基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法

摘要：

及时、准确地掌握水稻空间分布和种植面积信息对预测水稻产量、指导农业生产等农业活动起着重要作用.遥感技术因其快速、综合等优势,而被广泛应用于农作物识别领域.以沈阳市为研究区域,选取沈阳农业大学道南、辽中和沈北新区作为粳稻种植代表区域获取CART算法的训练样本,并结合粳稻移栽期的NDVI、EVI、LSWI数据,训练作物分割阈值,构建决策树初步提取出研究区粳稻空间分布信息.为进一步去除上述提取区域的其他地物信息,构建粳稻抽穗期和成熟期的植被指数、纹理、ISODATA非监督分类数据及其原始波谱特征的多特征数据集,利用BP神经网络对多组不同特征综合数据集进行粳稻分类提取,得到对分类精度贡献较大的特征和最佳分类数据集,并分别利用最大似然和BP神经网络分类法,结合决策树分类结果和实地样本数据,对最佳分类数据集进行分类结果对比和精度验证.结果表明:采用CART决策树和BP神经网络相结合的方法可以获得较高的分类精度,总体精度为89.1﹪,Kappa系数达到0.881.利用作物关键物候期中等分辨率影像,结合多时相波谱特征和植被指数,采用CART决策树和BP神经网络相结合的分类法能有效提高粳稻的分类精度,为基于传统机器学习模型的关键物候期遥感数据作物分类研究提供一条新思路.

关键词：粳稻、CART算法、决策树、植被指数、BP神经网络

所属期刊栏目：51

分类号：S511(禾谷类作物)

资助基金：国家重点研发计划项目[2018YFD0300309

在线出版日期：2020-05-11（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：169-176