协同Sentinel-1/2多特征优选的甘蔗提取方法

doi:10.6046/zrzyyg.2022489

协同Sentinel-1/2多特征优选的甘蔗提取方法

卢献健^,, 张焕铃, 晏红波^,, 黎振宝, 郭子扬

桂林理工大学测绘地理信息学院,桂林 541006

A method for sugarcane information extraction based on multi-feature optimal selection of Sentinel-1/2 image data

LU Xianjian^,, ZHANG Huanling, YAN Hongbo^,, LI Zhenbao, GUO Ziyang

College of Geomatics and Geoinformation, Guilin University of Technology, Guilin 541006, China

通讯作者: 晏红波(1983-),女,博士,教授,研究方向为遥感数据智能处理及地表参数变化监测。Email:2009019@glut.edu.cn。

责任编辑: 陈昊旻

收稿日期: 2022-12-26 修回日期: 2023-05-30

基金资助:

广西自然科学基金项目“基于高分影像的喀斯特地区土壤水分反演关键问题研究”(2022GXNSFBA035639)
国家自然科学基金项目“地基和星载GNSS-R融合的花岗岩滑坡高时空分辨率土壤湿度反演研究”(42064003)
广西空间信息与测绘重点实验室开放基金项目“广西地区农业干旱遥感监测及预警方法研究”(桂科能19-050-11-23)

Received: 2022-12-26 Revised: 2023-05-30

作者简介 About authors

卢献健(1982-),男,硕士,副教授,研究方向为遥感影像智能处理与应用。Email: 285922956@qq.com。

摘要

协同多源遥感影像、融合多特征参数是目标地物精确识别的有效方法,但过多的特征参数会造成数据冗余,降低分类精度。该文以岩溶地貌甘蔗种植区为例,使用Sentinel-1,Sentinel-2影像数据以及SRTM数字高程数据提取研究区地物的光谱特征、指数特征、纹理特征、地形特征和极化特征,其中,指数特征考虑了众多遥感传感器少有的红边波段计算的红边指数,纹理特征加入了雷达影像纹理。在实验中设计了6种方案探讨不同影像特征以及基于随机森林优选的最佳特征组合对甘蔗提取的影响。结果表明: 在光谱特征叠加不同特征类型对研究区地物进行分类的情况下,不同特征类型重要性排序为光谱特征>指数特征>纹理特征>地形特征>极化特征; 6种方案中基于随机森林算法构建的优选特征方案融合了不同特征变量,其甘蔗提取效果最佳,用户精度和生产者精度都高于97%,总体精度为95.49%,Kappa系数为0.94。

关键词： 多源遥感; 精准识别; 随机森林; 特征优选; 红边波段; 极化特征

Abstract

The integration of multi-source remote sensing images and multi-feature parameters is effective in the accurate identification of target ground objects. However, excess feature parameters can cause data redundancy, reducing classification accuracy. Focusing on a sugarcane planting area with Karst landforms, this study extracted the spectral, index, texture, topographic, and polarization features of the ground objects in the study area from Sentinel-1/2 images and SRTM digital elevation data. The index features involved the red edge index calculated based on the red-edge band, which was scarce in data derived from remote sensing sensors, and the texture features included the Radar image textures. In the experiment, six schemes were designed to explore the effects of different image features and the random forest-based optimal feature association on sugarcane information extraction. The results show that for the classification of ground objects in the study area using spectral features combined with other feature types, the importance of the feature types ranked in descending order of spectral features, index features, texture features, topographic features, and polarization features. Among the six schemes, the scheme based on the random forest algorithm, integrating different feature variables, yielded the optimal information extraction effect for sugarcane, with both user and producer accuracy higher than 97%, overall accuracy of 95.49%, and a Kappa coefficient of 0.94.

Keywords： multi-source remote sensing; accurate identification; random forest; optimal feature selection; red-edge band; polarization feature

PDF (12067KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

卢献健, 张焕铃, 晏红波, 黎振宝, 郭子扬. 协同Sentinel-1/2多特征优选的甘蔗提取方法[J]. 自然资源遥感, 2024, 36(1): 86-94 doi:10.6046/zrzyyg.2022489

LU Xianjian, ZHANG Huanling, YAN Hongbo, LI Zhenbao, GUO Ziyang. A method for sugarcane information extraction based on multi-feature optimal selection of Sentinel-1/2 image data[J]. Remote Sensing for Land & Resources, 2024, 36(1): 86-94 doi:10.6046/zrzyyg.2022489

0 引言

甘蔗是我国制糖的主要原料,蔗糖产量占国内食糖总量90%以上,及时、准确地掌握甘蔗种植信息对于我国稳定食糖生产至关重要^[1]。广西壮族自治区是我国典型的甘蔗种植区,但其喀斯特地貌突出,丘陵地区地块破碎,甘蔗种植面积散乱,传统的定点抽样方法难以全面调查地势复杂的甘蔗种植区信息^[2-3]。近年来,随着卫星遥感技术的快速发展,多源遥感数据融合成为地物识别与提取的重要方法,但是参与地物分类的特征过多会造成数据冗余,降低分类准确度^[4-5]。

为了获取精确的地表覆被信息,国内外学者开发出了众多遥感影像分类算法。在甘蔗提取方法方面,最大似然法最先被应用于甘蔗提取研究,结果表明该方法提取的甘蔗种植地块与实际相比出现一定偏离^[6]。CART决策树的分类精度相对于最大似然法有一定的提高,但使用CART决策树算法需要构造复杂的分类规则^[7]。相比之下,支持向量机和随机森林算法(random forest,RF)受人为因素干扰较少且能获得更好的分类效果,Virnodkar等^[8]比较了这2种算法在甘蔗提取方面的潜力,发现使用RF算法可获得更好的甘蔗提取效果。目前使用以上分类算法结合影像特征进行甘蔗提取的研究主要包括2个方面: ①提取单时相遥感影像特征变量,分析不同特征对甘蔗提取结果的影响^[9⇓-11]; ②利用多时相遥感影像构建地物时间序列光谱特征,通过不同地物的特征差异性对不同地物进行分类提取^[12⇓-14]。这2方面的研究仅涉及单一传感器影像特征且存在一些不足之处。首先,红边指数是反映甘蔗生长状态的重要特征^[15],但是多数研究在探讨指数特征对甘蔗提取的影响时只考虑植被指数和水体指数,少有研究将红边指数加入其中。其次,甘蔗种植区多云雨,难以获取连续的高质量光学影像,且缺少关键物候期的时间序列光谱特征,无法满足监测需求。

近年来,随着雷达探测技术的快速发展,雷达影像也成为地物分类识别的重要数据,已有研究表明融合光学与雷达影像多特征可有效提高农作物识别与提取的精度^{[16⇓⇓⇓-20]},但是多数地物分类研究并没有考虑雷达影像所具有的独特纹理特征信息^[21-22]。此外,多种影像特征均可参与地物分类,但不同的特征组合会得到不同的甘蔗提取效果,使用过多特征变量会造成信息冗余,降低分类精度。因此,通过RF算法确定最优特征变量是提高甘蔗识别精度的重要方法。

本文依托谷歌地球引擎(Google Earth Engine,GEE)云平台,结合研究区甘蔗物候特征,选取Sentinel-1雷达影像、Sentinel-2光学影像和SRTM数字高程模型(digital elevation model,DEM)为数据源,提取研究区地物的极化特征、光谱特征、指数特征、纹理特征和地形特征,并利用RF算法进行特征优选,在实验中设计不同分类方案以探讨不同特征类型对甘蔗提取的差异性和重要性,同时通过对比分析优选特征对甘蔗提取的积极影响。

1 研究区概况与数据源

1.1 研究区概况

1.1.1 自然地理状况

崇左市江州区位于广西壮族自治区西南部(图1),内有左江穿流而过,北部和南部多山脉,西部为石灰岩地区,东、中部为丘陵、小平原地带。气候属亚热带季风气候,日照充足,雨水充沛。区内土地覆被类型为耕地、林地、建设用地、水域等,其中耕地主要种植水稻、甘蔗、香蕉等农作物。江州区是国家规划重点扶持蔗糖优势区县,近年来甘蔗种植面积占该区农作物总播种面积75%以上,约110万亩^➊(➊1亩≈666.67 m²)。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区地理位置图

Fig.1 Geographical map of the study area

1.1.2 甘蔗物候特征

选择甘蔗外在特征明显的生长期可有效提高甘蔗识别的准确性。1—4月份为甘蔗幼苗期,此时甘蔗叶片细小,难与其他地物相区分; 在5—6月份甘蔗处于分蘖期,甘蔗茎节上的芽会萌发出新的植株,其外在形态与水稻相似; 在7—9月份甘蔗茎节快速伸长; 直至10—12月份甘蔗成熟,进入蓄糖阶段,甘蔗叶片多且细长,茎节明显,具有独特的纹理和光谱特征。因此适宜选择10—12月份甘蔗成熟期的遥感影像进行甘蔗提取研究。

1.2 数据来源与预处理

1.2.1 影像数据

本研究所用数据包括Sentinel-1雷达影像、Sentinel-2光学影像和SRTM DEM数据,均通过GEE平台在线调用和处理。

1)SRTM DEM数据。空间分辨率为30 m。

2)Sentinel-1影像数据。选用干涉宽幅模式的地距多视产品,该数据具有双极化特点,空间分辨率为10 m,在GEE平台上调用的2021年Sentinel-1数据已经过热噪声去除、辐射校准和地形校正预处理,为降低噪声影响,对Sentinel-1影像进行逐像元取均值处理以获得VV和VH双极化波段后向散射系数。在实验中选用成像时间为2021年11月1日的Sentinel-1数据。

3)Sentinel-2影像数据。具有12个波段,空间分辨率为10~60 m,实验中选用空间分辨率为10~20 m的可见光波段、红边波段、近红外波段和短波红外波段,其中红边波段是植被覆盖度和植被生长状况的重要指示波段。由于光学影像易受云雨影响,研究区在1—9月份多为阴雨天,影像质量较差,而在10—12月份晴朗天气增多,结合甘蔗物候历,故在GEE平台调用2021年10月27日经过大气校正和几何纠正等预处理的Sentinel-2 L2A影像数据。

1.2.2 训练样本数据

根据实地调查并结合相关文献资料将研究区土地覆盖类型分为建设用地、林地、水域、甘蔗、水稻、香蕉、裸地7类。采用随机采样的方法在研究区随机生成3 559个样本点,利用GEE在线高空间分辨率影像及研究区历史影像目视解译样本点,各地物样本点均匀分布,因研究区中北部农作物间种情况较多,故农作物样本点在中北部地区分布相对密集。在实验中用于训练和验证的样本点按照比例7∶3随机选取,各类地物样本数量见表1。

表1 样本数据统计

Tab.1 Sample data statistics (个)

地物类别	建设用地	林地	水域	甘蔗	水稻	香蕉	裸地
数量	576	762	513	1 012	218	236	242

新窗口打开| 下载CSV

2 研究方法

2.1 总体技术流程

研究区多为分散碎小地块,甘蔗与其他作物间种在不同遥感影像特征上可区分性不同,为了探讨不同影像特征对甘蔗提取的差异性,以及分析优选特征对甘蔗识别的积极影响,本研究设计了如图2的技术流程。首先对Sentinel-1和Sentinel-2影像数据进行预处理,进而提取研究区地物影像特征。在实验中构建了6种方案进行对比分析,其中4组方案为光谱特征加其他影像特征,用于分析不同特征对甘蔗提取的作用。方案5考虑了全部特征,可为其他方案分类结果提供对比参照信息。在分析不同特征变量对甘蔗种植区地物可区分性的基础上,初步评估各特征变量的重要性程度,再由RF算法确定方案6的优选特征变量。最后对比方案5和方案6的甘蔗提取结果,评定优选方案对甘蔗提取的积极影响。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 技术流程图

Fig.2 Technique flow chart

2.2 特征变量的选择

经实地考察,综合研究区地形、植被类型分布特点及物候信息,本文选取了遥感影像光谱特征、指数特征、地形特征、纹理特征和极化特征构建特征数据集(表2)。

表2 特征变量

Tab.2 Characteristic variable

特征类型	变量名称	变量符号	变量描述/公式
光谱特征	波段	B2,B3,B4,B5,B6,B7,B8,B8A,B11,B12	蓝、绿、红、红边、近红外、短波红外
指数特征	归一化植被指数	NDVI	(B8-B4)/(B8+B4)
	增强植被指数	EVI	2.5(B8A-B4)/(B8A+6B4- 7.5B2+1)
	归一化水体指数	NDWI	(B3-B8)/(B3+B8)
	叶绿素指数—红边	CIre	B7/B5-1
	归一化差异红色边缘指数	NDre1 NDre2	(B6-B5)/(B6+B5) (B7-B5)/(B7+B5)
	红边归一化差值植被指数	NDVIre1 NDVIre2 NDVIre3	(B8A-B5)/(B8A+B5) (B8A-B6)/(B8A+B6) (B8A-B7)/(B8A+B7)
纹理特征	二阶矩	B8_asm,VV_asm,VH_asm
	对比度	B8_cont,VV_cont,VH_cont
	相关性	B8_corr,VV_corr,VH_corr
	方差	B8_var,VV_var,VH_var
	逆差距	B8_idm,VV_idm,VH_idm
	熵	B8_ent,VV_ent,VH_ent
极化特征	VV极化后向散射系数	$δ_{V V}$
极化特征	VH极化后向散射系数	$δ_{V H}$
地形特征	高程	DEM
地形特征	坡度	Slope

新窗口打开| 下载CSV

2.3 RF算法

本研究使用RF算法对甘蔗种植区地物进行分类。RF算法是Breiman在21世纪初提出的一种非线性和非参数分类器,通过集成学习的思想将多棵决策树集合成森林,再由相互独立的决策树投票表决出分类结果。RF算法实际上是一种特殊的Bagging方法,将决策树用作Bagging算法中的模型^[23-24]。

Bagging算法的核心是自举法,自举法的含义是: 在拥有n个样本的训练集里有放回地随机抽取n个样本可得到1个新训练集,每个新训练集里都可能存在重复样本,据统计约有36.8%的样本数据不会被抽中,称为袋外数据(out-of-bag,OOB),可用作内部交叉检验。Bagging算法在生成新训练集后可为每个新训练集构建决策树,在生成树的过程中,需要在所有特征中随机抽取一部分特征,选择抽取特征中信息增益或基尼系数等指标最大的特征应用于节点,从而进行分裂。RF算法实际上对样本和特征都进行了随机采样,可避免过度拟合,因此与其他的机器学习分类算法相比,RF算法具有抗噪能力强、分类能力高等优势。经过参数调优发现决策树为25棵时分类精度最高。

2.4 特征变量优选方法

不同特征变量在分类过程中的贡献值存在差异,引入过多特征变量参与地物分类反而会降低分类准确度,因此本研究选用RF算法优选分类特征变量。在RF算法随机抽取样本的过程中,OOB数据产生的OOB误差可以用来计算不同特征变量的重要性。特征变量重要性计算公式如下:

(1)VI(M)=

\frac{1}{N} \overset{N}{\sum_{t = 1}}

(

B_{n_{t}}^{M}

B_{O_{t}}^{M}

)VI(M)=

\frac{1}{N} \overset{N}{\sum_{t = 1}}

(

B_{n_{t}}^{M}

B_{O_{t}}^{M}

式中: VI为特征变量的重要性; M为任意一个特征变量; N为决策树的棵数; $B_{O_{t}}^{M}$ 为某个特征变量M未加入噪声时第t棵决策树的OOB误差; $B_{n_{t}}^{M}$ 为某个特征变量M加入噪声干扰时第t棵决策树的OOB误差。若给某个特征M随机加入噪声之后,OOB的准确率大幅度降低,即 $B_{n_{t}}^{M}$ 值变大,则说明特征M对分类结果影响很大,也就可以说明它的重要程度比较高^[25]。在RF算法中决策树棵数N和节点分裂抽取特征个数m的设置十分重要,经过大量实验发现当N≥150时,所有特征变量的OOB误差趋于收敛,此时最大特征数被设置为总特征数的平方根。

2.5 精度评价方法

基于混淆矩阵计算分类结果的总体精度(overall accuracy,OA)、Kappa系数、用户精度(user’s accuracy,UA)和生产者精度(producer’s accuracy,PA)^[26]。总体精度反映了算法的总体分类效果,通过正确分类的样本数占验证样本总数的比例来衡量。Kappa系数表征地面实际数据和预测值之间的一致性程度。UA表示在分类图上,落在该类别上的检验点被准确划分为该类别的比率。PA表示该类别的验证样本数据被正确划分的概率。

3 结果与分析

3.1 特征变量地物可区分性分析

研究区地物在不同特征变量上的可分性不一样,通过量化对比不同地物的特征值差异,分析不同特征变量对甘蔗分类提取的影响,可初步确定各特征变量的重要性,为后续优选分类特征提供参考。具体如图3所示。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 不同影像特征地物可区分性

Fig.3 Distinguishability of ground objects under different image features

各地物光谱曲线如图3(a)所示,水域、裸地和建设用地的光谱曲线差异明显,在不同波段上具有明显可区分性。甘蔗、香蕉、水稻和林地的光谱曲线变化趋势相似,但是在B3,B4,B7,B8,B8A,B11,B12波段上,甘蔗与香蕉、水稻、林地之间光谱值差异较大,可区分性明显。

为了更好地比较各地物在不同特征变量上的差异,分别对计算的指数特征和纹理特征值进行了归一化处理。图3(b)展示了研究区地物不同指数特征的归一化值,水域与其他地物在不同指数上可区分性明显,建设用地和裸地在EVI,NDVIre1,NDVIre2,NDVIre3,NDWI指数上具有区分性,甘蔗与香蕉、林地在不同指数特征变量上归一化值相近,但在NDVI指数上具有明显区分效果。图3(c)为不同地物纹理特征散点图,在近红外波段纹理特征中,各地物的对比度(B8_cont)、相关性(B8_corr)和方差(B8_var)具有一定的差异,可区分度较为明显。在极化波段纹理特征中,林地、水域、裸地和建设用地易于区分,而甘蔗、香蕉、水稻的归一化值相近,难以区分。另外甘蔗多种植于坡度平缓的旱地,其高程低于山地,增加高程和坡度参数易区分于林地。

图3(d)和(e)为2021年研究区各地物后向散射特征时序曲线。总体来看,各地物具有不同的后向散射系数分布区间,在不同极化波段中,仅有裸地、水稻和甘蔗的后向散射系数分布区间重叠范围比较大,但均在不同时间节点,特别是在6—11月,这3种地物的后向散射系数差距明显。而研究区甘蔗在11月处于成熟期,此时甘蔗的极化特征明显。从极化方式上看,各地物在VV极化方式下后向散射系数交叉范围更小,分离度更高。

3.2 特征优选分析

本文提取了研究区地物的光谱特征、指数特征、纹理特征、极化特征和地形特征,共41个特征变量参与地物分类,利用RF算法计算各特征变量的重要性并排序,按特征重要性排名依次叠加特征变量对地物进行分类,得到分类OA和Kappa系数变化曲线,图4显示了排名前29的特征重要性和分类精度变化曲线。由曲线的变化趋势可以看出特征数达到14时分类总体精度和Kappa系数达到最大值,之后随着特征变量的增加,其值趋于平稳。因此优选前14个特征变量作为方案6的分类特征: B11,B8_cont,B8_var,NDVI,B12,DEM,B4,NDVIre1,B7, $δ_{V V}$ ,NDre2,B8A,slope, ${δ_{V}}_{H}$ 。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 特征波段重要性

Fig.4 Importance of characteristic band

从优选特征变量的类别来看,各类特征的重要性排序如下: 光谱特征>指数特征>纹理特征>地形特征>极化特征。其中光谱特征贡献率最大,达到37.57%,指数特征和纹理特征次之,分别为20.78%和17.26%,地形特征和极化特征贡献率最小,分别为12.49%和11.90%。这是因为不同地物的光谱曲线差异明显,故其重要性得分最高; 植被指数和红边指数主要受植物体内叶绿素吸收作用的影响,近红外波段纹理特征也与植被相关性大,而研究区植被覆盖度高,因此与植被相关的指数和纹理特征极其重要; 地形特征仅能区分山地与平原地物,极化特征因雷达成像方式在山地区域具有较大的辐射偏差和噪音干扰,故极化波段及其纹理特征对丘陵区域的地物分类重要性较低。在所有特征变量中短波红外B11波段重要性得分最高,其次是近红外波段纹理特征B8_cont和B8_var,均与植被密切相关。最终排名也与上文地物可区分性分析相一致,即地物区分度大的特征在分类中占据重要地位。

3.3 6种不同方案甘蔗提取结果的精度评价

图5展示了6种分类方案的甘蔗提取结果。通过对比Sentinel-2影像可以看出: 方案1和方案2提取的甘蔗碎片地块比较多,存在其他地物错分为甘蔗的情况,而方案3、方案4、方案5和方案6提取的甘蔗碎片地块相对较少。说明指数特征和极化特征容易混淆不同地物,而纹理特征和地形特征可以有效地将其区分开。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 不同方案甘蔗提取图

Fig.5 Sugarcane extraction maps of different schemes

不同方案的分类精度如表3所示。综合来看,在光谱特征的基础上加入了指数特征的方案1分类精度最低,相比之下,极化特征、纹理特征和地形特征更有利于甘蔗种植区地物分类,分别使OA提高了1.80%,2.68%和2.74%。从前4种方案的甘蔗UA和PA可以看出,不同特征类型对甘蔗提取的有利程度为: 纹理特征>地形特征>极化特征>指数特征。以上甘蔗提取的特征有利性排序与优选特征贡献率排序有所差异,分析原因或许是指数特征包括植被指数、水体指数和红边指数,这些指数虽然对植被敏感,能有效地将植被与其他地物区分开,但是研究区中不同种类的植被在指数波段上的差值比较小,容易混淆,故指数特征在甘蔗提取植被分类中重要性排名最低。表4计算了方案6的混淆矩阵,从而进一步分析优选特征方案下不同类型植被对甘蔗提取的干扰,表4中对角线为分类正确的样本数。

表3 甘蔗种植区地物分类精度统计

Tab.3 Statistics of ground object classification accuracy in sugarcane planting area

地物类型	方案1		方案2		方案3		方案4		方案5		方案6
地物类型	UA/%	PA/%	UA/%	PA/%	UA/%	PA/%	UA/%	PA/%	UA/%	PA/%	UA/%	PA/%
香蕉	86.36	80.28	96.96	82.05	93.24	76.66	92.98	79.10	94.52	88.46	94.44	98.55
水稻	98.38	88.40	98.55	94.44	97.22	94.59	98.24	93.33	98.11	91.22	100.00	96.15
甘蔗	90.15	93.42	90.54	95.80	91.45	97.96	91.88	96.94	94.75	97.15	97.59	98.61
裸地	86.11	93.93	95.77	94.44	97.05	91.66	96.47	88.17	93.75	93.75	92.50	97.36
林地	83.91	82.47	80.45	86.34	85.65	88.64	86.84	89.59	88.28	88.97	92.48	89.95
水体	97.88	99.28	98.63	97.29	98.61	97.26	98.70	98.06	100.00	97.93	100.00	97.45
建设用地	88.41	86.82	93.82	85.87	92.90	90.00	90.37	88.94	92.46	93.40	91.71	93.25
OA/%	89.53		91.33		92.21		92.27		93.61		95.49
Kappa	0.87		0.89		0.90		0.90		0.92		0.94

新窗口打开| 下载CSV

表4 方案6混淆矩阵

Tab.4 Confusion matrix of scheme 6

地物类型	香蕉	水稻	甘蔗	裸地	林地	水体	建设用地
香蕉	76	1	2	0	4	0	1
水稻	0	55	2	0	0	0	1
甘蔗	0	0	286	0	4	0	0
裸地	0	0	0	70	0	0	4
林地	1	0	17	2	210	0	9
水体	0	0	0	0	2	173	1
建设用地	0	0	0	3	9	0	158

新窗口打开| 下载CSV

由混淆矩阵可知甘蔗会被误分为林地,而香蕉、水稻、林地会被误分为甘蔗,由于这几种地类都是植被,光谱相似性高,虽然纹理特征和极化特征有差异,但仍具有一定相似性,故易导致植被类型的分类错误或混淆,影响分类精度。

图6展示了方案6甘蔗提取结果的3处局部细节及其对应的Sentinel-2光学影像,位置如图5(f)所示。在区域1中,耕种地块普遍较小且不同地块种植的作物不一样,区域2甘蔗种植地位于山林之间,而区域3甘蔗地块交错于各地类之间。最终基于方案6的甘蔗提取结果显示,地块碎片化现象较少,作物的地块边界较清晰,对比Sentinel-2光学影像图,不同区域的甘蔗种植地都得到了正确的分类提取。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 方案6甘蔗提取局部图

Fig.6 Sugarcane extraction local map of scheme 6

4 结论

本文依托GEE平台,基于Sentinel-1雷达影像、Sentinel-2光学影像数据和SRTM DEM数据,提取了研究区地物的光谱特征、指数特征、纹理特征、极化特征和地形特征,设置了6种不同的实验方案,利用RF算法进行特征优选和甘蔗种植信息提取。得到以下结论:

1)基于RF算法探索有利于甘蔗种植区地物提取的最优特征组合,将特征数由41减少到14,具体为: B11,B8_cont,B8_var,NDVI,B12,DEM,B4,NDVIre1,B7, $δ_{V V}$ ,NDre2,B8A,slope, ${δ_{V}}_{H}$ 。就优选特征中各特征的贡献率而言,光谱特征>指数特征>纹理特征>地形特征>极化特征。

2)指数特征能有效区分甘蔗、建设用地和水体,而地形特征、纹理特征和极化特征更有利于区分甘蔗与其他植被,分别使甘蔗UA提高了0.39%,1.3%,1.73%,PA提高了2.38%,4.54%,3.52%。

3)在所有分类方案中RF算法优选特征方案的甘蔗提取效果最佳,甘蔗的UA和PA分别为97.59%和98.61%,OA为95.49%,Kappa系数为0.94。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

李明, 田洪春, 黄智刚.

我国甘蔗产业发展现状研究

[J]. 中国糖料, 2017, 39(1):67-70.