10.3964/j.issn.1000-0593(2022)06-1948-08
基于时序Sentinel-2A影像的玉米秸秆覆盖区智能识别研究
秸秆还田是减少土壤侵蚀、增加土壤有机碳的重要措施,对黑土地保护具有重要意义.区域范围内玉米秸秆覆盖区的准确、快速识别,对监测保护性耕作实施、农业补贴政策的制定具有重要作用.以实施保护性耕作的典型区吉林省四平市为研究区,基于GEE(google earth engine)云平台,结合2020年5月—11月的Sentinel-2时序遥感影像,依据玉米生长季和收获后的秸秆状态构建光谱特征和指数特征,指数特征包括归一化差值植被指数(NDVI)和归一化差值秸秆指数(NDRI).为避免数据冗余,对时序特征值按大小排序,同时利用分位法以0%,25%,50%,75%,100% 分位选取分位(Q T)特征,进而构建数据集.应用参数优化后的随机森林方法对按照7:3划分的样本集进行训练和验证,然后对数据集分类,结合连通域标定法去除分类过程中产生的细小连通域,进一步优化全局结果.通过Kappa和整体精度(OA)定量和定性评价,实验结果表明:(1)基于不同特征集组成数据集的分类模型(M1/M2/M3/M4/M5)定量评价结果均优于90%,其中所设计数据集的分类模型M5效果最好,Kappa和OA分别为97.41% 和97.91%,相比于未加入QT特征集的分类模型M2的Kappa和OA分别提升4.52% 和3.64%,同时M5识别结果可以有效保留边缘细节信息;(2)针对不同时间尺度的QT特征集,利用5月—11月时序遥感影像的QT特征集分类模型M5_6/M5可以极大地抑制其他作物秸秆的影响,相比仅利用11月时序影像QT特征的M5_1模型分类结果的Kappa和OA分别提升了3.9% 和3.12%;(3)基于M5模型,结合连通域标定法的分类模型M6的Kappa和OA分别为96.76% 和97.36%,仅次于M 5模型识别结果,模型M 6在保证较高精度的同时避免了细碎图斑,优化了分类可视化效果.该研究提出的M6模型适用于识别研究区玉米秸秆覆盖区,该方法能够在GEE云平台环境下快速执行,适合推广应用于东北地区秸秆覆盖区.
秸秆覆盖区、GEE云平台、时序Sentinel-2A影像、随机森林、连通域
42
TP79(遥感技术)
国家自然科学基金;中国农业大学人才工程项目
2022-06-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
1948-1955