基于高分遥感时序多特征差异的粤北地区水田提取

【目的】耕地信息的提取和变化监测是遥感应用研究的热点之一,粤北地区是广东省主要的粮食基地,是业务管理部门进行耕地变化监测的重点地区。【方法】本文利用高分2号和哨兵2号遥感影像,结合研究区晚稻的物候期,通过提取植被指数、湿度指数、亮度指数、色彩指数并结合纹理特征进行多尺度分割,构建水田提取的多特征时序图像,运用随机森林法分别对晚稻生长期影像、晚稻收割后影像、时序指数差值图像和时序多特征差异图像进行分类,提取水田的面积,并对结果进行评估。【结果】(1)水田的提取精度在时序多特征差异图像的最高为0.98,与晚稻播种的面积差异最小为240.05 hm^(2),基于时序多特征差异图像的水田提取效果最好;(2)指数特征的差异需要利用作物的关键物候特征,并结合影像的多尺度分割,提高水田提取的准确程度;(3)随机森林方法在高维特征的数据分类时,具有较快的运算速度和较高的分类精度。【结论】本文的研究是对高分辨遥感在耕地信息快速准确更新的方法探索,可为耕地管理业务提供技术支撑。

基于光学遥感数据的水田信息提取研究

由于水田种植面积及其空间分布信息对国家粮食安全政策和未来经济发展方面具有重要作用。因此,为了快速获取所需地区的水田信息状况同时进一步提高基于遥感影像的水田信息提取的工作效率,通过GEE(Google Earth Engine)平台,以Sentinel-2光学遥感影像为实验数据,首先对实验数据进行一系列的预处理工作,然后利用最小距离、最大似然、支持向量机以及随机森林等分类方法对研究区内预处理完的水田信息进行提取,并对这些方法进行比较分析。实验结果证明:在GEE平台基于混淆矩阵精度评价中随机森林分类法的总体分类精度最高,为96.12%,Kappa系数为0.9511;其次是最大似然法 ,最小距离分类法以及支持向量机的精度较低。所以在基于光学遥感数据水田信息提取研究上,应选取随机森林法较好。