基于主被动遥感数据和面向对象的大蒜识别

来源：农业工程学报杂志2022年第2期北京时间：

作者：马战林,薛华柱,刘昌华,李长春,房旭,周俊利,

摘要：针对开封市大蒜种植破碎化程度高，光学数据难以高精度、快速提取问题。该研究基于谷歌地球引擎（Google Earth Engine，GEE）云平台、随机森林算法（Random Forest，RF）和面向对象方法，选择融合Sentinel-1卫星的后向散射系数与Sentinel-2卫星的光谱、光谱指数及纹理特征，分别应用10 m与加入植被红边波段的20 m空间分辨率遥感数据，探究不同特征组合对改善大蒜识别精度的性能。结果表明：应用10 m空间分辨率的Sentinel主被动遥感数据，在简单非迭代聚类（Simple Non-iterative Clustering，SNIC）分割尺度为5，灰度共生矩阵（Gray-level Co-occurrence Matrix，GLCM）邻域值为4，7个纹理特征选择第一、二主成分时，分类总体精度和Kappa系数最高，为94.54%、0.93，大蒜的制图精度和用户精度为97.83%、96.38%。应用加入植被红边波段的20m空间分辨率Sentinel主被动遥感数据，在SNIC分割尺度为3，GLCM邻域值为4，7个纹理特征选择第一、二主成分时，分类总体精度和Kappa系数最高，为94.14%、0.92，大蒜的制图精度和用户精度为95.72%、98.81%。单独使用Sentinel-2光学数据，加入植被红边波段的20 m分辨率数据相对10 m分辨率数据，大蒜制图精度和用户精度分别提高0.49%和4.38%。单独使用时序Sentinel-1 SAR数据，10 m空间分辨率数据的大蒜制图精度和用户精度优于20 m分辨率数据0.66%和2.03%。研究为遥感数据识别生长周期相同或重叠的大宗、小宗经济作物提供技术参考。

关键词：遥感, 谷歌地球引擎, Sentinel卫星, 随机森林, 面向对象, 大蒜