基于Sentinel-2影像的西南山区不同生长期水稻识别

发布时间：2022-01-20 22:11

　　山区水稻种植呈现破碎分散的特点,中低分辨率的遥感影像分类效果不甚理想,需要寻找适用于山区水稻提取的遥感数据源和监测方法;水稻在不同生长阶段有不同的形态特征,适用的分类特征与得出的分类结果显然不同。该研究以Sentinel-2影像为数据源,对不同生长阶段的水稻进行提取。选取波段特征、植被指数、红边指数、水体指数、地形特征、纹理特征等58个分类特征,运用SEaTH算法进行筛选后,采用随机森林分类法进行分类,并构建误差矩阵比较分类结果。结果表明,分类特征经过筛选后,数量分别为发育期16个、生长期13个、成熟期12个;分类结果进行精度验证后,用户精度分别为发育期0.93、生长期0.88、成熟期0.85,水稻发育期为提取水稻的最佳时期。Sentinel-2影像和随机森林方法可作为理想的数据源和监测方法用于山区水稻时空信息的提取。 

【文章来源】：农业工程学报. 2020,36(07)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

研究区区位图Fig.1Locationofstudyarea

农业工程学报（http://www.tcsae.org）2020年194图2实地采样点与考察线路Fig.2Fieldsamplingpointsandsurveylines2研究方法在数据预处理的基础上，通过SNAP（SentinalApplicationPlatform）、ENVI5.3、ArcGIS10.2分别计算影像的光谱特征、纹理特征和地形特征作为分类特征。在实地考察数据的基础上，通过目视解译补充分类样本，再通过SEaTH（SeparabilityandThresholds）算法对备选特征进行筛选，最后通过ENVI5.3中的随机森林分类模块对其进行分类，从分类结果中随机选取若干点作为验证点，构建误差矩阵，比较水稻各生长阶段的分类结果差异。图3技术流程图Fig.3Technicalflowchart2.1分类特征计算方法基于水稻的植物与水属性，选取了CIgreen、DVI、EVI、EVI2、mNDVI、MSR、NDVI、OSAVI、PVI、RVI、WDRVI共11个植被指数，LSWI、MNDWI、MSI、NDBI、WL2015、AWEI、NDWI共7个水体指数，并基于Sentinel-2数据特有的3个红边波段，选区CIred-edge、IRECI、MCARI、MCARI2、mNDVIre、MSRre、MTCI、NDre1、NDre2、NDVIre1、NDVIre2、NDVIre3、SRre共13个红边指数，分类特征如表3所示。此外，有研究表明，纹理特征与地形特征可适当提高分类精度[12-13]。本研究利用ENVI5.3工具计算均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性8个纹理特征，利用ArvGIS10.2工具计算起伏度、山体阴影，利用ENVI5.3工具计算坡度、坡向、剖面曲率、水平曲率，将DEM高程数据作为海拔。与影像的12个原始?

农业工程学报（http://www.tcsae.org）2020年194图2实地采样点与考察线路Fig.2Fieldsamplingpointsandsurveylines2研究方法在数据预处理的基础上，通过SNAP（SentinalApplicationPlatform）、ENVI5.3、ArcGIS10.2分别计算影像的光谱特征、纹理特征和地形特征作为分类特征。在实地考察数据的基础上，通过目视解译补充分类样本，再通过SEaTH（SeparabilityandThresholds）算法对备选特征进行筛选，最后通过ENVI5.3中的随机森林分类模块对其进行分类，从分类结果中随机选取若干点作为验证点，构建误差矩阵，比较水稻各生长阶段的分类结果差异。图3技术流程图Fig.3Technicalflowchart2.1分类特征计算方法基于水稻的植物与水属性，选取了CIgreen、DVI、EVI、EVI2、mNDVI、MSR、NDVI、OSAVI、PVI、RVI、WDRVI共11个植被指数，LSWI、MNDWI、MSI、NDBI、WL2015、AWEI、NDWI共7个水体指数，并基于Sentinel-2数据特有的3个红边波段，选区CIred-edge、IRECI、MCARI、MCARI2、mNDVIre、MSRre、MTCI、NDre1、NDre2、NDVIre1、NDVIre2、NDVIre3、SRre共13个红边指数，分类特征如表3所示。此外，有研究表明，纹理特征与地形特征可适当提高分类精度[12-13]。本研究利用ENVI5.3工具计算均值、方差、协同性、对比度、相异性、信息熵、二阶矩和相关性8个纹理特征，利用ArvGIS10.2工具计算起伏度、山体阴影，利用ENVI5.3工具计算坡度、坡向、剖面曲率、水平曲率，将DEM高程数据作为海拔。与影像的12个原始?

【参考文献】：
期刊论文
[1]基于Sentinel-2卫星影像的面向对象城市水体提取[J]. 蒋丹丹,原娟,武文娟,顾兴武.  地理空间信息. 2019(05)
[2]Sentinel-2影像多特征优选的黄河三角洲湿地信息提取[J]. 张磊,宫兆宁,王启为,金点点,汪星.  遥感学报. 2019(02)
[3]Sentinel-2和Landsat8影像的四种常用水体指数地表水体提取对比[J]. 王大钊,王思梦,黄昌.  国土资源遥感. 2019(03)
[4]基于分形纹理特征的新疆罗布麻遥感分类[J]. 刘心云,郑江华.  中山大学学报(自然科学版). 2019(01)
[5]机器学习法的干旱区典型农作物分类[J]. 黄双燕,杨辽,陈曦,姚远.  光谱学与光谱分析. 2018(10)
[6]采用国产GF-2遥感影像的复杂水网平原水体信息提取[J]. 付勇勇,王旭航,邓劲松,叶自然,周梦梦,尤淑撑,关涛.  浙江大学学报(工学版). 2017(12)
[7]基于纹理和地形辅助的山区土地利用信息提取研究[J]. 陈波,胡玉福,喻攀,郭垒,蒋双龙,刘宇,王钰婷.  地理与地理信息科学. 2017(01)
[8]基于时差特征与随机森林的水稻种植面积提取[J]. 雷小雨,卓莉,叶涛,陶海燕,王芳.  遥感技术与应用. 2016(06)
[9]基于多时相Landsat数据融合的洞庭湖区水稻面积提取[J]. 张猛,曾永年.  农业工程学报. 2015(13)
[10]随机森林模型在分类与回归分析中的应用[J]. 李欣海.  应用昆虫学报. 2013(04)

博士论文
[1]基于GF-1/WFV和面向对象的农作物种植结构提取方法研究[D]. 宋茜.中国农业科学院 2016

硕士论文
[1]基于TM影像面向对象的复杂地形区水稻提取规则研究[D]. 江春梅.福建师范大学 2016



本文编号：3599608