|本期目录/Table of Contents|

[1]白淑英,傅志强,谢涛,等.基于机器学习和哨兵2号遥感影像的棉花种植空间分布信息提取[J].江苏农业科学,2024,52(20):92-104.
 Bai Shuying,et al.Extraction of cotton planting spatial distribution information based on machine learning and Sentinel-2 remote sensing imagery[J].Jiangsu Agricultural Sciences,2024,52(20):92-104.
点击复制

基于机器学习和哨兵2号遥感影像的棉花种植空间分布信息提取(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20期
页码:
92-104
栏目:
作物遥感监测
出版日期:
2024-10-20

文章信息/Info

Title:
Extraction of cotton planting spatial distribution information based on machine learning and Sentinel-2 remote sensing imagery
作者:
白淑英123 傅志强1 谢涛1 张雪红1
1.南京信息工程大学遥感与测绘工程学院,江苏南京 210044; 2.自然资源部遥感导航一体化应用工程技术创新中心,江苏南京 210044;3.江苏省协同精密导航定位与智能应用工程研究中心,江苏南京 210044
Author(s):
Bai Shuyinget al
关键词:
棉花提取哨兵2号机器学习特征优选遥感GBDT
Keywords:
-
分类号:
S127;TP79
DOI:
-
文献标志码:
A
摘要:
为快速、准确、高效地获取棉花种植空间分布信息,提高棉花信息提取精度,基于机器学习的遥感图像识别方法,是有效解决问题的途径。以新疆维吾尔自治区乌苏市为研究区,利用哨兵2号遥感数据,选取6种常用植被指数、3种红边植被指数,基于遥感植被指数变化曲线进行棉花特征时段选择,并分别采用梯度提升决策树、随机森林、支持向量机算法,通过RF特征优选,进行棉花种植区空间分布信息提取,并对提取结果精度验证。结果表明,机器学习方法(GBDT、RF、SVM)的总体分类精度分别为0.92、0.91、0.88,Kappa系数分别为0.91、0.89、0.85;经RF特征优选后的机器学习算法(RF-GBDT、RF-RF、RF-SVM)的总体分类精度分别为0.94、0.94、0.91,Kappa系数分别为093、0.92、0.88;经RF特征优选后的3种机器学习算法(RF-GBDT、RF-RF、RF-SVM)的总体精度分别比RF特征优选前(GBDT、RF、SVM)的总体精度分别提高了0.02、0.03、0.03,Kappa系数分别提高了0.02、0.03、0.03。GBDT作为一种集成的机器学习算法,在地物分类与棉花提取方面有着较好的应用效果,且经过特征优选的RF-GBDT算法精度更高。这表明在进行机器学习分类前,通过算法对输入特征进行重要性筛选,可有效避免因特征冗余造成的分类精度下降,可实现更高精度的棉花种植区域提取。
Abstract:
-

参考文献/References:

[1]吕绍伦,赵阳,陈万基,等. 基于遥感云计算的阿拉尔市棉花种植面积提取[J]. 棉花科学,2022,44(4):19-25.
[2]魏瑞琪,李林峰,仙巍,等. 利用TIMESAT软件和时间序列卫星影像提取新疆石河子棉花种植区域[J]. 湖北农业科学,2018,57(4):105-112.
[3]王文静,张霞,赵银娣,等. 综合多特征的Landsat 8时序遥感图像棉花分类方法[J]. 遥感学报,2017,21(1):115-124.
[4]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.
[5]Ren B Y,Zhou H Z,Shen H,et al. Research on cotton information extraction based on Sentinel-2 time series analysis[C]//2019 8th International Conference on Agro-Geoinformatics (Agro-Geoinformatics).Turkey:IEEE,2019:1-6.
[6]Wang N,Zhai Y G,Zhang L F.Automatic cotton mapping using time series of Sentinel-2 images[J]. Remote Sensing,2021,13(7):1355.
[7]He L M,Mostovoy G. Cotton yield estimate using Sentinel-2 data and an ecosystem model over the southern US[J]. Remote Sensing,2019,11(17):2000.
[8]Li M,Zhao G X,Qin Y W. Extraction and monitoring of cotton area and growth information using remote sensing at small scale:a case study in dingzhuang town of Guangrao County,China[C]//2011 International Conference on Computer Distributed Control and Intelligent Environmental Monitoring.Changsha:IEEE,2011:816-823.
[9]田野,张清,李希灿,等. 基于多时相影像的棉花种植信息提取方法研究[J]. 干旱区研究,2017,34(2):423-430.
[10]荀兰. 基于Sentinel-1/2卫星影像的棉花种植区识别方法研究[D]. 北京:中国科学院大学(中国科学院空天信息创新研究院),2022.
[11]Fei H,Fan Z H,Wang C K,et al. Cotton classification method at the county scale based on multi-features and random forest feature selection algorithm and classifier[J]. Remote Sensing,2022,14(4):829.
[12]王汇涵,张泽,康孝岩,等. 基于Sentinel-2A的棉花种植面积提取及产量预测[J]. 农业工程学报,2022,38(9):205-214.
[13]美合日阿依·莫一丁,买买提·沙吾提,李金朝. 基于Sentinel-2时间序列数据及物候特征的棉花种植区提取[J]. 干旱区地理,2022,45(6):1847-1859.
[14]Rodriguez-Sanchez J,Li C Y,Paterson A H. Cotton yield estimation from aerial imagery using machine learning approaches[J]. Frontiers in Plant Science,2022,13:870181.
[15]Hong Y,Li D R,Wang M,et al. Cotton cultivated area extraction based on multi-feature combination and CSSDI under spatial constraint[J]. Remote Sensing,2022,14(6):1392.
[16]王利民,刘佳,姚保民,等. 基于Rapideye数据的棉花特征光谱指数构建及类型识别[J]. 中国农业信息,2019,31(5):25-37.
[17]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.
[18]郝斌飞,韩旭军,马明国,等. Google Earth Engine在地球科学与环境科学中的应用研究进展[J]. 遥感技术与应用,2018,33(4):600-611.
[19]Bruzzone L,Roli F,Serpico S B. An extension of the Jeffreys-Matusita distance to multiclass cases for feature selection[J]. IEEE Transactions on Geoscience and Remote Sensing,1995,33(6):1318-1321.
[20]Iqbal N,Mumtaz R,Shafi U,et al. Gray level co-occurrence matrix (GLCM) texture based crop classification using low altitude remote sensing platforms[J]. PeerJ Computer Science,2021,7:e536.
[21]Friedman J H.Stochastic gradient boosting[J]. Computational Statistics & Data Analysis,2002,38(4):367-378.
[22]张海洋,张瑶,田泽众,等. 基于GBDT和Google Earth Engine的冬小麦种植结构提取[J]. 光谱学与光谱分析,2023,43(2):597-607.
[23]卓越,严海军. 基于梯度提升树算法的玉米施肥模型构建[J]. 水资源与水工程学报,2020,31(4):223-228,237.
[24]林志坚,姚俊萌,苏校平,等. 基于MODIS指数和随机森林的江西省早稻种植信息提取[J]. 农业工程学报,2022,38(11):197-205.
[25]李旭青,刘世盟,李龙,等. 基于RF算法优选多时相特征的冬小麦空间分布自动解译[J]. 农业机械学报,2019,50(6):218-225.
[26]Belgiu M,Draˇgu L. Random forest in remote sensing:a review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2016,114:24-31.
[27]肖博林. 基于支持向量机的高光谱遥感影像分类[J]. 科技创新与应用,2020,10(4):22-24.
[28]费浩. 综合多特征的县域尺度棉花种植面积遥感提取方法[D]. 阿拉尔:塔里木大学,2021:29-30.
[29]刘浩然,刘秀清,王春乐. 基于随机森林和超像素的极化SAR图像分类[J]. 国外电子测量技术,2021,40(9):29-35.
[30]黄鹏程,张明明,王新宇,等. 基于Landsat-8 OLI的西安市土地利用类型遥感分类研究[J]. 测绘与空间地理信息,2020,43(1):85-88,92.
[31]张群. 基于高分遥感的黑方台滑坡识别[D]. 西安:长安大学,2017:28-30.

相似文献/References:

备注/Memo

备注/Memo:
收稿日期:2024-01-10
基金项目:北京空间机电研究所航天进入减速与着陆技术实验室开放基金(编号:EDL19092304)。
作者简介:白淑英(1973—),女,内蒙古宁城人,博士,教授,从事遥感与地理信息系统在生态环境中的应用研究。E-mail:001462@nuist.edu.cn。
更新日期/Last Update: 2024-10-20