El Método de Extracción de Alfalfa (Medicago sativa L.) Mapeo Usando Diferentes Fuentes de Datos de Teledetección Basado en Propiedades de Crecimiento de la Vegetación
Autores: Wang, Ruifeng; Shi, Fengling; Xu, Dawei
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
El Método de Extracción de Alfalfa (Medicago sativa L.) Mapeo Usando Diferentes Fuentes de Datos de Teledetección Basado en Propiedades de Crecimiento de la Vegetación
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Alfalfa
Teledetección
Curvas NDVI
Datos MODIS
Datos Sentinel-2 MSI
Clasificación supervisada
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La alfalfa (Medicago sativa L.) es uno de los forrajes más cultivados debido a sus características útiles. Aunque la distribución espacial de la alfalfa es una fuente importante de datos básicos, las encuestas manuales incurren en altos costos, requieren grandes cargas de trabajo y enfrentan dificultades para recopilar datos en áreas extensas; la teledetección compensa estas deficiencias. En este estudio, se analizaron las características de variación en series temporales de diferentes tipos de vegetación, y se estableció el método de extracción para el mapeo de alfalfa según diferentes datos de teledetección de resolución espacial y temporal. Los resultados proporcionaron las siguientes conclusiones: (1) al utilizar el número de picos y valles de las curvas del índice de vegetación de diferencia normalizada (NDVI), en el área de estudio, el número de picos debía ser mayor que 2 y el número de valles debía ser mayor que 1; (2) el 91.6% de los puntos de muestreo de alfalfa fueron extraídos mediante datos del espectrorradiómetro de imágenes de resolución moderada (MODIS) utilizando el método de picos y valles, y el 5.0% de los puntos de muestreo de avena fueron extraídos como alfalfa, mientras que ningún otro tipo de vegetación cumplió con estas condiciones; (3) el 85.3% de los puntos de muestreo de alfalfa fueron identificados a partir de datos del instrumento multiespectral Sentinel-2 (MSI) utilizando el método de picos y valles; el 6.0% de la vegetación de pastizales y el 8.7% de la avena cumplieron con las condiciones, mientras que otros tipos de vegetación no cumplieron con esta regla; y (4) la selección de la fase temporal fue muy importante para la extracción de alfalfa utilizando imágenes de teledetección de fase única; la alfalfa se separó fácilmente de otras vegetaciones en la etapa previa a la invernación y fue más difícil de separar en la etapa de reverdecimiento primaveral debido a la variabilidad en la tasa de invernación de la alfalfa; la precisión general de clasificación fue del 92.9% utilizando el método de clasificación supervisada con máquina de soporte vectorial (SVM) en la etapa previa a la invernación. Estos hallazgos proporcionan un enfoque prometedor para el mapeo de alfalfa utilizando diferentes datos de teledetección.
Descripción
La alfalfa (Medicago sativa L.) es uno de los forrajes más cultivados debido a sus características útiles. Aunque la distribución espacial de la alfalfa es una fuente importante de datos básicos, las encuestas manuales incurren en altos costos, requieren grandes cargas de trabajo y enfrentan dificultades para recopilar datos en áreas extensas; la teledetección compensa estas deficiencias. En este estudio, se analizaron las características de variación en series temporales de diferentes tipos de vegetación, y se estableció el método de extracción para el mapeo de alfalfa según diferentes datos de teledetección de resolución espacial y temporal. Los resultados proporcionaron las siguientes conclusiones: (1) al utilizar el número de picos y valles de las curvas del índice de vegetación de diferencia normalizada (NDVI), en el área de estudio, el número de picos debía ser mayor que 2 y el número de valles debía ser mayor que 1; (2) el 91.6% de los puntos de muestreo de alfalfa fueron extraídos mediante datos del espectrorradiómetro de imágenes de resolución moderada (MODIS) utilizando el método de picos y valles, y el 5.0% de los puntos de muestreo de avena fueron extraídos como alfalfa, mientras que ningún otro tipo de vegetación cumplió con estas condiciones; (3) el 85.3% de los puntos de muestreo de alfalfa fueron identificados a partir de datos del instrumento multiespectral Sentinel-2 (MSI) utilizando el método de picos y valles; el 6.0% de la vegetación de pastizales y el 8.7% de la avena cumplieron con las condiciones, mientras que otros tipos de vegetación no cumplieron con esta regla; y (4) la selección de la fase temporal fue muy importante para la extracción de alfalfa utilizando imágenes de teledetección de fase única; la alfalfa se separó fácilmente de otras vegetaciones en la etapa previa a la invernación y fue más difícil de separar en la etapa de reverdecimiento primaveral debido a la variabilidad en la tasa de invernación de la alfalfa; la precisión general de clasificación fue del 92.9% utilizando el método de clasificación supervisada con máquina de soporte vectorial (SVM) en la etapa previa a la invernación. Estos hallazgos proporcionan un enfoque prometedor para el mapeo de alfalfa utilizando diferentes datos de teledetección.