采用自组织特征图提取水稻种植面积外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

采用自组织特征图提取水稻种植面积

收到日期：2007年1月24日/接受日期：2007年4月23日

小野智久·Sigeru Omatu·Yuzo Suga

摘要：引入自组织特征图（SOM）神经网络对遥感数据进行分类，包括微波和光学传感器，用于估算种植稻米的面积。 该方法是具有非线性鉴别能力的无监督神经网络，1999年水稻种植前后观测卫星数据。三组RADARSAT和一组SPOT / HRV数据 在日本东广岛使用。RADARSAT图像只有一个数据段，难以提取水稻种植面积。 但是，4月到5月，水稻种植面积SAR背散射强度下降，从5月份到6月份都有所增加。 因此，本研究采用了4月至6月的3幅RADARSAT图像。 SOM分类应用RADARSAT和SPOT数据来评估水稻种植面积估算。 这表明SOM对卫星数据的分类很有用。

关键词：遥感 合成孔径雷达 自组织特征图

1. 介绍

水稻是日本最重要的农产品，种植在广泛地区，但每年估计水稻种植面积还是很困难的。因此，开展监测稻米作物的制度是很受欢迎的。通过诸如LANDSAT TM或SPOT HRV之类的光学传感器的遥感卫星图像已被用于估算水稻种植面积。然而，这些光学传感器有时无法在适当的时间获得必要的数据，因为在日本的水稻种植季节期间它们通常是多云和多雨的。另一方面，空间合成孔径雷达（SAR）穿透云盖。因此，SAR在所有天气条件下观测地表。 C波段SAR图像（如RADARSAT或ERS1 / SAR）的背散射强度从水稻种植前的非栽培裸土条件到刚播种后的浸水条件发生很大变化。此外，RADARSAT图像可以表示大米生长期水稻生物量的变化；因此，稻田面积估计必须早期实现。在以前的工作中，作者试图在早期阶段使用RADARSAT精细模型数据估计蓖麻油面积，以最大似然法估计水稻种植面积的准确度约为通过SPOT多光谱数据估计面积的40％。在本研究中，作者尝试使用SOM从RADARSAT数据估计蓖麻毒面积，即无监督分类。

2、测试地点和数据

日本东广岛的试验面积约为7.5times;5.5公里。该网站位于日本广岛的东部。 1999年4月8日，5月26日，6月19日拍摄的三个多时相RADARSAT精细模式（F1F）被用作测试数据。 1999年6月21日采用的SPOT / HRV多光谱数据用于生成水稻种植面积估计的参考图像。在测试地点的一部分中显示了上述三个合并的RADARSAT图像和一个SPOT图像。图1和图2所示，4月8日在r anted地区的地表条件是种植前是裸露的裸露土壤，土壤表面相当粗糙。 5月26日的表面条件是刚刚水稻种植过后的几乎光滑的水面，6月19日是水稻和水面生长的混合物。发现在RADARSAT图像中，稻米种植区域显示为黑暗色调。使用Vexcel SAR处理器（VSARP）处理RADARSAT原始数据，并生成6.25米地面分辨率的单面功率图像。然后使用具有7times;7移动窗口的中间滤镜对图像进行滤波。所有RADARSAT和SPOT图像都覆盖在1：25 000刻度的地形图上。由于RADARSAT图像通过缩短而扭曲得很大和地形的缘故，由日本地理调查研究所（GSI）发布的具有50米空间分辨率的数字高程模型（DEM）用于校正RADARSAT图像的缩短。

3、SOM算法

我们现在总结SOM的算法。 SOM的结构由两层组成：一个是输入层，另一个是竞争层。 神经元j的总输入netj由等式建模

其中wji表示从神经元i到神经元j的加权函数，xi是神经元i的输入。 这里，上标t表示转置，|| || 表示欧几里得准则

当将输入向量x应用于输入层时，可以向输入向量x找到最近的相邻权重向量Wc，例如

对应于权重向量Wc的神经元c称为胜者神经元。 我们选择距离d内的邻域神经元，如图3所示，以及一组位于c附近的神经元的索引。由Nc中包含的神经元的权重向量改变，使得那些权重 向量将变得与输入向量x尽可能相似。 换句话说，如下调整权重向量：

这里，t是迭代次数，T表示总迭代次数，eta;0gt; 0，d0gt; 0分别是eta;（t），d（t）的初始值，其中d（t）表示距离与神经元C的距离。

4、分类

使用SOM方法从三个时间RADARSAT图像和一个SPOT图像中提取水稻种植面积。 Kohonen的SOM是基于竞争神经网络的分类方法。SOM通过参数应用，如表1所示。RADARSAT和SPOT图像由SOM分为16类。 然后，我们将类别划分为水稻种植面积，森林面积和城市面积。

5、实验结果与讨论

为了使所提出的方法有效，我们通过SOM方法对卫星图像数据进行了分类。 图4显示了SPOT的分类图像，图5显示了RADARSAT的分类图像。 比较图5与图4，RADARSAT的水稻种植面积比SPOT提取的少，水稻种植面积仍然可以看到斑点噪声，7times;7窗口的大部分过滤器为应用于提取水稻图像的RADARSAT和SPOT。对于蓖麻油提取的评估，我们定义了两个指标，即真实生产率（TPR）和假产量（FPR）。 TPR和FPR是这样计算的：

其中alpha;表示提取的有关水稻种植面积的数量，beta;表示未提取的有关水稻种植面积的数量，gamma;表示提取的不相关的水稻种植面积的数量。通过MLH监测，SPOT图像中提取的水稻种植区域作为参考种植区域图像。表2显示了通过SOM分类的TPR和FPR的结果。图6和图7分别显示了SPOT和RADARSAT对水稻种植面积的提取结果。在SPOT MLH和SPOT SOM的比较中，结果表明TPR约为89％，FPR约为32％。 RADARSAT的结果显示，TPR约为44％，FPR为27％。 RADARSAT图像的水稻种植区域的结果与定量评价中SPOT相比没有达到如此高的一致性。但是，约44％的有关水稻种植面积的获得是由SOM的方法，这是无监督分类。 当实地调查处于困境，如外国调查时，SOM分类特别有效。

6、结论

尝试通过SOM分类在水稻种植季节早期采集的多时代RADARSAT数据进行种植面积提取。 SOM是一种无监督分类，计算时间短于MLH或LVQ等监督分类方法。在未来的研究中，我们会将这个和其他神经网络方法应用于其他SAR数据提取水稻种植面积。

References

1. Suga Y, Oguro Y, Takeuchi S, et al. (1999) Comparison of various

SAR data for vegetation analysis over Hiroshima City. Adv Space

Res 23(8):1509–1516

2. Ribbes F, Le Toan T (1999) Rice fi eld mapping and monitoring with

RADARSAT data. Int J Remote Sensing 20(4):745–765

3. Liew SC, Chen P, Kam SP, et al. (1999) Monitoring changes in rice

cropping system using space-borne SAR imagery. Proceedings of

1999 International Geoscience and Remote Sensing Symposium

IGARSSrsquo;99, Hamburg, Germany, pp 741–743

4. Suga Y, Takeuchi S, Oguro Y, et al. (2000) Monitoring of riceplanted

areas using space-borne SAR data. Proceedings of the

International Archives of Photogrametry and Remote Sensing,

XXXIII, B7, Amsterdam, Netherlands, pp 1480–1486

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[26974]，资料为PDF文档或Word文档，PDF文档可免费转换为Word