Anterior|Siguiente

Extracción remota de arroz de temporada única del noreste a partir de imágenes GF-6 con selección de características y algoritmo de bosque aleatorio

  • 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*

resumen

Con el fin de buscar un método eficiente y preciso para extraer el área de cultivo de arroz de temporada única en el noreste, este estudio tomó la ciudad de Panjin en la provincia de Liaoning como área de investigación, utilizando seis escenas de imágenes GF-6 WFV de fase única que cubren los períodos fenológicos clave del arroz, así como imágenes temporales. Se construyeron cuatro tipos de variables características: características espectrales, índices de vegetación, índices de cuerpos de agua e índices de borde rojo. La importancia se ordenó mediante el método de reducción de impureza promedio y las mejores características de entrada se seleccionaron mediante el método del error fuera de la bolsa. Se estableció un modelo de bosque aleatorio basado en la selección de características para extraer la distribución del cultivo de arroz en Panjin en 2020. Los resultados muestran: (1) Basado en imágenes de fase única durante diferentes períodos fenológicos del arroz, la precisión general de clasificación fue superior al 94%, siendo la mejor clasificación en la imagen del período de trasplante del arroz, con precisión general del 97.67%, valor F1 (arroz) del 98.84%, coeficiente Kappa de 0.97 y precisión de puntos de validación en campo del 97.22%. (2) En comparación con las imágenes de fase única, el uso de imágenes temporales para la clasificación de la cubierta terrestre y la extracción de información del arroz puede mejorar eficazmente la precisión de clasificación, con precisión general del 99.33%, valor F1 (arroz) del 100.00%, coeficiente Kappa de 0.99 y precisión de puntos de validación del 97.22%. (3) El análisis comparativo de los resultados de extracción con y sin participación de información de borde rojo mostró que la introducción de la banda y el índice de borde rojo puede mejorar la precisión de clasificación. (4) La introducción de las bandas de borde violeta y borde amarillo puede mejorar la precisión, pero el efecto es inferior a la información de borde rojo. Este estudio demuestra que el modelo de bosque aleatorio basado en la selección de características, utilizando imágenes de fase única en el período de trasplante de arroz, puede satisfacer las necesidades de precisión en aplicaciones reales, pero el uso de imágenes temporales puede mejorar aún más la precisión. Además, las nuevas bandas del satélite GF-6 pueden mejorar la precisión de clasificación del arroz, mostrando un gran potencial de aplicación del satélite GF-6 en la extracción detallada de cultivos.

palabra clave

teledetección;bose aleatorio;banda de borde rojo;selección de características;Gaofen-6;arroz;banda de borde violeta;banda de borde amarilla

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

Leer el 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