Estudio Comparativo sobre Métodos de Identificación Orientados a Objetos de Invernaderos de Plástico Basados en el Sensor de Imágenes de Tierra Operacional de Landsat
Autores: Yi, Yang; Shi, Mingchang; Gao, Mengjie; Zhang, Guimin; Xing, Luqi; Zhang, Chen; Xie, Jianwu
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Estudio Comparativo sobre Métodos de Identificación Orientados a Objetos de Invernaderos de Plástico Basados en el Sensor de Imágenes de Tierra Operacional de Landsat
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Invernadero de plástico agrícola
Imágenes de teledetección
Provincia de Shandong
Sensor de imagen terrestre de Landsat
Aprendizaje automático
Precisión de clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La adquisición rápida y precisa de la distribución espacial de los invernaderos de plástico agrícola (PG) es esencial para comprender el uso y la degradación de los PG, garantizar la producción agrícola y proteger el medio ambiente ecológico y la salud humana. Es de gran importancia práctica realizar la utilización efectiva de imágenes de teledetección en el campo agrícola y mejorar la precisión de extracción de datos de teledetección de PG. En este estudio, se utilizaron imágenes de teledetección del sensor operativo de tierras de Landsat (OLI) como fuentes de datos, y se seleccionó la provincia de Shandong, que tiene la mayor distribución de PG en China, como área de estudio. Los PG en el área de estudio fueron identificados mediante el reconocimiento de contornos, la construcción de un conjunto de características de la estructura espacial y el aprendizaje automático. Los resultados fueron los siguientes. (1) A través de un enfoque de parámetros de segmentación óptimos, se determinó que la escala de segmentación óptima para el tamaño, la forma y la compacidad debería establecerse en 20, 0.8 y 0.5, respectivamente, lo que mejoró significativamente el reconocimiento de contornos de PG. (2) Entre las 72 variables de características para el reconocimiento espacial de PG, el número de características y la precisión de clasificación mostraron una tendencia de primero aumentar gradualmente y luego disminuir. Entre ellas, quince variables de características, incluyendo la media de las bandas 2 y 5; seis características de índice (NDWI, GNDVI, SWIR1_NIR, NDVI y PMLI); dos características de forma, la densidad y el índice de forma; y dos características de textura, el contraste y la desviación estándar, jugaron un papel importante. (3) Según la tasa de recuperación, la tasa de precisión y el valor F de tres métodos de aprendizaje automático, bosque aleatorio (RDF), árbol de decisión CART (CART) y máquina de soporte vectorial (SVM), SVM tuvo el mejor efecto de clasificación. El método de clasificación descrito en este documento puede extraer con precisión invernaderos de plástico continuos a través de imágenes de teledetección y proporcionar una referencia para la aplicación de la agricultura de instalaciones y el control de la contaminación de fuentes no puntuales.
Descripción
La adquisición rápida y precisa de la distribución espacial de los invernaderos de plástico agrícola (PG) es esencial para comprender el uso y la degradación de los PG, garantizar la producción agrícola y proteger el medio ambiente ecológico y la salud humana. Es de gran importancia práctica realizar la utilización efectiva de imágenes de teledetección en el campo agrícola y mejorar la precisión de extracción de datos de teledetección de PG. En este estudio, se utilizaron imágenes de teledetección del sensor operativo de tierras de Landsat (OLI) como fuentes de datos, y se seleccionó la provincia de Shandong, que tiene la mayor distribución de PG en China, como área de estudio. Los PG en el área de estudio fueron identificados mediante el reconocimiento de contornos, la construcción de un conjunto de características de la estructura espacial y el aprendizaje automático. Los resultados fueron los siguientes. (1) A través de un enfoque de parámetros de segmentación óptimos, se determinó que la escala de segmentación óptima para el tamaño, la forma y la compacidad debería establecerse en 20, 0.8 y 0.5, respectivamente, lo que mejoró significativamente el reconocimiento de contornos de PG. (2) Entre las 72 variables de características para el reconocimiento espacial de PG, el número de características y la precisión de clasificación mostraron una tendencia de primero aumentar gradualmente y luego disminuir. Entre ellas, quince variables de características, incluyendo la media de las bandas 2 y 5; seis características de índice (NDWI, GNDVI, SWIR1_NIR, NDVI y PMLI); dos características de forma, la densidad y el índice de forma; y dos características de textura, el contraste y la desviación estándar, jugaron un papel importante. (3) Según la tasa de recuperación, la tasa de precisión y el valor F de tres métodos de aprendizaje automático, bosque aleatorio (RDF), árbol de decisión CART (CART) y máquina de soporte vectorial (SVM), SVM tuvo el mejor efecto de clasificación. El método de clasificación descrito en este documento puede extraer con precisión invernaderos de plástico continuos a través de imágenes de teledetección y proporcionar una referencia para la aplicación de la agricultura de instalaciones y el control de la contaminación de fuentes no puntuales.