软硬变化检测作物识别(soft and hard change detection,SHCD)是一种新型的作物识别方法。该研究针对不同耕地地块破碎程度的农业景观地区进行SHCD冬小麦识别,分析地块破碎程度对SHCD冬小麦识别精度的影响。试验结果表明,在种植地块破碎试验区,SHCD的RMSE对分辨率不敏感,均小于0.15,bias也比较小,R2随着检测窗口的增加,相关性逐步升高,达到98%以上。在种植地块规整试验地区,亦能够得到相同试验结论。SHCD方法综合了硬变化(hard change detection,HCD)和软变化(soft change detection,SCD)各自的优势,能够达到稳定且较高的识别精度,不受影像分辨率的影响;有效地解决了SCD在硬变化区(纯净像元)受到光谱不稳定性和HCD在软变化区(混合像元)识别为"0-1"排他性结果的不足,保证了冬小麦的识别精度,为大范围进行冬小麦识别以及其他作物的变化检测识别提供前期的试验基础。
提出一种软硬变化检测的作物识别方法 SHLUCD(Soft and Hard Land Use/Cover Change Detection Method)。该方法利用多期遥感影像能够有效表达作物的生长物候特征,以达到在离散变化区(即纯净像元区,包括完全转换成作物的突变区域和非作物区域)和连续变化区(即渐变区,混合像元区,是部分转化为作物的区域)准确进行作物的识别。在北京市选择一个研究区,以冬小麦为研究对象,选用2011年10月6日(播种期)和2012年4月16日(拔节期)两期环境减灾1号卫星影像,分别采用硬变化检测方法 HLUCD(Hard Land Use/Cover Change Detection Method)、软变化检测方法 SLUCD(Soft Land Use/Cover Change Detection Method)和SHLUCD进行冬小麦的识别。实验结果表明:在不同尺度窗口下,SHLUCD较传统方法表现出较明显的优势,具有更低的均方根误差RMSE(SHLUCD为[0.14,0.07],HLUCD为[0.15,0.07],SLUCD为[0.16,0.08])和偏差bias(SHLUCD为-0.0008,HLUCD为-0.007,SLUCD为0.014)和更高的决定系数R2(SHLUCD为[0.68,0.86],HLUCD为[0.62,0.86],SLUCD为[0.60,0.86])。针对冬小麦突变区域、冬小麦渐变区域和非冬小麦区域分别进行评价,表明SHLUCD识别精度接近各区最佳的识别方法,进一步验证了SHLUCD的灵活性和适用性。SHLUCD方法在离散变化区能够通过土地覆盖类型状态变化来有效地识别出冬小麦,在连续变化区可识别出土地覆盖的状态变化程度定量表达冬小麦的丰度,是其他作物多时相遥感变化检测的前期实验基础。
无人机是开展野外调查的一种新型、有效的手段,能够及时、准确地获取地面调查样方信息,为作物面积遥感估算提供精准的样方数据。研究针对无人机抽样调查的样方特点,提出了适合于无人机样方的多层次事后分层指标(多层次-异质性指标、多层次-面积规模指标)。将这些指标分别用于事后分层抽样,估算冬小麦面积。并根据变异系数(coefficient of variance,CV)对其抽样效率进行评价。多层次指标是将多种分层指标分层结果叠加形成的,能够充分反映作物种植空间分布特征、空间异质性及种植规模,可以保证作物种植面积遥感估算的精度。以河南省冬小麦面积估算为例,在冬小麦空间分布空间范围,建立300m×300m抽样框格网,作为抽样基本单元。分别利用实验设计的多层次-面积规模指标、多层次-异质性指标、面积规模指标、异质性指标计算各抽样基本单元的对应指标值。按照累计平方根法计算不同分层指标下的分层界限值。最后进行事后分层估计,计算分层效率,对分层结果与分层效率进行对比分析。计算得到以上4种分层方法的变异系数分别为1.85%、1.41%、2.16%、1.55%。结果表明,结合无人机抽样调查,利用多层次指标法进行分层,各层内作物均质性较好,能够提高农作物面积估算的精度;此外,异质性指标较面积规模指标更能提高分层的层内作物均质性与农作物面积估算精度。
