时-空-谱融合自动纯化生成样本的农作物遥感分类OA北大核心CSTPCD
准确及时地获取农作物种植面积是粮食估产的重要基础,对稳定市场和粮食安全至关重要。随着卫星遥感技术的发展和农作物识别算法的成熟,遥感在农业领域得到了广泛深入的应用,但农作物自动化识别普遍受到缺乏足够代表性训练样本数据的制约。该研究提出了一种多阶段样本纯化策略,综合考虑时间、空间、光谱和物候信息,基于历史作物空间分布图和当季遥感影像自动生成高质量的训练样本,以支持农作物的自动化识别。利用谷歌地球引擎(google earth engine,GEE)云平台及Sentinel-2数据,采用随机森林算法对浙江省两个地区的水稻进行自动化识别。研究结果表明,该方法能够利用历史专题数据和当季遥感影像生成最新且充足的训练样本,样本点精度高达98.5%。样本点数量和影像特征对分类结果影响的定量分析结果表明,作物识别的精度超过96%,Kappa系数超过0.93。此外,所提算法对含有误差的历史分类数据表现出较好的鲁棒性。研究结果可为区域级农作物识别提供一种可靠的样本自动化生成方法,在大尺度自动化作物制图中具有广泛的应用潜力。
刘修宇;张锦水;吴俊旭;申克建;
北京师范大学遥感科学国家重点实验室,北京100875 北京师范大学地理科学学部遥感科学与工程研究院,北京100875农业农村部大数据发展中心,北京100125
天文学
遥感农作物分类随机森林样本自动生成Sentinel-2
《农业工程学报》 2024 (010)
P.157-167 / 11
国家自然科学基金重大项目(42192580,42192584);国家高分辨率对地观测系统重大专项(民用部分)(20-Y30F10-9001-20/22);遥感科学国家重点实验室、北京市陆表遥感数据产品工程技术研究中心开放基金资助(OF202302)。
评论