本研究基于谷歌地球引擎（GEE, Google Earth Engine），调用2020年5-9月10m分辨率的哨兵2号遥感影像（Sentinel-2），将地物光谱特征与随机森林分类方法相结合，加入植被水分指数（Normalized Difference Moisture Index,NDMI），对研究区灌溉和雨养草地进行分类，制作了巴音河中下游灌溉草地数据集。该数据集可为地表过程模拟、水资源规划等提供基础。
基于Sentinel-2生产所得
首先从GEE中调用2020年5月至2020年9月（植被生长期）的所有可用图像，并根据图像相关的“多云像素百分比”进行排序，选择云百分比最低的图像并进行裁剪，得到巴音河中下游这一时期的最佳无云（10 m：红、绿、蓝、NIR）影像。
其次，基于Sentinel-2影像农业波段（B11, B8, B2）和短波红外波段（B12, B8A, B4），构建NDVI、GCVI、LSWI、MNDWI、NDBI等植被指数和地形特征指数（坡度），再结合野外采样点进行特征选取，并选用随机森林分类方法提取林地、耕地、草地、建筑、水体、裸地、湿地7种土地利用类型。通过混淆矩阵计算验证分类精度。
而后，基于Sentinel-2影像计算水分指数NDMI，结合随机森林分类方法再次对草地进行特征选取，提取出灌溉草地。
最后，通过混淆矩阵对结果进行精度验证，并制作灌溉草地分布数据集。
本研究利用混淆矩阵对巴音河中下游林地、耕地、草地、建筑、水体、裸地、湿地7种土地利用类型分类结果进行精度评价，其总体精度达到96%，kappa系数为0.93，分类精度较好。其中，用户精度最高的是裸地和耕地（0.97），最低的是森林（0.87），其余的土地利用类型都在0.9以上，说明该分类结果中裸地和耕地的提取效果最佳，可信度最高，森林的可信度略低。生产者精度最高的是草地（0.98），最低的是城镇用地（0.64）。综合用户精度以及生产者精度来看，裸地、耕地、草地内部纹理特征均匀度高、复杂度低，与周围其他地物相差明显，分类精度较高。总体来看，各地物类型区分性好，分类精度高。
基于第一次分类结果，提取出草地，加入植被水分指数NDMI，再次采用随机森林分类方法进行灌溉草地和雨养草地的识别和提取，分类结果总体精度为96%，Kappa系数为0.92。其中，雨养草地的用户精度和生产者精度分别为0.95和0.98，灌溉草地的用户精度为99%，制图精度为0.78，说明了雨养草地和灌溉草地的识别度都比较高。总体来说，分类效果较好，分类结果通过了一致性检验结果，可信度高，表明该方法在灌溉草地和雨养草地分类提取方面具有较好的效果。
| # | 编号 | 名称 | 类型 |
| 1 | 2021-ZJ-705 | 基于模型改进的柴达木盆地植被恢复的土壤水资源响应研究 | 其他 |
| 2 | 42161020 | 高寒内陆河流域植被恢复对地下水补给的影响及地下水位响应 | 国家自然科学基金 |
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.NIEER.DB2849.2023
10.12072/ncdc.nieer.db2849.2023
