征求意見稿-中高空間分辨率衛(wèi)星花生種植面積遙感監(jiān)測技術(shù)規(guī)范

1中高空間分辨率衛(wèi)星花生種植面積遙感監(jiān)測技術(shù)規(guī)范本文件規(guī)定了基于中高空間分辨率衛(wèi)星數(shù)據(jù)開展花生種植面積遙感監(jiān)測的技術(shù)規(guī)范，包括術(shù)語和本文件適用于采用空間分辨率不低于16m的中高分辨率衛(wèi)星數(shù)據(jù)開展花生種植面積遙感監(jiān)測業(yè)務(wù)NY/T3527物理特征和相互關(guān)系及其變化規(guī)律的現(xiàn)代科2高斯-克呂格投影Gauss-Kruege大氣校正atmosphericco可由實地調(diào)查或圖像解譯方法選取確定的已知地物屬性或特征的圖像像元，用于進行分類的學習3可由實地調(diào)查或圖像解譯方法選取確定的已知地物屬性或特征的圖像像元，用于驗證分類結(jié)果精監(jiān)督分類supervisedclas非監(jiān)督分類unsupervised決策樹分類decisiontreeclas面向?qū)ο蠓诸恛bject-oriented判讀者通過直接觀察或借助判讀儀研究地物在遙感影像上反映的各種影像特征，并通過推理分析中高分辨率衛(wèi)星影像mediumandhighspatial4縮略語4MLC：最大似然分類（MaximumLikelihoodClassifica5.1空間基準5.2分幅和編號中高分辨率衛(wèi)星花生種植面積遙感監(jiān)測專題圖適用比例尺宜采用國家基本比例尺1：10005.3監(jiān)測時間花生種植面積遙感監(jiān)測時間宜在播種后30及關(guān)鍵生長期對應(yīng)時間參見附錄A.1。520%?？梢酝ㄟ^相近多時相影像合成晴空影像數(shù)據(jù)，以獲取云覆蓋或濃霧量符合要求的影像數(shù)據(jù)。衛(wèi)星影像數(shù)據(jù)應(yīng)圖面清晰，定位準確，無明顯條紋、點狀或塊狀噪聲，無數(shù)據(jù)丟失，無嚴重根據(jù)傳感器參數(shù)對遙感影像進行輻射定標和大氣校正，獲得影像的地表反射率數(shù)影像應(yīng)按照監(jiān)測區(qū)范圍、行政區(qū)劃圖進行剪裁和掩膜6在監(jiān)測區(qū)域范圍內(nèi)選擇若干抽樣點作為樣本數(shù)據(jù)。樣本的類別應(yīng)當包含監(jiān)測區(qū)域的主要地物類別（如監(jiān)測目標花生、其他與花生同期的作物類型，以及水體、裸地所選樣本應(yīng)具有區(qū)域代表性，樣本在空間上應(yīng)盡量均勻分布，樣本數(shù)量應(yīng)滿足統(tǒng)計學的基本樣本數(shù)據(jù)的采集時間與花生種植面積監(jiān)測時間應(yīng)處于同一個農(nóng)業(yè)生a)地面采集：工作人員攜帶能獲取地面樣本坐標信息的設(shè)備（如GPS手持機記錄樣本的坐標信息，并同步采集地物類別、照片等信息?？蓞⒄崭戒涍b感分類參數(shù)。采用J-M距離來衡量不同地物類型之間的可分性，計算方法和支持向量機（SVM）等，分類方法的參數(shù)及計算78.4.1分類結(jié)果修正：將花生種植面積遙感分類結(jié)果與遙感影像疊加，采用人工目視檢查，對“錯8.4.2結(jié)果拼接與修正：將由多幅衛(wèi)星影像獲取的分類結(jié)果進行拼接，并消除拼接線兩側(cè)分類結(jié)果的9精度驗證式中:pij——遙感分類為i類，而實測類別也為i類的樣本數(shù)目。采用GIS軟件對監(jiān)測區(qū)域分類的監(jiān)測農(nóng)作物進行面積量算。依據(jù)監(jiān)測要求和條件，確定需要扣除面行政區(qū)劃等信息。其中，專題地圖要素制作方式按GB89JM=2(1?e?B)………（1）B——某一特征的巴氏距離；J-M距離的數(shù)值范圍是[0,2]，J-M距離值越大代表著目標兩種地物之間差異越大，顯示的差異性更gi(x)=lnai?ln|ci|?(x?Mi)Tci?1(x?Mi)……………（3）m——指定的類別，共m類；ai——未知像元屬于i類先驗概率值；ci——第i類的協(xié)方差矩陣，C為ci的逆矩陣；X——像元特征向量；Mi——第i類的均值向量。在進行分類統(tǒng)計時利用訓練樣本光譜特征的均值和協(xié)方差來代替Mi和ci。b)利用確定后的訓練樣本來統(tǒng)計每一類的特征值并輸入相應(yīng)的判別函數(shù)；每個像元屬于每類訓練樣本的概率，最后將像元歸到是最大判別函數(shù)的合和抗噪聲能力。RF從樣本選擇和特征選擇兩個角度表現(xiàn)其隨機性。RF使用Bootstrap重c)利用m個特征結(jié)合n個樣本建立分類決策樹，生成隨機森林；d)重復上述步驟，最終形成N棵決策樹的在RF算法中有兩個重要參數(shù)：特征變量的個數(shù)（numberoffeaturevariabl致欠擬合，值過大可能會導致過擬合，一般最優(yōu)分類超平面，將樣本集分為兩類，并使兩類間隔f(x)=WTφ(x)+b………（4）w、b——為超平面的法向量和截距；利用核函數(shù)K(xi,yi)進行求解，K(xi,yi)=〈Φ(xi),Φ(yi)〉=Φ(xi)TΦ(yi) 1aiyiK+b………………）：K(xi,xj)=xiTxj ）：K(xi,xj)=(xiTxj)d ）：ixj （4）Sigmoid核（SigmoidKernel模擬神經(jīng)網(wǎng)絡(luò)的激活函數(shù)。K(xi,xj)=tanh(a(xi,xj)+v) a)依次把某個類別的樣本歸為一類，其他剩余的樣本歸為數(shù)值的那類，于是最終的結(jié)果便是測試結(jié)果函數(shù)值最大的一個作為分[3]賈樹海,楊亮,王瀟雪.基于多時相遙感影像的花生種植面積提取—以彰武縣北部為例[J].國土與[4]DB37/T3240-2018農(nóng)作物種植面積遙感監(jiān)測技術(shù)規(guī)程大蒜.[5]DB37