筛选
科研产出
基于Sentinel数据和机器学习算法的苜蓿遥感识别研究
《草食家畜 》 2024
摘要：【目的】旨在准确获取苜蓿（Medicago sativa L.）生产空间分布信息，为管理部门提供饲草饲料安全供给情况和技术支持。【方法】本研究使用Google Earth Engine(GEE)平台获取和处理哨兵（Sentine）系列卫星Sentinel-1和Sentinel-2数据，构建了光谱特征、植被指数和雷达极化特征数据集。利用决策树、随机森林、支持向量机和深度学习四种分类算法，评价不同特征组合遥感分类精度，筛选出最优的特征组合和苜蓿遥感识别模型。【结果】结果表明，结合光谱特征、植被指数和雷达极化特征的深度神经网络模型在苜蓿遥感分类中表现最优，总体精度为94.85%,Kappa系数为94.2%；研究证明了机器学习方法在提高苜蓿遥感分类精度方面的有效性；在四种分类模型中，光学特征加雷达特征综合组合的精度均为最高，说明了多源遥感信息对于提高模型性能的重要性。【结论】基于深度神经网络的苜蓿遥感识别模型，在结合光谱特征、植被指数和雷达极化特征的特征组合条件下，识别效果最好。
全文链接
请求原文
首页上一页1下一页尾页
