基于Sentinel-2时序NDVI的杞县大蒜提取试验
序言
在之前的文章中，小博选取了2019年3月14日、2018年4月8日、2017年4月28日三期数据，分别试验了监督分类（基于向量机）、基于规则的面向对象和基于样本的面向对象等分类方法对河南省杞县2017、2018、2019年的大蒜种植面积进行了提取试验：
文章地址：https://blog.csdn.net/weixin_44143671
但是单一年份单时相图像，尤其是生长季的遥感影像，不同植物之间的干扰普遍存在，同谱异物的情况会多多少少影响图像的分类精度。大家都知道，不同的农作物的生长周期是不一样的，我们可以充分利用物候学的方法来进行农作物提取；尤其是在目前的遥感卫星幅宽越来越大，重访周期越来越短，光谱越来越丰富的情况下来开展相关研究，还是比较有意义的。
一、数据预处理
本次实验我们选取了杞县2018年2月22日，2018年3月9日，2018年4月8日，2018年4月18日，2018年4月28日，2018年5月8日的Sentinel-2遥感影像进行处理实验：
使用欧空局Sen2Cor软件对这6期影像分布进行了大气校正，然后再使用SNAP软件进行采样输出后在ENVI里进行波段组合得到上图所示6期影像数据。
下图是这六期影像中大蒜的光谱曲线：
下图是这六期影像中小麦的光谱曲线：
下图是这六期影像中林地的光谱曲线：
二、生成NDVI时序图像
使用ENVI里面的BandMath工具，输入NDVI公式：(float(b1)-(b2))/(float(b1)+(b2))，b1 b2分别选取B4 B8：
生成的NDVI如下图所示：
对于部分有偏差的图像，先统一以其中一期为基准，对有偏差的图像进行配准：
然后使用波段组合工具将这些NDVI依次组合到一起：
组合后的NDVI时序图像可以进行假彩色显示：
下图典型地物的时序NDVI曲线：
三、分类
针对Sentinel-2时序NDVI图像，我们本次采样ENVI下的一个扩展工具：随机森林分类工具 ，有兴趣的图像可以去ESRI APP STORE下载使用。
下面是使用该工具对Sentinel-2时序NDVI进行分类的结果：
作为新兴起的、高度灵活的一种机器学习算法，随机森林（Random Forest，RF）拥有广泛的应用前景。随机森林就是通过集成学习的思想将多棵树集成的一种算法，它的基本单元是决策树，而它的本质属于机器学习的一大分支—集成学习（Ensemble Learning）方法。从直观角度来解释，每棵决策树都是一个分类器，那么对于一个输入样本，N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出。
使用随机森林工具的分类效果，具有极好的准确率，尤其是将影像中细小的道路都分离了出来，大蒜和小麦的属性也区分的很好。
好了今天的介绍就到这里，希望大家学习顺利！
本博 主页：
