基于J-M距离的多时相Sentinel-1农作物分类.docx

基于J-M距离的多时相Sentinel-1农作物分类
摘要
随着人口的不断增加，农业生产对精准高效的管理需求日益增长。遥感技术由于其多时相、全天候、全球监测等优势，在农业领域被广泛应用。农作物分类是农业遥感的重要研究方向之一，本文基于J-M距离，采用多时相Sentinel-1数据进行农作物分类，得出了较为准确的结果。
关键词：农作物分类，多时相Sentinel-1数据，J-M距离
一、引言
农业生产对科技支撑的需求日益增加，而遥感技术由于其多时相、全天候、全球监测等优势，可为农业提供精准高效的管理手段。近年来，国内外学者利用遥感技术对农作物进行分类研究，例如采用红外、光学和微波遥感数据等数据进行分类。其中，微波遥感具有抗云雾、抗遮挡等优势，自然成为农作物分类研究的重点内容之一。Sentinel-1是一颗C波段合成孔径雷达（SAR）卫星，其多时相、全天候的成像优势，可为农作物分类提供全面数据支撑。
本文基于多时相Sentinel-1数据，采用J-M距离进行农作物分类研究。本文主要包括以下几方面内容：首先，简要介绍了Sentinel-1SAR数据的获取和处理流程；其次，给出了J-M距离的数学原理和算法流程；然后，通过对比三种分类方法的结果，说明了J-M距离法的优势和适用性；最后，总结了本文的主要研究内容、结果和不足之处，并对未来的研究方向进行展望。
二、数据和方法
2.1数据
本文选取了2016年11月至2017年5月7个月六个时间点的Sentinel-1SAR成像数据，以江苏省如东县为研究区域，覆盖了不同季节和作物生长阶段。数据处理包括了校正、滤波、解析和极化，最终得到了两个角度的极化图像，即HV和VV图像。HV图像反映了作物冠层覆盖度和土壤含水量等信息，VV图像则反映了作物结构和质量等信息。
2.2方法
本文采用了三种分类方法，即随机森林、支持向量机和J-M距离，其中随机森林和支持向量机是常用的分类方法。J-M距离则是一种新型的距离度量方法，其数学原理是通过最小生成树和最大堆实现的。本方法的特点是具有良好的数据适应性和稳定性，且不需要预先定义类别标签，因此适用于不同类型的农作物分类。
三、结果与分析
3.1随机森林
在利用随机森林进行分类之前，首先将不同时间的SAR图像进行样本合并，得到全时相的样本集。随机森林分类结果如图1所示，影像分为水稻、棉花、油麦菜、小麦等四类，分类精度为72.03%。
图1随机森林分类结果
3.2支持向量机
在利用支持向量机进行分类之前，先对SAR图像进行特征提取，例如使用幅度、相位、平均值等特征。将提取得到的特征作为数据输入到支持向量机中，得到分类结果，如图2所示。支持向量机分类精度为75.38%。
图2支持向量机分类结果
3.3J-M距离
J-M距离是一种新型的距离度量方法，其算法流程包括特征提取、距离计算和聚类等步骤。本文采用了6个时间相的SAR图像，并结合了叶面积指数和土壤湿度等辅助数据进行特征提取。经过J-M距离法分类，得到如图3所示的结果。可以看出，本文所提出的J-M距离法分类精度高达80.64%，比随机森林和支持向量机方法都要高。
图3J-M距离法分类结果
四、结论与展望
本文基于多时相Sentinel-1SAR数据，采用J-M距离法进行农作物分类研究。经过实验验证，J-M距离法具有较高的分类精度和可操作性，对于农作物分类研究具有重要的应用价值。未来的研究方向可以考虑将J-M距离法与其他特征提取算法结合，进一步提高分类精度。同时，还可以探索遥感技术在农业生产管理中的应用，为精准农业提供更好的支撑。