时间序列特征提取和分类器对农作物分类的影响研究

• 作者: 温彩运 陆苗 宋茜 程锐 张士博
• 来源期刊: 中国农业信息
• 关键词: 遥感 时间序列 作物分类 特征优选 分类器
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 农业遥感|Agricultural Remote Sensing
• 页码范围: 1-16
• 页数: 16页
• 语种: 中文
• DOI: 10.12105/j.issn.1672-0423.20210101

摘要

[目的]准确的作物空间分布是农业估产、作物长势和病虫害防控等农业遥感监测的重要基础信息.选择合适的特征和分类器对作物空间信息的提取有重要意义.[方法]文章基于北安市的Landsat 8时间序列数据探究了特征提取和分类器选择对作物分类的影响.首先,基于Google Earth Engine(GEE)平台提取光谱、植被指数、纹理和物候时序特征;其次,将不同特征及其组合输入最小距离法(Minimum Distance Classification,MDC)、朴素贝叶斯(Na?ve Bayes,NB)、K最近邻法(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)和随机森林(Random Forest,RF)5种分类器比较精度;最后,计算分离性指数(Separability Index,SI)评估特征对识别作物的贡献度,辅助验证分类器的分类结果.[结果]研究结果表明:(1)4类特征中光谱特征分类精度最高,3种特征组合中光谱+植被指数精度最高,但相较于光谱特征精度提仅提高0.6％,说明时序光谱特征足以得到较好的作物分类结果,提取的其他特征对精度提升作用不明显;(2)通过比较5种分类器的精度均值和标准差,性能最好的是RF,其次是SVM,MDC的性能最差;(3)在特征分离性方面,光谱特征最好,其次是植被指数、物候和纹理特征.[结论]光谱时序特征结合RF分类器效率最高,能得到较好的作物识别效果.文章能为作物分类特征提取和分类器选择提供参考和依据.