多源遙感信息和特征優(yōu)選是提高農(nóng)作物識(shí)別精度的重要支撐,高分六號(hào)（GF-6）衛(wèi)星作為首次引入紅邊波段的國(guó)產(chǎn)衛(wèi)星,其豐富的光譜信息為作物識(shí)別提供了新的思路和解決途徑。該研究基于寧夏回族自治區(qū)銀川市永寧縣2018年6月—2019年3月的GF-6數(shù)據(jù),充分利用紅邊優(yōu)勢(shì)提取光譜特征、紋理特征和植被指數(shù)特征,構(gòu)建多種特征組合方案,并根據(jù)隨機(jī)森林算法對(duì)特征重要性進(jìn)行度量,選取最優(yōu)特征組合對(duì)釀酒葡萄進(jìn)行精準(zhǔn)識(shí)別。結(jié)果表明,與單一特征相比,多源遙感特征的增加顯著改善了釀酒葡萄分類效果,其中,植被指數(shù)貢獻(xiàn)程度最大,光譜特征次之;基于隨機(jī)森林的優(yōu)選特征組合分類效果最佳,其中,總體分類精度為94.15%,釀酒葡萄用戶精度為94.23%,制圖精度為92.59%;以實(shí)地調(diào)查的4個(gè)酒莊為驗(yàn)證區(qū),將釀酒葡萄提取結(jié)果與統(tǒng)計(jì)數(shù)據(jù)進(jìn)行對(duì)比,面積相對(duì)精度均在70%以上,其中優(yōu)選特征結(jié)果相對(duì)精度在90%以上,研究結(jié)果將為國(guó)產(chǎn)衛(wèi)星紅邊波段在植被分類和識(shí)別方面的應(yīng)用提供數(shù)據(jù)參考。 

【文章來(lái)源】：農(nóng)業(yè)工程學(xué)報(bào). 2020,36(18)北大核心EICSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【參考文獻(xiàn)】：
期刊論文
[1]基于環(huán)境變量的渭干河-庫(kù)車(chē)河綠洲土壤鹽分空間分布[J]. 蒙莉娜,丁建麗,王敬哲,葛翔宇.  農(nóng)業(yè)工程學(xué)報(bào). 2020(01)
[2]Sentinel-2影像多特征優(yōu)選的黃河三角洲濕地信息提取[J]. 張磊,宮兆寧,王啟為,金點(diǎn)點(diǎn),汪星.  遙感學(xué)報(bào). 2019(02)
[3]隨機(jī)森林方法在玉米-大豆精細(xì)識(shí)別中的應(yīng)用[J]. 王利民,劉佳,楊玲波,楊福剛,富長(zhǎng)虹.  作物學(xué)報(bào). 2018(04)
[4]基于Sentinel-2遙感影像的玉米冠層葉面積指數(shù)反演[J]. 蘇偉,侯寧,李琪,張明政,趙曉鳳,蔣坤萍.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2018(01)
[5]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)
[6]基于二分搜索結(jié)合修剪隨機(jī)森林的特征選擇算法在近紅外光譜分類中的應(yīng)用[J]. 劉明,李忠任,張海濤,于春霞,唐興宏,丁香乾.  激光與光電子學(xué)進(jìn)展. 2017(10)
[7]高分一號(hào)歸一化植被指數(shù)時(shí)間序列用于冬小麥識(shí)別[J]. 張晶,占玉林,李如仁.  遙感信息. 2017(01)
[8]綜合多特征的Landsat 8時(shí)序遙感圖像棉花分類方法[J]. 王文靜,張霞,趙銀娣,王樹(shù)東.  遙感學(xué)報(bào). 2017(01)
[9]農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望[J]. 陳仲新,任建強(qiáng),唐華俊,史云,冷佩,劉佳,王利民,吳文斌,姚艷敏,哈斯圖亞.  遙感學(xué)報(bào). 2016(05)
[10]RapidEye衛(wèi)星紅邊波段對(duì)農(nóng)作物面積提取精度的影響[J]. 劉佳,王利民,滕飛,楊玲波,高建孟,姚保民,楊福剛.  農(nóng)業(yè)工程學(xué)報(bào). 2016(13)

博士論文
[1]基于高分一/六號(hào)衛(wèi)星影像特征的農(nóng)作物分類研究[D]. 鄭利娟.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所) 2017



本文編號(hào)：3427702