关键词:
Sentinel影像
油茶
Sigmoid函数
Google Earth Engine
样本迁移
摘要:
遥感影像分析中,多光谱指数特征的归一化处理对于提高分类精度和模型的泛化能力至关重要。采用Google Earth Engine(GEE)平台,以Sentinel-1 SAR雷达遥感影像和Sentinel-2 A光学遥感影像为数据源,通过计算纹理特征、地形特征、极化特征和Sigmoid函数归一化前后的多光谱指数特征构建不同的分类场景,采用随机森林、梯度提升树、支持向量机和朴素贝叶斯4种机器学习分类器进行分类实验,分析对光谱指数特征进行归一化处理是否有利于油茶林识别。将构建的卷积神经网络(CNN)和结合Bi-LSTM模块的深度学习模型与机器学习分类器进行比较,分析不同模型对油茶林识别效果。以吉安市2021年五种土地类型样本点为基础,将适合油茶林识别的分类场景应用到不同年份(2019年、2020年、2022年、2023年)的样本迁移中,分析各年份油茶林面积增量与空间分布。结果表明,归一化后的光谱指数特征与随机森林相结合对油茶林识别精度最高,整体精度(OA)为99.02%,Kappa系数为0.9837,油茶林用户精度(UA)为95.31%,油茶林生产者精度(PA)为93.74%;研究中CNN系列的深度学习模型对油茶林识别精度略低于随机森林分类器,其中结合Bi-LSTM模块的深度学习模型的整体精度(OA)为98.69%,Kappa系数为0.9713油茶林用户精度(UA)为94.96%,油茶林生产者精度(PA)为93.17%;2021年吉安市油茶林种植面积达184.4881万亩,其中遂川县占27.67%,为面积最大县;油茶林种植分布由地势高向地势低递减,种植地点多位于家庭农户附近的山坡地和自留地,油茶林种植面积逐年增加。研究所提出的油茶林提取方法能够为实现油茶林动态监测与管理提供帮助,所提出的样本迁移方法能有效减少样本采集和标注成本。