由于热带地区的雨季时间较长,云覆盖严重,基于光学影像难以准确提取区域内的水稻种植模式。该文以泰国湄南河流域中部平原水稻种植区为例,基于Sentinel-1SAR时间序列数据,提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻...由于热带地区的雨季时间较长,云覆盖严重,基于光学影像难以准确提取区域内的水稻种植模式。该文以泰国湄南河流域中部平原水稻种植区为例,基于Sentinel-1SAR时间序列数据,提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻种植结构提取方法。首先利用年内所有可获取的Sentinel-1SAR数据,分别基于像元和基于对象构建后向散射系数时间序列曲线,提取时序特征参数;利用动态时间规整(Dynamic Time Warping,DTW)算法,计算后向散射系数时序曲线与地物标准曲线间的隶属度;将时序特征参数、时序曲线隶属度相结合,利用随机森林模型进行机器学习监督分类,提取研究区的水稻种植信息并评价分类精度。结果表明,基于Sentinel-1SAR时序特征融合的算法可以较好地提高水稻种植结构分类精度。其中,基于对象的分类算法的单季稻提取用户精度为81.46%,生产者精度为82.00%;双季稻用户精度为88.0%,生产者精度为84.08%,均优于基于像元的分类算法。研究结果可为多云多雨的热带地区水稻种植信息提取提供一种新的思路。展开更多
Sentinel-1A作为开源的集微波和光学数据一体的卫星数据源,给森林资源调查和监测提供了重要的数据源。为了探索Sentinel-1A数据在森林资源调查中的可用性,以Sentinel-1A为遥感数据源,结合地面样地森林蓄积量调查数据,采用随机森林法和...Sentinel-1A作为开源的集微波和光学数据一体的卫星数据源,给森林资源调查和监测提供了重要的数据源。为了探索Sentinel-1A数据在森林资源调查中的可用性,以Sentinel-1A为遥感数据源,结合地面样地森林蓄积量调查数据,采用随机森林法和偏最小二乘法两种模型对云南省普洱市思茅区的森林蓄积量进行预测以及遥感反演。通过对遥感影像进行一系列预处理,提取微波遥感数据VV和VH极化下的后向散射系数,并分别计算5个窗口(3m×3m、5m×5m、7m×7m、9m×9m、11m×11m)下的8种纹理特征,共计83个特征作为备选自变量,其中31个特征与蓄积量通过相关性检验,结合219块地面调查样地,采用随机森林法和偏最小二乘法两种算法,进行建模因子重要性分析,选择10个最优特征,建立随机森林蓄积量估测模型并进行定量反演。随机森林法回归模型在结果上优于偏最小二乘法回归模型,随机森林法的模型预测R 2为0.80,RMSE为30.14 m 3/hm 2;偏最小二乘法的模型预测R 2为0.70,RMSE为36.68 m 3/hm 2。随机森林法相较于偏最小二乘法在森林蓄积量预估及反演方面具有明显的适用性,有利于该模型在森林蓄积量定量估算和反演中的推广。展开更多
文摘由于热带地区的雨季时间较长,云覆盖严重,基于光学影像难以准确提取区域内的水稻种植模式。该文以泰国湄南河流域中部平原水稻种植区为例,基于Sentinel-1SAR时间序列数据,提出一种融合时序统计参数与时序曲线相似性特征的热带地区水稻种植结构提取方法。首先利用年内所有可获取的Sentinel-1SAR数据,分别基于像元和基于对象构建后向散射系数时间序列曲线,提取时序特征参数;利用动态时间规整(Dynamic Time Warping,DTW)算法,计算后向散射系数时序曲线与地物标准曲线间的隶属度;将时序特征参数、时序曲线隶属度相结合,利用随机森林模型进行机器学习监督分类,提取研究区的水稻种植信息并评价分类精度。结果表明,基于Sentinel-1SAR时序特征融合的算法可以较好地提高水稻种植结构分类精度。其中,基于对象的分类算法的单季稻提取用户精度为81.46%,生产者精度为82.00%;双季稻用户精度为88.0%,生产者精度为84.08%,均优于基于像元的分类算法。研究结果可为多云多雨的热带地区水稻种植信息提取提供一种新的思路。
文摘Sentinel-1A作为开源的集微波和光学数据一体的卫星数据源,给森林资源调查和监测提供了重要的数据源。为了探索Sentinel-1A数据在森林资源调查中的可用性,以Sentinel-1A为遥感数据源,结合地面样地森林蓄积量调查数据,采用随机森林法和偏最小二乘法两种模型对云南省普洱市思茅区的森林蓄积量进行预测以及遥感反演。通过对遥感影像进行一系列预处理,提取微波遥感数据VV和VH极化下的后向散射系数,并分别计算5个窗口(3m×3m、5m×5m、7m×7m、9m×9m、11m×11m)下的8种纹理特征,共计83个特征作为备选自变量,其中31个特征与蓄积量通过相关性检验,结合219块地面调查样地,采用随机森林法和偏最小二乘法两种算法,进行建模因子重要性分析,选择10个最优特征,建立随机森林蓄积量估测模型并进行定量反演。随机森林法回归模型在结果上优于偏最小二乘法回归模型,随机森林法的模型预测R 2为0.80,RMSE为30.14 m 3/hm 2;偏最小二乘法的模型预测R 2为0.70,RMSE为36.68 m 3/hm 2。随机森林法相较于偏最小二乘法在森林蓄积量预估及反演方面具有明显的适用性,有利于该模型在森林蓄积量定量估算和反演中的推广。