基于Sentinel-2时序数据的新疆焉耆盆地农作物遥感识别与评估

为及时准确地获取干旱区农作物种植信息，研究借助PIE-Engine Studio平台，以新疆焉耆盆地为研究区，基于2022年Sentinel-2影像和1948个野外定位采样数据提取农作物生育期内14种植被指数，使用See5.0决策树、随机森林（Random forest,RF）和多元回归（Multiple regression,MR）模型优选特征参数，结合支持向量机（Support vector machine,SVM）算法构建5种分类模型和5种样方分割方案进行农作物种植信息提取，通过目视解译和混淆矩阵对比分析分类结果，确定最佳分类方案。结果表明：（1）所有分类模型的总体精度（OA）和Kappa系数均在92.20%和0.9037以上，说明在PIE平台中使用SVM算法提取农作物信息是可行的。（2）SVM-有红边的OA和Kappa系数均值为93.77%和0.9236，比SVM-无红边方法提高了0.96%和0.0120。（3）相比于SVM-有红边方法，植被指数的引入提高了SVM-RF、SVM-MR和SVM-See5.0的OA和Kappa系数。（4）5种分类模型的OA和Kappa系数均值的大小...