基于Sentinel-2的杞县大蒜提取试验

该博客介绍了使用Sentinel-2数据进行杞县大蒜提取试验的过程,包括数据选择、外业采样、多期数据分类(2019、2018、2017年)以及结果对比分析。通过监督分类和面向对象提取方法,对比了不同方法在大蒜、小麦等作物区分上的效果。实验结果显示,基于样本的面向对象提取能更好地分离大蒜和田间小路。
摘要由CSDN通过智能技术生成

基于Sentinel-2的杞县大蒜提取试验

一、前言

杞县大蒜已有2000多年的栽培历史是全国农产品地理标志之一,2009年9月14日,中华人民共和国农业部正式批准对“杞县大蒜”实施农产品地理标志登记保护。杞县已建成大蒜冷藏保鲜库600多座,年贮藏能力达到25万吨。建成蒜片、蒜米、蒜粒、蒜油等加工企业80多家,年加工能力5万多吨。已在全国20多个大中城市设立了大蒜销售网点,且远销到美国、欧洲、日本、韩国、东南亚、印尼等几十个国家和地区,每年直接间接出口大蒜制品25多万吨。

Sentinel-2(哨兵2)超大的幅宽,双星组合,较短的重访周期以及丰富的波谱信息都为农作物提取提供了宝贵的数据源。今天我们就来通过Sentinel-2来进行杞县大蒜提取试验。

二、数据选择

本次实验选取了三期的Sentinel-2 L1C数据,通过预处理(Sen2Cor大气校正)、SNAP采样输出到ENVI中进行 波段组合、裁剪等工作。

下面是本次实验的数据,分别为2019年3月14日、2018年4月8日、2019年4月28日,三期数据,下图是分别进行 B4B3B2 真彩色组合:

在这里插入图片描述

经过反复测试 B11B8B3 的假彩色组合显示最能突出地物间的差别,层次分明:
在这里插入图片描述

三、外业采样

本次选用手机APP:LocaSpace Viewer(LSV)软件来辅助外业采集样本,手机端打开GPS+WLAN+移动网络的定位模式,然后采集田块的角点作为坐标点。下面我们举例来说明:例如W1 W2 W3 W4为小麦样本的坐标点,G1 G2 G3 G4为大蒜样本的坐标点:在这里插入图片描述
在这里插入图片描述
然后将样本点导入ENVI当中,蓝色点为大蒜地块的样本角点,红色点为小麦样本地块的样本角点:

在这里插入图片描述

采集的大蒜样本集:
在这里插入图片描述
采集的小麦样本集:
在这里插入图片描述
由上面的样本集图可见,大蒜的颜色在B11B8B3组合下呈现蓝紫色,小麦的颜色在B11B8B3组合下呈现亮绿色,下面我们分别来看两者的光谱曲线:

大蒜的光谱曲线:
在这里插入图片描述
小麦的光谱曲线:
在这里插入图片描述

对比两者的光谱曲线可以看到,在近红外波段小麦的反射率比大蒜要高,在绿波段和红波段大蒜的反射率比小麦要高,在短波红外波段,大蒜的反射率比小麦高。因此在B11 B8 B3的组合下,小麦要比大蒜更绿,大蒜要比小麦更蓝和更红。

四、2019年数据分类

我们先对2019年的数据进行分类,本次分类采用监督分类的方法,采用的是支持向量机的模型进行分类。因为数据时间是2019年3月14日,树木尚未返青,因此我们选取了大蒜、小麦、水域、居民地、空闲地五大类,并对样本进行了可分离度评价,结果如下:

由图可以看到各个样本之间的可分离度良好,基本都在1.9以上:

在这里插入图片描述
执行监督分类,下图依次是监督分类的结果

  • 21
    点赞
  • 101
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
以下是一些示例代码,演示如何将 Sentinel-2 和 Sentinel-1 数据进行融合: 1. 利用Python的sentinelsat库下载Sentinel-2和Sentinel-1数据: ```python from sentinelsat import SentinelAPI, read_geojson, geojson_to_wkt # 登录sentinelsat账号 api = SentinelAPI('username', 'password', 'https://scihub.copernicus.eu/dhus') # 下载Sentinel-2数据 footprint = geojson_to_wkt(read_geojson('path/to/footprint.geojson')) products = api.query(footprint, platformname='Sentinel-2', cloudcoverpercentage=(0, 30), producttype='S2MSI1C') # 下载Sentinel-1数据 products = api.query(footprint, platformname='Sentinel-1', polarisationmode='VV VH', producttype='GRD', orbitdirection='ASCENDING') ``` 2. 使用Python的gdal库读取和处理Sentinel-1数据: ```python from osgeo import gdal # 读取Sentinel-1数据 s1_vv = gdal.Open('path/to/sentinel1_vv.tif') s1_vh = gdal.Open('path/to/sentinel1_vh.tif') # 将Sentinel-1数据转换为dB单位 s1_vv_db = 10 * np.log10(s1_vv.ReadAsArray()) s1_vh_db = 10 * np.log10(s1_vh.ReadAsArray()) # 对Sentinel-1数据进行滤波和校正 # ... # 将Sentinel-1数据重采样到Sentinel-2的分辨率 # ... # 将Sentinel-1数据和Sentinel-2数据进行融合 # ... ``` 3. 使用Python的scikit-image库将Sentinel-2和Sentinel-1数据进行融合: ```python from skimage import exposure # 将Sentinel-2数据进行拉伸和直方图匹配,使其与Sentinel-1数据的动态范围一致 s2_rgb = exposure.rescale_intensity(s2_rgb, in_range=(0, 0.3), out_range=(0, 1)) s2_rgb_matched = exposure.match_histograms(s2_rgb, s1_vv_db) # 将Sentinel-1数据和Sentinel-2数据进行加权融合 s1_weight = 0.6 s2_weight = 0.4 fused = (s1_weight * s1_vv_db + (1 - s1_weight) * s1_vh_db) * s2_weight + (1 - s2_weight) * s2_rgb_matched ``` 这只是一些示例代码,具体的融合方法和参数需要根据具体的应用场景进行调整和优化。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值