of different data sources. By using such approaches, the crossover of growth period among different crops can be effectively eliminated. But such approaches are susceptible to transformation models of spectral refle
11、ctance or vegetation indices, and the differences in band coverage among different remote sensing data. (2) The modes of multi-source data fusion can be categorized into three types according to the data types applied: integration of optical data, integration of optical and microwave data, and integ
12、ration of remote sensing and ancillary data sources. Taking complementary advantages of various satellite data resources, these techniques of data fusion fully mine the differences of spectral, temporal and spatial characteristics, among various crop species. However, there still remain challenges i
13、n previous researches about the crop identification based on the fusion of multi-source remotely sensed data. Key words: crop; multi-source; combining; remote sensing; identification 农作物空间分布是农业生产活动对土地利用的表 现形式,也是对自然资源高效利用及田间科学管理的 最终结果 1-2 。 及时准确地识别农作物空间分布不仅是 区域农作物长势监测、产量估测和灾情评估等的重要 基础,也是宏观掌握粮食生产、指导农业
14、生产和调控 农产品贸易的依据 3-4 。 遥感技术作为新型对地观测技 术,因宏观性、综合性和动态性的特点,迅速成为农 作物空间分布信息获取的重要手段 5-6 。因此,农作物 遥感识别研究具有重要的理论和实践意义 7 。自美国 Puredue大学首次将遥感数据用于农作物监测后,涌现 了大量农作物遥感识别的研究,Landsat TM 8-9 、 MODIS 10-11 、 QuickBird 12 等不同传感器数据在农作物 空间分布及其动态变化提取中发挥了重要作用。事实 上,单一遥感数据在实际应用中呈现出复杂的时空异 质性和尺度敏感性的特征 13 ;同时,受农作物光谱重 叠与交叉、遥感影像时间分辨
15、率与空间分辨率相互制 约,以及成像过程诸多干扰因素的限制,基于单一数 据源的农作物识别效果往往不理想 14 。因此,多源 遥感数据融合在农作物遥感识别中日益发挥重要作 用, 其在很大程度上弥补了单一数据和分类方法的缺 陷 15 。近年来,国内外很多学者开展了基于多源遥感 数据融合的农作物空间分布信息提取方法研究,但已 有研究多是利用多时相、多空间分辨率的影像数据在 象元层次上进行融合,扩展时空尺度,得到更丰富的 作物光谱特性、空间异质性信息以及作物键物候历特 征,提高作物识别能力和精度 16-17 。虽然有关多源遥 感数据融合的研究日益增多,但目前还没有文献对已 有的研究进行系统梳理和归纳,使
16、得农作物遥感识别 中的多源数据融合研究总体进展不清。基于此,本研 究以作物识别 /提取、高 /中/低分辨率、制图、 Crop、 Classification、 Mapping 等为关键词, 在 Google 学术、 ISI Web of Knowledge和中国知网中对20002014 年间国内外发表的论文进行检索,共检索到和多源数 据融合相关的文献297 篇, 在此基础上试图对农作物 遥感识别中的多源数据融合总体研究进展进行总结 和评述。论文框架如图1 所示,在归纳“有什么”多 源数据基础上(总体概况,见第一章节),重点阐明 近 10 多年来基于多源遥感数据融合的农作物遥感识 别“用什么”时
17、空优化的方法(即融合技术,见第二 章节)和“怎么用”信息源整合和替代(即融合模式, 见第三章节),讨论已有研究中存在的问题, 并针对多 源数据融合中以上 3 个关键环节展望未来发展趋势。 1 农作物遥感识别中多源数据的应 用概况 通过对检索的全部论文进行统计分析发现,目前 国内外农作物遥感识别中使用的传感器以MODIS 为 代 表 的 低 分 辨 率 ( 比 例 为34.7%) 和 以Landsat TM/ETM+ 为代表的中等分辨率(比例为35.0%)为 主 18-21 (图 2)。近年来,随着微波遥感蓬勃发展, 星载合成孔径雷达(SAR)日益在农作物遥感识别 中得到应用,其使用比例达到10
18、.1% 22-23 。尤其值 得一提的是,环境减灾小卫星星座HJ-1A /1B 数据作 1124 中国农业科学48卷 为新的遥感数据源,中国国产卫星以5.1%的使用频 率 应 用 于 农 作 物 识 别 与 监 测 领 域 24 。 此 外 , QuickBird及其他类型的传感器在农作物识别中也 得到使用,两者比例约为15.1%。同时不难发现, SAR 数据多以融合的形式参与识别,而高空间分辨 率 QuickBird以单一的形式开展农作物识别居多, 其他类型传感器用于单数据源研究和多源数据融合 的比例基本相当。 图 3 统计了近十多年 3 个不同阶段农作物识别中 的单一数据源和多数据源使用情
19、况。可以看出,基于 单数据源的农作物遥感识别文献数合计189篇,远高 于基于多源数据的农作物遥感识别文献数(108 篇)。 因此, 目前农作物遥感识别中仍然以单一数据源为主, 但其有下降的趋势,与此同时,多源数据在农作物遥 感识别中越来越多得到应用,呈明显的上升趋势。进 一步统计分析发现,单一数据源更多应用于单一农作 物的识别和提取,而多源数据在农作物种植结构提取 中的应用要优于单数据源。 图 1 综述结构图 Fig. 1 The review framework 单数据源 single data source 多源数据 multi-source data 12.4 2.7 10.1 5.1
20、35.0 34.7 0510152025303540 其他 others QB SAR HJ Landsat MODIS 使用频率 Utilization frequency (%) 图 2 农作物遥感识别中不同传感器使用频率统计 Fig. 2 The categorization of crop identification based on different sensors 6 期宋茜等:农作物遥感识别中的多源数据融合研究进展 1125 2 0 1 1 - 2 0 1 4 2 0 0 6 - 2 0 1 0 2 0 0 0 - 2 0 0 5 图 3 农作物遥感识别中采用的数据源数量统计
21、 Fig. 3 Statistics of the remote sensing sources used for crop identification 2 多源遥感数据融合技术 农作物遥感识别原理总体上分为两类:一是基于 农作物的光谱特征和空间异质性特征;二是基于农作 物的物候特征。基于农作物光谱和空间纹理特征的识 别方法易受分辨率的限制,“同物异谱”和“异物同 谱”现象普遍存在。单一高分辨率数据的光谱信息不 足,难以覆盖大区域范围;单一中分辨率数据源受传 感器重访周期和云雨天气影响,数据获取频率低于理 论周期;而单一低分辨率数据源混合像元现象严重 25-27 。基于农作物季相节律和物候特
22、征识别农作物类 型需要利用时间序列遥感数据,然而,遥感数据的时 间分辨率与空间分辨率之间相互制约,单一高时间分 辨率遥感数据有助于精确区分作物生育周期,但通常 空间分辨率低,刻画空间异质性能力差,而单一中高 空间分辨率遥感数据很难获得覆盖作物整个生育期的 长时间序列信息,重复观测能力低 28-29 。因此,农作 物遥感识别中的多源遥感数据融合的关键任务是解决 遥感数据的时空优化问题,提高农作物识别效率和识 别精度 30-32 。 2.1 以提高空间分辨率为目标的多源数据融合技术 中国农作物种植结构复杂多样、田块破碎,光谱 混合现象严重,其准确识别对遥感数据的空间分辨率 要求高 33 。针对低空
23、间、高时间分辨率遥感数据对农 作物生长过程动态变化描述的优势,引入中高空间分 辨率遥感数据,通过数据融合可以有效提高对农作物 空间分布细节描述的能力。图像融合是最为常见的以 提高空间分辨率为目标的多源数据融合技术,将多源 遥感数据按照一定规则进行运算、处理,获得一幅具 有新的空间和波谱特征的合成影像 34 。图像融合方 法,如基于色彩相关技术的HIS 变换法或基于统计方 法的 PCA、Brovey 和小波变换等, 可以广泛应用于不 同传感器、不同空间分辨率以及不同时相的遥感数据, 尤其在多时相的低空间分辨率遥感数据与中等空间分 辨率遥感数据的融合方面应用较多。融合的对象不仅 可以是光谱反射率、
24、后向散射系数,还可以为时间序 列植被指数,获得一幅具有新的空间特征的高分辨率 合成影像。 图像融合技术在农作物遥感识别中的应用研究较 多, 取得了较好的效果。如蒋楠等 35 采用 Brovey 变换、 IHS变换、 高通滤波和小波变换种融合方法对HJ-1A 卫星多波段影像与ALOS 卫星 2.5 m 全色影像分别进 行融合,得到了高空间分辨率多光谱影像,并选用最 佳融合效果的小波变换法合成影像,进行江苏省金湖 地区水稻识别, 发现其估算精度比HJ-1A 多光谱影像 提高了 12.39%。以 2008年河南省原阳县的玉米种植 信息为识别目标,何馨 36 利用小波变换的方法将时间 序列 MODIS
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 农作物 遥感 识别 中的 数据 融合 研究进展 中国农业科学院 农业 资源
链接地址:https://www.31doc.com/p-4560313.html