摘要
获取农作物高分辨率影像特征,探究多特征学习训练对实际作物分类效果的影响,对农业部门掌握作物种植精细化结构信息,高效实施生产管理具有重要意义.针对无人机获取的高分辨率可见光遥感影像,提出一种基于面向对象多特征学习的农作物精细分类方法.首先借助HSI(Hue,Saturation,Intensity)模型对RGB图像进行色彩空间变换,以进一步挖掘影像中潜在色彩结构信息,然后利用 ESP(Estimation of Scale Parameter)算法和 CART(Classification And Regression Tree)决策树分别确定影像最佳分割尺度及构建最优特征学习空间,最后采用面向对象随机森林(Random Forest)分类算法对多特征空间进行学习训练,以实现作物精细分类,并结合验证数据集进行精度评价.结果表明:该方法对研究区作物的分类总体精度达到90.18％,Kappa系数达到0.877,均大于像素级和单特征学习的分类精度,能够有效区分出不同的作物类型;所构建的最优特征学习空间对研究区内棉花、玉米、西葫芦、葡萄的分类效果较好,各作物类型的生产者精度均大于89％.研究结果可为农业精准管理和作物种植结构优化提供参考.
基金项目
国家自然科学基金(U2003109)
石河子大学高层次人才科研启动专项(RCZK2018C15)
新疆维吾尔自治区面上基金(2022D01A149)
NETL
NSTL
维普
万方数据