So sánh phân loại cây trồng trong dữ liệu đơn kỳ của Xiguang số 1 05 (Tianxianpei số) và dữ liệu Sentinel-2.

Giới thiệu bối cảnh

Việc xác định và phân biệt sự phân bố các loại cây trồng khác nhau bằng ảnh viễn thám cho phép quản lý tinh vi hơn và giám sát sản xuất nông nghiệp ở cấp độ vĩ mô. Việc giám sát này cung cấp dữ liệu hỗ trợ cho việc cảnh báo sớm sâu bệnh. Hơn nữa, kết quả phân loại viễn thám, kết hợp với thông tin khí tượng, thủy văn và thổ nhưỡng, cung cấp cơ sở khoa học cho việc ước tính năng suất nông nghiệp, đánh giá thiệt hại do thiên tai và ra quyết định về an ninh lương thực. Ý nghĩa của nó nằm ở việc thúc đẩy chuyển đổi nông nghiệp truyền thống sang số hóa, tin học hóa và thông minh hóa, nâng cao hiệu quả sản xuất nông nghiệp và sử dụng tài nguyên, giảm chi phí khảo sát thủ công và đạt được giám sát năng động và quản lý chính xác các khu vực nông nghiệp quy mô lớn. Ngoài ra, kết quả phân loại cây trồng có thể cung cấp dữ liệu nền tảng quan trọng cho việc xây dựng chính sách nông nghiệp quốc gia, bảo vệ đất canh tác và đánh giá khả năng hấp thụ carbon, có tác động sâu sắc đến việc đảm bảo an ninh lương thực và thúc đẩy phát triển nông nghiệp bền vững.

Ảnh đa phổ thường chứa một số lượng nhỏ các dải phổ rộng (ví dụ: 4–13), chủ yếu phản ánh các đặc điểm tổng thể của các đặc điểm địa hình trong các dải phổ chính như ánh sáng nhìn thấy và cận hồng ngoại. Nó phù hợp cho việc phân loại và giám sát các đặc điểm địa hình quy mô lớn, chẳng hạn như sử dụng đất và thảm thực vật. Mặt khác, ảnh siêu phổ được sử dụng trong…Lấy mẫu liên tục trong hàng chục đến hàng trăm dải tần hẹp.Dữ liệu siêu phổ có thể thu thập các đặc tính phản xạ tinh tế của các đặc điểm địa hình trong phổ, cho phép xác định những khác biệt nhỏ mà các phương pháp đa phổ không thể phân biệt được. Ví dụ, sự khác biệt về các giống cây trồng, trạng thái sinh lý của thảm thực vật hoặc thành phần khoáng chất đều có thể được thu thập chính xác trong dữ liệu siêu phổ. Bằng cách so sánh hai phương pháp này, tác động của độ phân giải phổ đến độ chính xác của việc nhận dạng đặc điểm địa hình và khả năng trích xuất đặc điểm có thể được làm rõ, từ đó xác định được phương án lựa chọn dữ liệu tối ưu cho các nhiệm vụ khác nhau.

Nguyên tắc và phương pháp

Thí nghiệm này được thực hiện bằng cách sử dụng dữ liệu từ vệ tinh Xiguang-1 05 (còn được gọi là Tianxianpei) và Sentinel-2. Đầu tiên, chỉ số thực vật khác biệt chuẩn hóa (NDVI), chỉ số thực vật tỷ lệ (RVI) và chỉ số thực vật nâng cao (EVI) được tính toán cho cả dữ liệu siêu phổ và đa phổ. Sau đó, đối với dữ liệu siêu phổ, thuật toán đom đóm được sửa đổi đã được sử dụng để chọn các dải có tương quan cao nhằm giảm chiều dữ liệu. Cuối cùng, thuật toán máy học hỗ trợ vectơ (SVM) được sử dụng để phân loại cây trồng trong cả dữ liệu siêu phổ và đa phổ.

Phân tích kết quả

Hình 1. Kết quả phân loại siêu phổ

Hình 2. Kết quả phân loại đa phổ.

Trong thí nghiệm phân loại cây trồng này, ba chỉ số—NDVI, RVI và EVI—được sử dụng, cùng với các dải tần có tương quan cao với cây trồng. Thuật toán SVM được sử dụng để giảm thiểu ảnh hưởng của bộ phân loại. Hình 1 và 2 cho thấy kết quả phân loại. Kết quả phân loại siêu phổ đơn kỳ tốt hơn so với kết quả phân loại đa phổ. Hình ảnh đa phổ bị mờ ranh giới, có nhiều điểm nhiễu và độ chính xác thấp hơn, trong khi hình ảnh siêu phổ cung cấp khả năng nhận dạng đặc điểm mặt đất chi tiết hơn và ổn định hơn.

Trong phân loại lớp phủ đất, dữ liệu siêu phổ có những ưu điểm vượt trội so với dữ liệu đa phổ. Hình ảnh siêu phổ ghi lại đặc điểm phản xạ của lớp phủ đất trên nhiều dải hẹp liên tục, cho phép mô tả chi tiết hơn sự khác biệt về quang phổ giữa các loại cây trồng khác nhau trên bề mặt đất. Nó thường thể hiện các đặc điểm liên quang phổ có thể phân biệt được trong không gian siêu phổ, do đó cải thiện đáng kể độ chính xác phân loại và khả năng phân tách lớp. Sử dụng dữ liệu siêu phổ, các phương pháp khớp đặc điểm quang phổ có thể đạt được sự phân biệt tốt và nhận dạng độ tin cậy cao các loại lớp phủ đất phức tạp. Ngược lại, dữ liệu đa phổ truyền thống có ít dải hơn và băng thông rộng hơn, chỉ cung cấp thông tin quang phổ hạn chế. Nó dễ bị chồng chéo quang phổ giữa các loại lớp phủ đất khác nhau, dẫn đến ranh giới phân loại bị mờ và phân loại sai. Hơn nữa, dữ liệu đa phổ không ổn định trong môi trường bề mặt phức tạp (như các loại lớp phủ đất hỗn hợp, bóng và nhiễu nền đất), khiến việc thu thập hiệu quả các khác biệt nhỏ trở nên khó khăn. Do đó, từ các khía cạnh về độ chính xác phân loại, tính ổn định và khả năng giải thích, dữ liệu siêu phổ có những ưu điểm vượt trội trong các nhiệm vụ phân loại lớp phủ đất và là nguồn dữ liệu quan trọng để đạt được việc trích xuất thông tin bề mặt đất có độ chính xác cao.