机器学习法的干旱区典型农作物分类

摘要：

当前,基于机器学习方法开展农作物分类研究,对于确保干旱区粮食安全和生态安全有着极为重要的现实意义.基于机器学习方法,采用时间序列Sentinel 2A遥感数据提取农作物分类信息,通过引入地块基元和红边特征,探讨了不同分类特征组合对机器学习分类精度的影响.结果表明:随机森林分类器可以有效集成光谱和植被指数等多维向量的优势,将其应用于干旱区典型农作物分类上的精度均在89％ 以上,分类组总体精度最高可达94.02％.地块基元点集支持下的分类特征提取方法能够提高机器学习效率和农作物分类精度,使光谱组及指数组的分类精度分别提高3.13％ 和4.07％,并能有效解决"椒盐"效应及耕地边缘廓线模糊等问题.红边光谱和红边指数的引入分别使随机森林分类器总体精度提高2.39％ 和1.63％,并使春、冬小麦的识别能力显著提高,表明红边特征能够帮助分类器更敏感地捕捉不同作物特有的生长特性及物候差异.该研究结果可为机器学习方法及Sentinel 2A卫星在干旱区农业遥感的应用提供参考.

关键词：机器学习、随机森林、农作物分类、地块基元、红边波段

所属期刊栏目：38

分类号：TP79(遥感技术)

资助基金：国家自然科学基金项目41361140361 ,国家重点研发计划2017YFB0504204;中国科学院"西部之光"人才培养引进计划青年学者 A 类项目2016-QNXZ-A-5

在线出版日期：2018-10-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：3169-3176