為探究不同時(shí)間序列密度影像對地物分類影響,筆者以敦化市為研究區(qū),基于Google Earth Engine云平臺,以Sentinel-1為數(shù)據(jù)源,建立10 d、15 d、20 d、30 d等不同時(shí)間間隔的時(shí)間序列數(shù)據(jù)集,對建立的時(shí)間序列數(shù)據(jù)集采用隨機(jī)森林、分類回歸樹和最小距離3種分類方法進(jìn)行分類實(shí)驗(yàn),探究3種分類方法的識別能力。結(jié)果表明,與分類回歸樹和最小距離相比隨機(jī)森林更能準(zhǔn)確識別作物,時(shí)間序列密度的增加能提高分類精度。選取隨機(jī)森林分類器對10 d時(shí)間間隔的時(shí)間序列數(shù)據(jù)集總體分類精度達(dá)到了98.04%。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1研究區(qū)位置圖

本文以吉林省敦化市為研究區(qū)，地處長白山腹地，位于127°～129°E和42°～44°N之間。研究區(qū)是吉林省區(qū)域面積最大的縣級市，總面積為11957km2。研究區(qū)地勢構(gòu)成為四周高、中部低，境內(nèi)平均海拔高度為756m。研究區(qū)位于北半球中溫帶，大陸季風(fēng)氣候明顯，春季多風(fēng)干燥，夏季濕....

圖2研究區(qū)影像圖

從表1中可以看出，當(dāng)將時(shí)間間隔設(shè)置較小時(shí)可能無法保障每個(gè)時(shí)間間隔內(nèi)合成的影像均能對研究區(qū)進(jìn)行全覆蓋，實(shí)驗(yàn)不同時(shí)間間隔后發(fā)現(xiàn)至少將時(shí)間間隔設(shè)置為10d才能保證每個(gè)時(shí)間間隔內(nèi)合成的影像均可對研究區(qū)完成全覆蓋。本次研究中將時(shí)間間隔分別設(shè)置為10d、15d、20d、30d，探究....

圖3采樣點(diǎn)分布圖

在2018年5月到10月對整個(gè)研究區(qū)進(jìn)行了抽樣調(diào)查，獲取了豐富可靠的野外信息。在野外調(diào)查中選擇遠(yuǎn)離居民點(diǎn)、道路的地區(qū)利用手持GPS進(jìn)行采樣調(diào)查，記錄各類地物基本信息，記錄的地物信息主要涵蓋經(jīng)緯度、作物類型、作物高度、株間距和壟間距、高程等作物采樣點(diǎn)分布圖(圖3)。1.2.3全球....

圖4分類流程圖

本文分類方法如圖4所示，利用GLCM產(chǎn)品對Sentinel-1進(jìn)行掩膜得到研究區(qū)Sentinel-1耕地影像，對產(chǎn)生的Sentinel-1耕地影像合成不同密度(10d、15d、20d、30d)的時(shí)間序列影像集。由于作物物候期為5月至10月初，當(dāng)時(shí)間間隔設(shè)置為10d的時(shí)候....

本文編號：3995179