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...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。展开更多
聚类数直接关系到聚类算法的聚类质量,但在K-means等经典聚类算法中,对于聚类数的确定目前尚无合适的理论,一般凭经验或试凑指定.这样不仅需要较多的人机交互和耗费较多的试算开销,并且由于最优聚类数常常难以获得,而影响聚类结果的精度...聚类数直接关系到聚类算法的聚类质量,但在K-means等经典聚类算法中,对于聚类数的确定目前尚无合适的理论,一般凭经验或试凑指定.这样不仅需要较多的人机交互和耗费较多的试算开销,并且由于最优聚类数常常难以获得,而影响聚类结果的精度.本文提出一种自适应逼近最佳聚类数的算法ADNC(adaptively determining the number of clusters),可以通过自适应方法逼近最优聚类数.逼近是一个反复迭代聚类的过程.每迭代一次,对输出的聚类评估分类空间各图像特征值(输入向量各分量)标准差的平均误差,并构成多特征综合误差;根据梯度下降原理调整聚类数,即在使多特征综合误差逐步减小的同时,逼近最优聚类数.这个最优聚类数一般出现在多特征综合误差开始震荡之前最邻近的位置.以这个聚类数做K-means聚类,可以使同类间特征值异质性降到最小,取得理想的聚类结果.与此同时,还提出了较不适宜聚类数的概念,即可能使聚类误差最大的聚类数.实验表明,最适宜和较不适宜的聚类数两个概念对于改善聚类精度都有实践意义.展开更多
高时间、高空间分辨率的遥感影像能够在空间、时间尺度上精细刻画植被生物物理特征和结构特性及其在空间、时间上的变化,对监测植被生态特征有着重要的作用.为有效记录地表特征的变化,本文提出了一种基于像元降尺度的时空遥感数据融合算...高时间、高空间分辨率的遥感影像能够在空间、时间尺度上精细刻画植被生物物理特征和结构特性及其在空间、时间上的变化,对监测植被生态特征有着重要的作用.为有效记录地表特征的变化,本文提出了一种基于像元降尺度的时空遥感数据融合算法(downscaling difference spatial and temporal data fusion algorithm,DDSTDFA).该方法分别开展基于Landsat、MODIS和NOAA影像的模拟与真实实验,与已有STDFA(spatial and temporal data fusion algorithm)和FSDAF(flexible spatiotemporal data fusion)进行对比.结果表明,DDSTDFA算法表现出以下优势:1)DDSTDFA算法能够同时预测地表特征发生的多种变化方向,改进了基于像元分解算法的缺陷,与STDFA相比在变化区域表现出更高的精度;2)DDSTDFA融合影像的空间分布特征更接近真实影像,消除像元分解融合法中常见的"图斑""边界"问题;3)与FSDAF算法相比,DDSTDFA算法在保证影像融合精度的前提下,运行速度提高了50%~60%.因此,DDSTDFA算法更适合于大范围高时空影像数据融合,为地表动态监测提供丰富的遥感影像数据源.展开更多
文摘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。
文摘聚类数直接关系到聚类算法的聚类质量,但在K-means等经典聚类算法中,对于聚类数的确定目前尚无合适的理论,一般凭经验或试凑指定.这样不仅需要较多的人机交互和耗费较多的试算开销,并且由于最优聚类数常常难以获得,而影响聚类结果的精度.本文提出一种自适应逼近最佳聚类数的算法ADNC(adaptively determining the number of clusters),可以通过自适应方法逼近最优聚类数.逼近是一个反复迭代聚类的过程.每迭代一次,对输出的聚类评估分类空间各图像特征值(输入向量各分量)标准差的平均误差,并构成多特征综合误差;根据梯度下降原理调整聚类数,即在使多特征综合误差逐步减小的同时,逼近最优聚类数.这个最优聚类数一般出现在多特征综合误差开始震荡之前最邻近的位置.以这个聚类数做K-means聚类,可以使同类间特征值异质性降到最小,取得理想的聚类结果.与此同时,还提出了较不适宜聚类数的概念,即可能使聚类误差最大的聚类数.实验表明,最适宜和较不适宜的聚类数两个概念对于改善聚类精度都有实践意义.
文摘高时间、高空间分辨率的遥感影像能够在空间、时间尺度上精细刻画植被生物物理特征和结构特性及其在空间、时间上的变化,对监测植被生态特征有着重要的作用.为有效记录地表特征的变化,本文提出了一种基于像元降尺度的时空遥感数据融合算法(downscaling difference spatial and temporal data fusion algorithm,DDSTDFA).该方法分别开展基于Landsat、MODIS和NOAA影像的模拟与真实实验,与已有STDFA(spatial and temporal data fusion algorithm)和FSDAF(flexible spatiotemporal data fusion)进行对比.结果表明,DDSTDFA算法表现出以下优势:1)DDSTDFA算法能够同时预测地表特征发生的多种变化方向,改进了基于像元分解算法的缺陷,与STDFA相比在变化区域表现出更高的精度;2)DDSTDFA融合影像的空间分布特征更接近真实影像,消除像元分解融合法中常见的"图斑""边界"问题;3)与FSDAF算法相比,DDSTDFA算法在保证影像融合精度的前提下,运行速度提高了50%~60%.因此,DDSTDFA算法更适合于大范围高时空影像数据融合,为地表动态监测提供丰富的遥感影像数据源.
