国土资源遥感杂志, 2020, 32(1): 19-26 doi: 10.6046/gtzyyg.2020.01.04

技术方法

时间序列低分影像修正中分遥感冬小麦分布

朱爽1,2, 张锦水,2,3,4

1. 北京工业职业技术学院,北京 100042

2. 北京师范大学地表过程与资源生态国家重点实验室,北京 100875

3. 北京市陆表遥感数据产品工程技术研究中心,北京 100875

4. 北京师范大学地理科学学部遥感科学与工程研究院,北京 100875

Medium resolution remote sensing based winter wheat mapping corrected by low-resolution time series remote sensing images

ZHU Shuang1,2, ZHANG Jinshui,2,3,4

1. Beijing Polytechnic College, Beijing 100042, China

2. State Key Laboratory of Earth Surface Processes and Resource Ecology, Beijing Normal University, Beijing 100875, China

3. Beijing Engineering Research Center for Global Land Remote Sensing Products, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

4. Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

通讯作者: 张锦水(1978-),男,博士,教授,主要研究方向为环境遥感。Email:zhangjs@bnu.edu.cn。

责任编辑: 李 瑜

收稿日期: 2019-02-15   修回日期: 2019-04-29   网络出版日期: 2020-03-15

基金资助: 高分辨率对地观测系统重大专项支持项目民用部分.  编号: 09-Y20A05-9001-17/18

Received: 2019-02-15   Revised: 2019-04-29   Online: 2020-03-15

作者简介 About authors

朱爽(1981-),女,博士,副教授,主要研究方向为环境遥感。Email:zhushuang@mail.bnu.edu.cn。 。

摘要

单期中等空间分辨率遥感影像(如Landsat8 OLI)进行冬小麦提取,易受到“异物同谱、同物异谱”影响,造成冬小麦识别结果的“错入、错出”,降低冬小麦识别精度。低空间分辨率遥感影像(如MODIS)获取时间频率高,具有时间序列特征,能够准确地刻画出冬小麦生长周期内的特有物候特征,可以有效地消除单期遥感影像上存在的“异物同谱、同物异谱”现象。研究利用MODIS时间序列特征提取出的冬小麦空间分布信息为辅助信息,用来修正单期OLI遥感影像识别冬小麦结果的“错入、错出”误差,以提高冬小麦的识别精度。实验结果表明,在冬小麦错出区域,OLI提取结果的均方根误差(root mean square error,RMSE)为0.758,经MODIS修正后RMSE为0.142,降低了0.616; 在冬小麦错入区域,OLI提取结果的RMSE为0.901,经MODIS修正后RMSE为0.122,降低了0.779。可见,该方法能够发挥MODIS有效描述冬小麦生长周期内时间序列特征的优势,对Landsat OLI冬小麦测量结果进行了有效修正,提高了冬小麦测量精度。

关键词： 时间序列 ; 线性混合像元分解 ; 丰度 ; 一致性分析 ; 修正

Abstract

Owing to influences of the same spectrum with the different thing and the same thing with the different spectrum, the medium resolution remotely sensed image, Landsat8 OLI, extracts the wheat extraction with the wrong information, which leads to low accuracy. The coarse resolution image with multi-temporal trait can discriminate the wheat information from other similar land cover. In this paper, the multi-temporal trait is adopted to solve the “wrong coming or wrong going” error of the OLI classification so as to increase the wheat extraction accuracy. The experiment shows that the OLI and MODIS can extract the wheat with high consistence, so the result of MODIS can correct the error of the OLI, where the phenomenon of the same spectrum with the different thing and the same thing with the different spectrum occurs. In the region of the same thing with different spectrum, the RMSE of OLI result is 0.758, while that of the MODIS correction result is 0.142. In the region of the different thing with the same spectrum, the RMSE of OLI result is 0.901, while that of the MODIS correction result is 0.122. All the results show that the MODIS result can correct OLI result for higher wheat extraction accuracy, which can solve the phenomenon of the same spectrum with the different thing and the same thing with the different spectrum.

Keywords： time series ; linear mixed spectral unmixing ; fraction ; consistency analysis ; rectification

PDF (5774KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

朱爽, 张锦水. 时间序列低分影像修正中分遥感冬小麦分布. 国土资源遥感杂志[J], 2020, 32(1): 19-26 doi:10.6046/gtzyyg.2020.01.04

ZHU Shuang, ZHANG Jinshui. Medium resolution remote sensing based winter wheat mapping corrected by low-resolution time series remote sensing images. REMOTE SENSING FOR LAND & RESOURCES[J], 2020, 32(1): 19-26 doi:10.6046/gtzyyg.2020.01.04

0 引言

农作物种植范围与空间分布提取是遥感技术重要应用领域之一[1,2]。及时、准确地获取作物种植面积信息对于制定国家/区域农业经济发展规划,指导种植业结构调整,提高农业生产管理水平具有重要的意义[3]。

中等空间分辨率遥感影像(简称中分影像)空间分辨率相对较高,能够保证遥感测量精度,是一种比较适合的农作物种植面积测量数据源[4]。目前,利用中分影像(如Landsat8 OLI,IRS-P6和SPOT HRV等)提取农作物的方法包括单时相识别与多时相变化检测2类。单时相遥感影像识别是利用作物生长季关键期的遥感影像进行分类,多采用硬分类方法(如神经网络、决策树分类和支持向量机等)、软分类方法(如线性模型、概率模型、随机几何模型和模糊分析模型等)以及关键指标阈值划分(如绿度剖面特征和植被指数等)等,提取作物空间分布信息[4]。变化检测法则是以作物生长季内的2期影像光谱变化为基础,提取变化特征进行分类提取作物的分布,如分类后比较法[5]、影像叠加分类法[6,7]和变化向量分析[8,9]等,是较为常用的作物分布信息提取方法。变化检测方法综合了作物自身的光谱和时间上的变化特征,能够保证作物的识别精度。但由于中分影像回访周期比较长,在一个作物生长季只能获得有限的有效影像,另外受到云雨等天气因素影响,合适的遥感影像就更为困难,这制约了变化检测方法进行作物识别。在实际的应用中,作物生长季内只获取到单期影像的情况时常出现,这不可避免地受到“异物同谱、同物异谱”现象的困扰[10]。低空间分辨率遥感影像(简称低分影像),如MODIS和NOAA,虽然像元空间分辨率比较低,混合像元现象严重,使得分类精度不高[11],但每天均能够进行地面观测,高回访频率保证了较强的影像获取能力,能够有效地刻画出作物的生长物候特征[12,13,14,15],这为解决“异物同谱、同物异谱”问题提供了可行性[16]。目前的研究侧重于单独利用中分影像或低分影像进行作物的提取,综合各自优势进行作物识别的方法还鲜有报道[18,19,20,21]。

本文集成中、低分遥感影像在农作物信息提取中各自的优势,提出以低分影像(MODIS)时间序列特征提取出的冬小麦空间分布信息为辅助信息,修正基于单期中分影像(OLI)提取冬小麦结果的“错入、错出”误差,消除“异物同谱、同物异谱”现象造成的分类干扰。

1 研究区概况和数据源

1.1 研究区概况

研究区位于北京市、天津市和河北省交界处,覆盖范围为E116°5'13″~117°15'16″,N39°25'25″~40°28'26″,见图1。该区域以平原为主,北部为燕山山脉。东南部区域种植大面积冬小麦,其间夹杂着大片的裸地和水体。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   研究区OLI B4(R),B5(G),B3(B)假彩色合成影像

Fig.1   Remote sensing image of OLI in the study area


1.2 数据源

本实验选用2种尺度的遥感影像: 30 m空间分辨率的OLI影像和250 m空间分辨率的MODIS影像,其中OLI影像用于提取出冬小麦的空间分布信息,MODIS时间序列数据提取出的冬小麦分布信息用作辅助数据来修正OLI提取出的冬小麦结果。

1.2.1 遥感数据

本实验OLI影像获取时间为2016年4月7日,轨道号为123/32,所用波段包括蓝光(0.45~0.51 μm)、绿光(0.53~0.67 μm)、红光(0.64~0.67 μm)、近红外(0.85~0.88 μm)、短波红外1(1.57~1.65 μm)和短波红外2(2.11~2.29 μm)6个波段。从美国地质调查局网站上下载的OLI影像已经做过几何纠正[17]。

OLI影像获取时间处于冬小麦的拔节期,与人工草地,如高尔夫球场、城市绿化草地等的光谱信息较接近; 且该时期冬小麦春旱灌溉较多,经灌溉后的冬小麦地块混有水体的光谱信息,易被误分为非冬小麦。OLI影像上典型地物光谱曲线如图2所示,从图2可以明显看出,未灌溉的冬小麦与草地的光谱曲线比较接近,而灌溉后的冬小麦光谱与水体的光谱曲线比较接近。可见,利用单期OLI遥感影像进行冬小麦的提取,会受到这种“异物同谱、同谱异物”的干扰。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   OLI影像上典型地物光谱曲线

Fig.2   Spectrum of land cover types in OLI image


本文研究中采用时间序列MODIS 16 d合成的MOD13Q1产品中的归一化差值植被指数(normalized difference vegetation index,NDVI),空间分辨率为250 m,数据级别为L3,时间跨度为2015年10月上旬—2016年6月下旬,涵盖整个2016年的冬小麦生长周期。根据Lobell等[1]研究中提出的消除云等噪声影响的方法,采用云质量文件,通过相近质量好的像元插值方式进行滤波处理。

1.2.2 其他数据

研究数据还包括了2016年4—5月,沿主干道路采集的896个野外实测样方,这些数据用于对OLI数据非监督分类结果进行标定和精度验证。

2 研究方法

本研究技术流程主要包括OLI与MODIS数据的冬小麦分布提取、中低尺度冬小麦识别结果的一致性分析以及对OLI冬小麦测量结果修正与精度评价,具体技术路线如图3所示。其中,PMODIS为MODIS混合像元分解得到的冬小麦丰度; POLI为OLI聚合为250 m的冬小麦丰度。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   技术路线

Fig.3   Technology flowchart


2.1 基于OLI数据的冬小麦分布提取

采用K-means方法对OLI影像进行非监督聚类,标定分类体系为冬小麦、人工草地、林地、城镇、裸地和水体。本研究的重点是冬小麦,故将其他地物统一合并为非冬小麦,提取结果如图4所示,并将中尺度结果标记为PO。根据896个野外样方提供的外业知识,对OLI单期中分影像识别出的冬小麦进行精度评价(表1)。结果表明,区域内分类的总体精度为88.39%,Kappa系数为0.68,证实OLI影像能够有效地提取冬小麦信息。但存在2方面问题会对冬小麦的识别精度产生影响: ①4月7日OLI影像上人工草地与冬小麦均已返青,二者光谱信息相似,造成“异物同谱”现象,无法将草地与冬小麦准确区分开,人工草地易混入到冬小麦提取结果中; ②春季麦田灌溉,但刚返青的冬小麦冠层郁闭度不高,灌溉后会呈现出水体的光谱信息,造成“同物异谱”现象,导致冬小麦识别结果的错出。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   研究区OLI影像冬小麦提取结果

Fig.4   Wheat extraction results of OLI image in the study area


表1   OLI影像冬小麦识别精度

Tab.1  Accuracy assessment of wheat classification from OLI image

类别野外测量数据生产者
精度/%
冬小麦非小麦
OLI分类数据冬小麦2376179.53
非冬小麦435557.19
用户精度/%84.649.90—

新窗口打开| 下载CSV


2.2 基于MODIS数据的冬小麦分布提取

研究区植被主要包括冬小麦、草地(人工草地/天然草地)和林地。由于研究区位于城乡过渡地带,人工草地较多,在该时期呈现明显的植被光谱特征,易与冬小麦相混。选择MODIS影像中6种典型地物的15个样点获取其NDVI(图5),波段序号与月份的对应关系为: 10月(1—2波段); 11月(3—4波段); 12月(5—6波段); 1月(7—8波段); 2月(9—10波段); 3月(11—12波段); 4月(13—14波段); 5月(15—16波段); 6月(17—18波段)。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   典型地物的时间序列曲线

Fig.5   Temporal curves of several typical land types from MODIS data


从时间序列曲线上可以看出,各类地物具备明显的、可区分的物候特征。对于冬小麦,10月初玉米收割后翻耕,播种冬小麦,NDVI值迅速下降; 进入11月冬小麦出苗期,NDVI逐步升高; 11月—次年2月为冬小麦越冬期,NDVI值较低; 3月处于冬小麦返青期,NDVI开始升高,一直持续到5月下旬; 直到冬小麦收获,NDVI迅速降低。因此,可以利用冬小麦的独特物候特征进行信息提取。

采用线性混合像元分解模型[18,19,20,21,22,23,24,25]进行MODIS数据冬小麦提取。首先,对MODIS数据进行最小噪声分类变换,利用第一、二主成分分量生成散点图,选择散点图上拐点对应的像元作为端元[26](图6(a)),参照野外实测数据和OLI影像,确定出MODIS影像上可区分的地物为冬小麦、山体、城镇和水体4种端元。将端元输入到线性分解模型中,即

f= ∑i=1Nfisi+e ,

式中: f为总的反射率; fi为组分i对应端元的反射率; si为组分i所占比例; e为残差。从而获得冬小麦丰度(图6(b))。从中可以看出,大片冬小麦能够被有效地提取出来,而识别误差主要存在于山区和城镇内部,这是由山体和城镇绿色植被的混淆造成的。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   MODIS端元散点图及提取的冬小麦分布

Fig.6   Scatter diagram from the MODIS endmembers and wheat distribution


2.3 修正OLI冬小麦识别结果

使用像元聚合方式把OLI识别的冬小麦结果转化为250 m空间分辨率,将冬小麦丰度小于50%的区域定义为“OLI非典型冬小麦区”,冬小麦丰度值大于50%的区域定义为“OLI典型冬小麦区”,然后通过MODIS混合像元识别结果分别对这2个区域识别结果进行修正。

1)“OLI非典型冬小麦区”错出识别结果修正。分析单期OLI影像发现,灌溉后的冬小麦区域由于受到冠层底部水体光谱影响,在影像上与典型的冬小麦光谱差异比较大,易被错分成其他的地物,产生冬小麦识别结果的错出问题。而MODIS识别结果以时间序列特征为基础,冬小麦特征独特,不会受到其他地物的光谱影响。因此,可以利用MODIS混合像元分解识别的冬小麦结果来修正OLI识别错出的冬小麦结果。修正原则为: 当OLI冬小麦识别丰度低于50%,而MODIS识别结果高于50%,且二者丰度差距大于阈值T时,则认为OLI提取出的冬小麦识别结果产生错出问题,利用MODIS识别结果进行替代,否则仍保持为OLI识别结果,即

PR= PMODISPMODIS-POLI>TPMODIS>50%POLI<50%POLI其他,

式中PR为经过规则判定后的冬小麦丰度。

2)“OLI典型冬小麦区”错入识别结果的修正。在单期OLI影像中,人工草地与冬小麦光谱极其相似,易被混分成冬小麦,造成冬小麦识别结果的错入。从图5可以看出,人工草地10月份NDVI值逐步开始下降,在次年3月开始返青,且一直呈上升趋势,这与冬小麦的光谱曲线变化趋势差别很大,因此可以通过MODIS时间序列特征修正OLI识别的冬小麦“错入”结果。修正原则为: 当OLI识别结果丰度高于50%,而MODIS识别结果丰度低于50%,且二者结果相差大于阈值T时,认为OLI提取出的冬小麦存在错入现象,则利用MODIS结果进行替代; 否则仍保持为OLI结果,即

Ps= PMODISPMODIS-POLI>TPMODIS<50%POLI>50%POLI其他,

式中PS为经过规则判定后的冬小麦丰度。

3 结果分析

3.1 OLI与MODIS冬小麦识别结果一致性分析

基于MODIS数据提取冬小麦结果的精度,是决定其能否对OLI的“异物同谱、同物异谱”提取结果误差进行修正的关键。本文中在MODIS数据上随机选取500个像元作为检验样本,并统计对应OLI数据识别出的冬小麦,进行MODIS和OLI二者识别冬小麦的一致性评价。评价指标采用均方根误差(root mean square error,RMSE),其表达式为

RMSE= ∑i=1n(POLIi-PMODISi)2/n　,

式中: POLIi为第i个OLI像元聚合到250 m的冬小麦丰度; PMODISi为第i个MODIS像元线性分解得到的冬小麦丰度; n为检验样本个数,本实验n=500。

如果以OLI的识别结果为参考值,MODIS识别冬小麦结果的RMSE为0.207。从图7可以看出,OLI与MODIS识别冬小麦结果丰度差值的绝对值在[0,40%]区间的像元占到全部检验样本的96%以上,表明MODIS与OLI冬小麦识别结果具有很强的一致性。通过逐个分析500个检验点发现,对于二者丰度差的绝对值超过40%的区域主要是OLI单期影像分类的“同物异谱,异物同谱”等问题造成的。因此,将丰度差值绝对值为[0,40%]范围的区域定义为二者识别结果的一致性区域,将丰度差值大于40%的区域定义为非一致性区域,则40%确定为MODIS和OLI这2个尺度的冬小麦识别结果一致、非一致区域的阈值T。这是在非一致区域用MODIS冬小麦识别结果进行修正OLI识别结果的基础。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   MODIS-OLI冬小麦测量一致性分析

Fig.7   Wheat result consistence between MODIS and OLI


3.2 冬小麦修正结果分析

进一步分析OLI冬小麦错入、错出区域修正后的结果情况。首先,MODIS数据对“OLI非典型小麦区”错出识别误差的修正结果如图8所示。白色圆形R范围内存在大片冬小麦灌溉情况,OLI数据识别冬小麦结果大片错出。采用MODIS数据对“OLI典型冬小麦区”错入识别误差的修正结果如图9所示。在黄色圆形S范围内,OLI单期影像上人工草地与冬小麦光谱易混,人工草地大部分被错分成了冬小麦,存在大量OLI数据识别结果错入的现象。

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   MODIS修正OLI冬小麦错出结果

Fig.8   MODIS correct OLI wheat result


图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   MODIS修正OLI冬小麦错入结果

Fig.9   MODIS correct OLI wheat result


为验证本文方法对错出、错入区域修正的效果,在R和S区内分别人工选择50个MODIS像元,目视解译OLI影像的地物类型,用于精度检测。精度检验结果如表2所示。从表2可以看出,在冬小麦错出区域,50个检验点的冬小麦测量结果中OLI提取冬小麦丰度为0~20%,平均丰度为8.60%,存在明显的冬小麦错出现象,通过MODIS冬小麦识别结果修后,丰度范围为70.2%~100%,平均丰度为84.9%,RMSE从0.758降低到0.142,识别误差显著降低,修正效果明显。在冬小麦错入区域,经过MODIS修正后,50个检验点的冬小麦丰度范围为0~35%,平均丰度为16.3%,RMSE从0.901降到0.122,识别误差也得到了显著降低,精度得到明显提高。

表2   OLI冬小麦错出和错入区域MODIS冬小麦测量结果误差分析

Tab.2  RMSE of MODIS wheat result in OLI wheat region with error

区域MODIS丰度范围/%MODIS平均丰度/%OLI丰度范围/%OLI平均丰度/%RMSE(OLI)RMSE(MODIS修正)
冬小麦错出70.2~10084.90~208.60.7580.142
冬小麦错入0~3516.360~9078.60.9010.122

新窗口打开| 下载CSV


4 结论与讨论

本研究利用MODIS时间序列数据提取冬小麦分布情况,修正单期OLI数据“异物同谱、同物异谱”现象造成的提取误差,以保证冬小麦的识别精度。主要结论如下:

1)与数据质量较好的OLI影像冬小麦识别结果相比,MODIS数据冬小麦识别结果的RMSE为0.207,二者丰度相差低于40%的像元超过了96%,表明OLI和MODIS数据冬小麦识别结果一致性高。

2)从修正结果来看,在“同物异谱”区域,即冬小麦错出区域,经过修正后,RMSE从0.758降到了0.142; 在冬小麦错入的“异物同谱”区域,经过修正后,RMSE从0.901降到了0.122。可见,经MODIS修正后的冬小麦识别精度得到了明显提升。

实验结果表明,MODIS数据的辅助在一定程度上能够解决单期OLI数据而导致的冬小麦信息提取的错入、错出问题。该方法兼顾了2种数据源的优势,降低了遥感影像需求的门槛,为大尺度的农作物提取提供了数据保证。但该方法仍存在一些不足之处: 其一是由于数据空间分辨率不同,利用MODIS数据冬小麦识别结果来进行OLI数据冬小麦识别结果修正,会受到影像之间配准精度的影响; 其次,MODIS和OLI识别结果的非一致性区域阈值的确定尤为关键,如何科学、准确、适用性强地确定阈值仍需深入地探讨。

参考文献

Lobell D B, Asner G P .

Cropland distributions from temporal unmixing of MODIS data

[J]. Remote Sensing of Environment, 2004,93(3):412-422.

[本文引用: 2]

王利民, 刘佳, 杨玲波 , 等.

短波红外波段对玉米大豆种植面积识别精度的影响

[J]. 农业工程学报, 2016,32(19):169-178.

[本文引用: 1]

Wang L M, Liu J, Yang L B , et al.

Impact of short infrared wave band on identification accuracy of corn and soybean area

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016,32(19):169-178.

[本文引用: 1]

朱爽, 张锦水, 崔有祯 .

剖线强度梯度变化的作物软硬变化区精确划分

[J]. 中国农业资源与区划, 2018,39(7):38-42.

[本文引用: 1]

Zhu S, Zhang J S, Cui Y Z .

Soft and hard change region identification of crop by profile based gradient change magnitude method

[J]. Chinese Journal of Agricultural Resources and Regional Planning. 2018,39(7):38-42

[本文引用: 1]

Pan Y Z, Hu T G, Zhu X F , et al.

Mapping cropland distributions using a hard and soft classification model

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012,50(11):4301-4312.

[本文引用: 2]

Prakash A, Gupta R P .

Land-use mapping and change detection in a coal mining area:A case study in the Jharia coalfield,India

[J]. International Journal of Remote Sensing, 1998,19(3):391-410.

[本文引用: 1]

Weismiller R A, Kristof S J, Scholz D K , et al.

Change detection in coastal zone environments

[J]. Photogrammetric Engineering and Remote Sensing, 1977,43(12):1533-1539.

[本文引用: 1]

Bruzzone L, Prieto D F .

A minimum-cost thresholding technique for unsupervised change detection

[J]. International Journal of Remote Sensing, 2000,21(18):3539-3544.

[本文引用: 1]

李苓苓, 潘耀忠, 张锦水 , 等.

支持向量机与分类后验概率空间变化向量分析法相结合的冬小麦种植面积测量方法

[J]. 农业工程学报, 2010,26(9):210-217.

[本文引用: 1]

Li L L, Pan Y Z, Zhang J S , et al.

Method of winter wheat planting area estimation based on support vector machine and post-classification changed vector analysis

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010,26(9):210-217.

[本文引用: 1]

朱爽, 张锦水 .

地块破碎度对软硬变化检测法识别冬小麦分布精度的影响

[J]. 农业工程学报, 2016,32(10):164-171.

[本文引用: 1]

Zhu S, Zhang J S .

Impact of land fragmentation on identification of winter wheat distribution accuracy by soft and hard change detection method

[J]. Transactions of the Chinese Society of Agricultural Engineering, 2016,32(10):164-171.

[本文引用: 1]

Stefanov W L, Ramsey M S, Christensen P R .

Monitoring urban land cover change:An expert system approach to land cover classification of semiarid to arid urban centers

[J]. Remote Sensing of Environment, 2001,77(2):173-185.

[本文引用: 1]

赵敏, 赵银娣 .

面向对象的多特征分级CVA遥感影像变化检测

[J]. 遥感学报, 2018,22(1):119-131.

[本文引用: 1]

Zhao M, Zhao Y D .

Object-oriented and multi-feature hierarchical change detection based on CVA for high-resolution remote sensing imagery

[J]. Journal of Remote Sensing, 2018,22(1):119-131.

[本文引用: 1]

谢登峰, 张锦水, 潘耀忠 , 等.

Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物

[J]. 遥感学报, 2015,19(5):791-805.

[本文引用: 1]

Xie D F, Zhang J S, Pan Y Z , et al.

Fusion of MODIS and Landsat8 images to generate high spatial-temporal resolution data for mapping autumn crop distribution

[J]. Journal of Remote Sensing, 2015,19(5):791-805.

[本文引用: 1]

Yu W Y, Qi Y B, Wei F , et al.

The impact of FDD rotation mode and irrigation methods on rice irrigation water efficiency in southwestern China

[J]. Resources Science, 2017,39(6):1127-1136.

[本文引用: 1]

任建强, 陈仲新, 周清波 , 等.

MODIS植被指数的美国玉米单产遥感估测

[J]. 遥感学报, 2015,19(4):568-577.

[本文引用: 1]

Ren J Q, Chen Z X, Zhou Q B , et al.

MODIS vegetation index data used for estimating corn yield in USA

[J]. Journal of Remote Sensing, 2015,19(4):568-577.

[本文引用: 1]

顾晓鹤, 潘耀忠, 朱秀芳 , 等.

MODIS与TM冬小麦种植面积遥感测量一致性研究——小区域实验研究

[J]. 遥感学报, 2007,11(3):350-358.

[本文引用: 1]

Gu X H, Pan Y Z, Zhu X F , et al.

Consistency study between MODIS and OLI on winter wheat plant area monitoring:A case in small area

[J]. Journal of Remote Sensing, 2007,11(3):350-358.

[本文引用: 1]

朱爽, 张锦水, 帅冠元 , 等.

通过软硬变化检测识别冬小麦

[J]. 遥感学报, 2014,18(2):476-496.

[本文引用: 1]

Zhu S, Zhang J S, Shuai G Y , et al.

Winter wheat mapping by soft and hard land use/cover change detection

[J]. Journal of Remote Sensing, 2014,18(2):476-496

[本文引用: 1]

Mountrakis G, Im J, Ogole C .

Support vector machines in remote sensing:A review

[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011,66(3):247-259.

[本文引用: 1]

Zhang L F, Jiao W Z, Zhang H M , et al.

Studying drought phenomena in the continental United States in 2011 and 2012 using various drought indices

[J]. Remote Sensing of Environment, 2017,190:96-106.

[本文引用: 2]

Amani M, Salehi B, Mahdavi S , et al.

Temperature-vegetation-soil moisture dryness index (TVMDI)

[J]. Remote Sensing of Environment, 2017,197:1-14.

[本文引用: 2]

Wang L J, Guo N, Wang X P , et al.

Effects of spatial resolution for evapotranspiration estimation by using the triangular method over heterogeneous underling surface

[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017,10(6):2518-2527.

[本文引用: 2]

Ghaffari O, Zoej M J V, Mokhtarzade M .

Reducing the effect of the endmembers’ spectral variability by selecting the optimal spectral bands

[J]. Remote Sensing, 2017,9(9):99-112.

[本文引用: 2]

Bangira T, Alfieri S M, Menenti M , et al.

A spectral unmixing method with ensemble estimation of endmembers:Application to flood mapping in the Caprivi floodplain

[J]. Remote Sensing, 2017,9(10):472-484.

[本文引用: 1]

Ma T, Li R, Svenning J , et al.

Linear spectral unmixing using endmember coexistence rules and spatial correlation

[J]. International Journal of Remote Sensing, 2018,39(11):3512-3536.

[本文引用: 1]

陈晋, 马磊, 陈学泓 , 等.

混合像元分解技术及其进展

[J]. 遥感学报, 2016,20(5):1102-1109.

[本文引用: 1]

Chen J, Ma L, Chen X H , et al.

Research progress of spectral mixture analysis

[J]. Journal of Remote Sensing, 2016,20(5):1102-1109.

[本文引用: 1]

蓝金辉, 邹金霖, 郝彦爽 , 等.

高光谱遥感影像混合像元分解研究进展

[J]. 遥感学报, 2018,22(1):13-27.

[本文引用: 1]

Lan J H, Zou J L, Hao Y S , et al.

Research progress on unmixing of hyperspectral remote sensing imagery

[J]. Journal of Remote Sensing, 2018,22(1):13-27.

[本文引用: 1]

张春森, 郑艺惟, 黄小兵 , 等.

高光谱影像光谱-空间多特征加权概率融合分类

[J]. 测绘学报, 2015(8):909-918.

[本文引用: 1]

Zhang C L, Zheng Y W, Huang X B , et al.

Hyperspectral image classification based on weighted probabilistic fusion of multiple spectral-spatial features

[J]. Acta Geodaetica et Cartographica Sinica, 2015,44(8):909-918.

[本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发