基于多源光学雷达数据融合的黄淮海平原冬小麦识别

作     者：冯权泷 任燕 姚晓闯 牛博文 陈泊安 赵圆圆 FENG Quanlong;REN Yan;YAO Xiaochuang;NIU Bowen;CHEN Boan;ZHAO Yuanyuan

作者机构：中国农业大学土地科学与技术学院北京100193 自然资源部农用地质量与监控重点实验室北京100193 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2023年第54卷第2期

页      面：160-168页

核心收录：

学科分类：082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 09[农学] 0903[农学-农业资源与环境] 0901[农学-作物学] 

基　　金：国家超级计算郑州中心创新生态系统建设科技专项(201400210100) 国家自然科学基金项目(42001367) 

主　　题：冬小麦 遥感分类 多源数据融合 Google Earth Engine 机器学习 深度学习 

摘      要：遥感技术能够快速准确地获取农作物空间分布信息,为探究2021年黄淮海平原冬小麦空间分布信息,基于Google Earth Engine(GEE)云平台,以Sentinel-1 SAR雷达影像和Sentienl-2光学遥感影像为数据源,通过计算极化特征、光谱特征和纹理特征,运用随机森林等4种机器学习方法和深度循环神经网络模型,对研究区冬小麦空间分布信息进行提取,并对比各分类器和网络架构的分类精度。结果表明,黄淮海平原冬小麦总面积约为16226667 hm^(2),占研究区总面积的49.17%,其中冬小麦种植面积最大的是河南省,约为4647334 hm^(2),研究区冬小麦种植分布呈现由东向西、由南向北递减的趋势;随机森林是4种机器学习方法中识别精度最高的分类器,总体分类精度为94.30%;在随机森林算法中仅使用Sentinel-1雷达数据总体精度为87.38%,仅使用Sentinel-2光学数据总体精度为93.95%,而融合时序Sentinel主被动遥感数据总体精度为94.30%;在大范围的冬小麦分类上,深度学习模型的泛化性高于机器学习方法。