基于改进SVM算法的典型作物分类方法研究

• 作者: 姜涛 孔庆明 张萧誉 施玉博 苏中滨 贾银江
• 来源期刊: 东北农业大学学报
• 学科: 农学
• 关键词: 种植结构提取 遥感 分类精度 植被指数 分类器
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 研究报告
• 页码范围: 77-85
• 页数: 9页
• 分类号: P237|S29
• 字数: 5632字
• 语种: 中文

摘要

以黑龙江省哈尔滨市阿城区为研究区域,多时相16 m空间分辨率高分一号(GF-1)卫星宽覆盖(Wide field of view,WFV)影像为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、归一化水指数(Normalized difference water index,NDWI)、比值植被指数(Ratio Vegetation Index,RVI)4种植被指数,构建植被指数时间序列,分析作物特征曲线,结合实地样本数据,采用支持向量机(Support vector machine,SVM)分类器对研究区内主要农作物玉米、水稻和大蒜/白菜实施分类.针对SVM分类器分类精度较低问题,引入自适应变异粒子群算法(Adaptive mutation particle swarm optimization,AMPSO)优化SVM,克服传统SVM参数选择主观性,进而提升分类器分类精度.结果表明,玉米和水稻生育期与大蒜/白菜差异较大,易区分;玉米与水稻生育期接近,光谱信息相似,区分难度较大,但光谱指数增长与回落趋势不同,借助NDVI、RVI和EVI可实现有效区分.改进后的AMPSO-SVM分类器,分类效果相比于SVM明显提升,确定核参数为0.135,惩罚因子为221.67时,分类效果最佳,总体分类精度达到94.39％,Kappa系数为0.9287,比SVM分类器,分类精度提升3.48％,Kappa系数提高0.0436.研究可为大区域农作物种植结构提取提供参考与借鉴.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	苏中滨	东北农业大学电气与信息学院	84	466	13.0	17.0
2	贾银江	东北农业大学电气与信息学院	22	194	9.0	13.0
3	孔庆明	东北农业大学电气与信息学院	9	58	4.0	7.0
4	姜涛	东北农业大学电气与信息学院	12	72	4.0	8.0
5	施玉博		2	0	0.0	0.0
6	张萧誉	东北农业大学电气与信息学院	1	0	0.0	0.0