首页|联合GEE与多源遥感数据的土地利用分类研究

联合GEE与多源遥感数据的土地利用分类研究

扫码查看
原文链接
  • 万方数据
  • 维普
基于随机森林算法(Random Forest,RF)和Google Earth Engine(GEE)云平台,探索时间序列的Sentinel-1 合成孔径雷达(Synthetic Aperture Radar,SAR)数据后向散射系数对大范围土地分类的效果,并融合Sentinel-1、Sentinel-2 主被动遥感数据,探究利用JM距离寻找最优特征的可行性,对比分析了融合数据后向散射系数、光谱特征、植被指数特征与纹理特征等不同组合对土地分类精度的改善情况.结果表明:在地形复杂和雨量丰富的江西赣州地区,单使用时序SAR数据对土地利用分类的总体精度达到 85.02%,Kappa系数为 0.79.融合主被动Sentinel数据的分类精度最高,总体精度达到 94.96%,Kappa系数为 0.93.但SAR数据相对光学数据和主被动融合数据,在光学数据云雾覆盖区域可进行土地分类研究.本研究采用的方法和平台,能准确、高效地进行土地利用分类工作,具有很好的推广价值.

黄仲

展开 >

江西省赣西土木工程勘测设计院,江西 宜春 336000

Google Earth Engine 多时相融合 JM距离 随机森林 土地利用分类

2024

资源导刊
河南省国土资源厅

资源导刊

影响因子：0.02
ISSN：1674-053X
年,卷(期)：2024.(2)
  • 6