典型文献
耕地细碎化农业区冬小麦遥感制图方法
文献摘要：
从遥感影像中提取作物播种面积和空间分布对耕地可持续发展和粮食安全意义重大.目前的遥感小麦制图研究主要依靠光学图像和高复杂度的分类方法,且现有分类算法在小样本条件下、耕地细碎化农业区的分类性能以及时间迁移性能仍然不确定,探索适合小样本的低复杂度的稳定算法具有现实意义.该研究基于Google Earth Engine(GEE)遥感云平台,使用Sentinel-1 SAR和Sentinel-2光学时间序列遥感数据,评估了时间加权动态时间规整算法(Time-Weighted Dynamic Time Warping,TWDTW)、随机森林算法(Random Forest,RF)和基于相似性测度(Difference and Similarity Factor,DSF)的OTSU阈值法在小样本条件下、耕地细碎化农业区的冬小麦制图精度和时间迁移性能.研究结果表明,在有限样本条件下,TWDTW方法小麦制图精度最高,总体精度(Overall Accuracy,OA)和Kappa系数分别为0.923和0.843;其次是RF(OA=0.906,Kappa=0.809)和DSF算法(OA=0.887,Kappa=0.767);基于欧式距离的OTSU阈值法分类精度最低.当利用算法进行时间迁移分类提取2021年的冬小麦分布图时,TWDTW和DSF算法表现出更好的稳定性且分类精度优于RF算法,其中TWDTW算法的精度最高,OA和Kappa系数分别为0.889和0.755;RF算法分类精度下降明显,OA和Kappa系数分别降低了约0.07和0.19,说明RF算法的迁移分类性能较差.综合来看,TWDTW算法对样本和耕地细碎化的敏感性较低,可以在有限样本条件下实现耕地细碎化农业区的高精度连续冬小麦制图;而RF算法对样本和耕地细碎化的敏感性较高,在有限样本条件下的耕地细碎化农业区进行连续冬小麦制图时稳定性较差.
文献关键词：
遥感;作物;制图;冬小麦;耕地细碎化;Google Earth Engine
中图分类号：
作者姓名：
王丽美;靳国旺;熊新;武珂;黄启灏
作者机构：
信息工程大学地理空间信息学院,郑州 450001
文献出处：
引用格式：
[1]王丽美;靳国旺;熊新;武珂;黄启灏-.耕地细碎化农业区冬小麦遥感制图方法)[J].农业工程学报,2022(22):190-198
A类：
TWDTW
B类：
耕地细碎化,农业区,冬小麦,遥感制图,制图方法,遥感影像,播种面积,耕地可持续,光学图像,分类方法,分类算法,小样本,样本条件,分类性能,迁移性能,低复杂度,Google,Earth,Engine,GEE,Sentinel,SAR,遥感数据,时间加权,动态时间规整算法,Time,Weighted,Dynamic,Warping,随机森林算法,Random,Forest,RF,相似性测度,Difference,Similarity,Factor,DSF,OTSU,阈值法,制图精度,有限样本,总体精度,Overall,Accuracy,OA,Kappa,欧式距离,分类精度,分布图,算法分类
AB值：
0.288806
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。
