排序方式： 共有1条查询结果，搜索用时 0 毫秒
1
1.
耕地细碎化农业区冬小麦遥感制图方法 总被引：1，自引：1，他引：0
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7%和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。 相似文献
1