基于Sentinel-2多时相影像的果树种植区遥感提取

文献类型： 中文期刊

第一作者： 周欣兴

作者： 周欣兴;赵林;张文杰;谭昌伟;李刚波;石梦云;张婷;杨峰

作者机构：

关键词： 果树种植区;遥感;决策树;机器学习

期刊名称： 浙江农业学报

ISSN： 1004-1524

年卷期： 2022 年 012 期

页码： 2767-2777

收录情况： 北大核心 ; CSCD

摘要： 为提取果树的空间分布信息，以果树生长期内不同月份的Sentinel-2多光谱遥感影像为数据源，以大沙河流域果树为研究对象，通过分析不同月份的光谱信息得出最佳监测时期，并在此基础上，选择不同时期的5种植被指数[归一化植被指数（NDVI）、比值植被指数（RVI）、增强型植被指数（EVI）、结构密集型色素指数（SIPI）和归一化水指数（NDWI）],结合机器学习技术构建决策树提取模型。结果发现，3、4、7、8月份的影像适于果树面积提取。通过Feature＿importances＿属性筛选出贡献度高的不同时期的植被指数作为输入特征，结合超参数学习曲线和网格搜索技术确定决策树模型的Max＿depth和Min＿samples＿leaf参数分别为5和10时模型的效果最佳。参数调整后绘制决策树模型，模型在训练集和测试集上的精度分别达到了0.919 4和0.875 1。提取结果表明，研究区内的果树主要种植在大沙河两岸，东部与西北部的果树种植地块较为零碎，总的果树种植面积为6 838 hm~2。在验证样本的基础上，通过混淆矩阵计算提取结果的精度，结果显示，Kappa系数为0.87,果树种植区提取的用户精度和制图精度分别为92.91%和90.77%。结果说明，本文所提出的方法适用于大区域果树的遥感提取，可为基于中高分辨率遥感影像的果树种植区监测提供有效的技术手段。

分类号： S66%S127

  • 相关文献

[1]基于多时相GF-1遥感影像的作物分类提取. 贺鹏,徐新刚,张宝雷,李振海,金秀良,张秋阳,张勇峰. 2016

[2]基于时间序列环境卫星影像的作物分类识别. 李鑫川,徐新刚,王纪华,武洪峰,金秀良,李存军,鲍艳松. 2013

[3]基于多时相影像植被指数变化特征的作物遥感分类. 魏鹏飞,徐新刚,杨贵军,李中元,王建雯,陈帼. 2019

[4]基于决策树和面向对象的作物分布信息遥感提取. 周静平,李存军,史磊刚,史姝,胡海棠,淮贺举. 2016

[5]地块数据支持下的玉米种植面积遥感测量方法. 马丽,顾晓鹤,徐新刚,黄文江,贾建华. 2009

[6]利用多时相TM影像进行作物分类方法. 马丽,徐新刚,贾建华,黄文江,刘良云,程一沛. 2008

[7]基于GF-1卫星遥感的冬小麦面积早期识别. 王利民,刘佳,杨福刚,富长虹,滕飞,高建孟. 2015

[8]基于决策树和多时相遥感数据的苜蓿分类研究. 秦景逸,郑逢令,阿斯娅·曼力克,艾尼玩·艾买尔. 2018

[9]基于HJ时间序列数据的农作物种植面积估算. 刘佳,王利民,杨福刚,杨玲波,王小龙. 2015

[10]基于多源遥感数据和机器学习算法的冬小麦产量预测研究. 甘甜,李雷,李红叶,宋成阳,谢永盾,陶志强,肖永贵,孟亚雄. 2022

[11]基于无人机高光谱遥感与机器学习的小麦品系产量估测研究. 齐浩,吕亮杰,孙海芳,李偲,李甜甜,侯亮. 2024

[12]无人机遥感监测果树氮素含量研究进展. 陈鲁威,曾锦,袁全春,潘健,姚凤腾,吕晓兰. 2024

[13]Landsat8和机器学习估算蒙古高原草地地上生物量. 赵越,徐大伟,范凯凯,李淑贞,沈贝贝,邵长亮,王旭,辛晓平. 2022

[14]基于Sentinel数据和机器学习算法的苜蓿遥感识别研究. 潘竞,赵浩楠,田聪,阿斯娅·曼力克,贠静,艾尼玩·艾买尔,孙宗玖,郑逢令. 2024

[15]无人机遥感技术在竹林碳储量监测中的应用与展望. 王凡,陈龙跃,高佳华,张祖铭,孙鹤,段丹丹. 2024

[16]基于遥感数据的作物涝灾识别技术研究. 谢恩泽,罗玉柱,周悦,彭秀媛. 2024

[17]组合SVM和决策树精确建立CCP点. 李杨,赵春江,杨信廷. 2010

[18]决策树在人力资源管理中的应用研究. 孙华,李义杰,李清江. 2007

[19]基于高分1号影像的森林植被信息提取. 陶欢,李存军,周静平,董熙,王艾萌,吕红鹏. 2018

[20]决策树在精准农业中的应用现状与发展趋势. 史众,陈立平,陈天恩. 2011

作者其他论文 更多>>

微信小程序