山區(qū)水稻種植呈現(xiàn)破碎分散的特點,中低分辨率的遙感影像分類效果不甚理想,需要尋找適用于山區(qū)水稻提取的遙感數(shù)據(jù)源和監(jiān)測方法;水稻在不同生長階段有不同的形態(tài)特征,適用的分類特征與得出的分類結(jié)果顯然不同。該研究以Sentinel-2影像為數(shù)據(jù)源,對不同生長階段的水稻進行提取。選取波段特征、植被指數(shù)、紅邊指數(shù)、水體指數(shù)、地形特征、紋理特征等58個分類特征,運用SEaTH算法進行篩選后,采用隨機森林分類法進行分類,并構(gòu)建誤差矩陣比較分類結(jié)果。結(jié)果表明,分類特征經(jīng)過篩選后,數(shù)量分別為發(fā)育期16個、生長期13個、成熟期12個;分類結(jié)果進行精度驗證后,用戶精度分別為發(fā)育期0.93、生長期0.88、成熟期0.85,水稻發(fā)育期為提取水稻的最佳時期。Sentinel-2影像和隨機森林方法可作為理想的數(shù)據(jù)源和監(jiān)測方法用于山區(qū)水稻時空信息的提取。 

【文章來源】：農(nóng)業(yè)工程學(xué)報. 2020,36(07)北大核心EICSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

研究區(qū)區(qū)位圖Fig.1Locationofstudyarea

農(nóng)業(yè)工程學(xué)報（http://www.tcsae.org）2020年194圖2實地采樣點與考察線路Fig.2Fieldsamplingpointsandsurveylines2研究方法在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，通過SNAP（SentinalApplicationPlatform）、ENVI5.3、ArcGIS10.2分別計算影像的光譜特征、紋理特征和地形特征作為分類特征。在實地考察數(shù)據(jù)的基礎(chǔ)上，通過目視解譯補充分類樣本，再通過SEaTH（SeparabilityandThresholds）算法對備選特征進行篩選，最后通過ENVI5.3中的隨機森林分類模塊對其進行分類，從分類結(jié)果中隨機選取若干點作為驗證點，構(gòu)建誤差矩陣，比較水稻各生長階段的分類結(jié)果差異。圖3技術(shù)流程圖Fig.3Technicalflowchart2.1分類特征計算方法基于水稻的植物與水屬性，選取了CIgreen、DVI、EVI、EVI2、mNDVI、MSR、NDVI、OSAVI、PVI、RVI、WDRVI共11個植被指數(shù)，LSWI、MNDWI、MSI、NDBI、WL2015、AWEI、NDWI共7個水體指數(shù)，并基于Sentinel-2數(shù)據(jù)特有的3個紅邊波段，選區(qū)CIred-edge、IRECI、MCARI、MCARI2、mNDVIre、MSRre、MTCI、NDre1、NDre2、NDVIre1、NDVIre2、NDVIre3、SRre共13個紅邊指數(shù)，分類特征如表3所示。此外，有研究表明，紋理特征與地形特征可適當(dāng)提高分類精度[12-13]。本研究利用ENVI5.3工具計算均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩和相關(guān)性8個紋理特征，利用ArvGIS10.2工具計算起伏度、山體陰影，利用ENVI5.3工具計算坡度、坡向、剖面曲率、水平曲率，將DEM高程數(shù)據(jù)作為海拔。與影像的12個原始?

農(nóng)業(yè)工程學(xué)報（http://www.tcsae.org）2020年194圖2實地采樣點與考察線路Fig.2Fieldsamplingpointsandsurveylines2研究方法在數(shù)據(jù)預(yù)處理的基礎(chǔ)上，通過SNAP（SentinalApplicationPlatform）、ENVI5.3、ArcGIS10.2分別計算影像的光譜特征、紋理特征和地形特征作為分類特征。在實地考察數(shù)據(jù)的基礎(chǔ)上，通過目視解譯補充分類樣本，再通過SEaTH（SeparabilityandThresholds）算法對備選特征進行篩選，最后通過ENVI5.3中的隨機森林分類模塊對其進行分類，從分類結(jié)果中隨機選取若干點作為驗證點，構(gòu)建誤差矩陣，比較水稻各生長階段的分類結(jié)果差異。圖3技術(shù)流程圖Fig.3Technicalflowchart2.1分類特征計算方法基于水稻的植物與水屬性，選取了CIgreen、DVI、EVI、EVI2、mNDVI、MSR、NDVI、OSAVI、PVI、RVI、WDRVI共11個植被指數(shù)，LSWI、MNDWI、MSI、NDBI、WL2015、AWEI、NDWI共7個水體指數(shù)，并基于Sentinel-2數(shù)據(jù)特有的3個紅邊波段，選區(qū)CIred-edge、IRECI、MCARI、MCARI2、mNDVIre、MSRre、MTCI、NDre1、NDre2、NDVIre1、NDVIre2、NDVIre3、SRre共13個紅邊指數(shù)，分類特征如表3所示。此外，有研究表明，紋理特征與地形特征可適當(dāng)提高分類精度[12-13]。本研究利用ENVI5.3工具計算均值、方差、協(xié)同性、對比度、相異性、信息熵、二階矩和相關(guān)性8個紋理特征，利用ArvGIS10.2工具計算起伏度、山體陰影，利用ENVI5.3工具計算坡度、坡向、剖面曲率、水平曲率，將DEM高程數(shù)據(jù)作為海拔。與影像的12個原始?

【參考文獻】：
期刊論文
[1]基于Sentinel-2衛(wèi)星影像的面向?qū)ο蟪鞘兴w提取[J]. 蔣丹丹,原娟,武文娟,顧興武.  地理空間信息. 2019(05)
[2]Sentinel-2影像多特征優(yōu)選的黃河三角洲濕地信息提取[J]. 張磊,宮兆寧,王啟為,金點點,汪星.  遙感學(xué)報. 2019(02)
[3]Sentinel-2和Landsat8影像的四種常用水體指數(shù)地表水體提取對比[J]. 王大釗,王思夢,黃昌.  國土資源遙感. 2019(03)
[4]基于分形紋理特征的新疆羅布麻遙感分類[J]. 劉心云,鄭江華.  中山大學(xué)學(xué)報(自然科學(xué)版). 2019(01)
[5]機器學(xué)習(xí)法的干旱區(qū)典型農(nóng)作物分類[J]. 黃雙燕,楊遼,陳曦,姚遠(yuǎn).  光譜學(xué)與光譜分析. 2018(10)
[6]采用國產(chǎn)GF-2遙感影像的復(fù)雜水網(wǎng)平原水體信息提取[J]. 付勇勇,王旭航,鄧勁松,葉自然,周夢夢,尤淑撐,關(guān)濤.  浙江大學(xué)學(xué)報(工學(xué)版). 2017(12)
[7]基于紋理和地形輔助的山區(qū)土地利用信息提取研究[J]. 陳波,胡玉福,喻攀,郭壘,蔣雙龍,劉宇,王鈺婷.  地理與地理信息科學(xué). 2017(01)
[8]基于時差特征與隨機森林的水稻種植面積提取[J]. 雷小雨,卓莉,葉濤,陶海燕,王芳.  遙感技術(shù)與應(yīng)用. 2016(06)
[9]基于多時相Landsat數(shù)據(jù)融合的洞庭湖區(qū)水稻面積提取[J]. 張猛,曾永年.  農(nóng)業(yè)工程學(xué)報. 2015(13)
[10]隨機森林模型在分類與回歸分析中的應(yīng)用[J]. 李欣海.  應(yīng)用昆蟲學(xué)報. 2013(04)

博士論文
[1]基于GF-1/WFV和面向?qū)ο蟮霓r(nóng)作物種植結(jié)構(gòu)提取方法研究[D]. 宋茜.中國農(nóng)業(yè)科學(xué)院 2016

碩士論文
[1]基于TM影像面向?qū)ο蟮膹?fù)雜地形區(qū)水稻提取規(guī)則研究[D]. 江春梅.福建師范大學(xué) 2016



本文編號：3599608