为探究多特征融合方法在作物倒伏领域快速精准识别中的适用性,利用无人机获取多田块冠层尺度的不同倒伏率麦田多光谱数据,对原始倒伏图像进行图像拼接、辐射校正、几何校正等预处理,并利用重归一化差值植被指数和阴影指数分别剔除土壤和阴影背景,提取小麦倒伏DSM模型和植被指数分别与多光谱图像进行多特征图像主成分变换融合,筛选差异性较大的纹理特征,采用支持向量机(SVM)、人工神经网络(ANN)和最大似然法(MLC)监督分类模型对多光谱和DSM融合图像、多光谱和归一化植被指数(ND-VI)融合图像、多光谱图像和纹理特征图像进行监督分类,并采用总体精度(OA)、Kappa系数和提取误差综合评价各监督模型的分类性能和倒伏提取精度.分类结果表明:各监督分类方法在不同倒伏区域提取结果建模效果趋势一致,SVM和ANN整体提取精度高于MLC,在高倒伏区域,多光谱与NDVI融合图像的SVM监督模型(OA:92.63％,Kappa系数:0.85,提取误差:1.11％)提取效果最好;在中倒伏区域,多光谱与DSM融合图像的SVM监督模型(OA:90.35％,Kappa系数:0.79,提取误差:9.34％)提取效果最好;在低倒伏区域,均值纹理特征图像的ANN监督模型(OA:91.05％,Kappa系数:0.82,提取误差:8.20％)提取结果较好.本研究将DSM模型、植被指数、纹理特征与多光谱图像进行融合对比,并对多特征融合方法能否高精度有效提取小麦倒伏信息进行了探究,结果表明无人机多光谱遥感结合特征融合技术能有效提取小麦倒伏面积,提取效果优于单特征小麦倒伏图像.本研究结果可为助力小麦倒伏灾情调查数据的精确获取方法提供参考.
NETL
NSTL
万方数据
