-
题名基于改进SVM算法的典型作物分类方法研究
被引量：15
- 1
-
-
作者
贾银江
姜涛
苏中滨
孔庆明
张萧誉
施玉博
-
机构
东北农业大学电气与信息学院
国网哈尔滨供电公司
-
出处
《东北农业大学学报》
CAS
CSCD
北大核心
2020年第7期77-85,共9页
-
基金
国家重点研发计划项目(2016YFD0200701)。
-
文摘
以黑龙江省哈尔滨市阿城区为研究区域,多时相16 m空间分辨率高分一号(GF-1)卫星宽覆盖(Wide field of view,WFV)影像为数据源,选择归一化植被指数(Normalized difference vegetation index,NDVI)、增强植被指数(Enhanced vegetation index,EVI)、归一化水指数(Normalized difference water index,NDWI)、比值植被指数(Ratio Vegetation Index,RVI)4种植被指数,构建植被指数时间序列,分析作物特征曲线,结合实地样本数据,采用支持向量机(Support vector machine,SVM)分类器对研究区内主要农作物玉米、水稻和大蒜/白菜实施分类。针对SVM分类器分类精度较低问题,引入自适应变异粒子群算法(Adaptive mutation particle swarm optimization,AMPSO)优化SVM,克服传统SVM参数选择主观性,进而提升分类器分类精度。结果表明,玉米和水稻生育期与大蒜/白菜差异较大,易区分;玉米与水稻生育期接近,光谱信息相似,区分难度较大,但光谱指数增长与回落趋势不同,借助NDVI、RVI和EVI可实现有效区分。改进后的AMPSO-SVM分类器,分类效果相比于SVM明显提升,确定核参数为0.135,惩罚因子为221.67时,分类效果最佳,总体分类精度达到94.39%,Kappa系数为0.9287,比SVM分类器,分类精度提升3.48%,Kappa系数提高0.0436。研究可为大区域农作物种植结构提取提供参考与借鉴。
-
关键词
种植结构提取
遥感
分类精度
植被指数
分类器
-
Keywords
planting structure extraction
remote sensing
classification accuracy
vegetation index
classifier
-
分类号
P237
[天文地球—摄影测量与遥感]
S29
[农业科学—农业水土工程]
-
-
题名基于连续小波变换定量反演冬小麦叶片含水量研究
被引量：10
- 2
-
-
作者
王延仓
张萧誉
金永涛
顾晓鹤
冯华
王闯
-
机构
北华航天工业学院计算机与遥感信息技术学院
北京农业信息技术研究中心
河北省航天遥感信息处理与应用协同创新中心
国家农业信息化工程技术研究中心
-
出处
《麦类作物学报》
CAS
CSCD
北大核心
2020年第4期503-509,共7页
-
基金
国家重点研发计划项目(2016YFD0300609)
北京市农林科学院科技创新能力建设专项(KJCX20170705)
+2 种基金
国家自然科学基金项目(41401419)
河北省教育厅青年基金项目(QN2019213)
河北省青年科学基金项目(D2017409021)。
-
文摘
为了解连续小波转换对利用冬小麦冠层高光谱数据反演叶片含水量精度的提高效果,以河北省衡水市安平县为研究区,基于野外高光谱数据,提取、筛选其光谱特征敏感波段,应用光谱指数、连续小波变换进行光谱处理,并采用偏最小二乘法构建冬小麦叶片含水量的定量反演模型。结果表明,连续小波变换可明显凸显冬小麦冠层光谱特征,提升其对叶片含水量的敏感性。在连续小波变换下,基于1尺度构建的冬小麦叶片含水量的反演模型为最优模型,模型的决定系数(r2)和RMSE分别为0.756和0.994%,独立样本验证时r2和RMSE分别为0.766和1.713%,说明反演模型的拟合效果和预测精度均较高。因此,利用连续小波变换可将冠层光谱信息进行二次分配,能有效将有益信息与噪声信息进行分离,提升光谱信息对冬小麦叶片水含量的敏感性,增强冬小麦叶片水含量的预测能力与稳定性。
-
关键词
叶片含水量
高光谱
连续小波变换
偏最小二乘
-
Keywords
Water content of wheat leaves
Hyperspectral
Continuous wavelet transform
Partial least squares
-
分类号
S512.1
[农业科学—作物学]
S314
[农业科学—作物栽培与耕作技术]
-
