在地中海灌区使用不同空间分辨率的图像绘制土地覆盖面和作物类型的映射
Siham Acharki1, Pierre-Louis Frison2, Bijeesh Kozhikkodan Veettil3,4
1Department of Earth Sciences, Faculty of Sciences and Technologies of Tangier (FSTT), Abdelmalek Essaadi University, 93000, Tetouan City, Morocco. sacharkis@gmail.com.
使用卫星数据准确识别作物类型对于可持续农业至关重要. 带有支持矢量机分类的PlanetScope图像在地中海地区的土地覆盖面和作物类型绘制中取得了最高的准确性.
科学领域:
- 农业遥感 农业遥感
- 地理空间分析是什么?
- 环境监测环境监测环境监测
背景情况:
- 准确的作物类型识别对于农业可持续性,政策制定和环境评估至关重要.
- 卫星遥感为绘制作物分布提供了有效的方法,特别是在复杂的农业景观中.
研究的目的:
- 评估四个多时间卫星数据集 (Sentinel-1,Sentinel-2,RapidEye,PlanetScope) 的土地覆盖和作物类型识别 (LCCT) 的有效性.
- 为了比较支持矢量机 (SVM) 和随机森林 (RF) 分类算法的LCCT映射的性能.
主要方法:
- 使用了Sentinel-1 (S1),Sentinel-2 (S2),RapidEye (RE) 和PlanetScope (PS) 多时间卫星数据.
- 雇员监督基于像素的分类,使用带有辐射基础函数内核 (SVMRB) 和随机森林 (RF) 的支持矢量机.
- 在三个层次层次上生成LCCT地图 (I级:6个类,II级:10个类,III级:14个类).
主要成果:
- 获得的总体精度高:>92% (I级),>83% (II级) 和>81% (III级),其中Sentinel-1的性能较低.
- 随着类数减少,分类准确性显著提高,特别是在分组耕地和非耕地类别时.
- 星球探测器图像产生了最好的LCCT分类结果,优于其他传感器.
- 与RF相比,SVM在从高分辨率图像中提取LCCT方面表现优越.
结论:
- 与SVM相结合的PlanetScope对于在地中海灌区进行详细的LCCT绘图非常有效.
- 层次分类方法和类分组策略影响准确性,强调研究设计的重要性.
- 多传感器数据融合 (S1S2) 显示了与单独的Sentinel-2相似的结果,表明了协同利用的潜力.
更多相关视频
12:26Integrating Remote Sensing with Species Distribution Models; Mapping Tamarisk Invasions Using the Software for Assisted Habitat Modeling SAHM
Published on: October 11, 2016
08:09Measuring and Mapping Patterns of Soil Erosion and Deposition Related to Soil Carbonate Concentrations Under Agricultural Management
Published on: September 12, 2017
相关概念视频
Light Acquisition
Levels of Use of a GIS
Manipulation and Analysis
Topographic Surveying and Contours
Methods of Obtaining Topography
