基于Softmax分类器的小春作物种植空间信息提取

摘要：

[目的]使用浅层机器学习分类方法和多光谱遥感影像快速准确提取研究区小春作物(油菜、小麦)种植空间信息.[方法]选择研究区小春作物识别最佳时期的Sentinel 2A MSI多光谱影像,融合得到10 m分辨率影像,然后降尺度生成15、20、30 m分辨率影像,结合地面调查数据,建立油莱、小麦、林地、居民地、水体等典型地物感兴趣区,训练Softmax分类器,基于不同空间分辨率影像提取油菜、小麦种植空间信息.[结果]①基于Softmax分类器和10 m分辨率融合影像的小春作物分类总体精度为90.02％,Kappa系数为0.8344,其中油莱生产者精度和用户精度分别为93.14％、91.42％,小麦的分别为87.93％,98.09％;②Soft-max法的小春作物分类精度随影像空间分辨率下降而降低,15、20、30 m分辨率影像的分类精度较10m的分别下降9.80％、12.04％和13.04％,Kappa系数依次减少0.1538,0.1873和0.2088;③15、20、30 m分辨率影像的油菜分类精度较小麦的低,影响因素为油菜花期和种植地块破碎分散.[结论]Softmax分类器在10 ～30 m中高分辨率影像小春作物分类中具备较高的精度,可作为常规方法应用于业务化的作物监测工作.

关键词：小春作物、Sofimax、机器学习、空间分辨率、分类精度

所属期刊栏目：32

分类号：S344(耕作学与有机农业)

资助基金：四川省科技厅软科学研究项目“基于高分六号遥感影像的四川粮食作物布局研究”2019JDR0121;四川省科技厅应用基础研究项目“基于空间大数据的乡村地区土地利用变化研究”2019YJ0608;四川省财政创新能力提升工程专项资金项目“乡村旅游地区土地利用变化研究”2019QNJJ-025

在线出版日期：2019-10-12（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：1880-1885