基于无人机多光谱遥感图像的玉米田间杂草识别

• 作者: 兰玉彬 李志铭 杨焕波 贾鹏 赵静 鲁力群
• 来源期刊: 中国农业科学
• 关键词: 杂草识别 无人机遥感 多光谱图像 特征选择 监督分类
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 耕作栽培·生理生化·农业信息技术
• 页码范围: 1545-1555
• 页数: 11页
• 字数: 8564字
• 语种: 中文
• DOI: 10.3864/j.issn.0578-1752.2020.08.005

摘要

[目的]为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性.[方法]通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像.为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜.通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段.将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度.将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数.利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类.[结果]支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13％—91.94％,Kappa>0.79,随机森林总体精度为89.27％—90.95％,Kappa>0.79.[结论]SVM-RFE算法对数据降维效果优于Relief算法,支持向量机(SVM)模型对区域冠层尺度下玉米与杂草的分类效果最好.