基于Sentinel-2的闪电河流域农作物分类研究

doi:10.11873/j.issn.1004-0323.2021.2.0400

遥感技术与应用

2021, Vol. 36

Issue (2): 400-410 DOI: 10.11873/j.issn.1004-0323.2021.2.0400

农业遥感专栏

基于Sentinel-2的闪电河流域农作物分类研究

尹燕旻(

),贾立(

)

中国科学院空天信息创新研究院，遥感科学国家重点实验室，北京 100101

Sentinel-2 Study on Crop Mapping of Shandian River Basin based on Images

Yanmin Yin(

),Li Jia(

)

State Key Laboratory of Remote Sensing Science，Institute of Aerospace Information Innovation，Chinese Academy of Sciences，Beijing 100101

全文: PDF(6402 KB) HTML

摘要：

以内蒙古闪电河流域为研究区，基于Sentinel2光学遥感影像结合随机森林和支持向量机算法，采用3种方案：基于像元的分类方法、面向对象的分类方法及改进的基于像元分类与面向对象分割相结合的集成方法，对研究区内的农作物进行精细提取。结果表明：①基于随机森林采用基于像元的方法进行分类，所有地类的总体精度为97.8%，Kappa系数为0.974，表明随机森林算法可以有效地进行农作物提取。②改进的基于像元分类与面向对象分割相结合的集成方法分类效果较好，所有地类的总体精度为96.4%，Kappa系数为0.957，该方法充分结合了基于像元和面向对象分类方法的优点，可有效提升闪电河流域的作物分类效果。

关键词： Sentinel-2; 农作物分类; 面向对象; 基于像元; 随机森林; RF; SVM

Abstract:

In this study， Sentinel-2 data combined with Random Forest method （RF） and Support Vector Machine method （SVM） were used to extract crop information in the Shandian River Basin in Inner Mongolia. Three schemes are proposed： pixel-based classification algorithm， object-based classification algorithm and improved integration algorithm based on pixel-based classification and object-based segmentation. Results are as follows：（1） pixel-based classification with RF gets the best extraction accuracy， with an overall accuracy up to 97.8% and Kappa coefficient of 0.974. This result shows that RF has evident advantages in crop extraction. （2） The improved integration algorithm also has good extraction accuracy. The overall accuracy is 96.4%， and kappa coefficient is 0.957. This method fully combines the advantages of pixel-based and object-based classification methods， which effectively improves the crop classification effect in Shandian River region.

Key words: Sentinel-2 Crop extraction Pixel-based classification Object-based classification RF SVM

收稿日期: 2020-06-22 出版日期: 2021-05-24

ZTFLH:

TP79

基金资助: 中国科学院战略性先导科技专项(XDA19030203)

通讯作者: 贾立 E-mail: yinym@radi.ac.cn;jiali@radi.ac.cn

作者简介: 尹燕旻（1994-），女，山东泰安人，硕士研究生，主要从事农作物分类研究。E?mail:yinym@radi.ac.cn

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	尹燕旻
	贾立

引用本文:

尹燕旻,贾立. 基于Sentinel-2的闪电河流域农作物分类研究[J]. 遥感技术与应用, 2021, 36(2): 400-410.

Yanmin Yin,Li Jia. Sentinel-2 Study on Crop Mapping of Shandian River Basin based on Images. Remote Sensing Technology and Application, 2021, 36(2): 400-410.

链接本文:

http://www.rsta.ac.cn/CN/10.11873/j.issn.1004-0323.2021.2.0400 或 http://www.rsta.ac.cn/CN/Y2021/V36/I2/400

图1闪电河流域实验区区位图

表1 闪电河流域研究区Sentinel2遥感影像信息

表2 闪电河研究区农作物分类样本统计表

图 2 闪电河流域作物分类实验方案流程图

表3 闪电河研究区作物分类实验方案信息

表4 作物分类像元特征集描述

表5 作物分类对象特征集描述

图3 特征重要性分布

表6 对象分割输入特征权重对应表

图4 不同方案精度统计图（横坐标A、B、C、D、E、F、G分别表示玉米、土豆、胡萝卜、莜麦、林地、草地、建设用地、荒地）

图5 闪电河流域研究区内不同分类方案局部地区作物分布图（2018年）

图6 闪电河流域研究区内不同分类方案作物分布图（2018年）

表7 闪电河流域研究区内作物分类精度统计

1	Chen Zhongxin， Ren Jjianqiang， Tang Huajun，et al. Progress and Perspectives on Agricultural Remote Sensing Research and Applications in China［J］. Journal of Remote Sensing， 2016，20（5）： 748–767.
1	陈仲新，任建强，唐华俊，等.农业遥感研究应用进展与展望［J］.遥感学报，2016，20（5）：748-767.
2	Zhao Chunjiang.Advances of Research and Application in Remote Sensing for Agriculture［J］. Transactions of the Chinese Society for Agricultural Machinery，2014，45（12）：277-293.
2	赵春江.农业遥感研究与应用进展［J］.农业机械学报， 2014，45（12）：277-293.
3	Wu Bingfang， Zhang Miao， Zeng Hongwei，et al. Agricultural Monitoring and Early Warning in the Era of Big Data［J］. Journal of Remote Sensing， 2016，20（5）：1027-1037.
3	吴炳方，张淼，曾红伟，等. 大数据时代的农情监测与预警［J］. 遥感学报，2016，20（5）：1027-1037.
4	Meng Jihua，Wu Bingfang，Du Xin，et al. A Review and Outlook of Applying Remote Sensing to Precision Agriculture［J］ .Remote Sensing for Land and Resources，2011，23（3）：1-7.
4	蒙继华，吴炳方，杜鑫，等. 遥感在精准农业中的应用进展及展望［J］.国土资源遥感，2011，23 （3）： 1-7.
5	Patil P， Murali K G， Gumma， et al. A Review of the Available Land Cover and Cropland Maps for South Asia［J］. Agriculture， 2018，8（7）：111. doi：10.3390/agriculture 8070111. doi: 10.3390/agriculture 8070111
6	Song Qian，Zhou Qingbo，Wu Wenbin，et al.Recent Progresses in Research of Integrating Multi-source Remote Sensing Data for Crop Mapping［J］.Scientia Agricultura Sinica，2015，48（6）：1122-1135.
6	宋茜，周清波，吴文斌，等. 农作物遥感识别中的多源数据融合研究进展［J］.中国农业科学，2015，48（6）： 1122-1135.
7	Liu Zhe，Liu Diyou，Zhu Dehai，et al. Review on Crop Type Fine Identification and Automatic Mapping Using Remote Sensing ［J］．Transactions of the Chinese Society for Agricultural Machinery， 2018，49（12）：1-12.
7	刘哲，刘帝佑，朱德海，等.作物遥感精细识别与自动制图研究进展与展望［J］. 农业机械学报，2018，49（12）：1-12.
8	Liu Bingjing，Yang Yanzhao，Li Yi. Quantitative Analysis of Land Use Structure Characteristics over the Farming——Pastoral Zone in the West Liaohe River basin，Northern China［J］. Journal of Arid Land Resources and Environment， 2018，32（6）：64-71.
8	刘冰晶，杨艳昭，李依. 北方农牧交错带土地利用结构特征定量研究——以西辽河流域为例［J］. 干旱区资源与环境， 2018， 32（6）：64-71.
9	Han Tao，Pan Jianjun，Zhang Peiyu，et al.Study on Differences between Sentinel-2A and Landsat 8 Images in Rape identification［J］. Remote Sensing Technology and Application ， 2018，33（5）：890-899.
9	韩涛，潘剑君，张培育，等. Sentinel-2 与Landsat 8影像在油菜识别中的差异性研究［J］.遥感技术与应用，2018，33（5）：890-899．
10	Chen Mingye，Chen Lei，Zhou Xun.A Remote Sensing Study of Spatio-temporal Changes of Ecological Environment of Shandian River［J］ .Remote Sensing for Land and Resources，2017，29（4）：166 -172.
10	陈明叶，陈磊，周询. 闪电河上游生态环境时空变化遥感研究［J］.国土资源遥感，2017，29（4）：166-172.
11	Zhao Y， Potgieter A B， Zhang Miao， et al. Predicting Wheat Yield at the Field Scale by Combining High-resolution Sentinel-2 Satellite Imagery and Crop Modelling［J］.Remote Sensing， 2020，12（6）：1024. doi：10.3390/rs12061024. doi: 10.3390/rs12061024
12	Drusch M， Del Bello U， Carlier S，et al. Sentinel-2： ESA's Optical High-Resolution Mission for GMES Operational Services［J］. Remote Sensing of Environment，2012，120：25-36.doi： 10.1016/j.rse.2011.11.026. doi: 10.1016/j.rse.2011.11.026
13	Li Qiliang，Fan Jinlong，Xu Qi，Liu Shaojie，et al. Ground Sample Survey based on GPS Photos Processing System［J］. Journal of Geomatics， 2019（3）：113-116.李启亮，范锦龙，许淇，等. 基于GPS照片数据处理系统的地面样方调查［J］. 测绘地理信息， 2019（3）：113-116.
14	Zhang X， Sun Y L， Shang K， et al. Crop Classification based on Feature Band Set Construction and Object-Oriented Approach Using Hyperspectral Images［J］. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2016，9（9）：4117-4128. doi：10.1109/JSTARS.2016. 2577339. doi: 10.1109/JSTARS.2016. 2577339
15	Zhou Zhuang，Li Shengyang，Zhang Kang，et al. Crop Mapping Using Remotely Sensed Spectral and Context Features based on CNN［J］.Remote Sensing Technology and Application，2019，34（4）：694-703.
15	周壮，李盛阳，张康，等.基于CNN和农作物光谱纹理特征进行作物分布制图［J］.遥感技术与应用，2019，34（4）：694-703.
16	Song Q， Zhou Q B， Wu W B， et al. Mapping Regional Cropping Patterns by using GF-1 WFV Sensor Data［J］. Journal of Integrative Agriculture，2017，16（2）：337-347.doi：10.1016/S2095-3119（16）61392-8. doi: 10.1016/S2095-3119（16）61392-8
17	Zhang Lei， Gong Zhaoning， Wang Qiwei， et al. Wetland Mapping of Yellow River Delta Wetlands based on Multi-feature Optimization of Sentinel-2 Images［J］. Journal of Remote Sensing，2019，23（2）：313-326.
17	张磊，宫兆宁，王启为，等.Sentinel-2影像多特征优选的黄河三角洲湿地信息提取［J］.遥感学报，2019，23（2）：313-326.
18	Du S H，Guo Z，Wang W Y，et al. A Comparative Study of the Segmentation of Weighted Aggregation and Multiresolution Segmentation［J］. Giscience & Remote sensing，2016，53（5）：651-670.
19	Shi Peirong，Chen Yongfu，Liu Hua， et al.Parameters of Multi-segmentation based on Segmentation Evalution Function［J］. Remote Sensing Technology and Application， 2018，33（4）：628-637.
19	施佩荣，陈永富，刘华，等，基于分割评价函数的多尺度分割参数的选择［J］.遥感技术与应用，2018，33（4）：628-637.
20	Ma L，Li M C，Ma X X，et al. A Review of Supervised Object-based Land-cover Image Classification［J］. Elsevier Bes-loten Vennootschap，2017，130.doi：10.1016/j.isprsjprs.2017.06.001. doi: 10.1016/j.isprsjprs.2017.06.001
21	Breiman L.Random Forests［J］. Machine Learning， 2001， 45（1）：5-32.doi：10.1023/A：1010933404324. doi: 10.1023/A：1010933404324
22	Belgiu M， Drăguţ L. Random Forest in Remote Sensing： A Review of Applications and Future Directions［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2016，114：24-31.doi：10.1016/j.isprsjprs.2016.01.011. doi: 10.1016/j.isprsjprs.2016.01.011
23	Mountrakis G， Im J， Ogole C. Support Vector Machines in Remote Sensing： A Review［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2010，66（3）：247-259. doi：10.1016/j.isprsjprs.2010.11.001. doi: 10.1016/j.isprsjprs.2010.11.001
24	Xiong J， Thenkabail P S， Tilton J C，et al. Nominal 30 m Cropland Extent Map of Continental Africa by Integrating Pixel-Based and Object-based Algorithms Using Sentinel-2 and Landsat 8 Data on Google Earth Engine［J］. Remote Sensing，2017，9（10）：1065.doi： 10.3390/rs9101065. doi: 10.3390/rs9101065
25	Li Xiang，Liu Kai，Zhu Yuanhui，et al.Study on Mangrove Species Classification based on ZY-3 Image［J］.Remote Sensing Technologyand Application，2018，33（2）：360-369.
25	李想，刘凯，朱远辉，等.基于资源三号影像的红树林物种分类研究［J］.遥感技术与应用，2018，33（2）：360-369.
26	Carolin S， Anne-Laure B， Achim Z， et al. Bias in Random Forest Variable Importance Measures： Illustrations， Sources and a Solution［J］. BMC Bioinformatics，2007，8：25. doi：10.1186/1471-2105-8-25. doi: 10.1186/1471-2105-8-25

[1]	胡乃勋,陈涛,甄娜,牛瑞卿. 基于卷积神经网络的面向对象露天采场提取[J]. 遥感技术与应用, 2021, 36(2): 265-274.
[2]	屈炀,袁占良,赵文智,陈学泓,陈家阁. 基于多时序特征和卷积神经网络的农作物分类[J]. 遥感技术与应用, 2021, 36(2): 304-313.
[3]	陈彦四,黄春林,侯金亮,韩伟孝,冯娅娅,李翔华,王静. 基于多时相Sentinel-2影像的黑河中游玉米种植面积提取研究[J]. 遥感技术与应用, 2021, 36(2): 324-331.
[4]	杨福芹,冯海宽,李振海,潘洁晨,谢瑞. 苹果叶片氮含量高光谱反演方法对比[J]. 遥感技术与应用, 2021, 36(2): 353-361.
[5]	王晨丞,王永前,王利花. 基于SAR纹理信息的农作物识别研究——以农安县为例[J]. 遥感技术与应用, 2021, 36(2): 372-380.
[6]	王崇阳,田昕. 基于GF⁃1 PMS数据的森林覆盖变化检测[J]. 遥感技术与应用, 2021, 36(1): 208-216.
[7]	付甜梦,张丽,陈博伟,闫敏. 基于GEE平台的海岛地表覆盖提取及变化监测—以苏拉威西岛为例[J]. 遥感技术与应用, 2021, 36(1): 55-64.
[8]	马腾耀,肖鹏峰,张学良,马威,郭金金. 基于特征优选的GF-3全极化数据积雪识别[J]. 遥感技术与应用, 2020, 35(6): 1292-1302.
[9]	王一帆,徐涵秋. 基于客观阈值与随机森林Gini指标的水体遥感指数对比[J]. 遥感技术与应用, 2020, 35(5): 1089-1098.
[10]	郑琪,邸苏闯,潘兴瑶,刘洪禄,朱永华,张岑,周星. 基于Rapid Eye数据的北京生态涵养区土地利用分类及变化研究[J]. 遥感技术与应用, 2020, 35(5): 1118-1126.
[11]	牟昱璇,邬明权,牛铮,黄文江,杨尽. 南方地区复杂条件下的耕地面积遥感提取方法[J]. 遥感技术与应用, 2020, 35(5): 1127-1135.
[12]	王明,刘正佳,陈元琰. 基于Sentinel-2波段/产品的图像云检测效果对比研究[J]. 遥感技术与应用, 2020, 35(5): 1167-1177.
[13]	李宏达,高小红,汤敏. 基于CNN的不同空间分辨率影像土地覆被分类研究[J]. 遥感技术与应用, 2020, 35(4): 749-758.
[14]	杨瑞,祁元,苏阳. 深度学习U-Net方法及其在高分辨卫星影像分类中的应用[J]. 遥感技术与应用, 2020, 35(4): 767-774.
[15]	连喜红,祁元,王宏伟,张金龙,杨瑞. 基于面向对象的青海湖环湖区居民地信息自动化提取[J]. 遥感技术与应用, 2020, 35(4): 775-785.

Viewed

Full text

Abstract

Cited

Shared

Discussed