【摘要】：開展了基于多種植被指數(shù)(vegetation index,VI)時(shí)間序列和機(jī)器學(xué)習(xí)(machine learning,ML)算法的作物遙感分類研究。從Landsat-8 OLI與EO-1 ALI影像中提取了內(nèi)蒙古五原縣的時(shí)間序列數(shù)據(jù)。2顆衛(wèi)星的參數(shù)類似,且它們聯(lián)合提供了更多無云覆蓋的數(shù)據(jù)。7種常用的VI從時(shí)間序列遙感數(shù)據(jù)中提取出來,以用作ML算法的輸入。對(duì)比分析了SVM、RF、DT 3種ML算法對(duì)玉米、向日葵和小麥的區(qū)分效果。共選取了2 584個(gè)樣本,其中1 556個(gè)樣本用于算法訓(xùn)練。得到了127種VI組合作為輸入時(shí)3種算法的分類精度。結(jié)果表明,SVM的分類效果優(yōu)于另外2種算法;VI數(shù)目并非越多越好,綜合考慮算法的精度和穩(wěn)定性,3種VI可以取得最佳的效果;SVM+NDI5+NDVI+TVI是平均分類精度最高的組合,平均精度為91.97%。
[Abstract]:Crop remote sensing classification based on multiple vegetation index (vegetation index,VI) time series and machine learning (machine learning,ML) algorithm was carried out. Time series data were extracted from Landsat-8 OLI and EO-1 ALI images in Wuyuan County, Inner Mongolia. The parameters of the two satellites are similar. And they provide more cloudless data together. Seven kinds of commonly used VI are extracted from time series remote sensing data to be used as the input of ML algorithm. The effects of three ML algorithms of SVM,RF,DT on maize, sunflower and wheat were compared and analyzed. A total of 2 584 samples were selected, of which 1,556 samples were used for algorithm training. The classification accuracy of three algorithms with 127 VI combinations as input is obtained. The results show that the classification effect of SVM is better than that of the other two algorithms, and the better the number of VI is, the better the accuracy and stability of the algorithm are, the best results can be obtained by the three kinds of VI. SVM NDI5 NDVI TVI is the combination with the highest average classification accuracy, with an average accuracy of 91.97.
【作者單位】： 內(nèi)蒙古農(nóng)業(yè)大學(xué)水利與土木工程建筑學(xué)院;內(nèi)蒙古電力公司電力培訓(xùn)中心;
【基金】：國(guó)家自然科學(xué)基金(編號(hào):51569018)
【分類號(hào)】：S127

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 白亞恒,吳勝軍,黃進(jìn)良,薛懷平;基于時(shí)間序列的灰色預(yù)測(cè)技術(shù)在估產(chǎn)模型中的應(yīng)用[J];華中師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2001年02期

2 李鑫川;徐新剛;王紀(jì)華;武洪峰;金秀良;李存軍;鮑艷松;;基于時(shí)間序列環(huán)境衛(wèi)星影像的作物分類識(shí)別[J];農(nóng)業(yè)工程學(xué)報(bào);2013年02期

3 廖娟;阮運(yùn)飛;;一種基于時(shí)間序列的自然災(zāi)害農(nóng)業(yè)輔助決策系統(tǒng)[J];電腦知識(shí)與技術(shù);2014年12期

4 鄒小南;鮑宇峰;王高峰;;農(nóng)產(chǎn)品產(chǎn)地安全預(yù)警方法研究[J];安徽農(nóng)業(yè)科學(xué);2012年23期

5 王春乙;安順清;潘亞茹;;時(shí)間序列的ARMA模型在干旱長(zhǎng)期預(yù)測(cè)中的應(yīng)用[J];中國(guó)農(nóng)業(yè)氣象;1989年01期

6 頡繼珍;王紅說;黃敬峰;;基于MODIS時(shí)間序列數(shù)據(jù)的作物季相信息提取[J];遙感技術(shù)與應(yīng)用;2010年05期

7 楊秀春,朱曉華;農(nóng)業(yè)相關(guān)時(shí)間序列混沌特征的定量研究方法[J];安徽農(nóng)業(yè)科學(xué);2000年02期

8 呂學(xué)梅;高安春;王新;申培魯;;1961～2008年臨沂降水變化特征的氣候分析[J];安徽農(nóng)業(yè)科學(xué);2009年35期

9 李曼曼;劉峻明;王鵬新;;基于粒子濾波的LAI時(shí)間序列重構(gòu)算法設(shè)計(jì)與實(shí)現(xiàn)[J];中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào);2012年03期

10 侯東;潘耀忠;張錦水;梁順林;朱文泉;李樂;李苓苓;;農(nóng)區(qū)MODIS植被指數(shù)時(shí)間序列數(shù)據(jù)重建[J];農(nóng)業(yè)工程學(xué)報(bào);2010年S1期

相關(guān)會(huì)議論文 前1條

1 范錦龍;吳炳方;;復(fù)種指數(shù)遙感監(jiān)測(cè)方法[A];中國(guó)數(shù)字農(nóng)業(yè)與農(nóng)村信息化學(xué)術(shù)研究研討會(huì)論文集[C];2005年

相關(guān)碩士學(xué)位論文 前4條

1 高雄飛;基于分形理論的土壤含水量時(shí)間序列特性分析[D];長(zhǎng)安大學(xué);2015年

2 平躍鵬;基于MODIS時(shí)間序列地表物候特征分析及農(nóng)作物分類[D];哈爾濱師范大學(xué);2016年

3 石寧卓;基于MODIS-NDVI時(shí)間序列小麥面積提取方法研究[D];西安科技大學(xué);2015年

4 李星;時(shí)間序列非線性分析及其應(yīng)用[D];湖南農(nóng)業(yè)大學(xué);2011年

，

本文編號(hào)：2412214