• 主题
高级搜索  >
历史搜索 清空历史
首页> 美国卫生研究院文献>Sensors (Basel Switzerland) >An Improved Multi-temporal and Multi-feature Tea Plantation Identification Method Using Sentinel-2 Imagery
【2h】

An Improved Multi-temporal and Multi-feature Tea Plantation Identification Method Using Sentinel-2 Imagery

机译：基于Sentinel-2影像的改进的多时相多特征茶园识别方法

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

As tea is an important economic crop in many regions, efficient and accurate methods for remotely identifying tea plantations are essential for the implementation of sustainable tea practices and for periodic monitoring. In this study, we developed and tested a method for tea plantation identification based on multi-temporal Sentinel-2 images and a multi-feature Random Forest (RF) algorithm. We used phenological patterns of tea cultivation in China’s Shihe District (such as the multiple annual growing, harvest, and pruning stages) to extracted multi-temporal Sentinel-2 MSI bands, their derived first spectral derivative, NDVI and textures, and topographic features. We then assessed feature importance using RF analysis; the optimal combination of features was used as the input variable for RF classification to extract tea plantations in the study area. A comparison of our results with those achieved using the Support Vector Machine method and statistical data from local government departments showed that our method had a higher producer’s accuracy (96.57%) and user’s accuracy (96.02%). These results demonstrate that: (1) multi-temporal and multi-feature classification can improve the accuracy of tea plantation recognition, (2) RF classification feature importance analysis can effectively reduce feature dimensions and improve classification efficiency, and (3) the combination of multi-temporal Sentinel-2 images and the RF algorithm improves our ability to identify and monitor tea plantations.
机译：由于茶在许多地区是重要的经济作物，因此，有效，准确的方法来远程识别茶园对于实施可持续茶作法和进行定期监测至关重要。在这项研究中，我们开发并测试了一种基于多时相Sentinel-2图像和多特征随机森林（RF）算法的茶园识别方法。我们使用了石河区的茶树种植物候模式（例如多个年度生长，收获和修剪阶段），提取了多时相的Sentinel-2 MSI波段，其派生的一阶光谱导数，NDVI和质地以及地形特征。然后，我们使用RF分析评估了特征的重要性；特征的最佳组合被用作RF分类的输入变量，以提取研究区域的茶园。将我们的结果与使用支持向量机方法获得的结果和地方政府部门的统计数据进行比较，结果表明，我们的方法具有更高的生产者准确性（96.57％）和用户准确性（96.02％）。这些结果表明：（1）多时相和多特征分类可以提高茶园识别的准确性；（2）RF分类特征重要性分析可以有效地减少特征量并提高分类效率；（3）结合使用多时间Sentinel-2图像和RF算法提高了我们识别和监视茶园的能力。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号