基于遥感分类误差空间分布规律的玉米种植面积空间抽样研究

Considering the complicated structure, the purpose of this project is to measure the corn plant acreage using an spatial sampling method with the pre-knowledge of spatial distribution of classification error. Three research would be carried out. Firstly, based on mono-temporal and multi-temporal corn classification thematic maps, the related factors, such as the landscape features, spectral features and spectral variation will be determined, and the spatial distribution of classification error will be quantified and mapped to reveal its spatial heterogeneity at different scales. Secondly, with the pre-knowledge of these spatial distributed error, optimal criterion of different sampling methods (Kriging minimum-variance criterion, minimum mean-nearest-distance criterion, etc.) and optimized sample selection methods (spatial simulated anneal method, random selection, etc.) are analyzed and compared. Thirdly,according to the spatial distribution patterns of classification error, non-spatial sampling statistics (random, system, stratified random sample), spatial sampling statistics(spatial random, spatial system, spatial stratification) and model estimation(Kriging) are compared to determine the optimal decision based on statistical inference. Finally, a generalized corn plant acreage estimation technique based on spatial sampling scheme will be established and provide theoretical and experimental foundation for acreage estimation of other crops plant and land covers.

本项目面向结构复杂、测量难度高的玉米种植面积测量为目标,以分类误差空间分布规律为先验知识提高玉米种植面积空间抽样效率。开展三个方面研究：（1）针对单时相、多时相玉米遥感分类结果，确定分类误差相关的景观特征、光谱特征、光谱变化强度等指标，定量表达玉米遥感分类的误差分布，进一步分析分类误差在不同空间尺度的空间分布规律；（2）以遥感分类空间分布误差为先验知识，研究不同样本抽选优化判别准则（Kriging方差最小化准则、平均最短距离最小化准则等）和不同样本优化选择方法（空间模拟退火、随机选择等）；（3）分析分类误差的景观特征，对比分析非空间统计（随机、系统、分层随机）、空间统计推断（空间随机、空间系统、空间分层，三明治模型）、模型推断（Kriging），确定优化的空间抽样统计推断决策。最终形成一套易于推广的玉米作物种植面积空间抽样估算技术体系，为其它粮食作物及土地覆盖区域面积估算打下理论和实验基

本项目以玉米及冬小麦、水稻等其他农作物种植面积为主要研究对象，旨在从分类误差分布规律、样本选择方法、不同空间统计方法等不同角度开展多方面研究，提高玉米及其他作物的种植面积空间抽样精度。.针对项目目的，主要开展了以下研究：（1）对于不同时相的玉米遥感影像，以与分类误差相关的光谱特征、光谱变化强度为切入点，实验与改进不同分类方法以降低分类误差； （2） 通过研究地物景观特征，定量表达作物遥感分类的误差分布；（3）对于依然存在的分类误差，改进样本选择方法和空间抽样方法，形成优化作物种植面积统计决策。.研究过程中，项目取得了一系列重要结果和数据：（1）为了降低分类误差，研究总结了硬变化检测方法和软变化检测方法各自的方法分类、方法特点和方法适用性，同时构建了多种时空数据融合模型以结合地物的空间与时间信息，提高遥感识别精度；（2）为了进一步分析分类误差在不同空间尺度和地物特征上的空间分布规律，项目开展了农业景观变化特征分析、无人机影像图斑优化分割研究、图斑与变化向量分析相结合的秋粮作物提取研究和地块破碎度对软硬变化检测法识别冬小麦分别精度的影响研究等；（3）为了解决分类误差，提高区域面积精度，实验中研究了理论训练数量（10~30p）对参数分类器（如最大似然分类）、非参数分类器（如支撑向量机）的适用性以及样本特征（光谱统计、空间分布特征）对分类器分类精度的影响，提出了结合历史数据的空间抽样方法和基于无人机样方的事后分层作物面积估算方法。.项目通过对分类误差、空间抽样和不同分类方法的研究，比较与改进了作物分类与空间抽样方法，以分类误差空间分布规律为先验知识提高玉米种植面积空间抽样效率，提高了玉米等多种粮食作物覆盖区域面积的估算精度。