科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高冬小麦种植区识别精度，本文基于Google Earth Engine（GEE）平台和随机森林算法，对比和分析雷达和光学遥感数据对冬小麦提取效果的差异，并对多类特征变量进行重要性分析，研究特征优选对冬小麦识别精度的影响。选取2019年3月至5月冬小麦关键生育期的Sentinel-1和Sentinel-2影像为数据源，构建Sentinel-1的极化特征和纹理特征以及Sentinel-2的光谱特征、植被指数特征和植被指数变化率特征共5类特征变量；设置不同数据源和不同特征组合的冬小麦种植区提取方案并对比分析；对方案中特征变量进行优选，得出最优特征组合对河南省驻马店市的冬小麦种植区进行提取。结果表明，无论是否进行特征优选，基于多源遥感数据的冬小麦识别精度均优于仅采用光学或雷达数据的精度；经过特征优选后，各方案的分类精度均有不同程度的提升，说明多源数据特征变量组合和特征优选均能够提高分类精度。不同月份和类型的特征变量对分类精度的贡献率不同，贡献率由高到低的月份为4月、3月和5月；贡献率由高到低的特征类型为极化特征、植被指数变化率特征、植被指数特征、光谱特征和纹理特征。基于多源数据特征优选提取的2019年驻马店冬小麦空间分布图的结果最优，总体精度为95.60%，Kappa系数为0.93，冬小麦提取面积与统计年鉴数据相比，相对误差为2.23%。本文可为基于多源光学和雷达遥感影像进行农作物种植区提取的研究提供重要理论参考。
- 单位
