首页|基于GEE和机器学习的河套灌区复杂种植结构识别

基于GEE和机器学习的河套灌区复杂种植结构识别

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
河套灌区作为中国重要的商品粮油生产基地,准确快速地获取主要作物空间分布对灌区的农业可持续发展具有重要意义.然而,河套灌区土壤盐渍化严重,作物分布破碎散乱,生育期前后紧邻的作物在遥感影像中难以区分.因此,基于Google Earth Engine(GEE)云计算平台,采用Sentinel-2遥感数据提取作物种植结构,通过引入GlobeLand30地物分类数据集、红边植被特征和作物纹理特征,利用随机森林、支持向量机、朴素贝叶斯和分类回归树4种分类器,探讨了不同分类特征及分类器组合对分类精度的影响.结果表明,使用全部特征波段时,随机森林的分类效果优于另外3种分类算法,灌区平均总体精度达到81％,Kappa系数达到0.68;在作物空间分布提取中,光谱特征对分类精度起决定性作用,基于红边波段计算得到的植被指数比其他常用遥感植被指数更有优势;进行波段优选后的光谱、植被和纹理特征方案是平均分类精度最高的组合,平均精度为86％.研究结果可为复杂种植结构地区准确快速获取农作物空间分布信息提供新的思路和可靠的参考方法.
Extraction of complex crop structure in the Hetao Irrigation District of Inner Mongolia using GEE and machine learning

牛乾坤、刘浏、黄冠华、程湫雅、程泳铭

展开 >

中国农业大学水利与土木工程学院,北京 100083

中国农业大学中国农业水问题研究中心,北京 100083

中国-以色列国际农业研究培训中心,北京 100083

遥感 机器学习 GEE云平台 作物识别 特征优选 河套灌区

国家自然科学基金国家重点研发计划重点专项

520791382018YFC1508702

2022

10.11975/j.issn.1002-6819.2022.06.019

农业工程学报
中国农业工程学会

农业工程学报

CSTPCDCSCD北大核心
影响因子：2.529
ISSN：1002-6819
年,卷(期)：2022.38(6)
  • 13
  • 27