典型文献
基于Google Earth Engine多源数据的耕地提取研究
文献摘要：
[目的]为了更好地进行耕地监测和保护,实现对耕地高效、准确的识别,针对目前利用光学数据进行耕地提取以及单机遥感图像处理的不足,基于Google Earth Engine(GEE)平台,引入雷达数据结合光学数据用于耕地提取.[方法]利用GEE平台获取研究区的sentinel-1和sentinel-2影像进行预处理,提取sentienel-1的VV、VH通道信息和sentinel-2的NDVI、NDWI、NDBI,同时使用灰度共生矩阵(GLCM)提取研究区的纹理信息,然后使用最小距离、支持向量机及随机森林3种机器学习算法对研究区进行耕地识别提取,最后通过开运算的形态学处理对耕地提取的结果进行图像后处理.[结果]以广东省广州市为例,与仅用光学数据相比,雷达数据的引入提高了耕地提取的精度,基于最小距离、支持向量机及随机森林3种算法的耕地提取总体精度分别提高0.05、0.09和0.10,其中随机森林算法提取效果最佳,总体精度达到0.85.形态学处理去除了耕地提取中提取错误的细小图斑,进一步提高了耕地提取的精度,总体精度达到0.91,Kappa为0.83.[结论]本研究基于GEE平台,引入了雷达数据并对耕地提取结果进行形态学处理,显著提高了提取精度,为大范围耕地提取提供了有效手段.
文献关键词：
多源数据;GoogleEarthEngine;形态学处理;耕地提取;广州市
中图分类号：
作者姓名：
林陈捷;刘振华;胡月明;彭一平
作者机构：
华南农业大学资源环境学院,广州 510642;广东省土地信息工程技术研究中心,广州 510642;广东省土地利用与整治重点实验室,广州 510642;自然资源部建设用地再开发重点实验室,广州 510642;广州市华南自然资源科学技术研究院,广州 510642
文献出处：
引用格式：
[1]林陈捷;刘振华;胡月明;彭一平-.基于Google Earth Engine多源数据的耕地提取研究)[J].西南农业学报,2022(10):2372-2378
A类：
sentienel,GoogleEarthEngine
B类：
多源数据,耕地提取,耕地监测,利用光,单机,遥感图像处理,GEE,雷达数据,数据结,sentinel,VV,VH,NDVI,NDWI,NDBI,灰度共生矩阵,GLCM,纹理信息,最小距离,机器学习算法,识别提取,开运算,形态学处理,图像后处理,广东省广州市,总体精度,随机森林算法,提取效果,理去,细小,图斑,Kappa
AB值：
0.287542
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
