期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到1篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于GEE平台和自动统计分配算法的大范围冬小麦提取 被引量：1
1
作者 赵亮 刘莉 +2 位作者 司丽丽 赵铁松 黄敬峰 《湖北农业科学》 2022年第19期132-140,共9页
为提高大范围作物遥感制图精度,利用Google Earth Engine(GEE)平台对Sentinel-2数据进行预处理,合成整个河北省2019年归一化植被指数(NDVI)、增强型植被指数(EVI)和二波段增强型植被指数(EVI2)的最大值影像;结合地理国情数据,输入自动... 为提高大范围作物遥感制图精度,利用Google Earth Engine(GEE)平台对Sentinel-2数据进行预处理,合成整个河北省2019年归一化植被指数(NDVI)、增强型植被指数(EVI)和二波段增强型植被指数(EVI2)的最大值影像;结合地理国情数据,输入自动统计分配算法以挑选出最优的植被指数;利用最优影像提取2016—2019年30 m分辨率的河北省冬小麦信息。结果表明,与验证样本相比,NDVI、EVI和EVI2的小麦分布用户精度均大于94%,制图精度均大于91%,总体精度均大于98%,Kappa系数均大于0.96,其中EVI的精度最高;与统计数据相比,所有小麦种植县2016—2019年的平均精度均大于97%。该自动统计分配算法无需依赖训练样本,能快速在其他年份复制使用,提高大范围作物分布制图效率,且获得的小麦信息与统计数据有良好的一致性,可为大范围小麦分布快速制图提供一定的技术方法参考和思路借鉴。 展开更多
关键词 冬小麦 Google Earth Engine(GEE)平台 自动统计分配算法 Sentinel数据 遥感制图
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部