2021 RS《Comparison of Winter Wheat Mapping from Different Similarity Measurement》

Introduction

        现存困难：传统的表格式统计数据不能反映空间分布。遥感数据与地面采样数据的结合可能存在不一致的问题。需要发展遥感制图技术，以保证遥感获取的分布信息与统计数据的面积信息之间高度一致。 

       基于多源数据融合进行作物面积空间化和作物分布提取的缺陷。为了提高精度，需要强化基于遥感时间序列数据的作物分布提取技术。

Data Preparation and Preprocessing

1. Study Area

 2. Remote Sensing Data

3. Sampling Point Data

4. Other Data

Methodology

        本对比性研究的工作流如 Figure 3 所示。(1) 基于 Sentinel-2 数据 和 CCSM  算法，获取参考曲线。(2) 计算两个 cross-correlation 曲线的相似性，并根据相似性构建一个冬小麦提取模型。(3) 使用 SCE-UA 全局优化算法，优化模型参数。(4) 绘制冬小麦的空间分布图，并进行精度评价。

1. Cross Correlogram Spectral Matching (CCSM) Algorithm

        在 CCSM 算法中，通过计算参考光谱曲线和目标光谱曲线在不同匹配位置上的交叉相关系数（cross-correlation coefficients）构建交叉相关性曲线（cross-correlation curve），并利用 参考 CC 曲线 与 实际 CC 曲线 之间的匹配程度来描述光谱曲线之间的相似性。交叉相关简称 CC。

        利用 NDVI 时间序列 构建 CC 曲线的具体过程：(1) 基于冬小麦训练样本，获取 冬小麦 NDVI 时间序列 数据集。(2) 对数据集中的所有值，在 NDVI 时间序列中的每个位置，取平均，得到冬小麦 NDVI 时间序列的参考曲线。(3) 基于 CCSM 算法，计算 参考曲线 与 目标像元的时序曲线 在不同匹配位置的  CC 系数，CC系数由下式计算：

        其中，r 表示 冬小麦 NDVI 时间序列的参考曲线，t 表示 目标像元的NDVI 时间序列曲线； 和  分别表示 参考 和 目标 曲线的 NDVI 值；n 是 两个曲线在移动之后的重叠波段数；m 表示 目标曲线的移动位置，m=0 表示不移动，m=-1 表示 目标曲线向参考曲线的左侧移动了一个波段，m=1 表示 目标曲线向参考曲线的右侧移动了一个波段；是 在移动位置 m 处的交叉相关性（cross-correlation）。

       不同移动位置的交叉相关性系数，可以绘制成一个交叉相关性曲线。理论上，如果作物种类不改变，目标像元的 NDVI 时序曲线，应该和冬小麦的 NDVI 参考时序曲线 一致。此时，这两条曲线之间的 CC 曲线 就是 冬小麦的参考 CC 曲线。

2. Calculation of Different Similarity Indicators

        本文使用了 6 中相似性度量方法：MD、ED、RMSE、SAM、SCC、DTW.

 DTW：Dynamic Time Warping，动态时间规整   ——  ww ^的CSDN博客

3. Establishment of the Winter Wheat Extraction Model

阈值法：

4. Optimization of the Threshold in the Extraction Model

        以区域级别的冬小麦统计数据作为外部数据，以基于遥感数据的提取结果作为内部数据，建立基于外部数据与内部数据之差的代价函数，使用 SCE-UA 全局优化算法，以代价函数最小时对应的参数作为最佳参数。

SCE-UA 算法的优势与本研究的具体应用：

5. Accuracy Assessment of Crop Mapping Results

从两个角度来评价制图精度：

① 作物识别精度（位置精度）

        用于评价作物空间分布提取的精度。主要使用 总体精度(OA)、Kappa系数、生产者精度(PA)、用户精度(UA)。OA 和 kappa 的值介于 0 和 1 之间，越接近 1 精度越高。

② 作物面积估测精度（总面积精度）

        与作物面积的统计数据进行对比，评价作物面积估测的精度。

       上式中，TA 是 总面积精度；E 是遥感提取的冬小麦面积，S 是统计数据显示的冬小麦面积，E 和 S 的量纲必须相同。

Results and Analysis

1. The Results of Different Similarity Indicators

        Figure 5 显示了 基于不同相似性度量得到的冬小麦空间分布。MD、ED、RMSE、SAM、DTW的值越大，SCC的值越小，说明该像元属于冬小麦的概率越大。

         基于地面调查样本点，选择了 40 个非冬小麦样本（共 4 种地物类型）作为验证样本。计算了这些样本与冬小麦样本之间的相似性，并对每个地类的相似性取平均，如 Figure 6 所示。

2. Threshold Optimization Results

3. Results and Verification of Winter Wheat Spatial Distribution

        Figure 7 显示了 在 Fucheng County 中，基于不同相似性度量得到的冬小麦空间分布。冬小麦主要集中于中部和东部；由于西部是城区，冬小麦分布较少。Fucheng County 的地理位置见 Figure 1(a)。

        上表显示了基于不同相似性度量的结果的精度。表头错了。由于阈值时基于面积统计数据确定的，TA很高。DTW 居然精度最低，不愿相信 555

Discussion

1. Total Amount Control of Crop Area Statistics

2. Threshold Optimization of the Crop Extraction Model

3. Shortcomings and Suggestions for Improvement

Conclusions