時序Sentinel-2A影像光譜特征的茶園提取應(yīng)用
發(fā)布時間：2020-12-23 10:26
針對當(dāng)前茶園遙感識別研究未充分分析利用光譜特征提取茶園的問題,該文詳細(xì)探討了光譜時間變化特征在茶園遙感識別中的應(yīng)用潛力。研究利用時序Sentinel-2A影像,分析7種典型地物的時序光譜變化與NDVI變化,發(fā)掘出可用于區(qū)分茶園與其他地物的特征波段——紅邊2、紅邊3、近紅外、紅邊4、短波紅外1、短波紅外2�；谏鲜霾ǘ位騈DVI構(gòu)造18個茶園提取特征,最終確定14個茶園提取特征,并基于每種特征分別構(gòu)建決策樹,實現(xiàn)茶園提取,并驗證每種特征的可行性。結(jié)果表明,分類精度較高的前3個特征分別為SR-SWIR2-NIRMay、SD-NIR-SWIR2May、SR-NDVIMay&Dec;總體精度依次為96.71%、94.24%、93.43%。
【文章來源】：測繪科學(xué). 2020年06期 北大核心
【文章頁數(shù)】：9 頁
【部分圖文】：
研究區(qū)位置與Google Earth影像
本研究通過分析多時相Sentinel-2A影像的光譜與植被指數(shù)特征,構(gòu)造可用于茶園提取的特征,利用決策樹方法進(jìn)行茶園提取。首先分析不同地類光譜特征曲線與對植被變化敏感的NDVI變化曲線,利用能反映不同地物類型光譜差異的特征波段或NDVI,構(gòu)造適用于茶園提取的多個特征,經(jīng)篩選,分別構(gòu)建決策樹,完成茶園專題信息提取,對比分類結(jié)果,確定最適宜茶園提取的波段與時間窗口。研究技術(shù)流程如圖2所示。2.1 特征分析
圖3(a)～圖3 (c)分別為2017年12月25日、2018年3月10日、2018年5月4日影像的7種地類光譜曲線圖。從圖中可以看出:①7種地物的光譜均值在藍(lán)(B)、綠(G)、紅(R)、紅邊1(red edge 1,RE1)波段差異較小,其中茶園與山林亮度值重疊度較高;②茶園、山林、灌木、耕地的亮度值均在RE1波段后上升較快,在近紅外(NIR)處達(dá)到最高,隨后逐漸降低;③圖3(a)、圖3(b)中,在紅邊2(red edge 2,RE2)、紅邊3(red edge 3,RE3)、NIR、紅邊4(red edge 4,RE4)處,茶園亮度值均高于其他地物,圖3(c)中,茶園在這4個波段處低于山林與灌木,但在短波紅外1(short wave infrared 1,SWIR1)處高于其他地物,在短波紅外2(short wave infrared 2,SWIR2)處僅低于道路�？傮w來看,茶園與其他地物具有一定光譜可分性的波段有RE2、RE3、NIR、RE4、SWIR1、SWIR2。進(jìn)一步分析圖4中的4種植被在6個波段處的光譜反射率時相變化可以得出:圖4(a)、圖4(d)的變化趨相似,均是只有耕地光譜均值持續(xù)上升,茶園、山林、灌木光譜均值先下降后上升,但茶園變化一直波動較小;圖4(b)、圖4(c)的變化趨勢相似,均是只有茶園光譜均值持續(xù)下降,山林、灌木先下降后上升,耕地持續(xù)上升;圖4(e)、圖4(f)的變化趨勢相似,均是只有茶園光譜均值持續(xù)上升,并在5月份高于其他植被,其余植被類型光譜均值均是先升(降)后降(升)。
【參考文獻(xiàn)】：
期刊論文
[1]基于多時相Landsat 8 OLI影像的農(nóng)作物遙感分類研究[J]. 李曉慧,王宏,李曉兵,遲登凱,湯曾偉,韓重遠(yuǎn). 遙感技術(shù)與應(yīng)用. 2019(02)
[2]基于中尺度光譜和時序物候特征提取南方丘陵山區(qū)茶園[J]. 馬超,楊飛,王學(xué)成. 國土資源遙感. 2019(01)
[3]基于高分二號影像結(jié)合紋理信息的茶園提取[J]. 楊艷魁,陳蕓芝,吳波,汪小欽. 江蘇農(nóng)業(yè)科學(xué). 2019(02)
[4]浙江茶葉春霜凍害的氣候變化特征分析[J]. 徐金勤,邱新法,曾燕,施國萍,韋翔鴻. 江蘇農(nóng)業(yè)科學(xué). 2018(22)
[5]基于Landsat 8影像的濟(jì)寧市春季主要作物種植面積變化監(jiān)測[J]. 巫明焱,董光,稅麗,胡大川,程武學(xué),范曙峰. 江蘇農(nóng)業(yè)學(xué)報. 2018(03)
[6]多時相Sentinel-2A與SPOT-7影像在油菜識別中的差異[J]. 韓濤,潘劍君,羅川,周濤,張培育. 南京農(nóng)業(yè)大學(xué)學(xué)報. 2018(04)
[7]基于MODIS時序NDVI主要農(nóng)作物種植信息提取研究[J]. 郭昱杉,劉慶生,劉高煥,黃翀. 自然資源學(xué)報. 2017(10)
[8]基于Landsat 8 OLI數(shù)據(jù)的華北平原農(nóng)作物種植結(jié)構(gòu)遙感解譯研究[J]. 盧輝雄,田言亮,董雙發(fā),汪冰,李名松,牛海威,張恩,薛慶,章新益,程思思. 物探化探計算技術(shù). 2017(03)
[9]基于光譜和時相特征的夏玉米遙感識別[J]. 劉劍鋒,張喜旺. 遙感技術(shù)與應(yīng)用. 2016(06)
[10]基于資源三號衛(wèi)星影像的茶樹種植區(qū)提取[J]. 徐偉燕,孫睿,金志鳳. 農(nóng)業(yè)工程學(xué)報. 2016(S1)
本文編號：2933552
【文章來源】：測繪科學(xué). 2020年06期 北大核心
【文章頁數(shù)】：9 頁
【部分圖文】：
研究區(qū)位置與Google Earth影像
本研究通過分析多時相Sentinel-2A影像的光譜與植被指數(shù)特征,構(gòu)造可用于茶園提取的特征,利用決策樹方法進(jìn)行茶園提取。首先分析不同地類光譜特征曲線與對植被變化敏感的NDVI變化曲線,利用能反映不同地物類型光譜差異的特征波段或NDVI,構(gòu)造適用于茶園提取的多個特征,經(jīng)篩選,分別構(gòu)建決策樹,完成茶園專題信息提取,對比分類結(jié)果,確定最適宜茶園提取的波段與時間窗口。研究技術(shù)流程如圖2所示。2.1 特征分析
圖3(a)～圖3 (c)分別為2017年12月25日、2018年3月10日、2018年5月4日影像的7種地類光譜曲線圖。從圖中可以看出:①7種地物的光譜均值在藍(lán)(B)、綠(G)、紅(R)、紅邊1(red edge 1,RE1)波段差異較小,其中茶園與山林亮度值重疊度較高;②茶園、山林、灌木、耕地的亮度值均在RE1波段后上升較快,在近紅外(NIR)處達(dá)到最高,隨后逐漸降低;③圖3(a)、圖3(b)中,在紅邊2(red edge 2,RE2)、紅邊3(red edge 3,RE3)、NIR、紅邊4(red edge 4,RE4)處,茶園亮度值均高于其他地物,圖3(c)中,茶園在這4個波段處低于山林與灌木,但在短波紅外1(short wave infrared 1,SWIR1)處高于其他地物,在短波紅外2(short wave infrared 2,SWIR2)處僅低于道路�？傮w來看,茶園與其他地物具有一定光譜可分性的波段有RE2、RE3、NIR、RE4、SWIR1、SWIR2。進(jìn)一步分析圖4中的4種植被在6個波段處的光譜反射率時相變化可以得出:圖4(a)、圖4(d)的變化趨相似,均是只有耕地光譜均值持續(xù)上升,茶園、山林、灌木光譜均值先下降后上升,但茶園變化一直波動較小;圖4(b)、圖4(c)的變化趨勢相似,均是只有茶園光譜均值持續(xù)下降,山林、灌木先下降后上升,耕地持續(xù)上升;圖4(e)、圖4(f)的變化趨勢相似,均是只有茶園光譜均值持續(xù)上升,并在5月份高于其他植被,其余植被類型光譜均值均是先升(降)后降(升)。
【參考文獻(xiàn)】：
期刊論文
[1]基于多時相Landsat 8 OLI影像的農(nóng)作物遙感分類研究[J]. 李曉慧,王宏,李曉兵,遲登凱,湯曾偉,韓重遠(yuǎn). 遙感技術(shù)與應(yīng)用. 2019(02)
[2]基于中尺度光譜和時序物候特征提取南方丘陵山區(qū)茶園[J]. 馬超,楊飛,王學(xué)成. 國土資源遙感. 2019(01)
[3]基于高分二號影像結(jié)合紋理信息的茶園提取[J]. 楊艷魁,陳蕓芝,吳波,汪小欽. 江蘇農(nóng)業(yè)科學(xué). 2019(02)
[4]浙江茶葉春霜凍害的氣候變化特征分析[J]. 徐金勤,邱新法,曾燕,施國萍,韋翔鴻. 江蘇農(nóng)業(yè)科學(xué). 2018(22)
[5]基于Landsat 8影像的濟(jì)寧市春季主要作物種植面積變化監(jiān)測[J]. 巫明焱,董光,稅麗,胡大川,程武學(xué),范曙峰. 江蘇農(nóng)業(yè)學(xué)報. 2018(03)
[6]多時相Sentinel-2A與SPOT-7影像在油菜識別中的差異[J]. 韓濤,潘劍君,羅川,周濤,張培育. 南京農(nóng)業(yè)大學(xué)學(xué)報. 2018(04)
[7]基于MODIS時序NDVI主要農(nóng)作物種植信息提取研究[J]. 郭昱杉,劉慶生,劉高煥,黃翀. 自然資源學(xué)報. 2017(10)
[8]基于Landsat 8 OLI數(shù)據(jù)的華北平原農(nóng)作物種植結(jié)構(gòu)遙感解譯研究[J]. 盧輝雄,田言亮,董雙發(fā),汪冰,李名松,牛海威,張恩,薛慶,章新益,程思思. 物探化探計算技術(shù). 2017(03)
[9]基于光譜和時相特征的夏玉米遙感識別[J]. 劉劍鋒,張喜旺. 遙感技術(shù)與應(yīng)用. 2016(06)
[10]基于資源三號衛(wèi)星影像的茶樹種植區(qū)提取[J]. 徐偉燕,孫睿,金志鳳. 農(nóng)業(yè)工程學(xué)報. 2016(S1)
本文編號：2933552
本文鏈接：http://sikaile.net/kejilunwen/dizhicehuilunwen/2933552.html
最近更新
教材專著
