|本期目录/Table of Contents|

[1]洪国军,周保平,李明哲,等.基于GEE的Landsat-8与Sentinel-2影像在棉花种植提取中差异性分析及提取方法对比研究[J].江苏农业科学,2024,52(4):223-230.
　Hong Guojun,et al.Assessment and comparison of three machine learning models in identifying cotton-planting areas using Sentinel-2 and Landsat-8 images based on Google Earth Engine[J].Jiangsu Agricultural Sciences,2024,52(4):223-230.
点击复制

基于GEE的Landsat-8与Sentinel-2影像在棉花种植提取中差异性分析及提取方法对比研究(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第52卷
期数:
2024年第4期
页码:
223-230
栏目:
农业工程与信息技术
出版日期:
2024-02-20

文章信息/Info

Title:
Assessment and comparison of three machine learning models in identifying cotton-planting areas using Sentinel-2 and Landsat-8 images based on Google Earth Engine
作者:
洪国军1; 2; 周保平1; 2; 李明哲1; 李森威1; 刘成成1; 张灵3; 付仙兵3; 李旭1; 2
1.塔里木大学信息工程学院，新疆阿拉尔 843300；　2.塔里木绿洲农业教育部重点实验室(塔里木大学)，新疆阿拉尔 843300；3.江西农业大学经济管理学院，江西南昌 330054
Author(s):
Hong Guojun; et al
关键词:
棉花分类; Sentinel-2; Landsat-8; 随机森林; 支持向量机; 最小距离分类; Google Earth Engine
Keywords:
-
分类号:
S127
DOI:
-
文献标志码:
A
摘要:
棉花作为南疆地区重要的经济作物之一，在经济工作中起着至关重要的作用。及时、准确地获取棉花种植面积，对农业政策和经济发展具有重要意义。为了实现这一目标，需要综合分析不同方法和遥感数据对最终棉花种植面积制图精度的影响。本研究以新疆阿克苏地区棉花种植区为例，借助Google Earth Engine云平台，采用随机森林法(RF)、支持向量机法(SVM)、最小距离分类法(MDC)等3种机器学习方法，利用2类中分辨率影像提取棉花种植信息，充分评估使用的档案数据和官方统计数字。结果表明，采用Sentinel-2方法和RF获得了最优棉花图，随机森林法分类器的总体精度、Kappa系数和用户精度分别高达97.4%、96.7%和91.1%，分别比Landsat-8图像和RF模型的结果高出7.3百分点、0.081、2.8百分点。与官方统计数据相比，采用RF、SVM、MDC对Sentinel-2和Landsat-8图像的棉花种植面积估算图的精度分别为98.4%、95.8%、79.6%和90.3%、83.7%、72.5%。很明显，Sentinel-2和RF模型的组合与官方数据的一致性最高。对比分析结果表明，Landsat-8和Sentinel-2数据可用于大范围复杂种植结构的棉花高精度测绘。本研究结果有望为棉花大面积鉴别提供一定的理论指导和实践指导。
Abstract:
-

参考文献/References:

［1］周洁. 新疆棉花生产中的环境成本研究［D］. 阿拉尔：塔里木大学，2014.
［2］刘传迹，金晓斌，徐伟义，等. 2000—2020年南疆地区棉花种植空间格局及其变化特征分析［J］. 农业工程学报，2021，37(16)：223-232.
［3］Drusch M，Del Bello U，Carlier S，et al. Sentinel-2：ESAs optical high-resolution mission for GMES operational services［J］. Remote Sensing of Environment，2012，120：25-36.
［4］邱万林，宗世祥 .基于多光谱卫星影像与机器学习算法的松材线虫病受害林分识别研究［J］. 环境昆虫学报，2023，45(2)：408-420.
［5］Wang M Y，Zheng Y，Huang C Q，et al. Assessing Landsat-8 and Sentinel-2 spectral-temporal features for mapping tree species of northern plantation forests in Heilongjiang Province，China［J］. Forest Ecosystems，2022，9：100032.
［6］韩涛，潘剑君，张培育，等. Sentinel-2A与Landsat-8影像在油菜识别中的差异性研究［J］. 遥感技术与应用，2018，33(5)：890-899.
［7］Korhonen L，Packalen P，Rautiainen M. Comparison of Sentinel-2 and Landsat 8 in the estimation of boreal forest canopy cover and leaf area index［J］. Remote Sensing of Environment，2017，195：259-274.
［8］黄家兴，吴静，李纯斌，等. 基于Sentinel-2和Landsat 8数据的天祝县草地地上生物量遥感反演［J］. 草地学报，2021，29(9)：2023-2030.
［9］桑国庆，唐志光，毛克彪，等. 基于GEE云平台与Sentinel数据的高分辨率水稻种植范围提取——以湖南省为例［J］. 作物学报，2022，48(9)：2409-2420.
［10］Gorelick N，Hancher M，Dixon M，et al. Google Earth Engine：planetary-scale geospatial analysis for everyone［J］. Remote Sensing of Environment，2017，202：18-27.
［11］Dong J W，Xiao X M，Menarguez M A，et al. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images，phenology-based algorithm and Google Earth Engine［J］. Remote Sensing of Environment，2016，185：142-154.
［12］Jin Z N，Azzari G，You C，et al. Smallholder maize area and yield mapping at national scales with Google Earth Engine［J］. Remote Sensing of Environment，2019，228：115-128.
［13］Wang P，Fan E，Wang P. Comparative analysis of image classification algorithms based on traditional machine learning and deep learning［J］. Pattern Recognition Letters，2021，141：61-67.
［14］Patil M B，Desai C G，Umrikar B N. Image classification tool for land use/land cover analysis：a comparative study of maximum likelihood and minimum distance method［J］. International Journal of Geology，Earth and Environmental Sciences，2012，2(3)：189-196.
［15］Breiman L. Random forests［J］. Machine Learning，2001，45(1)：5-32.
［16］Vapnik V，Chapelle O. Bounds on error expectation for support vector machines［J］. Neural Computation，2000，12(9)：2013-2036.
［17］Mountrakis G，Im J，Ogole C. Support vector machines in remote sensing：a review［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66(3)：247-259.
［18］路阳，杨化龙，陈宇，等. 基于TSDPSO-SVM的水稻稻瘟病图像识别［J］. 江苏农业科学，2022，50(23)：164-170.
［19］Chan J C W，Paelinckx D. Evaluation of random forest and adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imagery［J］. Remote Sensing of Environment，2008，112(6)：2999-3011.
［20］Zhang C K，Zhang H Y，Zhang L P. Spatial domain bridge transfer：an automated paddy rice mapping method with no training data required and decreased image inputs for the large cloudy area［J］. Computers and Electronics in Agriculture，2021，181：105978.
［21］Vapnik V N. The nature of statistical learning theory［M］. 2nd ed.New York：Springer，2000.
［22］新疆维吾尔族自治区统计局. 新疆统计年鉴2021［J］. 北京：中国统计出版社，2021.

相似文献/References:

[1]杨妮,邓树林,樊艳红,等.基于Sentinel-2影像的甘蔗种植区遥感提取方法——以广西崇左市为例[J].江苏农业科学,2024,52(1):172.
　Yang Ni,et al.Remote sensing extraction method of sugarcane planting area based on Sentinel-2 image—Taking Chongzuo City as an example[J].Jiangsu Agricultural Sciences,2024,52(4):172.

备注/Memo

备注/Memo:
收稿日期：2023-04-16
基金项目：国家自然科学基金(编号：61563046)；绿洲生态农业重点兵团实验室开放课题(编号：202002)。
作者简介：洪国军(1995—)，男，江西乐平人，硕士研究生，主要研究方向为农业信息化。E-mail：hgj950603@163.com。
通信作者：李旭，硕士，教授，主要研究方向为农业信息化。E-mail：lixu2866@126.com。
更新日期/Last Update: 2024-03-20