水稻种植面积遥感提取的不确定性和误差传递研究

水稻种植面积数据是粮食产量预测、粮食安全、粮食贸易和气候变化等研究中非常重要的基础数据。本项目旨在对水稻面积提取过程中的不确定性进行分析研究，以回答水稻面积遥感提取数据的准确度和可靠度问题。通过获取高中低系列空间分辨率的遥感影像数据，利用蒙特卡洛模拟方法向遥感影像信息提取的几何校正过程导入随机误差，生成大量的校正影像用于影像分类提取水稻面积，研究多种空间分辨率遥感影像提取水稻面积的不确定性和误差传递规律；以计算统计量、对比研究和回归模型分析等方法解析信息处理过程中的几何校正误差、分类模型选择、训练验证数据误差引起的不确定性，建模分析尺度效应和混合像元影响；总结减小的水稻面积遥感提取的不确定性方法，探索基于神经网络-元胞自动机算法的多空间分辨率结合的水稻面积遥感提取的亚像元制图方法。项目研究成果将为正确评价水稻面积遥感提取数据提供理论依据，并为水稻面积遥感提取应用提供技术支撑。

水稻种植面积数据是粮食产量预测、粮食安全、粮食贸易和气候变化等研究中非常重要的基础数据。本项目我们对水稻面积提取过程中的不确定性进行分析研究，回答了水稻面积遥感提取数据的准确度和可靠度问题。本研究主要研究内容和成果概述如下：.在真实遥感影像几何校正信息的基础上，通过蒙特卡洛法模拟分别导入控制点定位精度、不同空间分辨率影像的参考点选择的随机误差两者单独和同时导入等三种情况下，研究三种情况下对图像几何校正的影响，结果表明参考点和控制点随机误差的影响大小是由定位精度和影像空间分辨率的相对大小决定的，当定位精度的随机误差大于空间分辨率时，校正结果的准确率主要受定位精度影响，而空间分辨率大于控制点定位精度时，校正的结果主要受参考点误差影响。.定量分析研究区遥感影像的像元混合度，分析发现研究区TM影像像元纯度超过90%的仅有38.51%，而纯度为40-89%的像元比重达58%，混合像元比例超过60%。.对研究区影像用的三种非参数的分类法（KNN、BPN和FUZZY ARTMAP）和一种参数分类法（MLC）分类法进行分类，研究区影像全部像元验证的分类精度结果表明非参数分类法精度均高于参数分类法，所有分类法分类精度都不高。按像元纯度（90-100%、60-89%、40-59%和1-39%）的分别进行分类精度验证发现：遥感影像像元混合程度越严重，其分类精度越低，不同硬分类法在混合像元的分类能力上没有明显差异，高纯度像元比重越大的类别其分类的总精度越高。.利用BPN和KNN分类法的概率向量生成研究区像元分类最大概率值、熵值和类别分类概率值图，实现对分类结果的不确定性可视化表达，能直观显示分类各类别结果的空间可信度，将不确定性可视化结果作为分类专题图的附件，能提供更准确地分类结果信息给用户。.尺度扩展得到和分类影像空间分辨率一致的地面参考数据，分析了验证数据本身存在属性和面积不确定性，不同尺度上验证数据各类别总面积不确定性较小，但是像元水平上的类别属性和位置误差很大，这种不确定性因类别地块大小形状等不同差异显著。.BPN全模糊分类法的混合像元类别面积估测精度明显高于部分模糊分类法，采用成对法t检验能较好的评估分类法的面积估测精度；就中国南方情况而言，全模糊分类法更适于空间分辨率相对较低混合像元比例很大的遥感影像分类，用全模糊分类法可以避免部分模糊分类法存在的选择合适和足够的纯像元进行分类