基于GEE的山东省近30年农业大棚时空动态变化研究

针对精确获取大尺度空间范围内农业大棚的分布情况并进行长时间的序列动态监测存在数据量大、计算效率低、精度不高等问题,利用Google Earth Engine(GEE)云平台能够实现快速存取、实时处理海量卫星数据,基于多时相Landsat影像进行农业大棚时序光谱特征和纹理特征的自动提取,采用随机森林算法实现山东省农业大棚的遥感分类,从而生成了山东省近30年农业大棚的空间分布和时空动态变化图。结果表明,本文分类流程具有较高的分类精度,其平均总体精度达到91.63%,Kappa系数均值为0.8642。经分析,山东省农业大棚从1990年的6.67 km^2增加到2018年的9919.40 km^2,增长速度为354.03 km^2/a。     

基于多核主动学习和多源数据融合的农田塑料覆被分类

通过引入多源多时相卫星遥感数据,提出了一种基于多核主动学习的农田塑料覆被分类算法,实现农业塑料大棚和地膜的精准分类。首先基于多时相Sentinel-1雷达和Sentinel-2光学遥感影像,提取其光谱特征、纹理特征等,以构建多维特征空间。然后构建多核学习模型,实现多源、多时相特征的自适应融合。最后构建基于池的主动学习策略,通过引入训练样本的淘汰机制,进一步提升分类模型的泛化能力。试验结果表明,本文所提分类方法的总体精度为95.6%,Kappa系数为0.922,相较经典支持向量机、随机森林、K近邻、决策树、AdaBoost模型,多核学习模型精度提高5.7、12.1、11.4、22.3、10.3个百分点;且在相同分类精度下,主动学习较被动学习可减少一半以上的标签数据;同时相较仅使用单时相及单传感器遥感影像而言,精度分别提高3.7、12.7个百分点。结果表明,多核主动学习能够有效进行多传感器、多时相数据融合,并可以在小样本条件下取得更高的分类精度,从而为农田塑料覆被的遥感监测提供模型参考。