基于机器学习结合植被指数阈值的水稻关键生育期识别

• 作者: 彭漪 方圣辉 杨振忠 王东 龚龑
• 来源期刊: 中国农业大学学报
• 学科: 农学
• 关键词: 水稻 生育期 光谱反射率 机器学习 植被指数
• 年，卷（期）: 2020,（1）
• 页码范围: 76-85
• 页数: 10页
• 分类号: S51
• 语种: 中文
• DOI: 10.11841/j.issn.1007-4333.2020.01.09

摘要

为建立不依赖时序数据的水稻生育期识别模型,基于四波段辐射计(SKYE)获取的水稻全生育期每日的冠层光谱反射率数据,利用K近邻(k-nearest neighbors,KNN)、决策树(Decision trees)、支持向量机(Support vector machines,SVM)、随机森林(Random forests,RF)和梯度提升决策树(Gradient boosted decision trees,GBDT)共5种机器学习算法开展水稻生育期识别研究.结果 表明:RF算法的识别准确率最高,达93.00％,KNN算法的识别准确率也达到了91.92％,其他3种算法的准确率也都超过90％.在此基础上,将建立的水稻生育期识别模型应用至无人机(UAV)影像数据,KNN算法适用性最好,识别准确率为83.54％,RF算法的适用性一般,识别准确率为74.38％,SVM算法的适用性最差,识别准确率仅为62.92％,但5种机器学习算法都容易错误地将抽穗扬花期识别为拔节孕穗期;而新构建的KNN算法结合可见光大气修正指数(Visible atmospherically resistant index,VARI)的水稻生育期识别模型对无人机数据的识别准确率可达86.04％,与单独应用KNN算法相比,对水稻各个生育期的识别精度更加均衡.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王东	武汉大学遥感信息工程学院	29	126	6.0	10.0
2	方圣辉	武汉大学遥感信息工程学院	43	532	12.0	22.0
3	龚龑	武汉大学遥感信息工程学院	26	179	8.0	12.0
4	彭漪	武汉大学遥感信息工程学院	8	7	2.0	2.0
5	杨振忠	武汉大学遥感信息工程学院	2	1	1.0	1.0