登录    注册    忘记密码

期刊文章详细信息

结合Sentinel-2影像和特征优选模型提取大豆种植区  ( EI收录)  

Extraction of soybean planting areas combining Sentinel-2 images and optimized feature model

  

文献类型:期刊文章

作  者:张东彦[1] 杨玉莹[1] 黄林生[1] 杨琦[1] 梁栋[1] 佘宝[1,2] 洪琪[1] 姜飞[3]

Zhang Dongyan;Yang Yuying;Huang Linsheng;Yang Qi;Liang Dong;She Bao;Hong Qi;Jiang Fei(National Engineering Research Center for Agro-Ecological Big Data Analysis&Application,Anhui University,Hefei 230601,China;School of Geomatics,Anhui University of Science&Technology,Huainan 232001,China;School of Information Engineering,Suzhou University,Suzhou 234000,China)

机构地区:[1]安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心,合肥230601 [2]安徽理工大学空间信息与测绘工程学院,淮南232001 [3]宿州学院信息工程学院,宿州234000

出  处:《农业工程学报》

基  金:国家重点研发计划(2019YFE0115200);农业生态大数据分析与应用技术国家地方联合工程研究中心开放课题(AE2018011);安徽省高校优秀青年人才支持计划项目(gxyq2020001);安徽省教育厅基金(KJ2019A0120)。

年  份:2021

卷  号:37

期  号:9

起止页码:110-119

语  种:中文

收录情况:AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘  要:准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(Random Forest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine,SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%~91.91%,Kappa系数在0.72~0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。

关 键 词:机器学习  模型  大豆 Sentinel-2  种植区提取  特征优选  

分 类 号:S24]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心