本文是一篇农业推广论文，本文基于 sentinel 数据，利用非监督分类和目视解译相结合的方法，在种植结构相对简单的区域进行了大豆种植面积的提取，最终定量精度高达 98.789%，kappa 系数可达 0.942，说明实验结果与地面数据值的匹配度非常高，与单纯使用非监督分类结果数据相比较，其定量精度提高了 18.3%。
第一章 绪论
1.1 研究背景和意义
传统的农作物面积统计方法主要是通过相关部门调查人员采用抽样调查的方式，逐层上报汇总统计报表来获取。但是由于我国地大物博，气候特征十分多元化，农作物种植结构差异很大，而且随着经济的快速发展，市场旺盛的品种需求短缺以及粮食品种结构性过剩特性，利用传统的农作物面积统计方法已经很难满足新形式下的需求[1]。作为最有效的地球观测技术和信息获取手段，遥感技术可以很好的对农作物的空间分布进行监测，快速推进了世界由传统农业向数字农业的过渡。
农作物种植面积一直是国家粮食安全重要的指标之一，同时也为国家提供了基本的农业条件数据。利用遥感技术进行农作物种植面积方面的信息提取，在农业遥感行业领域内的应用已经十分广泛。但目前我国想要获得农作物种植面积数据，并不仅仅只是围绕遥感来获取农作物种植面积方面的信息[2-4]。传感器、遥感数据处理技术以及遥感信息提取方法都是决定农情基本信息准确度与可靠性的因素。因此,利用遥感数据提取出准确地农作物种植面积的信息,不是依靠解决几个基础性研究问题就可以解决的,遥感技术应用的系统工程,是迫切需要解决整个数据处理过程和信息提取的流程化的综合性问题。现阶段，卫星技术的快速发展为广大科研人员提供了许多可用的农业遥感数据。尽管高分辨率遥感数据可以提高更准确地获取地面信息的能力，但是高昂的数据成本也阻碍了遥感技术的推广和应用[5-7]。
..........................
1.2 国内外研究现状
1.2.1 国外研究现状
上世纪七十年代到八十年代，美国 USDA、NASA、NOAA 和商业部一起研究了美国、加拿大和前苏联地区的小麦的生长情况，实施了 AGRISTARS 计划[21-24]。同年，除美国以外的其他发达国家通过遥感技术进行了主要农作物产量的估算。到 20 世纪八十年代末，欧洲的一些发达国家一起组织开展了 MARS 计划，建立了农作物监测和产量估算系统。到 20 世纪 90 年代初，意大利著名学者 D.Ehrlich 通过产量估算系统判别农作物。欧盟基于 SPOT 卫星影像和地面采样点数据对农作物信息进行了精确估算。在 20 纪 90 年代末期，Turner 等人基于多时相的遥感影像数据，运用了监督分类、非监督分类相结合的办法，在非洲地区绘制了水稻在半干旱地区的空间分布图。Nidamanuri 等人也运用遥感影像数据对当地主要农作物进行了分类，并取得良好效果。Batista M H 等运用高分辨率影像结合面向对象分类法提取了城市特征信息。此该领域的应用前景也被 Desclee 等人验证了。Shackelford 和 Davis 验证了基于高分辨率图像的像素分类的高精度分类结果[25-28]。遥感数据的强现势性、广袤的覆盖范围、短暂的更新周期等特点随着遥感技术的不断发展，在农业信息获取方面发挥出准确、及时的优势。目前，在农业遥感领域比较热门的研究是利用高光谱数据、高空间数据和高时间分辨率等方式提取目标农作物的种植面积，为科研数据做支撑，除了当前农业遥感领域研究的热点问题之外，慢慢的随着卫星影像免费或者费用低廉的特点，利用卫星遥感技术获取农作物种植面积等相关信息也成为众多科研学者的首选。
例如 SubhashPalmateS 等人统计监测印度农作物面积变化时利用了 MODIS 时间序列数据，结果表明，将 MODIS 数据应用到大范围类型研究区的目标农作物种植面积遥感监测有着非常好的效果[25-28]。Sentinel 数据相比于 MODIS 数据有着光谱波段多、空间分辨率高等优势，Sitokonstantinou Vasileios 等人基于 Sentinel 影像的空间、光谱和时间特征进行了研究，成果研究表明，利用该方法能够很大程度的提高农作物面积分类的准确性[29-30]。在基于 Sentinel-2 卫星 10m 分辨率数据的研究方面，Nasrallah Ali 等人较好地分类、分析并绘制了 2016 年和 2017 年两年的黎巴嫩大豆主产区贝卡平原的大豆种植面积图，精度令人满意[31-32]。在欧洲方面，Sitokonstantinou Vasileios 等人针对西班牙纳瓦拉的主要农业区，也积极展开了基于Sentinel-2 的农作物分类识别方法的研究，研究发现分类精度不是很高，要想提高精度的前提是还需要加入其他的知识系统库。目前，农业遥感应用朝着更加精细、更加精准的方向发展，如何利用高分辨率遥感影像具有高空间分辨率、高清晰度、信息量丰富等特点，就成为了关键。Sentinel-2 作为近几年发射的对地观测卫星，关于 Sentinel-2 遥感数据的相关研究比较少，它不仅具有较高的空间分辨率的优势，而且在不同传感器影像配准方面的优势也很明显，因此，对 Sentinel 卫星遥感数据的研究具有很好的必要。
.............................
第二章 研究方法及技术路线
2.1 研究方法
本文通过对国内外遥感监测作物种植面积提取的研究方法现状进行分析，结合黑龙江省大豆主产区实际情况，以黑龙江省大豆面积的提取方法为选题依据，基于 Sentinel 遥感数据源的选择和目视解译法相结合的研究，在黑龙江大豆提取精度方面进行综合研究及评价。
Sentinel 影像对数据提取幅宽较大，对空间的分辨率较高，对数据的重访周期较短，波段信息的获取较为丰富，并拥有独特的红边技术，同时可免费获取数据，这与其他作物面积提取数据相比，具有不可替代的优势。
目视解译法通过对影像数据的预处理，可以完成对目标作物研究区域内影像数据的大气校正、像素重采样、镶嵌裁剪及波段组合等一系列操作，得到了研究区卫星遥感影像成果。然后，再运用人工目视解译结合非监督分类的方法对研究区进行大豆面积的遥感方法提取并进行精度评价，分析利用 sentinel 数据在黑龙江省大豆面积分类提取方面的可行性。
............................
2.2 实验数据的确定及获取
2.2.1 Sentinel-2A 光学影像概述
欧洲航天局和欧盟委员会联合设计了一个全球环境与安全监测系统，被称之为哥白尼计划，此计划的第二颗试验卫星被命名为“Sentinel-2A”卫星，“Sentinel-2A”卫星搭载 13 个光谱波段的多光谱成像仪，于当地时间 2015 年 6月 23 日在法属圭亚那库鲁航天中心成功发射。Sentinel-2A 卫星在高度 786km、倾角 98.5°的太阳同步轨道上运行，卫星的设计寿命为 7 年。该卫星将星敏感器通过三轴姿态控制方法直接安装在相机上，此控制方法可以获得更高的精度和更好的稳定性，无地面控制点的图像定位精度为 20 米，限幅宽度为 290 公里。卫星的地面回访期为 5 天。安装在其上的多光谱成像仪有 13 个通道，从可见光对近红外到短波红外的空间分辨率分别为 10 米和 20 米，该卫星可以在许多以领域提供检测信息，如在城市化、农林、海水污染等多领域为全球提供监测信息，对于开展粮食的高精准度估产、粮食安全保障、自然灾害应急预测等方面具有深远意义。
2.2.2 Sentinel-2A 数据的特点
Sentinel-2A 数据的特点是：（见表 2-1）
（1）具有 13 个光谱波段，反演信息比较多。 （2）从可见光对近红外到短波红外的空间分辨率较高，对目标作物的最小空间分辨率可达 10m。 （3）幅宽达 290 千米。 （4）在众多的光学遥感数据中，仅有的一个在红边范围含有三个波段数据，这为农作物监测提供了更多的波段选择。
表 2-1 Sentinel-2A 卫星相关参数表
..............................
第三章 Sentinel 数据预处理 ....................................13
3.1 Sentinel 数据预处理 ................................... 13
3.1.1 几何校正 ............................. 13
3.1.2 大气校正 ........................... 14
第四章 遥感解译大豆面积的提取方法 ................................... 17
4.1 非监督分类在大豆面积提取的应用 .......................................... 17
4.2 大豆种植面积的目视解译 .................................... 19
第五章 结果与分析 ............................................ 25
5.1 精度评价的方法 .....................
