联合GEE与多源遥感数据的土地利用分类研究  

作　　者：黄仲 

机构地区：[1]江西省赣西土木工程勘测设计院,江西宜春336000

出　　处：《资源导刊》2024年第2期47-51,共5页Resources Guide

摘　　要：基于随机森林算法(Random Forest,RF)和Google Earth Engine(GEE)云平台,探索时间序列的Sentinel-1合成孔径雷达(Synthetic Aperture Radar,SAR)数据后向散射系数对大范围土地分类的效果,并融合Sentinel-1、Sentinel-2主被动遥感数据,探究利用JM距离寻找最优特征的可行性,对比分析了融合数据后向散射系数、光谱特征、植被指数特征与纹理特征等不同组合对土地分类精度的改善情况。结果表明:在地形复杂和雨量丰富的江西赣州地区,单使用时序SAR数据对土地利用分类的总体精度达到85.02%,Kappa系数为0.79。融合主被动Sentinel数据的分类精度最高,总体精度达到94.96%,Kappa系数为0.93。但SAR数据相对光学数据和主被动融合数据,在光学数据云雾覆盖区域可进行土地分类研究。本研究采用的方法和平台,能准确、高效地进行土地利用分类工作,具有很好的推广价值。

关 键 词：Google Earth Engine 多时相融合 JM距离 随机森林 土地利用分类 

分 类 号：TN9[电子电信—信息与通信工程]