典型文献
基于GEE平台和自动统计分配算法的大范围冬小麦提取
文献摘要：
为提高大范围作物遥感制图精度,利用Google Earth Engine(GEE)平台对Sentinel-2数据进行预处理,合成整个河北省2019年归一化植被指数(NDVI)、增强型植被指数(EVI)和二波段增强型植被指数(EVI2)的最大值影像;结合地理国情数据,输入自动统计分配算法以挑选出最优的植被指数;利用最优影像提取2016—2019年30 m分辨率的河北省冬小麦信息.结果表明,与验证样本相比,NDVI、EVI和EVI2的小麦分布用户精度均大于94％,制图精度均大于91％,总体精度均大于98％,Kappa系数均大于0.96,其中EVI的精度最高;与统计数据相比,所有小麦种植县2016—2019年的平均精度均大于97％.该自动统计分配算法无需依赖训练样本,能快速在其他年份复制使用,提高大范围作物分布制图效率,且获得的小麦信息与统计数据有良好的一致性,可为大范围小麦分布快速制图提供一定的技术方法参考和思路借鉴.
文献关键词：
冬小麦;Google Earth Engine(GEE)平台;自动统计分配算法;Sentinel数据;遥感制图
中图分类号：
作者姓名：
赵亮;刘莉;司丽丽;赵铁松;黄敬峰
作者机构：
河北省气象灾害防御和环境气象中心/河北省气象与生态环境重点实验室,石家庄 050021;浙江大学农业遥感与信息技术应用研究所,杭州 310058
文献出处：
引用格式：
[1]赵亮;刘莉;司丽丽;赵铁松;黄敬峰-.基于GEE平台和自动统计分配算法的大范围冬小麦提取)[J].湖北农业科学,2022(19):132-140
A类：
自动统计分配算法
B类：
GEE,冬小麦,遥感制图,制图精度,Google,Earth,Engine,Sentinel,归一化植被指数,NDVI,增强型植被指数,波段,EVI2,地理国情数据,挑选出,影像提取,总体精度,Kappa,小麦种植,训练样本,布制,快速制图
AB值：
0.241788
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。
