基于 Sentinel 集成图像的矩形分类模型提高了草原绘图的准确性:中国奥尔多斯的一个案例研究

科学领域:

• 遥感 遥感 遥感 遥感
• 生态生态学 生态生态学
• 地理空间分析的研究.

背景情况:

• 干旱区的草原对于生态系统的健康和土壤的稳定至关重要.
• 由于各种景观的光谱变异性,很难精确地绘制这些草原的空间地图.
• 现有的遥感方法难以应对干旱地区环境的复杂性.

研究的目的:

• 用综合卫星图像提高干旱和半干旱地区草原绘图的准确性.
• 与传统的全球模型相比,评估新型矩形分类模型的有效性.
• 为结合雷达和光学卫星数据确定最佳的数据合成策略.

主要方法:

• 使用 Sentinel-1A (雷达) 和 Sentinel-2 (光学) 图像进行草原绘图.
• 开发了一种采用随机森林算法的矩形分类模型.
• 综合了每月的Sentinel-1A数据,并使用MODIS植被指数来确定最佳的Sentinel-2图像合成窗口.
• 在多个实验方案中,将矩形模型与传统的全球分类模型进行比较.

主要成果:

• 综合 Sentinel-1A 和 Sentinel-2 数据,以及植被和纹理特征,显著提高了草原绘图的准确性.
• 最好的表现方案 (EXP7-2) 实现了整体准确率为88.23%,超过单个传感器的准确率 (哨兵-1A: 53.52%,哨兵-2: 86.53%).
• 在所有实验组中,矩形分类模型的整体准确性在所有实验组的全球分类模型上稳步提高了1.20%至13.99%.

结论:

• 矩形分类模型与多传感器卫星数据相结合,为复杂的干旱景观中准确地绘制草原提供了强大的解决方案.
• 这种方法提供了一个灵活和可扩展的框架,可以适应谷歌地球引擎中的各种位置和时间段.
• 这项研究提供了有价值的指导,用于提高在具有挑战性的遥感应用中土地覆盖分类准确度.