遥感之大豆提取

主要记录大豆提取常用的光学以及sar等特征，以便在实验中实现考虑以下特征得到初步结果，在其基础上进行不同维度的优化。

参考文献**<Mapping annual 10-m soybean cropland with spatiotemporal sample migration>**

文档总体描述：
从分类方法和分类特征方面来看，该文档采用了一种基于样本迁移的监督学习方法。具体来说，使用了基于时空迁移的样本生成方法，通过迁移历史样本和生成样本来生成训练样本，并利用随机森林分类器进行分类。在分类特征方面，采用了光学Sentinel-2和Sentinel-1雷达数据作为输入特征，包括植被指数、红边带和短波红外带的反射率，以及雷达的后向散射系数等统计特征和主成分特征。在样本选择策略方面，该文档采用了基于植被指数曲线的迁移方法，从随机生成的作物样本中筛选出大豆样本，并通过确定过滤阈值，从而实现样本的生成和迁移。同时，该文档还采用了时空迁移策略，包括同一年不同区域迁移、同一区域不同年迁移以及不同年不同区域迁移。这些策略使得该方法具有更好的适用性，并且减轻了对大量地面样本的依赖。

文档中使用的光学特征，sar特征以及时间维度特征如下：
光学指数特征

SAR 图像特征：

时序特征：

欢迎点赞，收藏，关注，支持小生，打造一个好的遥感领域知识分享专栏遥感专栏。
同时欢迎私信咨询讨论学习，咨询讨论的方向不限于：地物分类/语义分割(如水体，云，建筑物，耕地，冬小麦等各种地物类型的提取）,变化检测,夜光遥感数据处理，目标检测，图像处理(几何矫正，辐射矫正(大气校正)，图像去噪等)，遥感时空融合，定量遥感（土壤盐渍化/水质参数反演/气溶胶反演/森林参数(生物量，植被覆盖度，植被生产力等)/地表温度/地表反射率等反演）以及高光谱数据处理等领域以及深度学习，机器学习等技术算法讨论，以及相关实验指导/论文指导，考研复习等多方面。