时序Sentinel-2A影像光谱特征的茶园提取应用
发布时间：2020-12-23 10:26
针对当前茶园遥感识别研究未充分分析利用光谱特征提取茶园的问题,该文详细探讨了光谱时间变化特征在茶园遥感识别中的应用潜力。研究利用时序Sentinel-2A影像,分析7种典型地物的时序光谱变化与NDVI变化,发掘出可用于区分茶园与其他地物的特征波段——红边2、红边3、近红外、红边4、短波红外1、短波红外2。基于上述波段或NDVI构造18个茶园提取特征,最终确定14个茶园提取特征,并基于每种特征分别构建决策树,实现茶园提取,并验证每种特征的可行性。结果表明,分类精度较高的前3个特征分别为SR-SWIR2-NIRMay、SD-NIR-SWIR2May、SR-NDVIMay&Dec;总体精度依次为96.71%、94.24%、93.43%。
【文章来源】：测绘科学. 2020年06期 北大核心
【文章页数】：9 页
【部分图文】：
研究区位置与Google Earth影像
本研究通过分析多时相Sentinel-2A影像的光谱与植被指数特征,构造可用于茶园提取的特征,利用决策树方法进行茶园提取。首先分析不同地类光谱特征曲线与对植被变化敏感的NDVI变化曲线,利用能反映不同地物类型光谱差异的特征波段或NDVI,构造适用于茶园提取的多个特征,经筛选,分别构建决策树,完成茶园专题信息提取,对比分类结果,确定最适宜茶园提取的波段与时间窗口。研究技术流程如图2所示。2.1 特征分析
图3(a)～图3 (c)分别为2017年12月25日、2018年3月10日、2018年5月4日影像的7种地类光谱曲线图。从图中可以看出:①7种地物的光谱均值在蓝(B)、绿(G)、红(R)、红边1(red edge 1,RE1)波段差异较小,其中茶园与山林亮度值重叠度较高;②茶园、山林、灌木、耕地的亮度值均在RE1波段后上升较快,在近红外(NIR)处达到最高,随后逐渐降低;③图3(a)、图3(b)中,在红边2(red edge 2,RE2)、红边3(red edge 3,RE3)、NIR、红边4(red edge 4,RE4)处,茶园亮度值均高于其他地物,图3(c)中,茶园在这4个波段处低于山林与灌木,但在短波红外1(short wave infrared 1,SWIR1)处高于其他地物,在短波红外2(short wave infrared 2,SWIR2)处仅低于道路。总体来看,茶园与其他地物具有一定光谱可分性的波段有RE2、RE3、NIR、RE4、SWIR1、SWIR2。进一步分析图4中的4种植被在6个波段处的光谱反射率时相变化可以得出:图4(a)、图4(d)的变化趋相似,均是只有耕地光谱均值持续上升,茶园、山林、灌木光谱均值先下降后上升,但茶园变化一直波动较小;图4(b)、图4(c)的变化趋势相似,均是只有茶园光谱均值持续下降,山林、灌木先下降后上升,耕地持续上升;图4(e)、图4(f)的变化趋势相似,均是只有茶园光谱均值持续上升,并在5月份高于其他植被,其余植被类型光谱均值均是先升(降)后降(升)。
【参考文献】：
期刊论文
[1]基于多时相Landsat 8 OLI影像的农作物遥感分类研究[J]. 李晓慧,王宏,李晓兵,迟登凯,汤曾伟,韩重远. 遥感技术与应用. 2019(02)
[2]基于中尺度光谱和时序物候特征提取南方丘陵山区茶园[J]. 马超,杨飞,王学成. 国土资源遥感. 2019(01)
[3]基于高分二号影像结合纹理信息的茶园提取[J]. 杨艳魁,陈芸芝,吴波,汪小钦. 江苏农业科学. 2019(02)
[4]浙江茶叶春霜冻害的气候变化特征分析[J]. 徐金勤,邱新法,曾燕,施国萍,韦翔鸿. 江苏农业科学. 2018(22)
[5]基于Landsat 8影像的济宁市春季主要作物种植面积变化监测[J]. 巫明焱,董光,税丽,胡大川,程武学,范曙峰. 江苏农业学报. 2018(03)
[6]多时相Sentinel-2A与SPOT-7影像在油菜识别中的差异[J]. 韩涛,潘剑君,罗川,周涛,张培育. 南京农业大学学报. 2018(04)
[7]基于MODIS时序NDVI主要农作物种植信息提取研究[J]. 郭昱杉,刘庆生,刘高焕,黄翀. 自然资源学报. 2017(10)
[8]基于Landsat 8 OLI数据的华北平原农作物种植结构遥感解译研究[J]. 卢辉雄,田言亮,董双发,汪冰,李名松,牛海威,张恩,薛庆,章新益,程思思. 物探化探计算技术. 2017(03)
[9]基于光谱和时相特征的夏玉米遥感识别[J]. 刘剑锋,张喜旺. 遥感技术与应用. 2016(06)
[10]基于资源三号卫星影像的茶树种植区提取[J]. 徐伟燕,孙睿,金志凤. 农业工程学报. 2016(S1)
本文编号：2933552
【文章来源】：测绘科学. 2020年06期 北大核心
【文章页数】：9 页
【部分图文】：
研究区位置与Google Earth影像
本研究通过分析多时相Sentinel-2A影像的光谱与植被指数特征,构造可用于茶园提取的特征,利用决策树方法进行茶园提取。首先分析不同地类光谱特征曲线与对植被变化敏感的NDVI变化曲线,利用能反映不同地物类型光谱差异的特征波段或NDVI,构造适用于茶园提取的多个特征,经筛选,分别构建决策树,完成茶园专题信息提取,对比分类结果,确定最适宜茶园提取的波段与时间窗口。研究技术流程如图2所示。2.1 特征分析
图3(a)～图3 (c)分别为2017年12月25日、2018年3月10日、2018年5月4日影像的7种地类光谱曲线图。从图中可以看出:①7种地物的光谱均值在蓝(B)、绿(G)、红(R)、红边1(red edge 1,RE1)波段差异较小,其中茶园与山林亮度值重叠度较高;②茶园、山林、灌木、耕地的亮度值均在RE1波段后上升较快,在近红外(NIR)处达到最高,随后逐渐降低;③图3(a)、图3(b)中,在红边2(red edge 2,RE2)、红边3(red edge 3,RE3)、NIR、红边4(red edge 4,RE4)处,茶园亮度值均高于其他地物,图3(c)中,茶园在这4个波段处低于山林与灌木,但在短波红外1(short wave infrared 1,SWIR1)处高于其他地物,在短波红外2(short wave infrared 2,SWIR2)处仅低于道路。总体来看,茶园与其他地物具有一定光谱可分性的波段有RE2、RE3、NIR、RE4、SWIR1、SWIR2。进一步分析图4中的4种植被在6个波段处的光谱反射率时相变化可以得出:图4(a)、图4(d)的变化趋相似,均是只有耕地光谱均值持续上升,茶园、山林、灌木光谱均值先下降后上升,但茶园变化一直波动较小;图4(b)、图4(c)的变化趋势相似,均是只有茶园光谱均值持续下降,山林、灌木先下降后上升,耕地持续上升;图4(e)、图4(f)的变化趋势相似,均是只有茶园光谱均值持续上升,并在5月份高于其他植被,其余植被类型光谱均值均是先升(降)后降(升)。
【参考文献】：
期刊论文
[1]基于多时相Landsat 8 OLI影像的农作物遥感分类研究[J]. 李晓慧,王宏,李晓兵,迟登凯,汤曾伟,韩重远. 遥感技术与应用. 2019(02)
[2]基于中尺度光谱和时序物候特征提取南方丘陵山区茶园[J]. 马超,杨飞,王学成. 国土资源遥感. 2019(01)
[3]基于高分二号影像结合纹理信息的茶园提取[J]. 杨艳魁,陈芸芝,吴波,汪小钦. 江苏农业科学. 2019(02)
[4]浙江茶叶春霜冻害的气候变化特征分析[J]. 徐金勤,邱新法,曾燕,施国萍,韦翔鸿. 江苏农业科学. 2018(22)
[5]基于Landsat 8影像的济宁市春季主要作物种植面积变化监测[J]. 巫明焱,董光,税丽,胡大川,程武学,范曙峰. 江苏农业学报. 2018(03)
[6]多时相Sentinel-2A与SPOT-7影像在油菜识别中的差异[J]. 韩涛,潘剑君,罗川,周涛,张培育. 南京农业大学学报. 2018(04)
[7]基于MODIS时序NDVI主要农作物种植信息提取研究[J]. 郭昱杉,刘庆生,刘高焕,黄翀. 自然资源学报. 2017(10)
[8]基于Landsat 8 OLI数据的华北平原农作物种植结构遥感解译研究[J]. 卢辉雄,田言亮,董双发,汪冰,李名松,牛海威,张恩,薛庆,章新益,程思思. 物探化探计算技术. 2017(03)
[9]基于光谱和时相特征的夏玉米遥感识别[J]. 刘剑锋,张喜旺. 遥感技术与应用. 2016(06)
[10]基于资源三号卫星影像的茶树种植区提取[J]. 徐伟燕,孙睿,金志凤. 农业工程学报. 2016(S1)
本文编号：2933552
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/2933552.html
