为快速、准确、高效地获取棉花种植空间分布信息,提高棉花信息提取精度,基于机器学习的遥感图像识别方法,是有效解决问题的途径.以新疆维吾尔自治区乌苏市为研究区,利用哨兵2号遥感数据,选取6种常用植被指数、3种红边植被指数,基于遥感植被指数变化曲线进行棉花特征时段选择,并分别采用梯度提升决策树、随机森林、支持向量机算法,通过RF特征优选,进行棉花种植区空间分布信息提取,并对提取结果精度验证.结果表明,机器学习方法(GBDT、RF、SVM)的总体分类精度分别为0.92、0.91、0.88,Kappa系数分别为0.91、0.89、0.85;经RF特征优选后的机器学习算法(RF-GBDT、RF-RF、RF-SVM)的总体分类精度分别为0.94、0.94、0.91,Kappa系数分别为0.93、0.92、0.88;经RF特征优选后的3种机器学习算法(RF-GBDT、RF-RF、RF-SVM)的总体精度分别比RF特征优选前(GBDT、RF、SVM)的总体精度分别提高了 0.02、0.03、0.03,Kappa系数分别提高了 0.02、0.03、0.03.GBDT作为一种集成的机器学习算法,在地物分类与棉花提取方面有着较好的应用效果,且经过特征优选的RF-GBDT算法精度更高.这表明在进行机器学习分类前,通过算法对输入特征进行重要性筛选,可有效避免因特征冗余造成的分类精度下降,可实现更高精度的棉花种植区域提取.
万方数据
维普
