選取2015年10月至2016年6月冬小麥生長(zhǎng)期9個(gè)關(guān)鍵時(shí)相的GF-1 WFV影像為數(shù)據(jù)源,綜合多時(shí)相的光譜特征、植被指數(shù)特征與紋理特征,設(shè)置4組特征組合方案進(jìn)行對(duì)比分析;并根據(jù)特征重要性進(jìn)行特征選擇,得到最優(yōu)的特征子集建立隨機(jī)森林分類模型,對(duì)河南省許昌市地物類型進(jìn)行分類并實(shí)現(xiàn)冬小麥種植面積的提取。結(jié)果表明:在沒有進(jìn)行特征選擇的情況下,4種特征組合中,綜合多種特征類型的D組分類精度最高,經(jīng)過(guò)特征選擇后,各組分類精度均得到不同程度的提高,說(shuō)明通過(guò)多種類型的特征變量綜合與特征優(yōu)選均可有效地提高分類精度;不同特征類型以及不同時(shí)相的特征變量對(duì)分類的貢獻(xiàn)率不同,貢獻(xiàn)率由大到小為植被指數(shù)、光譜指數(shù)、紋理特征,冬小麥生長(zhǎng)季的2月、3月、5月、6月比其他月份對(duì)分類精度的貢獻(xiàn)率更高;河南省許昌市冬小麥面積為2 258.7 km²,分類的總體精度達(dá)到95.18%,Kappa系數(shù)為0.925 5,其中冬小麥的制圖精度與用戶精度均達(dá)到98.67%。 

【文章來(lái)源】：陜西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,48(01)北大核心CSCD

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

各地物類型的分類精度對(duì)比圖

計(jì)算A、B、C、D 4組特征組合中各變量的重要性得分,再與隨機(jī)森林分類器結(jié)合,在分類過(guò)程中選擇最高分類精度對(duì)應(yīng)的特征個(gè)數(shù)及特征子集,得到優(yōu)化后的特征集A″、B″、C″、D″。下面以特征組合D為例進(jìn)行說(shuō)明,各特征變量重要性差異較大,最大分值為15.74,最小分值為1.1。不同特征個(gè)數(shù)對(duì)應(yīng)的總體分類精度和Kappa系數(shù)見圖3。由圖3知,隨著特征變量個(gè)數(shù)的不斷增加,分類精度呈現(xiàn)先增加后減少、然后不斷波動(dòng)趨于穩(wěn)定的變化趨勢(shì)。隨著特征變量的不斷增加,分類信息量由不足變得充足,分類精度逐漸提高;但隨著重要性分值較低的特征變量的不斷加入,信息冗余現(xiàn)象明顯,在一定程度上會(huì)影響精度的增加,甚至使分類精度出現(xiàn)下降的趨勢(shì)。當(dāng)特征個(gè)數(shù)為50時(shí),分類總體精度與Kappa系數(shù)均達(dá)到最大值,分別為95.18%和0.940 5,因此將這50個(gè)特征變量構(gòu)成的特征子集作為優(yōu)選后的特征集,即D″。

表5 各特征組合的優(yōu)選特征子集Tab.5 Preferred feature subsets of each feature combination 組 特征數(shù)量 特征變量 A″ 10 b64、b91、b51、b92、b94、b54、b81、b61、b63、b14 B″ 50 b64、b51、b94、b92、b91、b54、b82、b71、b63、b73、b53、b14、b5Ent、b81、b6Con、b72、b74、b61、b84、b52、b5ASM、b3ASM、b93、b44、b43、b62、b83、b34、b24、b4Con、b5Con、b21、b2Con、b41、b6ASM、b6Ent、b42、b4ASM、b22、b2Ent、b11、b23、b3Ent、b13、b9Con、b1Cor、b1Con、b2Cor、b4Ent、b9Ent C″ 40 b6SIPI、b91、b92、b5SIPI、b64、b81、b51、b5GNDVI、b6GNDVI、b93、b4GI、b82、b9SIPI、b83、b54、b4VIgreen、b2GI、b6SAVI、b4SIPI、b71、b61、b72、b2VIgreen、b63、b6DVI、b5SAVI、b21、b94、b73、b62、b42、b44、b9GNDVI、b5VIgreen、b14、b41、b8VIgreen、b5DVI、b5RDVI、b9RVI D″ 50 b92、b91、b5SIPI、b6SIPI、b64、b5GNDVI、b81、b51、b6GNDVI、b4VIgreen、b93、b4GI、b9SIPI、b82、b71、b83、b9NDVI、b5ASM、b72、b73、b5Ent、b54、b44、b4SIPI、b2VIgreen、b2GI、b6Con、b94、b61、b6DVI、b8VIgreen、b4GNDVI、b2Con、b5SAVI、b5RDVI、b6RDVI、b62、b8GI、b63、b8SIPI、b6SAVI、b5DVI、b5GI、b5OSAVI、b8NDVI、b3ASM、b3VIgreen、b53、b6RVI、b6OSAVI3.4 分類結(jié)果圖

【參考文獻(xiàn)】：
期刊論文
[1]單變量特征選擇的蘇北地區(qū)主要農(nóng)作物遙感識(shí)別[J]. 王娜,李強(qiáng)子,杜鑫,張?jiān)?趙龍才,王紅巖.  遙感學(xué)報(bào). 2017(04)
[2]基于GF-1 WFV數(shù)據(jù)的玉米與大豆種植面積提取方法[J]. 黃健熙,侯矞焯,蘇偉,劉峻明,朱德海.  農(nóng)業(yè)工程學(xué)報(bào). 2017(07)
[3]利用時(shí)序數(shù)據(jù)構(gòu)建冬小麥識(shí)別矢量分析模型[J]. 楊閆君,占玉林,田慶久,顧行發(fā),余濤.  遙感信息. 2016(05)
[4]基于改進(jìn)多元紋理信息模型和GF-1影像的縣域冬小麥面積提取[J]. 游炯,裴志遠(yuǎn),王飛,吳全,郭琳.  農(nóng)業(yè)工程學(xué)報(bào). 2016(13)
[5]基于決策樹和混合像元分解的江蘇省冬小麥種植面積提取[J]. 王連喜,徐勝男,李琪,薛紅喜,吳建生.  農(nóng)業(yè)工程學(xué)報(bào). 2016(05)
[6]隨機(jī)森林在高光譜遙感數(shù)據(jù)中降維與分類的應(yīng)用[J]. 楊珺雯,張錦水,朱秀芳,謝登峰,袁周米琪.  北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(S1)
[7]基于GF-1衛(wèi)星遙感的冬小麥面積早期識(shí)別[J]. 王利民,劉佳,楊福剛,富長(zhǎng)虹,滕飛,高建孟.  農(nóng)業(yè)工程學(xué)報(bào). 2015(11)
[8]基于MODISNDVI多年時(shí)序數(shù)據(jù)的農(nóng)作物種植識(shí)別[J]. 許青云,楊貴軍,龍慧靈,王崇倡,李鑫川,黃登成.  農(nóng)業(yè)工程學(xué)報(bào). 2014(11)
[9]農(nóng)作物遙感分類特征變量選擇研究現(xiàn)狀與展望[J]. 賈坤,李強(qiáng)子.  資源科學(xué). 2013(12)
[10]基于影像認(rèn)知和地學(xué)理解的面向?qū)ο蠓诸愌芯縖J]. 朱超洪,劉勇.  遙感技術(shù)與應(yīng)用. 2012(04)

碩士論文
[1]圖像的特征提取和分類[D]. 王麗亞.西安電子科技大學(xué) 2006



本文編號(hào)：3135556