以对象为导向的多尺度细分和基于多特征的融合方法,用于识别干旱地区的典型果树,使用Sentinel-1/2卫星图像

科学领域:

• 农业遥感 农业遥感
• 机器学习在生态学中的应用
• 地理空间数据分析.

背景情况:

• 精确的果树识别对于科学产量评估和果园面积的动态监测至关重要.
• 现有的方法可能缺乏大规模农业管理所需的准确性和可扩展性.
• 塔里姆盆地是一个重要的水果种植地区,是开发先进识别技术的合适研究区域.

研究的目的:

• 为了评估时间序列的适用性,Sentinel-1/2卫星数据用于果树的分类.
• 开发和介绍一种用于精确提取果树物种的新方法.
• 将随机森林 (RF) 模型的性能与其他机器学习算法进行比较.

主要方法:

• 利用了来自谷歌地球引擎 (GEE) 平台的Sentinel-1/2卫星图像的时间序列.
• 应用多尺度面向对象 (OO) 分段与随机森林 (RF) 分类相结合.
• 提取和优化了44个特征,包括光谱,现象学,纹理,极化,植被指数和红边指数,使用Vi特征重要性指数.

主要成果:

• 面向对象的细分可以提高果树识别特征的准确性.
• 9月份的卫星图像为识别提供了最佳的时间窗口,光谱,现象学和纹理特征是最有影响的.
• 与SVM,GBDT和CART算法相比,RF模型实现了更高的精度 (总精度:94.60%,卡帕系数:93.74%).

结论:

• 对象导向细分和射频算法的结合为准确的果树识别和分类提供了显著的潜力.
• 这种方法适用于果树的大规模遥感分类.
• 该研究提供了一种有效的技术方法,用于使用中高分辨率卫星图像监测果树种植区.