研究文章
基于机器学习的分类对于作物类型映射使用高分辨率卫星图像的融合在半干旱地区
表2
从多传感器乐队不同的场景(noncombined和组合)进行分类。
|
| 场景 |
层 |
层用于分类 |
传感器 |
|
| 1 |
Noncombined(单个传感器) |
归一化植被指数 |
S2 |
| 2 |
VV |
S1 |
| 3 |
VH |
S1 |
| 4 |
VV / VH |
S1 |
| 5 |
纹理 |
S1 |
| 6 |
VV;VH |
S1 |
| 7 |
VV;VH;纹理 |
S1 |
| 8 |
VV;VV / VH |
S1 |
| 9 |
VH;VV / VH |
S1 |
| 10 |
VV;VH;VV / VH |
S1 |
| 11 |
VV;VH;VV / VH;纹理 |
S1 |
|
| 12 |
结合 |
归一化植被指数;VV |
S1和S2 |
| 13 |
归一化植被指数;VH |
S1和S2 |
| 14 |
归一化植被指数;VH;纹理 |
S1和S2 |
| 15 |
归一化植被指数;VV / VH |
S1和S2 |
| 16 |
归一化植被指数;VV;VH |
S1和S2 |
|
| 17 |
(多传感器融合) |
归一化植被指数;VV;VV / VH |
S1和S2 |
| 18 |
归一化植被指数;VH;VV / VH |
S1和S2 |
| 19 |
归一化植被指数;VH;VV / VH;纹理 |
S1和S2 |
| 20. |
归一化植被指数;VV;VH;VV / VH |
S1和S2 |
|
|
