基于GF_1卫星数据的冬小麦种植面积提取研究文献综述

文献综述

文 献 综 述一、引言目前，农作物种植面积信息对于准确估计和预测农作物产量，卫星遥感监测已经应用于农业监测领域，如利用遥感影像可进行农作物种植面积的识别。

【1】目前，冬小麦种植信息遥感提取方法主要包括最大似然法、马氏距离、决策树分类、支持向量机、面向对象分类、神经网络、波谱库专家识别等基于监督学习的算法。

随着高分一号卫星的成功发射，越来越多县域尺度的农作物面积提取研究以高分一号为主要数据源【6】,近年来，多源数据的结合使用，成为作物遥感识别和面积提取的发展趋势，主要体现在多传感器、多空间分辨率、多时相遥感影像的结合应用，以及遥感数据和地面实测数据、辅助数据的结合应用【6】。

使用AECGIG进行监督分类提取冬小麦的种植面积,最后利用主要分析的方法对图像进行二次处理以便更精确地提取冬小麦面积，该研究为冬小麦面积提取及动态监测提供高精度的提取方法。

二、遥感影像分类方法GF-1卫星具有高空间分辨率、高时间分辨率、宽覆盖的特点，地理国情监测正逐步深入，卫星遥感监测和地理国情普查数据已经应用于农业监测领域，在全国冬小麦 、油菜、水稻、玉米和新疆棉花的种植面积遥感监测和总产估测中发挥了重要作用，从多方面因素出发对 GF-1 卫星数据在冬小麦遥感监测中的区域适用性进行了分析。

目视解译算法，进行农作物类型遥感识别的过程主要包括遥感数据获取、确定目标作物、目标作物特征识别、全局识别、精度核查、专题制图等；目视解译一般先根据专家知识基于预处理后的影像分析相关的目标作物和周围相关遥感信息，建立判读标志，完成初步解译，再结合野外调查或者资料进行详细判读，形成相关成果，然后进行精度验证，满足精度要求后，进行结果统计和专题制图。

【13】机器学习算法，是基于地物各波段的反射率差异，或者经过特征增强后的反射率特征，制定光谱差异区分规则进行识别。

根据算法是否需要先验样本与否，将机器学习算法分为监督分类、非监督分类两类方案。

【13】监督分类法，是以建立统计识别函数为理论基础、依据典型样本训练方法进行分类的技术，即根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。