摘要
及时准确的冬小麦空间分布信息对于粮食安全和作物生产管理至关重要。由于训练数据的获取成本高、效率低,大尺度、高质量、高空间分辨率的冬小麦分类产品依然匮乏。因此,我们提出了一种融合冬小麦物候、光谱和极化信息的训练数据自动化提取方法(Automated training data generation, ATDG),用于生成高质量的冬小麦训练样本,从而开展基于机器学习方法的冬小麦遥感制图。
此外,基于生成的训练数据预训练分类模型,然后结合模型年际迁移方法(Model transfer, MT)实现了冬小麦生长季内制图。通过联合ATDG和MT,结合光学和雷达影像,我们生产了2020-2023年10米空间分辨率的中国冬小麦制图数据集(ChinaWheat10)。
其中,2020、2021及2023年冬小麦分布图由ATDG方法生成,2022年分布图由MT方法生成。实地调查数据表明ChinaWheat10的总体精度在94%以上,在省市两级与统计数据的相关性(R2)分别在0.95和0.91以上,而且ChinaWheat10数据集中冬小麦田块细节明显。ATDG和MT方法在大尺度高分辨率高精度冬小麦自动化制图中具有巨大潜力。
基本信息
最新发布日期: 2023-12-15 | 存储量: 1.23GB |
---|---|
存储类型: 栅格图像 | 学科分类: 农学>农艺学;测绘科学技术>摄影测量与遥感技术 |
时间范围: 2022-2023年 | 空间范围: 中国 |
文献
Yang, G., Li, X., Liu, P., Yao, X., Zhu, Y., Cao, W., & Cheng, T. (2023). Automated in-season mapping of winter wheat in China with training data generation and model transfer. ISPRS Journal Photogrammetry and Remote Sensing, 202, 422-438.
注意:
请数据使用者在基于本数据所产生的研究成果中标注数据来源,并按照[文献引用方式]标注需引用的参考文献。
欢迎批评指正,仅供学习交流,资料来源于网络,如有侵权请联系删除,可以关注微信公众号哦:【GeoLearning】,不定期分享一些好玩好用的东东,欢迎关注。