1.作物遥感分类
1.1 基于多时相环境卫星CCD数据的作物分类识别实验
使用支持向量机分类器对图像进行像素分类。 在分类过程中，分别对不同日期的单场景环境星数据和不同日期的环境星数据组合进行分类，以评估环境星的存在甸利用环境之星数据确定作物分类的最佳图像采集周期和最佳时间组合。
对单个相位和不同相位组合的环境星数据进行分类的结果如图1所示。
左下角**表示用于分类的环境之星数据，例如hj3表示使用3月份获得的环境之星数据，hj3+hj4表示使用3月和4月份获得的环境之星数据的组合。
花期获得的环境星级数据分类效果最好，整体分类准确率达到882%，开花初期获得的数据次之，拔节期获得的数据在3个阶段的图像中分类效果最差。 使用多阶段的数据的分类效果优于使用单阶段的数据，使用三阶段的数据分类效果最好，整体分类准确率达到917%。然而，在开花期和拔节期，与两相组合相比，使用三相数据对分类精度的提升有限，说明两个合适阶段的组合可以达到足够的分类精度，而多相的组合对分类精度的提高影响不大。
1.2 基于环境之星与ASAR数据融合的作物分类识别实验
数据融合：采用主成分分析（PCA）技术对环境星和ASAR数据进行融合。 对包含4个不同光谱波段的环境星数据进行主成分变换变换，对ASAR VV偏振图像进行拉伸，使图像灰度的平均值与方差和主成分变换的第一分量图像一致，然后将环境星数据主成分变换后的第一分量图像替换为拉伸后的ASAR图像， 然后通过逆变换恢复到原始图像空间，得到环境星数据和ASAR数据的融合数据。利用光谱角测量融合前后不同地物之间的光谱差。
本研究使用的分类算法包括最大似然（MLC）、人工神经网络（ANN）和支持向量机（SVM）。 与环境星数据相比，与ASAR VV偏振数据融合后的影像水平更加清晰，不同地物之间的差异更加明显。 虽然ASAR数据的空间分辨率与环境星数据的空间分辨率相同，但由于ASAR VV偏振数据对场边界更敏感，融合场的边界比环境星的边界更明显。
图2 不同图像产品视场边界视觉效果对比 左：环境星;中：混合图像;右：rapideye
融合后各类别之间的光谱角显著增加，表明融合后不同类别之间的光谱差异显著增加。 小麦与棉花、小麦与树木以及棉花与树木之间的光谱角值分布已从 0 更改为063、 0.02、 0.043 放大到融合。 104。与ASAR VV极化反向散射数据相比，环境星多光谱数据中包含的信息量显著增加，扩大了不同地物之间的光谱差异，增强了地物之间的分离性。
根据地面勘测和RapidEye视觉解读，采用随机抽样法对分类样本进行筛选。 随机抽取一半地面样本作为训练样本，另一半作为测试样本进行精度评价，训练样本与测试样本不一致。 使用不同的分类器分别对环境星数据以及融合环境星和ASAR数据进行分类，结果如图3所示。
A、B、C分别为MLC、ANN和SVM方法对环境星数据的分类结果，D、E、F分别为MLC、ANN和SVM方法的融合数据分类结果。
从视觉效果上看，环境卫星多光谱数据能有效识别小麦种植样地，支持向量机分类效果最好，但部分棉花样地缺失。 环境星多光谱数据与ASAR VV偏振反向散射数据融合后，可以有效识别小麦图，场边界更加明显，分类效果优于单独使用环境星多光谱数据。
在分类方法上，支持向量机分类方法对于环境星数据和融合数据都是最好的，使用融合数据的分类准确率比单独使用环境星数据的分类准确率高出约5个百分点，达到94个百分点3％。
综上所述，利用环境卫星多光谱数据可以对农作物进行有效分类，但存在田间边界无法有效识别、分类混乱等问题ASAR VV偏振数据可以改善光学数据的光谱信息，从而显著增大不同地物之间的光谱差异，增强地物之间的可分离性VV极化数据对田间非耕地信息敏感，对田间边界识别有较大影响VV偏振数据对地物结构信息敏感，导致场边界略有扩大，导致分类结果中小麦面积占比略有下降，但值得提高分类精度。
a.基于多源SAR数据的作物分类识别实验。
在2024年冬小麦复砧期，获得了小麦改砧、拔节和开花3个生育期的ASAR VV极化数据，空间分辨率为30 m，C波段数据。 在-4-3和2009-5-8收到的数据。 同时，获得了HH极化、空间分辨率为6米的Terrasar-X数据，并于2024年5月10日收到小麦开花期数据。 采用支持向量机分类器的遥感影像分类方法。 在分类过程中，对SAR数据的不同组合进行分类，以评估多源SAR数据在作物分类中的应用潜力，确定SAR数据在作物分类中的最优组合。 四场景数据组合的结果如图4所示。
图4 3场景ASAR数据+1场景Terrasar数据组合的分类结果。
精度评估结果表明，使用单相数据进行分类时，整体分类精度较低。 多阶段数据的分类效果优于单阶段的数据分类，三阶段数据的分类效果最好，整体分类准确率达到8412%。SAR数据在两个频率下的分类精度优于多相数据，A3+T的分类精度达到8655%，高于三相的ASAR分类精度。 添加纹理信息后，与反向散射数据相比，分类精度有一定程度的提升，约为3-5个百分点。
通过对多源SAR数据的分类实验，得出以下结论：（1）多频SAR数据的组合比多时相数据获得更高的分类精度。 （2）结合拔节期和开花期两种时间ASAR数据，获得与3种时间ASAR数据相同的分类精度。 （3）纹理信息的加入可以提高SAR作物分类的准确性。
2.基于多尺度遥感数据的作物种植面积估算
试验区选址为华北平原北部，横跨河北中南部、山东北部、河南北部，面积约20万平方公里。
中分辨率遥感数据主要包括14周期的modis NDVI和16 d合成数据高分辨率遥感数据基于CBERS CCD数据，主要有6个场景。
采用的技术方法有：1）在地面调查数据和**g数据的支持下，利用高分辨率影像进行作物分类;2）对分类结果进行区域统计，将面积大小与中低分辨率图像像素放在同一个大网格中，得到与Meris或Modis相同像素大小的裁剪分量的结果3）将Modis时间序列NDVI数据集与Envisat Meris多光谱数据与高分辨率生成的作物成分数据进行比较，建立了神经网络模型4）利用神经网络模型对整个图像进行外推，得到研究区作物种植面积。
试验结果表明，利用多尺度遥感影像数据估算玉米种植面积的准确率可达90%，特别是在整个研究区水平上在地市两级，利用MDOIS NDVI估算玉米种植面积的准确率可达90%以上，在省级尺度上，河北、山东采用MDIS NDVI估算玉米种植面积的准确率可达95%以上，MERA的估算准确率只能达到90%以上。