Sentinel-2A与GF-1数据在油菜种植提取中的差异性分析及提取方法对比研究

以Sentinel-2A和GF-1 WFV为数据源,分别采用最邻近法(面向对象)及BP神经网络法(基于像元),提取兴化市油菜种植区,并对提取结果进行精度验证;同时,结合官方数据,比较各提取组合类型(数据+方法)提取的油菜种植面积相对误差.通过此,探讨多源中高空间分辨率遥感数据中,油菜作物的提取效果差异性及适用的提取方法,并对研究区油菜种植空间格局特征进行分析.结果表明:针对Sentinel-2A和GF-1 WF数据,最邻近法及BP神经网络法提取效果均较好,各提取结果均显示油菜种植区在缸顾乡、周奋乡、垛田镇等西部区域主要呈集中连片分布,其他区域呈零星状分布.相对于基于像元的分类法,面向对象分类法在精度评价中的各参数表现更佳,并能较为有效地避免复杂地物类型区像元错分及漏分问题.针对同一数据,采用最邻近法所提取Sentinel-2A数据的生产者精度、用户精度以及油菜面积精度比BP神经网络法分别多3.22%、0.43%、6.24%,采用最邻近法所提取GF-1 WFV的生产者精度、用户精度和油菜面积精度比BP神经网络法高3.74%、0.10%、9.58%.针对同一方法,由于Sentinel-2A数据具更高的空间分辨率及更丰富的光谱信息,以上2种方法提取该数据的精度均高于GF-1 WFV数据,Sentinel-2A数据更适用于地物结构复杂,地块细碎的小尺度地区的作物信息提取.     

基于Sentinel-2卫星遥感影像的云南省文山州三七种植面积估算研究

中药材多种植在自然条件适宜的山区,其种植区域地形复杂,种植地块多呈不规则碎片状,采用传统调查方法难以准确地计算种植面积和估测产量.卷积神经网络(Convolutional Neural Network,CNN)在遥感影像中准确高效地提取农作物空间分布有着较好的实验效果.因此,将CNN的特征提取能力应用于中药材种植,通过...