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(cè)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(cè)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(cè)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(cè)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(shí)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(jìn)行分類的學(xué)習(xí)3可由實(shí)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(yàn)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(zhǔn)5.2分幅和編號(hào)中高分辨率衛(wèi)星花生種植面積遙感監(jiān)測(cè)專題圖適用比例尺宜采用國(guó)家基本比例尺1：10005.3監(jiān)測(cè)時(shí)間花生種植面積遙感監(jiān)測(cè)時(shí)間宜在播種后30及關(guān)鍵生長(zhǎng)期對(duì)應(yīng)時(shí)間參見附錄A.1。520%?？梢酝ㄟ^相近多時(shí)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(zhǔn)確，無明顯條紋、點(diǎn)狀或塊狀噪聲，無數(shù)據(jù)丟失，無嚴(yán)重根據(jù)傳感器參數(shù)對(duì)遙感影像進(jìn)行輻射定標(biāo)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(cè)區(qū)范圍、行政區(qū)劃圖進(jìn)行剪裁和掩膜6在監(jiān)測(cè)區(qū)域范圍內(nèi)選擇若干抽樣點(diǎn)作為樣本數(shù)據(jù)。樣本的類別應(yīng)當(dāng)包含監(jiān)測(cè)區(qū)域的主要地物類別（如監(jiān)測(cè)目標(biāo)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(jì)學(xué)的基本樣本數(shù)據(jù)的采集時(shí)間與花生種植面積監(jiān)測(cè)時(shí)間應(yīng)處于同一個(gè)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(biāo)信息的設(shè)備（如GPS手持機(jī)記錄樣本的坐標(biāo)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(jì)算方法和支持向量機(jī)（SVM）等，分類方法的參數(shù)及計(jì)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(duì)“錯(cuò)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(jìn)行拼接，并消除拼接線兩側(cè)分類結(jié)果的9精度驗(yàn)證式中:pij——遙感分類為i類，而實(shí)測(cè)類別也為i類的樣本數(shù)目。采用GIS軟件對(duì)監(jiān)測(cè)區(qū)域分類的監(jiān)測(cè)農(nóng)作物進(jìn)行面積量算。依據(jù)監(jiān)測(cè)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(biāo)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(yàn)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(jìn)行分類統(tǒng)計(jì)時(shí)利用訓(xùn)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(xùn)練樣本來統(tǒng)計(jì)每一類的特征值并輸入相應(yīng)的判別函數(shù)；每個(gè)像元屬于每類訓(xùn)練樣本的概率，最后將像元?dú)w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(gè)角度表現(xiàn)其隨機(jī)性。RF使用Bootstrap重c)利用m個(gè)特征結(jié)合n個(gè)樣本建立分類決策樹，生成隨機(jī)森林；d)重復(fù)上述步驟，最終形成N棵決策樹的在RF算法中有兩個(gè)重要參數(shù)：特征變量的個(gè)數(shù)（numberoffeaturevariabl致欠擬合，值過大可能會(huì)導(dǎo)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(jìn)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(gè)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(cè)試結(jié)果函數(shù)值最大的一個(gè)作為分[3]賈樹海,楊亮,王瀟雪.基于多時(shí)相遙感影像的花生種植面積提取—以彰武縣北部為例[J].國(guó)土與[4]DB37/T3240-2018農(nóng)作物種植面積遙感監(jiān)測(cè)技術(shù)規(guī)程大蒜.[5]DB37