基于Sentinel-2时序影像的地块尺度灌溉耕地提取

作者：王琰; 周亚男^*; 汪顺营

来源：节水灌溉, 2023, (11): 91-98.

• Sentinel-2影像
• 时间序列
• 耕地地块
• 农业灌溉
• 机器学习

准确掌握灌溉耕地的数量和空间分布等信息是农业生产与水资源管理的重要基础。传统基于像元的遥感灌溉提取会破环地块基本形态，在耕地较为精细、破碎的农田区域，单时相卫星影像所做出的地图也往往达不到所需精度，针对此问题，提出了一种基于Sentinel-2时序影像的地块尺度灌溉耕地提取方法。首先，利用高分辨率遥感影像提取研究区精细的农业耕种地块（矢量多边形）；然后，以时间序列Sentinel-2影像为数据源构建地块尺度的时序特征，并设计多种特征组合方案；最后，构建以XGBoost分类模型为基础的灌溉耕地识别方法并评估模型的泛化能力，以实现区域地块尺度的灌溉耕地提取。进而，在美国科罗拉多州南普拉特河流域的农业灌溉集中地区验证上述方法流程。结果表明：(1)即使耕地情况破碎、复杂，基于地块的提取方法也能在保留地块基本形态的基础上实现灌溉耕地的精确提取，总体精度高达85.03%；(2)在特征的构建与组合中，精度表现最好的是均值、标准差、中值这三类光谱特征的组合，Kappa系数达到0.69，其中灌溉耕地分类精度为86.76%，非灌溉耕地分类精度为82.30%；(3)通过测试不同时间序列长度对灌溉耕地提取的影响，发现对灌溉耕地和非灌溉耕地的区分较为敏感的时相集中在农作物生长季的中后期，其分类精度随着时序长度的增加而不断提高。这对后续的研究提供了思路，可以利用农作物生长旺盛阶段的时序影像的均值、标准差、中值这三类光谱特征进行灌溉耕地的识别，该时段的时间序列蕴含丰富的结构化特征信息，从而使得模型表现优异，达到理想的制图精度。集成机器学习和时序遥感，可用于灌溉耕地的调查与监测，也为该方向的深入研究提供了思路。

• 单位
  河海大学