基于多时相Sentinel-2A的县域农作物分类 |
| |
引用本文: | 吴静,吕玉娜,李纯斌,李全红. 基于多时相Sentinel-2A的县域农作物分类[J]. 农业机械学报, 2019, 50(9): 194-200 |
| |
作者姓名: | 吴静 吕玉娜 李纯斌 李全红 |
| |
作者单位: | 甘肃农业大学,甘肃农业大学,甘肃农业大学,甘肃农业大学 |
| |
基金项目: | 甘肃农业大学科技创新基金-学科建设基金项目(GAU-XKJS-2018-208)和国家自然科学基金项目(31760693) |
| |
摘 要: | 利用遥感技术精准地获取区域农作物种植结构数据,对指导农业生产、制定农业政策具有重要意义。以景泰县为研究区,以多时相Sentinel-2A遥感影像为数据源,计算时序归一化植被指数(Normalized difference vegetation index,NDVI)和红边归一化植被指数(Red edge normalized vegetation index,RENDVI)及其组合特征(NDVI+RENDVI、NDVI-RENDVI和NDVIRENDVI),分析作物特征曲线,并采用随机森林法分别以5种特征参数作为分类特征对研究区农作物进行精细分类。结果表明:根据形态特征,研究区农作物特征值曲线可划分为3种类型:高值型(玉米、水稻、胡麻和马铃薯)、低值型(洋葱、大棚作物和砂田瓜果)和开口型(春小麦、春小麦-秋油葵)。高值型和低值型可在7、8月影像中区分,开口型和前两种类型在5月和9月影像上的特征值有明显差异。3种类型内的作物可以通过不同时相影像区分,高值型的4种作物在9月影像上通过成熟期差异可以区分;低值型的3种作物的特征值差异在全年影像上都可以明显体现;开口型的两种作物利用9月影像可以明显区分。利用NDVI、RENDVI、NDVI+RENDVI、NDVI-RENDVI和NDVIRENDVI 5种特征分类的总体精度分别为82. 14%、78. 16%、81. 17%、75. 64%和86. 20%,Kappa系数分别为0. 78、0. 74、0. 77、0. 71和0. 83,总体精度和Kappa系数由大到小依次为NDVIRENDVI、NDVI、NDVI+RENDVI、RENDVI、NDVI-RENDVI,说明RENDVI辅助NDVI可以有效提高分类精度(精度较仅用NDVI提高4. 06个百分点)。选择合适的时期和分类特征,利用Sentinel-2A特有的红边波段数据及其较高的空间分辨率在县域农作物精细分类上具有较好的精度。
|
关 键 词: | 农作物分类 Sentinel-2A 随机森林法 景泰县 |
收稿时间: | 2019-06-03 |
Fine Classification of County Crops Based on Multi-temporal Images of Sentinel-2A |
| |
Affiliation: | Gansu Agricultural University,Gansu Agricultural University,Gansu Agricultural University and Gansu Agricultural University |
| |
Abstract: | |
| |
Keywords: | crops fine classification Sentinel-2A random forests Jingtai County |
本文献已被 CNKI 等数据库收录! |
| 点击此处可从《农业机械学报》浏览原始摘要信息 |
|
点击此处可从《农业机械学报》下载免费的PDF全文 |
|