[目的]小麦倒伏严重影响小麦光合及成熟进程,进而造成小麦减产及品质下降.为快速精确获取倒伏信息,评估无人机遥感监测小麦倒伏的能力,构建小麦倒伏监测模式,为灾情评估、保险理赔及灾后补救提供技术支持.[方法]利用近地无人机获取包含红、绿、蓝、红边和近红外5个多光谱波段图像,经过预处理飞行高度50mn的小麦冠层图像,得到分辨率为1.85(cm/像素)的数字正射影像图(DOM)和数字表面模型(DSM),从中提取光谱特征、高度特征和光谱纹理共3类特征信息;采用支持向量机(SVM)和随机森林(RF)2种分类器对6种不同特征集组合进行倒伏分类比较,使用准确率(Acc)、精确率(Pre)、召回率(Re)和调和平均数(Fl)以确定较优的特征组合和分类器;同时使用3种不同的特征集筛选方法(套索算法Lasso、随机森林递归算法RF-RFE和Boruta算法)对优化的特征子集进行综合评价,确立适宜的倒伏分类评价方法.[结果]单一特征的光谱和纹理及其组合对小麦倒伏的分类评价结果较差,"椒盐现象"严重,在此基础上融合DSM信息的分类精度显著提高.采用随机森林分类器对光谱特征、纹理特征和高度特征进行特征集组合,小麦倒伏识别的分类准确率最高达91.48％.为减少特征集变量数量,采用3种特征优化方法,与筛选得到的全特征集、Lasso算法、RF-RFE算法相比,基于Boruta算法得到的优化特征子集分类精度更高,整体稳定性更好,从含有DSM的3种特征组合均值来看,总体分类精度和Kappa系数分别提高了 0.17％和0.01(全特征集)、2.45％和0.05(Lasso)、2.87％和0.05(RF-RFE).其中,光谱-纹理-DSM组合效果最好,总体分类精度达92.82％,Kappa系数达0.86.[结论]Boruta算法有效优化光谱-纹理-DSM组合的特征子集数量,让更少的特征参量参与分类,且获得较高的分类精度,确立了精确监测小麦倒伏的多特征组合-Boruta-RFC技术融合模式,为小麦灾情评估及补救措施制定提供参考.
国家科技期刊平台
NSTL
万方数据
维普
