通过改进的现象学曲线和对应测量在谷歌地球引擎中Sentinel-2图像上的相关性测量,Paddy Rice在碎片化的土地上绘制地图

科学领域:

• 遥感 遥感 遥感 遥感
• 农业科学 农业科学
• 地理空间分析的研究.

背景情况:

• 准确地绘制大米作物的地图对于粮食安全,水资源管理和土地利用监测至关重要.
• 绘制大米地图的挑战包括碎片化田地的混合像素和持续的云层覆盖,阻碍了传统方法.

研究的目的:

• 开发和验证一种基于现象学的新方法,用于使用Sentinel-2时间序列图像准确地绘制大米作物.
• 解决现有方法在处理小,分散的田和云干扰方面的局限性.

主要方法:

• 利用了在谷歌地球引擎平台上处理的Sentinel-2时间序列图像.
• 使用规范差异植被指数 (NDVI) 和陆地地表水指数 (LSWI) 时间序列数据提取了一个改进的米现象曲线.
• 采用基于关联的分类方法,使用最大关联值及其时间作为像素分类的特征向量.

主要成果:

• 相关性测量提供了增强的数据可分离性,使更少的培训样本能够准确分类.
• 基于现象学的方法在绘制大米作物的高准确性,即使在具有挑战性的条件下.
• 该算法在谷歌地球引擎上的实现促进了大规模时间序列数据的高效并行处理.

结论:

• 提出的基于现象学,相关性驱动的方法为作物绘制提供了强大而准确的解决方案.
• 这种方法有效地克服了基于卫星的农业监测,改善土地管理和粮食安全评估的共同挑战.
• 使用谷歌地球引擎可以为全球应用程序提供可扩展和高效的实现.