陶万成 张颖 谢茈萱 王新盛 董镱 张明政 苏伟 李佳雨 轩阜
摘要：秸秆还田是减少土壤侵蚀、增加土壤有机碳的重要措施，对黑土地保护具有重要意义。区域范围内玉米秸秆覆盖区的准确、快速识别，对监测保护性耕作实施、农业补贴政策的制定具有重要作用。以实施保护性耕作的典型区吉林省四平市为研究区，基于GEE（google earth engine）云平台，结合2020年5月—11月的Sentinel-2时序遥感影像，依据玉米生长季和收获后的秸秆状态构建光谱特征和指数特征，指数特征包括归一化差值植被指数（NDVI）和归一化差值秸秆指数（NDRI）。为避免数据冗余，对时序特征值按大小排序，同时利用分位法以0%, 25%, 50%, 75%, 100%分位选取分位（QT）特征，进而构建数据集。应用参数优化后的随机森林方法对按照7∶3划分的样本集进行训练和验证，然后对数据集分类，结合连通域标定法去除分类过程中产生的细小连通域，进一步优化全局结果。通过Kappa和整体精度（OA）定量和定性评价，实验结果表明：（1）基于不同特征集组成数据集的分类模型（M1/M2/M3/M4/M5）定量评价结果均优于90%,其中所设计数据集的分类模型M5效果最好，Kappa和OA分别为97.41%和97.91%,相比于未加入QT特征集的分类模型M2的Kappa和OA分别提升4.52%和3.64%,同时M5识别结果可以有效保留边缘细节信息；（2）针对不同时间尺度的QT特征集，利用5月—11月时序遥感影像的QT特征集分类模型M5＿6/M5可以极大地抑制其他作物秸秆的影响，相比仅利用11月时序影像QT特征的M5＿1模型分类结果的Kappa和OA分别提升了3.9%和3.12%;（3）基于M5模型，结合连通域标定法的分类模型M6的Kappa和OA分别为96.76%和97.36%,仅次于M5模型识别结果，模型M6在保证较高精度的同时避免了细碎图斑，优化了分类可视化效果。该研究提出的M6模型适用于识别研究区玉米秸秆覆盖区，该方法能够在GEE云平台环境下快速执行，适合推广应用于东北地区秸秆覆盖区。
关键词：秸秆覆盖区;GEE云平台;时序Sentinel-2A影像;随机森林;连通域;
基于时序Sentinel-2A影像的玉米秸秆覆盖区智能识别研究.pdf
