基于遥感影像实现三种方法提取枣树面积精度分析

基于不同特征时间序列数据集,使用动态时间规整DTW方法对时间序列遙感影像进行分类。基于时间序列Landsat 8影像数据,使用NDVI、EVI、第一主成分3种特征数据集结合DTW算法,对比分析不同特征量对枣树的识别精度。结果表明:基于DTW(NDVI)的时间序列特征数据集结合DTW算法能够得到较好的分类结果,基于时序DTW(EVI)特征量的方法次之,基于时序DTW(PCA1)特征量的方法的分类精度最低,总体精度分别为95.23% .93.73%、83.84% , Kappa系
数分别为0.858、0.824、0.738。
1研究区概况
新疆维吾尔自治区阿拉尔市(80930~81°58E、40°22 ~ 40°57N )辖4个街道、1个乡、15个镇,占地面积约5200km2。北接天山山脉,南部深人塔里木盆地北部边缘地区,整体地势由西北向东南倾斜,平均海拔lkm左右,境内有多条水系，虽处于温带大陆性气候带,但北部山峰绵延不绝，南部的塔克拉玛千沙漠一望无际(图1)。深处内陆且大山环绕,使当地降水量非常稀少,气候干燥,但丰富的高山河流水资源和充足的光照时长使这里成为典型的灌溉农业区。

2数据来源
本研究使用美国地质勘探局(USGS)网站上下载的Landsat 8影像,获取2017年枣树物候期内生长季无云或少云的影像,影像的空间分辨率为30m,共9景影像(05/24、06/09、07/27 .08/12、08/28、09/13 .09/29、10/15和10/31),影像时间覆盖了2017年枣树从发芽到收获的整个生长发育期,所获取的Landsat8遥感数据时相序号、传感器、轨道号和获取时间等详细信息见表1。

3试验设计
设计了 3组试验进行对比,分别是基于时间序列NDVI数据的DTW法(简写为DTW(NDVI))、基于时间序列EVI数据的DTW法(简写为DTW(EVI))以及基于时间序列PCA1数据的DTW法(简写为DTW(PCA1))。对获取的2017年枣树物候期内的10景影像进行指数计算和主成分分析,生成NDVI、EVI和PCA 3个特征数据集,然后根据枣树样本点提取对应特征值,将不同特征值分别按照时间排序,生成不同特征的枣树时间序列曲线;通过S-G滤波方式对曲线进行平滑处理,得到枣树标准曲线，然后分别计算在3类特征数据集下待分像元与枣树标准曲线的最小累计距离,得到基于像元的隶属度图;最后利用随机森林算法分类,得到研究区域枣树种植情况,通过计算得到枣树种植面积;采用以上3种方案进行匹配计算,得到分类结果,并进行精度评价和分析(图2)。
4标准时序
曲线生成针对本 研究选取的3种不同特征量生成不同的时序标准曲线。NDVI数据作为Landsat中高时间分辨率植被的有效测量手段,有助于对植被生长和活动的季节和年际变化进行有意义的比较。NDVI的优势在于其定量配给的概念,由于波段数量增加,产生的噪声形式也会增多,NDVI可以减少多个波段中存在的多种形式的噪声(光照差异、云影、大气衰减和某些地形变化)。此外，对植被覆盖动态的敏感性比较表明,由于NDVI数据在生长季节表现出更高的可变性和突变性,因此NDVI数据更为敏感,能够更准确地检测变化根据枣树采样点提取相关数据,分别生成了NDVI时序数据集、EVI时序数据集和PCA1时序数据集,然后对各自的数据进行S-G滤波处理,去除相关噪声，生成标准的.枣树不同特征的时序曲线(图3)。

5时序曲线隶属度图
得到标准时间序列后，计算不同特征数据集中每个像素的时间序列到标准时间序列的DTW距离(图4)。DTW距离可以反映标准枣树生长时间序列与像素时间序列的相似程度和相异程度。在DTW距离图中,当DTW距离较短时,图中显示的颜色更深,表现为红色。距离越小，表明该地区种植枣树的可能性越大。

6分类结果
按照_上述步骤得到3种试验方案的分类结果,如图5所示。使用验证样本点对分类结果进行验证,得到混淆矩阵精度结果,如表2所示。由表2可知,基于时序NDVI特征的DTW方法的分类精度最高,总体精度为95.23%，利用时序EVI特征量的DTW方法次之(93.73%),基于时序PCA 1特征的DTW方法的分类精度最低(83.84%),观察Kappa系数值可以得到同样的结论。

参考论文：基于时序Landsat遥感影像枣树种植面积提取[J]安徽农学通报