【摘要】：為快速獲取大范圍種植結(jié)構(gòu)復(fù)雜區(qū)域的作物種植面積,以MODIS數(shù)據(jù)為數(shù)據(jù)源,選擇歸一化植被指數(shù)(Normalized difference vegetation index,NDVI)、增強(qiáng)植被指數(shù)(Enhanced vegetation index,EVI)、寬動態(tài)植被指數(shù)(Wide dynamic range vegetation index,WDRVI)、地表水分指數(shù)(Land surface water index,LSWI)、歸一化雪被指數(shù)(Normalized difference snow index,NDSI)5種特征,結(jié)合同步的實地調(diào)查樣本點,采用支持向量機(jī)算法(Support vector machines,SVM)提取黑龍江省主要農(nóng)作物的種植面積。研究表明,在待選特征中NDVI、EVI與LSWI指數(shù)組合取得了最高的分類精度,總體分類精度為74.18%,Kappa系數(shù)為0.60;支持向量機(jī)算法與最大似然算法、隨機(jī)森林算法相比,分類精度更優(yōu)。該方法為在大區(qū)域中提取農(nóng)作物種植面積提供了參考價值。
[Abstract]:In order to quickly obtain crop planting area in a large area with complex planting structure, MODIS data is used as the data source. Five characteristics of normalized vegetation index (Normalized difference vegetation index,NDVI), enhanced vegetation index (Enhanced vegetation index,EVI), wide dynamic vegetation index (Wide dynamic range vegetation index,WDRVI), surface water index (Land surface water index,LSWI) and normalized snow cover index (Normalized difference snow index,NDSI) were selected. Support vector machine (Support vector machines,SVM) algorithm is used to extract the planting area of main crops in Heilongjiang province. The research shows that the combination of NDVI,EVI and LSWI index achieves the highest classification accuracy in the selected features, the overall classification accuracy is 74.18Kappa coefficient 0.60, and the support vector machine algorithm is better than the maximum likelihood algorithm and stochastic forest algorithm. This method provides a reference value for the extraction of crop planting area in large area.
【作者單位】： 中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院;黑龍江省農(nóng)墾科學(xué)院科技情報研究所;
【基金】：國家自然科學(xué)基金項目(41671418、41471342、41371326) 國家高技術(shù)研究發(fā)展計劃(863計劃)項目(2013AA10230103)
【分類號】：S127;TP79

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 向大芳;;支持向量機(jī)云檢測方法的穩(wěn)定性分析研究[J];計算機(jī)應(yīng)用與軟件;2013年01期

2 任能;谷波;;冷壁面霜層生長的支持向量機(jī)模型[J];制冷學(xué)報;2007年03期

3 趙春暉;陳萬海;萬建;;一種改進(jìn)的多類支持向量機(jī)超光譜圖像分類方法[J];智能系統(tǒng)學(xué)報;2008年01期

4 曹志坤;谷波;顧眾;;基于改進(jìn)的支持向量機(jī)制冷陳列柜優(yōu)化模型[J];上海交通大學(xué)學(xué)報;2009年09期

5 張紅亮;王水林;呂穎慧;尹小濤;;爆破震動效應(yīng)的支持向量機(jī)分析預(yù)測[J];礦業(yè)研究與開發(fā);2007年04期

6 歐敏;林從謀;;支持向量機(jī)預(yù)測高邊坡爆破質(zhì)點振動速度[J];金屬礦山;2011年06期

7 周建永;;支持向量機(jī)修正灰色模型在工程價格預(yù)測中的應(yīng)用[J];科技通報;2013年07期

8 李波;郭鳳菊;李新軍;;一種多屬性約簡支持向量機(jī)混合分類方法[J];昆明理工大學(xué)學(xué)報(理工版);2006年04期

9 潘翔;李潔冰;;一種基于支持向量機(jī)的目標(biāo)定位方法[J];浙江大學(xué)學(xué)報(工學(xué)版);2006年03期

10 史秀志;董凱程;邱賢陽;陳小康;;基于支持向量機(jī)回歸爆破振動速度預(yù)測分析[J];工程爆破;2009年03期

相關(guān)會議論文 前4條

1 侯澍e，

本文編號：2221046