基于Google earth engine渭-库绿洲果园遥感提取

针对干旱区果园大面积遥感提取困难、识别精度低等问题,本研究基于GEE(Google earth engine)平台,综合应用Sentinel-1/Sentinel-2影像构建特征集。通过对比原始特征组合、Jeffries-Matusita(J-M)距离、属性重要度3种优化方式,结合随机森林(Random forest, RF)分类方法,对比得到最佳优化方式,探索果园最优分类特征集。结果表明：识别效果最好的方案为G17_JM,总体精度为91.25%,kappa系数为0.89,面积精度为82.55%。最优特征集为B8＿asm、B8＿ent、B8＿idm、NDVI_re3、B6、B7、a、e、b、EVI、B11、B8A、B8、VV。使用J-M距离进行特征集优化,有效降低数据量、提高计算效率,更有利于精确遥感识别果园种植面积。表明GEE快速、准确获取果园种植面积的可行性,为获取果园动态变化提供强有力的基础。     

基于多植被指数组合的棉花叶片叶绿素含量估算

叶绿素含量是表征植被生长状况的重要参考指标,利用高光谱技术快速,精确地监测棉花叶片叶绿素含量,以新疆125个苗期棉花叶片样本为研究对象,通过测定其叶绿素含量与光谱数据,采用多种光谱预处理和多植被指数相结合的方法,构建了WOA-RFR棉花叶片叶绿素含量定量反演模型,并与SVR和RFR模型结果进行对比分析。结果表明：(1)光谱变换方法中对数变换、分数阶微分和连续小波变换均能有效地提高植被指数与叶绿素含量的相关性。(2)基于分数阶微分0.9阶变换的Vogelmann3、RVI、DVI、SR_[675-700]、Mndvi₇₀₅、ND、VOG1、NVI、TVI和VOG2植被指数组合的WOA-RFR模型反演效果最佳,其建模集和验证集模型R²分别为0.920和0.955,RMSE分别为0.987和0.986,MRE分别为0.013和0.014,与RFR和SVR模型相比,预测精度有所提高,WOA算法优化模型效果明显。研究结果可为棉花叶片叶绿素含量定量反演提供决策依据。