Knowledge Resource Center for Ecological Environment in Arid Area
| 基于云计算平台的旱区典型农作物遥感信息提取研究 | |
| 刘亚楠 | |
| 出版年 | 2019 |
| 学位类型 | 硕士 |
| 学位授予单位 | 云南师范大学 |
| 中文摘要 | 中国是农业大国,粮食的产量是影响农业发展的一个关键因素,而作物识别是保障全球粮食安全初始阶段。随着全球气候的干暖化,作物生长周期发生改变,且造成了很多作物灾害,对作物进行大面积识别可以及时调整作物的生长结构和作物种植制度。因此,无论是粮食安全还是气候变化,对作物进行高效、及时的大面积识别显得尤为重要。本文应用Sentinel-2B、Landsat-8和样本数据,以内蒙古自治区土默特右旗县为研究区,以玉米、小麦、葵花三种主要作物为提取目标,提取典型农作物物候特征和纹理特征,开展了基于Google Earth Engine云平台的典型农作物多特征遥感信息提取研究。首先,使用Sentinel-2B遥感影像、Landsat-8遥感影像和实地采集的样本点为主要原始数据,结合往年当地的作物物候和温度变化,分析2018年三种作物的物候特征。根据Landsat-8遥感影像生成三种作物的NDVI曲线,对典型作物物候特征进行分析。其次,将三条曲线间变化较为明显的时间点和作物的种植、收获时间点作为多期影像数据源,对数据源进行分析,最终选择了5个时相。使用Sentinel-2B分别分析这5个时相的遥感影像的8种纹理特征,共生成40个纹理特征,并对典型作物纹理特征进行分析。最后,用主成分分析法将45个特征进行分析,分别用最小分类法、最大似然分类法、分类决策树分类法和随机森林分类法对主成分分析后的前15个不同的特征组合进行分类。实验结果表明:(i)基于单特征的分类精度(50.21%~91.26%)低于多特征的分类精度(55.26%~93.34%);全部特征的分类精度(55.26%~93.34%)低于特征选择后的分类精度(62.44%~97.37%)。(ii)不同的分类方法要结合不同的特征组合才能使分类效果最佳。(iii)研究区玉米主要分布在三间房乡、海子乡,提取面积为912.4km2;小麦主要分布在明沙淖乡、美岱召镇和G6京藏高速路北部,提取面积为110.46km2;葵花主要分布在毛岱乡和尧将军镇,提取面积为228.86km2。 |
| 中文关键词 | Google Earth Engine云平台 ; 物候特征 ; 纹理特征 ; 作物分类 |
| 语种 | 中文 |
| 国家 | 中国 |
| 中图法分类号 | S127 |
| 来源机构 | 云南师范大学 |
| 资源类型 | 学位论文 |
| 条目标识符 | http://119.78.100.177/qdio/handle/2XILL650/337667 |
| 作者单位 | 云南师范大学 |
| 推荐引用方式 GB/T 7714 | 刘亚楠. 基于云计算平台的旱区典型农作物遥感信息提取研究[D]. 云南师范大学,2019. |
| 条目包含的文件 | 条目无相关文件。 | |||||
| 个性服务 |
| 推荐该条目 |
| 保存到收藏夹 |
| 导出为Endnote文件 |
| 谷歌学术 |
| 谷歌学术中相似的文章 |
| [刘亚楠]的文章 |
| 百度学术 |
| 百度学术中相似的文章 |
| [刘亚楠]的文章 |
| 必应学术 |
| 必应学术中相似的文章 |
| [刘亚楠]的文章 |
| 相关权益政策 |
| 暂无数据 |
| 收藏/分享 |
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
