Anterior|Próximo

Extração de arroz de safra única do nordeste a partir de imagens GF-6 com fusão de seleção de características e algoritmo de floresta aleatória

  • role： First author第一作者
  • Affiliation：

    College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China

  • Email：yueqizhang1997@126.com
  • Introduction：张悦琦，研究方向为生态环境遥感。E-mail：yueqizhang1997@126.com
ZHANG Yueqi,  
  • role： Corresponding author通信作者
  • Affiliation：

    College of Mining Engineering, Taiyuan University of Technology, Taiyuan 030024, China

  • Email：renhongrui@tyut.edu.cn
  • Introduction：任鸿瑞，研究方向为植被遥感。E-mail：renhongrui@tyut.edu.cn
REN Hongrui*

Resumo

Buscando um método eficiente e de alta precisão para extrair a área de cultivo de arroz de safra única no nordeste, este estudo considerou a cidade de Panjin, na província de Liaoning, como área de pesquisa, utilizando seis cenas de imagens GF-6 WFV de fase única que cobrem os principais períodos fenológicos do arroz, assim como imagens temporais. Foram construídas quatro categorias de variáveis características: características espectrais, índices de vegetação, índices de corpos d’água e índices de borda vermelha. A importância foi ordenada pelo método de redução da impureza média, e as melhores características de entrada foram selecionadas pelo método do erro fora da bolsa. Um modelo de floresta aleatória baseado na seleção de características foi estabelecido para extrair a distribuição da plantação de arroz em Panjin no ano de 2020. Os resultados mostram: (1) Com base em imagens de fase única durante diferentes períodos fenológicos do arroz, a precisão geral da classificação foi superior a 94%, sendo o melhor resultado na imagem do período de transplante do arroz, com precisão geral de 97,67%, valor F1 (arroz) de 98,84%, coeficiente Kappa de 0,97 e precisão dos pontos de validação de campo de 97,22%. (2) Em comparação com as imagens de fase única, o uso de imagens temporais para classificação da cobertura do solo e extração de informações do arroz pode aumentar efetivamente a precisão da classificação, com precisão geral de 99,33%, valor F1 (arroz) de 100,00%, coeficiente Kappa de 0,99 e precisão dos pontos de validação de 97,22%. (3) A análise comparativa dos resultados da extração com e sem a participação das informações da borda vermelha mostrou que a introdução da banda e do índice de borda vermelha pode melhorar a precisão da classificação. (4) A introdução das bandas de borda púrpura e borda amarela pode melhorar a precisão, mas o efeito é inferior à informação da borda vermelha. Este estudo comprova que o modelo de floresta aleatória baseado na seleção de características, utilizando imagens de fase única no período de transplante do arroz, pode atender às necessidades de precisão para aplicações práticas, mas o uso de imagens temporais pode melhorar ainda mais a precisão. Além disso, as novas bandas do satélite GF-6 podem aumentar a precisão da classificação do arroz, mostrando um grande potencial de aplicação do satélite GF-6 na extração detalhada de culturas.

Palavras-chave

sensoriamento remoto;floresta aleatória;banda de borda vermelha;seleção de características;Gaofen-6;arroz;banda de borda púrpura;banda de borda amarela

References

  1. 1.
    Breiman L. 1996. Bagging predictors. Machine Learning, 24(2): 123-140
  2. 2.
    Breiman L. 2001. Random forests. Machine Learning, 45(1): 5-32
  3. 3.
    Chen A X and Li Y C. 2020. Rice recognition of different growth stages based on Sentinel-2 images in mountainous areas of Southwest China. Transactions of the Chinese Society of Agricultural Engineering, 36(7): 192-199
  4. 4.
    Chen J, Chen J, Liao A P, Cao X, Chen L J, Chen X H, He C Y, Han G, Peng S, Lu M, Zhang W W, Tong X H and Mills J. 2015. Global land cover mapping at 30 m resolution: a POK-based operational approach. ISPRS Journal of Photogrammetry and Remote Sensing, 103: 7-27
  5. 5.
    Clevers J G P W and Gitelson A A. 2013. Remote estimation of crop and grass chlorophyll and nitrogen content using red-edge bands on Sentinel-2 and -3. International Journal of Applied Earth Observation and Geoinformation, 23: 344-351
  6. 6.
    Dash J and Curran P J. 2004. The MERIS terrestrial chlorophyll index. International Journal of Remote Sensing, 25(23): 5403-5413
  7. 7.
    Elvidge C D and Chen Z K. 1995. Comparison of broad-band and narrow-band red and near-infrared vegetation indices. Remote Sensing of Environment, 54(1): 38-48
  8. 8.
    Fang F P and Cheng S H. 2018. The development of rice science, technology and industry in China. Journal of Agriculture, 8(1): 100-106
  9. 9.
    Feng R, Yu W Y, Ji R P, Zhang Y S, Wu J W and Chen P S. 2017. Comparison and analysis of several extraction methods for lakes and reservoirs based on FY3B/MERSI. Science of Surveying and Mapping, 42(7): 147-152
  10. 10.
    He Y, Huang C, Li H, Liu Q S, Liu G H, Zhou Z C and Zhang C C. 2019. Land-cover classification of random forest based on Sentinel-2A image feature optimization. Resources Science, 41(5): 992-1001
  11. 11.
    Horler D N H, Dockray M and Barber J. 1983. The red edge of plant leaf reflectance. International Journal of Remote Sensing, 4(2): 273-288
  12. 12.
    Hou M J, Yin J P, Ge J, Li Y C, Feng Q S and Liang T G. 2020. Land cover remote sensing classification method of alpine wetland region based on random forest algorithm. Transactions of the Chinese Society for Agricultural Machinery, 51(7): 220-227
  13. 13.
    Huang J W, Li Z Y, Chen E X, Zhao L and Mo B P. 2021. Classification of plantation types based on WFV multispectral imagery of the GF-6 satellite. Journal of Remote Sensing, 25(2): 539-548
  14. 14.
    Huang J X, Hou Y Z, Su W, Liu J M and Zhu D H. 2017. Mapping corn and soybean cropped area with GF-1 WFV data. Transactions of the Chinese Society of Agricultural Engineering, 33(7): 164-170
  15. 15.
    Immitzer M, Vuolo F and Atzberger C. 2016. First experience with Sentinel-2 data for crop and tree species classifications in central Europe. Remote Sensing, 8(3): 166
  16. 16.
    Jia K, Li Q Z, Tian Y C and Wu B F. 2011. A review of classification methods of remote sensing imagery. Spectroscopy and Spectral Analysis, 31(10): 2618-2623
  17. 17.
    Kim H O and Yeom J M. 2014. Effect of red-edge and texture features for object-based paddy rice crop classification using RapidEye multi-spectral satellite image data. International Journal of Remote Sensing, 35(19): 7046-7068
  18. 18.
    Li Q J, Liu J, Mi X F, Yang J and Yu T. 2021. Object-oriented crop classification for GF-6 WFV remote sensing images based on Convolutional Neural Network. National Remote Sensing Bulletin, 25(2): 549-558
  19. 19.
    Li W J, Guo X L, Yang L B, Yan M, Zou C X, Fang Y H, Sun H and Huang J F. 2020. Accurate recognition of wine grapes using multi-feature optimization based on GF-6 satellite images. Transactions of the Chinese Society of Agricultural Engineering, 36(18): 165-173
  20. 20.
    Li Z P, Liu Z H, Li Z G, Tang P Q, Tan J Y and Yang P. 2014. Progress and prospect of application of remote sensing to rice spatial distribution. Chinese Journal of Agricultural Resources and Regional Planning, 35(6): 9-18
  21. 21.
    Liang J, Zheng Z W, Xia S T, Zhang X T and Tang Y Y. 2020. Crop recognition and evaluation using red edge features of GF-6 satellite. Journal of Remote Sensing (Chinese), 24(10): 1168-1179
  22. 22.
    Lu C L, Bai Z G, Li Y C, Wu B, Di G D and Dou Y F. 2021. Technical characteristic and new mode applications of GF-6 satellite. Spacecraft Engineering, 30(1): 7-14
  23. 23.
    Lu D, Fu X J and Yue M J. 2020. Development status and policy suggestions of rice industry in Liaoning Province. Liaoning Agricultural Sciences, (6): 57-59
  24. 24.
    Mehdaoui R and Anane M. 2020. Exploitation of the red-edge bands of Sentinel 2 to improve the estimation of durum wheat yield in Grombalia region (Northeastern Tunisia). International Journal of Remote Sensing, 41(23): 8986-9008
  25. 25.
    Su W, Zhao X F, Sun Z P, Zhang M Z, Zou Z C, Wang W and Shi Y L. 2019. Estimating the corn canopy chlorophyll content using the Sentinel-2A image. Spectroscopy and Spectral Analysis, 39(5): 1535-1542
  26. 26.
    Sun M X, Liu M, Sun Q Q, Zhang P, Jiao X, Sun D F and Shi Y Y. 2020. Response of new bands in GF-6 to land use/cover based on linear spectral mixture analysis model. Transactions of the Chinese Society of Agricultural Engineering, 36(3): 244-253
  27. 27.
    Wang L J, Kong Y R, Yang X D, Xu Y, Liang L and Wang S G. 2020. Classification of land use in farming areas based on feature optimization random forest algorithm. Transactions of the Chinese Society of Agricultural Engineering, 36(4): 244-250
  28. 28.
    Yan L and Jiang W W. 2016. Progress in the study of vegetation cover classification of multispectral remote sensing imagery. Remote Sensing for Land and Resources, 28(2): 8-13
  29. 29.
    Yang J Y, Zhou Z X, Du Z R, Xu Q Q, Yin H and Liu R. 2019. Rural construction land extraction from high spatial resolution remote sensing image based on SegNet semantic segmentation model. Transactions of the Chinese Society of Agricultural Engineering, 35(5): 251-258
  30. 30.
    Zhang P and Hu S G. 2019. Fine crop classification by remote sensing in complex planting areas based on field parcel. Transactions of the Chinese Society of Agricultural Engineering, 35(20): 125-134
  31. 31.
    Zhang Q Y, Li Z, Xia C Z, Chen J and Peng D L. 2019. Tree species classification based on the new bands of GF-6 remote sensing satellite. Journal of Geo-Information Science, 21(10): 1619-1628

Leia o texto completo

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website