支持向量数据描述SVDD(Support Vector Data Description)在单目标土地覆盖信息提取中得到了初步的应用,但已有研究一般选择纯净像元作为分类样本,不符合SVDD分类器原理,难以保证精度。本文选择北京市通州区为实验区,基于QuickBird重采样图像和地表真值数据构建不同空间特征的训练样本集,设计两种分类样本选择方案:在训练样本集中随机选择分类样本以及手工选择分类样本,进行SVDD分类。实验结果表明,随着惩罚因子C值逐渐增大或核宽度s值逐渐减小,超球会逐渐减小,生产者精度逐渐降低而用户精度逐渐提高。在最优分类参数的前提下,对样本进行SVDD分类。在模拟实验中,随着样本从中心向边缘逐渐扩散,超球也逐渐增大,分类精度逐渐增高,而最外层的样本接近小麦真实分布的边界,超球内混入其他的地物像元;在真实实验中,中心样本集SVDD分类总精度和生产者精度分别为80.48%和45.15%,而边缘样本集SVDD分类总精度和生产者精度分别为92.71%和95.81%,得到了明显的提升(Z=156.12),表明利用边缘像元进行SVDD分类能够提高目标地物的识别精度。
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。
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。
