东北地区10m分辨率主要作物分布数据集（2017年）

东北地区10m分辨率主要作物分布数据集（2017–2019年）基于Google Earth Engine云计算平台和Sentinel-2遥感影像构建了一种适用于东北地区的作物分类框架，采用“分层分区全时序”策略实现全区主要作物信息提取。首先，基于Sentinel-2遥感影像构建了多维时间序列分类特征；其次，结合地面调查和Collect Earth、历史时期谷歌高清影像和目视解译的方法收集大量的地面样本点；然后，利用随机森林模型、特征优选算法，逐年绘制自2017年起10m分辨率的作物类型分布图。该套数据集地面精度验证较高，与统计数据在市级尺度上吻合度高。通过地面样本点计算混淆矩阵进行数据精度验证，2017-2019年验证精度分别为：总体精度(OA)=81%、81%、87%。通过与统计数据在市级尺度上对比进行交叉验证，2017-2018年在市级尺度上对比结果为：水稻R² 分别为0.99、0.99，玉米R² 分别为0.98、0.99，大豆R² 分别为0.83、0.94。

数据来源

Google Earth Engine云计算平台，Sentinel-2遥感影像

数据产生或加工方法

基于Google Earth Engine云计算平台和Sentinel-2遥感影像构建了一种适用于东北地区的作物分类框架，采用“分层分区全时序”策略。首先分层，先提取耕地，然后在耕地图层上识别不同作物类型。然后分区，基于农业区划方案，在每个农业气候区内单独训练分类模型。最后利用插值和平滑技术构建作物生长季内完整的遥感时间序列，并利用特征优选算法遴选最优分类特征，最终得到东北地区2017-2019年逐年10m分辨率的作物类型空间分布数据集。

数据空间投影

Geographic Coordinate System：WGS_1984

数据质量说明

通过地面样本点计算计算混淆矩阵进行数据精度验证，2017-2019年验证精度分别为：总体精度(OA)=81%、81%、87%。通过与统计数据在市级尺度上对比进行交叉验证，2017-2018年在市级尺度上对比结果为：水稻R2 分别为0.99、0.99，玉米R2 分别为0.98、0.99，大豆R2 分别为0.83、0.94。

更多相关数据请访问：https://www.dilitanxianjia.com/