用户2836191的专栏-腾讯云开发者社区

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

用户2836191的专栏

专栏成员

2

文章

3050

阅读量

2

订阅数

基于GEE和S1自动提取水稻种植区

机器学习神经网络深度学习人工智能

这项研究提出了一种经济有效的方法，可用于近实时地绘制和监测大面积水稻的生长程度和种植方式。这种新颖的方法可以生成水稻种植区的高分辨率月度地图（10 m分辨率）以及水稻生长阶段。该方法将时态Sentinel-1数据和水稻物候参数与基于Google Earth Engine（GEE）云的平台集成在一起。它使用2016年9月至2018年10月处于VH极化状态的Sentinel-1每月中位时间序列。这两个研究区域是印度尼西亚西爪哇省的北部地区（75万公顷）以及马来西亚的吉打州和玻璃市州（超过1个）百万公顷）。使用K均值聚类，层次聚类分析（HCA）和VH极化时间序列剖面的可视化解释来生成水稻范围，种植模式和生育期的时空分布。为了使该过程自动化，对四种监督分类方法（支持向量机（SVM），人工神经网络（ANN），随机森林和C5.0分类模型）进行了独立试验，以识别聚类标签。比较每种分类方法的结果。该方法还可以预测长达两个月的水稻播种期。 VH极化数据可以确定水稻的四个生长阶段：T＆P：耕作和播种（30天）； V：植物人1和2（60天）； R：生殖（30天）； M：到期日（30天）。与实地调查数据相比，该方法测量的水稻总面积精度为96.5％，卡伯系数为0.92。与随机森林和C5.0模型相比，SVM和ANN显示出更好的性能。这种简单而强大的方法可以在整个东南亚地区推广，并且可以替代耗时，昂贵的实地调查

2020-10-11

2.1K0

GEE支持下的基于S1雷达影像和S2影像辅助的稻田制图

提出了一种新颖的稻田制图方法，该方法使用了Sentinel-1合成孔径雷达（SAR）时间序列，该序列对云层具有鲁棒性，并辅以Sentinel-2光学图像比SAR数据更可靠地提取灌溉水田。通过使用Sentinel-1 SAR数据和决策树方法确定稻田。然后，叠加基于Sentinel-2光学图像的水和植被指数进行掩膜，以去除非稻田区域。使用提出的方法来进行2018年日本稻田制图，空间分辨率为30 m。对于非稻田参考农业田地，该地图的生产者精度（92.4％）比仅使用Sentinel-1数据通过传统方法开发的地图（57.0％）要高得多。与通过遥感方法开发的现有稻田地图相比，我们提出的方法还可以更好地复制县级稻田面积。

2020-10-11

9440

没有更多了

社区活动

AI代码助手快速上手训练营

鹅厂大牛带你玩转AI智能结对编程

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·千货材料·成员作品最新动态