Global Vision Media Focus
Das Unternehmen wurde insgesamt 15 Mal im chinesischen Staatsfernsehen CCTV erwähnt und erreichte über Parteimedien, zentrale Medien und lokale offizielle Medien insgesamt 50 Millionen Menschen.
Pixelgenaue Identifizierung und Extraktion von Mohnblumen anhand multitemporaler und multispektraler Fernerkundungsbilder
Forschungshintergrund
Mohn ist eine wichtige Quelle für Drogen wie Opium und Morphin. Obwohl der illegale Mohnanbau in China streng verboten ist, kommt es in einigen abgelegenen Gebieten immer noch vereinzelt zu illegalem Anbau. Traditionelle manuelle Erhebungen sind ineffizient und decken nur ein begrenztes Gebiet ab, wodurch sie sich für großflächige Überwachungen ungeeignet machen. Satellitenfernerkundungstechnologie bietet Vorteile wie eine große Abdeckung und...MehrphasigSeine Vorteile hinsichtlich hoher Objektivität machen es zu einem effektiven Mittel zur Überwachung des Mohnanbaus.
Forschungsziele
Diese Studie nutztMultitemporale Sentinel-2 L2A Multispektralbilder (17. Phase)In Kombination mit bekannten MohnfeldernVektordatenEs wurde ein Fernerkundungs-Identifizierungsmodell für Mohnblumen entwickelt, das spektrale Merkmale, Vegetationsindexmerkmale, phänologische Zeitreihenmerkmale und Texturmerkmale der Blütezeit umfassend berücksichtigt, um eine genaue Identifizierung und räumliche Verteilungskartierung der Mohnanbaugebiete im Untersuchungsgebiet zu erreichen.
Studienbereich
Das Zielgebiet für die Anpflanzung ist ein legales Mohnanbaugebiet. Die Untersuchung zeigt, dass die Mohnblüte in diesem Gebiet im Jahr 2026 im Juni stattfindet und die Blüten weiß sind.
technische Route
Diese Studie nutzt multitemporale Sentinel2-L2A-Satellitenbilder als primäre Datenquelle und erstellt einen mehrdimensionalen Fernerkundungsdatensatz aus vier Dimensionen: Spektrum, Vegetationsindex, phänologische Zeitreihe und Blühzeittextur. Vorverarbeitungsschritte wie Stichprobenausgleich, Merkmalsauswahl und Merkmalsstandardisierung wurden durchgeführt.Random Forest (RF), Gradient Boosting (Gradient BoostingDrei Methoden des maschinellen Lernens: 1) Support Vector Machine (SVM)Es wurden separate Modelle zur Mohnartenidentifizierung erstellt und das optimale Modell mittels Kreuzvalidierung evaluiert. Die pixelgenaue Mohnartenidentifizierung und -extraktion im gesamten Gebiet sowie die Nachbearbeitung und Optimierung der Ergebnisse wurden abgeschlossen. Abschließend wurden die binäre Klassifizierungskarte der Mohnblumen, die Karte der Identifizierungswahrscheinlichkeitsverteilung und die Vektordaten der räumlichen Verteilung ausgegeben. Dies ermöglicht eine präzise Fernerkundung und die räumliche quantitative Extraktion von Mohnfeldern.
Abbildung 1.Technischer Fahrplan für das Fernerkundungsmodell für Mohnblumen
Technische Methoden
Random Forest ist ein maschineller Lernalgorithmus, der auf Ensemble-Lernen basiert.Durch die Erstellung einer großen Anzahl „entkorrelierter“ Entscheidungsbäume und die Integration ihrer Vorhersagen werden die Genauigkeit und Robustheit des Gesamtmodells verbessert. Im Wesentlichen handelt es sich um ein Ensemble mehrerer Entscheidungsbäume, von denen jeder …Stichprobenziehung mit ZurücklegenEs wird anhand einer Teilmenge der Daten und einer Teilmenge zufälliger Merkmale trainiert. Es kann sowohl für Klassifizierung als auch für Regression verwendet werden.Hohe Genauigkeit, Anti-ÜberanpassungZu den Vorteilen zählen Robustheit gegenüber Ausreißern und Rauschen sowie die Fähigkeit, große, hochdimensionale Datenmengen zu verarbeiten.
Abbildung 2. Kernidee des Random Forest
Forschungsergebnisse
Abbildung 3.Fernerkundungsidentifizierung von Mohnblumen mittels binärer Klassifizierung (Bild)
Abbildung 4.Wahrscheinlichkeitsverteilungskarte der Fernerkundungsidentifizierung von Mohnblumen
Analyse der Vorteile und Einschränkungen
Vorteilsanalyse
1. Fusion multidimensionaler MerkmaleDie vier Merkmale sind: umfassendes Spektrum, Vegetationsindex, phänologische Zeitreihe und Textur.
2. Vertiefte Nutzung des RotrandbandesDie Schlüsselkombination der Rotrand-Bande (684/706/725 nm) wurde durch die Literatur bestätigt.
3. Multitemporale phänologische ModellierungNutzen Sie die Informationen über den zeitlichen Ablauf der gesamten Vegetationsperiode, um Mohnblumen von anderen Pflanzen zu unterscheiden, die zu Verwechslungen führen könnten.
Limitationsanalyse
1. Begrenzte TrainingsdatensätzeNur ein Teil der Mohnfelder ist bekannt, und die Generalisierungsfähigkeit des Modells bedarf weiterer Überprüfung.
2. Einschränkungen der räumlichen AuflösungDie Auflösung von 10 m des Sentinel-2-Sensors hat nur eine begrenzte Fähigkeit, extrem kleine Bereiche zu identifizieren.
3. Verwechslungsgefahr zwischen den KategorienWeiße Rapsblüten und andere ähnliche Blüten können während ihrer Blütezeit zu Verwechslungen führen.