本数据集基于Google Earth Engine(GEE)云计算平台,融合多源遥感影像,构建了一种物候算法,生成了2019–2021年河南省越冬作物数据集。首先,融合Landsat 7/8和Sentinel-2 A/B影像构建了高时空分辨率时间序列数据集。其次,分析不同物候期...本数据集基于Google Earth Engine(GEE)云计算平台,融合多源遥感影像,构建了一种物候算法,生成了2019–2021年河南省越冬作物数据集。首先,融合Landsat 7/8和Sentinel-2 A/B影像构建了高时空分辨率时间序列数据集。其次,分析不同物候期下越冬作物和其他作物的物候差异,提取用于分类的物候指标,包括生长季节始期(start of season,SOS)、生长高峰期(start date of peak,SDP)、生长季节末期(end of season,EOS)、绿化速度(green-up speed,GUS)和生长季节长度(growing-season length,GSL)。最后,基于这些物候指标构建决策树模型,在像元尺度上对越冬作物进行提取。本研究构建的物候算法能够准确提取越冬作物的种植面积,其用户精度、生产者精度、总体精度和Kappa系数分别为98.00%、98.36%、97.77%和0.94。本数据集可以为越冬作物生长监测和产量预测提供基础数据,帮助决策者和生产者制定合理的政策和风险管理策略,也可为相关领域的科研人员提供数据参考。展开更多
文摘本数据集基于Google Earth Engine(GEE)云计算平台,融合多源遥感影像,构建了一种物候算法,生成了2019–2021年河南省越冬作物数据集。首先,融合Landsat 7/8和Sentinel-2 A/B影像构建了高时空分辨率时间序列数据集。其次,分析不同物候期下越冬作物和其他作物的物候差异,提取用于分类的物候指标,包括生长季节始期(start of season,SOS)、生长高峰期(start date of peak,SDP)、生长季节末期(end of season,EOS)、绿化速度(green-up speed,GUS)和生长季节长度(growing-season length,GSL)。最后,基于这些物候指标构建决策树模型,在像元尺度上对越冬作物进行提取。本研究构建的物候算法能够准确提取越冬作物的种植面积,其用户精度、生产者精度、总体精度和Kappa系数分别为98.00%、98.36%、97.77%和0.94。本数据集可以为越冬作物生长监测和产量预测提供基础数据,帮助决策者和生产者制定合理的政策和风险管理策略,也可为相关领域的科研人员提供数据参考。
