Zur Suche nach einer effizienten und hochpräzisen Methode zur Extraktion der Anbaufläche von einjährigem Reis im Nordosten untersucht diese Studie die Stadt Panjin in der Provinz Liaoning als Untersuchungsgebiet. Es wurden sechs Einphasenbilder des GF-6 WFV verwendet, die wichtige Phänologiezeiten des Reises abdecken, sowie Zeitreihenbilder. Vier Arten von Merkmalsvariablen wurden erstellt: spektrale Merkmale, Vegetationsindizes, Wasserflächenindizes und Red-Edge-Indizes. Die Wichtigkeitsreihenfolge wurde mittels mittlerer Unreinheitsreduktion bestimmt und die optimalen Eingangsmerkmale mittels Out-of-Bag-Fehlermethode ausgewählt. Basierend auf der Merkmalsauswahl wurde ein Random-Forest-Modell aufgebaut, um die Verteilung des Reisanbaus in Panjin im Jahr 2020 zu extrahieren. Die Ergebnisse zeigen: (1) Basierend auf Einphasenbildern zu verschiedenen Phänologiezeiten des Reises liegt die Gesamtklassifikationsgenauigkeit über 94%, mit den besten Ergebnissen im Reispflanzstadium, mit einer Gesamtgenauigkeit von 97,67 %, F1-Wert (Reis) von 98,84 %, Kappa-Koeffizient von 0,97 und Präzision der Feldvalidierungspunkte von 97,22 %. (2) Im Vergleich zu Einphasenbildern verbessert die Verwendung von Zeitreihenbildern die Klassifikationsgenauigkeit und die Extraktion von Reisinformationen effektiv mit einer Gesamtgenauigkeit von 99,33 %, F1-Wert (Reis) von 100,00 %, Kappa-Koeffizient von 0,99 und Präzision der Validierungspunkte von 97,22 %. (3) Ein Vergleich der Extraktionsergebnisse mit und ohne Red-Edge-Information zeigt, dass die Einführung der Red-Edge-Band- und Indexinformation die Klassifikationsgenauigkeit verbessern kann. (4) Die Einführung von Purple-Edge- und Yellow-Edge-Bändern kann die Genauigkeit verbessern, jedoch geringer als durch Red-Edge-Informationen. Die Studie zeigt, dass das Random-Forest-Modell mit Merkmalsauswahl unter Verwendung von Einphasenbildern während der Reispflanzphase die Anforderungen der praktischen Anwendung erfüllen kann, wobei Zeitreihenbilder die Genauigkeit weiter verbessern können. Zudem erhöhen die neuen Bänder des GF-6-Satelliten die Reisklassifikationsgenauigkeit und zeigen großes Anwendungspotenzial für die detaillierte Extraktion von Anbaukulturen.

Fernerkundung;Random Forest;Red-Edge-Band;Merkmalsauswahl;Gaofen-6;Reis;Purple-Edge-Band;Yellow-Edge-Band