摘要
农业遥感作为遥感研究领域的重要组成部分，主要包括利用遥感技术识别作物类型，开展作物面积与产量的估算，进行农业自然灾害与病虫害发生发展的监测等。能够准确并及时地获取农作物种植分布图，对于区域农业结构调整、农业政策实施、智慧农业及农业可持续发展具有重要意义。在农业遥感工作中，分类精度及模型构建对于提高农作物遥感识别的准确度具有重要意义。本研究以黑龙江省玉米、水稻及大豆等主要粮食生产区为研究区，利用谷歌地球引擎平台(GEE)机器学习和田间实地踏查相结合手段，结合原始光谱特征、植被指数特征及纹理特征等信息，采用随机森林算法(RF)、支持向量机算法(SVM)和最小距离算法(MMD)构建分类模型，研究了黑龙江省粮食作物的遥感分类与制图技术，主要获得以下研究结果: 1.比较了基于人工踏查样点、目视解译样点、人工踏查样点与目视解译样点结合、人工踏查样点为训练集及目视解译为验证集、人工踏查样本点与目视样点按1∶1比例等样本集构建策略，发现使用目视解译所构建的样本集分类结果较好,且精度较高，高于仅使用人工样点进行分类的精度。因此，使用目视解译样点进行分类不仅解决了样本数量不足的问题还使精度得到了提升。在样本集构建时，可以通过人工样点与目视解译样点相结合构建训练集与验证集。 2.基于随机森林算法，对40个特征重要性进行打分、排序及选择，最终确定了24个特征，包括7个原始光谱特征、9个植被指数特征以及8个空间纹理特征。总体精度达到了95.5％,Kappa系数达到0.947。 3.基于谷歌地球引擎平台分别对采用随机森林算法、支持向量机算法、最小距离算法构建的分离模型进行比较，发现随机森林分类器最稳定且精度最高，可用该方法构建分类模型。 4.通过对比随机森林算法及支持向量机法构建的分类模型，结果发现无论从单个作物的用户精度、生产者精度，还是从整体精度、Kappa系数方面看，随机森林模型均更稳定精度更高。随机森林模型的总体精度达97％左右，而支持向量机模型的精度为93.7％,两种模型存在4％的精度差距。 5.在玉米、水稻和大豆的11个研究区中,平均制图精度分别为96.22％、94.3％、97.93％。 综上，基于机器学习和田间实测数据相结合，能够较好地实现对黑龙江省主要粮食作物种植面积及分布进行预测。
NETL