Sentinel-2光学影像特征在东北地区水稻株高反演中的应用潜力研究

水稻株高是反映水稻长势的一个重要指标。当前的株高遥感反演方法受数据的成本和更新频率的制约,无法满足大范围、多频次的农作物株高业务化监测需求,仍需充分挖掘高时空分辨率光学卫星数据的潜力。选择东北地区水稻为研究对象,采用2022年和2023年的株高实测数据,以Sentinel-2为数据源构建光学影像基础特征集。在此基础上,首先利用统计分析初步探究各特征对株高的敏感性,然后利用随机森林算法和极限梯度提升算法构建多个不同特征组合的回归模型,同时结合特征递归消除和重要性排序方法,分别对单特征、不同类别特征的重要性进行分析,并总体评估Sentinel-2影像特征的应用潜力。最终,全特征优选后的随机森林模型达到最高估算精度,R^(2)=0.857,RMSE=8.395cm。对比分析发现,单个特征中,植被水分指数以及蓝光波段表现出了极高的重要性,红边特征、红光波段、绿光波段以及纹理均值也均被选入最优特征集,具有一定的株高监测能力;不同类别的光学特征中,植被指数特征比反射率特征更重要,纹理特征单独应用时难以达到较高的估算精度,但能够作为补充信息,与另外两类特征组合提高估算精度。与前人研究相比,Sentinel-2数据株高估算精度相当,但能实现快速、多期、大范围的株高估算,具有良好的业务化应用潜力。

不同样本集划分策略对农作物遥感分类精度的影响

农作物分布的提取精度对于后续的农田参数反演和作物单产估算等均具有深刻的影响,而农作物分类识别过程中,训练样本的准确性和数量对其最终分类结果的影响是至关重要的。针对样本较少且分布不均匀的问题,通过实地标识和目视解译2种方式构建农作物分类样本数据集,设计5种样本数据集构建方案:方案(1)全部采用实测样点(70%训练、30%验证);方案(2)全部采用目视解译样点(70%训练、30%验证);方案(3)实测样点与目视样点分别选取相同比例的训练样本与验证样本,再结合构建训练样本集与验证样本集(70%训练、30%验证);方案(4)目视解译样点作为训练样本,实测样点作为验证样本;方案(5)目视样点与实测样点选取相同数量的样本进行结合构建样本集(70%训练、30%验证)。研究不同方案下的农作物遥感分类精度。结果表明,除方案(4)外,(1)(2)(3)(5)4种样本数据集划分方案的整体精度均在95%以上,分类结果较好,表明采用目视解译补充样本点,可以有效解决样本点较少和分布不均匀的情况。方案(3)作为研究区作物识别提取的最佳分类方案,总体精度达到97.6%,Kappa系数达到0.970,且玉米、水稻、大豆单类精度均超过97%,表明目视解译样点与实测样点分别选取训练样本与验证样本再结合构建训练样本集与验证样本集,不仅可以提升分类结果的精度,而且可以提高分类结果的真实性、准确性。