предыдущий|следующий

Распознавание сельскохозяйственных культур на основе многоугловых признаков спутника GF-7

  • role： First author第一作者
  • Affiliation：

    State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875, China

    School of Land Science and Technology, China University of Geosciences, Beijing 100083, China

  • Email：1045376795@qq.com
  • Introduction：孙智虎，研究方向为农业遥感。E-mail： 1045376795@qq.com
SUN Zhihu12,  
  • role： Corresponding author通信作者
  • Affiliation：

    State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875, China

    Beijing Engineering Research Center for Global Land Remote Sensing Products, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

    Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

  • Email：zhangjs@bnu.edu.cn
  • Introduction：张锦水，研究方向为深度学习与遥感大数据挖掘。E-mail： zhangjs@bnu.edu.cn
ZHANG Jinshui134*,  
  • Affiliation：

    School of Land Science and Technology, China University of Geosciences, Beijing 100083, China

HONG Youtang2,  
  • Affiliation：

    State Key Laboratory of Remote Sensing Science, Beijing Normal University, Beijing 100875, China

    Beijing Engineering Research Center for Global Land Remote Sensing Products, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

    Institute of Remote Sensing Science and Engineering, Faculty of Geographical Science, Beijing Normal University, Beijing 100875, China

YANG Junwen134,  
  • Affiliation：

    Beijing Polytechnic College, Beijing 100042, China

ZHU Shuang5

реферат

Многоугловое дистанционное зондирование Земли способно предоставлять более богатые и многонаправленные характеристики дистанционного зондирования, улучшая различимость между типами земель, создавая прочную базу данных для точного распознавания земной поверхности. GF-7 является первым китайским спутником для топографической съемки с субметровым разрешением после спутника ZY-3, что дает возможность использовать многоугловые особенности для решения проблемы «различные объекты с одинаковым спектром» и повышения точности распознавания сельскохозяйственных культур. В данной работе использованы данные GF-7 с переднего и заднего видов в панхроматическом и мультиспектральном режимах, различные комбинации признаков вводились в классификатор опорных векторов для классификации. По сравнению с спектральными и текстурными признаками проанализировано влияние многоугловых признаков на точность распознавания культур. Результаты показали, что по сравнению с использованием только спектральных признаков, комбинирование спектральных и угловых разностных признаков повысило точность картирования чеснока и озимой пшеницы на 4,07% и 3,15% соответственно, а пользовательская точность увеличилась на 6,73% и 2,12%; по сравнению с использованием спектральных и текстурных признаков, комбинирование спектральных, текстурных и угловых разностных признаков повысило точность картирования чеснока и озимой пшеницы на 3,14% и 1,01%, а пользовательская точность увеличилась на 5,11% и 0,67% соответственно. Анализ методом МакНемара показал, что повышение точности классификации устойчиво, и использование угловых разностных признаков эффективно улучшает точность распознавания культур. Причина в том, что многоугловые признаки имеют характерные различия в спектральном отклике различных типов культур при многоугловом наблюдении, что повышает различимость между культурами и гарантирует точность распознавания культур с помощью дистанционного зондирования.

ключеви́че слова́

GF-7;опорный вектор;угловая разность;дистанционное зондирование;озимая пшеница;чеснок;сельское хозяйство

References

  1. 1.
    Alshehhi R, Marpu P R, Woon W L and Mura M D. 2017. Simultaneous extraction of roads and buildings in remote sensing imagery with convolutional neural networks. ISPRS Journal of Photogrammetry and Remote Sensing, 130: 139-149
  2. 2.
    Chang C C and Lin C J. 2011. LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2(3): 27
  3. 3.
    Chopping M, Moisen G G, Su L H, Laliberte A, Rango A, Martonchik J V and Peters D P C. 2008. Large area mapping of southwestern forest crown cover, canopy height, and biomass using the NASA Multiangle Imaging Spectro-Radiometer. Remote Sensing of Environment, 112(5): 2051-2063
  4. 4.
    Clayton D G. 1971. Algorithm AS 46: gram-Schmidt Orthogonalization. Applied Statistics, 20(3): 335-338
  5. 5.
    Congalton R G. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1): 35-46
  6. 6.
    Dehghan H and Ghassemian H. 2006. Measurement of uncertainty by the entropy: application to the classification of MSS data. International Journal of Remote Sensing, 27(18): 4005-4014
  7. 7.
    Duro D C, Franklin S E and Dubé M G. 2012. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery. Remote Sensing of Environment, 118: 259-272
  8. 8.
    Foody G M. 2002. Status of land cover classification accuracy assessment. Remote Sensing of Environment, 80(1): 185-201
  9. 9.
    Foody G M and Atkinson P M. 2002. Uncertainty in Remote Sensing and GIS. Chichester: John Wiley and Sons
  10. 10.
    Haralick R M. 1979. Statistical and structural approaches to texture. Proceedings of the IEEE, 67(5): 786-804
  11. 11.
    Huang X, Chen H J and Gong J Y. 2018. Angular difference feature extraction for urban scene classification using ZY-3 multi-angle high-resolution satellite imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 135: 127-141
  12. 12.
    Huang X, Lu Q K and Zhang L P. 2014. A multi-index learning approach for classification of high-resolution remotely sensed images over urban areas. ISPRS Journal of Photogrammetry and Remote Sensing, 90: 36-48
  13. 13.
    Khatami R, Mountrakis G and Stehman S V. 2016. A meta-analysis of remote sensing research on supervised pixel-based land-cover image classification processes: general guidelines for practitioners and future research. Remote Sensing of Environment, 177: 89-100
  14. 14.
    Lan Z Y and Liu Y. 2018. Study on multi-scale window determination for GLCM texture description in high-resolution remote sensing image geo-analysis supported by GIS and domain knowledge. ISPRS International Journal of Geo-Information, 7(5): 175
  15. 15.
    Li L, She M Y and Luo H. 2014. Comparison on fusion algorithms of ZY-3 panchromatic and multi-spectral images. Transactions of the Chinese Society of Agricultural Engineering, 30(16): 157-165
  16. 16.
    Li X J, Chen W T, Cheng X W and Wang L Z. 2016. A comparison of machine learning algorithms for mapping of complex surface mined and agricultural landscapes using ZiYuan-3 stereo satellite imagery. Remote Sensing, 8(6): 514
  17. 17.
    Liu H F, Yang Y B, Yu S, Kong L T and Zhang Y. 2014. Adaptability evaluation of different fusion methods on ZY-3 and Landsat8 images. Remote Sensing For Land and Resources, 26(4): 63-70
  18. 18.
    Liu X S. 2015. Study on soil bidirectional reflectance characteristics and application of soil standard spectral library. Wuhan: Huazhong Agricultural University
  19. 19.
    Matasci G, Longbotham N, Pacifici F, Kanevski M and Tuia D. 2015. Understanding angular effects in VHR imagery and their significance for urban land-cover model portability: a study of two multi-angle in-track image sequences. ISPRS Journal of Photogrammetry and Remote Sensing, 107: 99-111
  20. 20.
    Roujean J L, Leroy M and Deschamps P Y. 1992. A bidirectional reflectance model of the Earth's surface for the correction of remote sensing data. Journal of Geophysical Research: Atmospheres, 97(D18): 20455-20468
  21. 21.
    Schaepman-Strub G, Schaepman M E, Painter T H, Dangel S and Martonchik J V. 2006. Reflectance quantities in optical remote sensing—definitions and case studies. Remote Sensing of Environment, 103(1): 27-42
  22. 22.
    Song D J, Zhang C M, Yang X X, Li F, Han Y J, Gao S and Dong H Y. 2020. Extracting winter wheat spatial distribution information from GF-2 image. Journal of Remote Sensing (Chinese), 24(5): 596-608
  23. 23.
    Su L H, Chopping M J, Rango A, Martonchik J V and Peters D P C. 2007. Support vector machines for recognition of semi-arid vegetation types using MISR multi-angle imagery. Remote Sensing of Environment, 107(1/2): 299-311
  24. 24.
    Tian J, Reinartz P, d’Angelo P and Ehlers M. 2013. Region-based automatic building and forest change detection on Cartosat-1 stereo imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 79: 226-239
  25. 25.
    Waldner F, Canto G S and Defourny P. 2015. Automated annual cropland mapping using knowledge-based temporal features. ISPRS Journal of Photogrammetry and Remote Sensing, 110: 1-13
  26. 26.
    Wu J Y, Liu X L, Bo Y X, Shi Z T and Fu Z. 2019. Plastic greenhouse recognition based on GF-2 data and multi-texture features. Transactions of the Chinese Society of Agricultural Engineering, 35(4): 106-113
  27. 27.
    Yang Y J, Tian Q J, Zhan Y L, Tao B and Xu K J. 2018. Effects of spatial resolution and texture features on multi-spectral remote sensing classification. Journal of Geo-Information Science, 20(1): 99-107
  28. 28.
    Yu W W, Xu K J, Zhao P, Shen P J and Zhao Y J. 2021. Influence of red-edge spectrum of sentinel-2 image on identification of dominant tree species in different growing periods. Geography and Geo-Information Science, 37(3): 42-49
  29. 29.
    Zhang D J, Pan Y Z, Zhang J S, Hu T G, Zhao J H, Li N and Chen Q. 2020. A generalized approach based on convolutional neural networks for large area cropland mapping at very high resolution. Remote Sensing of Environment, 247: 111912
  30. 30.
    Zhang J S, Pan Y Z, Han L J, Su W and He Y C. 2007. Land Use/cover Change Detection with Multi-source Data, (04):500-510
  31. 31.
    Zhu S, Zhang J S, Shuai G Y and Yu Q Y. 2014. Winter wheat mapping by soft and hard land use / cover change detection, 18(02):476-496
  32. 32.
    Zhu X F, Li S B and Xiao G F. 2019. Method on extraction of area and distribution of plastic-mulched farmland based on UAV images. Transactions of the Chinese Society of Agricultural Engineering, 35(4): 106-113

Читать полностью

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