南疆核桃与红枣种植10-m栅格数据集（2025）
桂诗渊1刘云飞*2刘琦3金谦2李浩文1陈越1刘智学1林敬梧2夏楠*1
1 新疆大学，乌鲁木齐8300462 中国科学院新疆生态与地理研究所，乌鲁木齐8300113 King Abdullah University of Science and Technology，Thuwal 23955-6900，Saudi Arabia
DOI:10.3974/geodb.2026.07.08.V1
出版时间:2026年7月
网页浏览次数：42
数据下载次数：0
数据下载量： 无 数据DOI引用次数：
关键词：
南疆,核桃,红枣,种植空间分布,10 m分辨率,Sentinel-1,Sentinel-2,随机森林
摘要:
作者基于Google Earth Engine平台，综合Sentinel-2光学影像、Sentinel-1合成孔径雷达影像、数字高程数据和参考样本，构建光学物候、雷达后向散射和地形特征，采用随机森林算法形成南疆核桃与红枣种植10-m栅格数据集（2025）。2025年参考样本共21,576个，其中15,101个用于模型训练，6,475个用于独立验证；七类验证总体精度为90.76%，Kappa系数为0.8902，合并后的四类产品总体精度为92.97%，Kappa系数为0.8953。根据最终分类栅格有效像元统计，核桃面积为417,889.25 ha，红枣面积为311,428.37 ha。数据集内容包括：（1）核桃与红枣种植空间分布数据（10 m分辨率）及说明；（2）核桃与红枣等的种植面积与分类精度统计数据。数据集存储为.tif、.txt和.xlsx文件，由4个文件组成，数据量为625 MB（压缩为1个文件121 MB）。
基金项目：
国家自然科学基金（42361144792）；新疆维吾尔自治区（2023TSYCLJ0049）
数据引用方式：
桂诗渊, 刘云飞*, 刘琦, 金谦, 李浩文, 陈越, 刘智学, 林敬梧, 夏楠*. 南疆核桃与红枣种植10-m栅格数据集（2025）[J/DB/OL]. 全球变化数据仓储电子杂志(中英文), 2026. https://doi.org/10.3974/geodb.2026.07.08.V1. .
参考文献：
[1] Mulla, D. J. Twenty five years of remote sensing in precision agriculture: key advances and remaining knowledge gaps [J]. Biosystems Engineering, 2013, 114(4): 358-371. DOI: 10.1016/j.biosystemseng.2012.08.009.
[2] Drusch, M., Del Bello, U., Carlier, S., et al. Sentinel-2: ESA's optical high-resolution mission for GMES operational services [J]. Remote Sensing of Environment, 2012, 120: 25-36. DOI: 10.1016/j.rse.2011.11.026.
[3] Torres, R., Snoeij, P., Geudtner, D., et al. GMES Sentinel-1 mission [J]. Remote Sensing of Environment, 2012, 120: 9-24. DOI: 10.1016/j.rse.2011.05.028.
[4] Gorelick, N., Hancher, M., Dixon, M., et al. Google Earth Engine: planetary-scale geospatial analysis for everyone [J]. Remote Sensing of Environment, 2017, 202: 18-27. DOI: 10.1016/j.rse.2017.06.031.
[5] Huete, A., Didan, K., Miura, T., et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices [J]. Remote Sensing of Environment, 2002, 83(1-2): 195-213. DOI: 10.1016/S0034-4257(02)00096-2.
[6] Gao, B. C. NDWI-A normalized difference water index for remote sensing of vegetation liquid water from space [J]. Remote Sensing of Environment, 1996, 58(3): 257-266. DOI: 10.1016/S0034-4257(96)00067-3.
[7] Orynbaikyzy, A., Gessner, U., Mack, B., et al. Crop type classification using fusion of Sentinel-1 and Sentinel-2 data: Assessing the impact of feature selection, optical data availability, and parcel sizes on the accuracies [J]. Remote Sensing, 2020, 12(17): 2779. DOI: 10.3390/rs12172779.
[8] Belgiu, M., Dragut, L. Random forest in remote sensing: a review of applications and future directions [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 24-31. DOI: 10.1016/j.isprsjprs.2016.01.011.
[9] Breiman, L. Random forests [J]. Machine Learning, 2001, 45: 5-32. DOI: 10.1023/A:1010933404324.
[10] Olofsson, P., Foody, G. M., Herold, M., et al. Good practices for estimating area and assessing accuracy of land change [J]. Remote Sensing of Environment, 2014, 148: 42-57. DOI: 10.1016/j.rse.2014.02.015.
数据下载:
| 序号 |
数据名 |
数据大小 |
操作 |
| 1 |
Walnut&JujubePlant.SXinjiang... |
124565.67KB |
|