耕地细碎化农业区冬小麦遥感制图方法.pdfVIP

第 38 卷 第 22 期 农 业 工 程 学 报 Vol.38 No.22 190 2022 年 11 月 Transactions of the Chinese Society of Agricultural Engineering Nov. 2022 ·土地保障与生态安全· 耕地细碎化农业区冬小麦遥感制图方法 ※ 王丽美，靳国旺 ，熊 新，武 珂，黄启灏 （信息工程大学地理空间信息学院，郑州 450001 ） 摘 要：从遥感影像中提取作物播种面积和空间分布对耕地可持续发展和粮食安全意义重大。目前的遥感小麦制图研究 主要依靠光学图像和高复杂度的分类方法，且现有分类算法在小样本条件下、耕地细碎化农业区的分类性能以及时间迁 移性能仍然不确定，探索适合小样本的低复杂度的稳定算法具有现实意义。该研究基于 Google Earth Engine （GEE ）遥感 云平台，使用 Sentinel-1 SAR 和 Sentinel-2 光学时间序列遥感数据，评估了时间加权动态时间规整算法（Time-Weighted Dynamic Time Warping ，TWDTW ）、随机森林算法（Random Forest ，RF ）和基于相似性测度（Difference and Similarity Factor ， DSF ）的 OTSU 阈值法在小样本条件下、耕地细碎化农业区的冬小麦制图精度和时间迁移性能。研究结果表明，在有限 样本条件下，TWDTW 方法小麦制图精度最高，总体精度（Overall Accuracy，OA ）和Kappa 系数分别为 0.923 和 0.843 ； 其次是 RF （OA=0.906，Kappa=0.809 ）和DSF 算法（OA=0.887，Kappa=0.767 ）；基于欧式距离的OTSU 阈值法分类精 度最低。当利用算法进行时间迁移分类提取 2021 年的冬小麦分布图时，TWDTW 和 DSF 算法表现出更好的稳定性且分 类精度优于 RF 算法，其中 TWDTW 算法的精度最高，OA 和 Kappa 系数分别为 0.889 和 0.755 ；RF 算法分类精度下降明 显，OA 和 Kappa 系数分别降低了约 0.07 和 0.19，说明 RF 算法的迁移分类性能较差。综合来看，TWDTW 算法对样本 和耕地细碎化的敏感性较低，可以在有限样本条件下实现耕地细碎化农业区的高精度连续冬小麦制图；而 RF 算法对样本 和耕地细碎化的敏感性较高，在有限样本条件下的耕地细碎化农业区进行连续冬小麦制图时稳定性较差。 关键词：遥感；作物；制图；冬小麦；耕地细碎化；Google Earth Engine doi ：10.11975/j.issn.1002-6819.2022.22.021 中图分类号：S512.11 文献标志码：A 文章编号：1002-6819(2022)-22-0190-9 王丽美，靳国旺，熊新，等. 耕地细碎化农业区冬小麦遥感制图方法[J]. 农业工程学报，2022，38(22)：190-198. doi ：10.11975/j.issn.1002-6819.2022.22.021 Wang Limei, Jin Guowang, Xiong Xin, et al. Winter wheat mapping in land fragmentation areas using remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(22): 190-198. (in Chinese with English abstract) doi ：10.119