GEE环境下联合Sentinel主被动遥感数据的国家公园土地覆盖分类
国家公园的土地覆盖分类对于掌握自然资源现状、查明存在的生态安全威胁并快速应对具有基础性数据支撑作用.基于谷歌地球引擎(Google Earth Engine,GEE)平台,结合哨兵(Sentinel)主被动遥感数据及其导出的光谱指数、纹理特征和地形特征,分别采用基于像元的随机森林(random forest,RF)算法和面向对象的简单非迭代聚类(simple non-iterative clustenng,SNIC)+RF算法实现了钱江源国家公园异质性景观的土地覆盖(耕地、森林、草地、水体、人造地表和裸地)分类.地面实验表明,在多种输入数据组合中,基于像元和面向对象方法分类获得的最高总体精度分别为92.37％和93.98％.合成孔径雷达(synthetic aperture radar,SAR)数据的纳入能够提高基于像元方法的分类精度,但在面向对象方法中未能体现精度提升效果.通过SNIC+RF算法生成的土地覆盖分类图完整性更好,所需特征数量较少,并且算法能够在GEE环境下快速执行,适用于国家公园管理实践.
国家公园、土地覆盖分类、哨兵、随机森林、简单非迭代聚类、谷歌地球引擎
48
P237(摄影测量学与测绘遥感)
中央高校基本科研业务费专项;国家自然科学基金;公安部技术研究计划项目;江苏省高校青蓝工程;江苏高校优势学科建设项目
2023-06-13（万方平台首次上网日期，不代表论文的发表时间）
共9页
756-764
