《农业工程学报》年第35卷第20期刊载了中国地质大学（武汉）等单位张鹏与胡守庚的论文——“地块尺度的复杂种植区作物遥感精细分类”。该研究由国家社科基金重大项目（项目号：18ZDA）等资助。
实现复杂农区作物种植信息的精准动态监测是中国农业精细化管理面临的迫切需求，而农作物种植的碎片化和异质性给作物遥感精细分类带来了诸多挑战。高分辨率影像能够提供地物对象的精细形状和纹理，在捕捉地块空间信息方面具有较大优势，为复杂农区作物精细分类带来了可能。Worldview-2影像提供了0.5m分辨率的全色图像和2m的多光谱图像，为地块尺度作物精准分类带来了便利。随机森林算法作为一种由多颗决策树组合而成的集成学习方法，能较好地模拟特征变量之间的复杂非线性交互关系。
该研究选取武汉市新洲北部为典型区，以WorldView-2影像为数据源，利用ReliefF-Pearson方法优选作物遥感特征，采用人工神经网络、K最近邻和随机森林算法进行作物分类，并对比分析其精度。旨在探索基于高分辨率影像的地块尺度多种作物同步识别方法，以满足实时获取复杂农区作物详细分布信息的需要。
研究发现，基于该影像提取的比值植被指数、归一化植被指数和边界长度等12个特征共同构成了地块尺度作物分类的相对较优特征，可在充分表征影像信息的同时降低数据冗余；此外，与仅使用光谱特征相比，形状和纹理特征的添加能有效改善地块尺度作物分类精度。相比于人工神经网络和K最近邻算法，随机森林算法分类精度最高，其分类精度分别高出二者2.58%和4.51%。研究所构建的方法体系能有效实现复杂种植区地物精准分类，水稻、棉花、荷、裸旱地和裸水田等地物的分类精度均达80%以上。随着越来越多的地块数据作为普查成果实现共享，研究所构建的方法体系有望助推地块尺度作物种植信息大范围监测的实现。这不仅有助于大区域土地利用精细化管理水平的提高，更有助于精准农业和智慧农业的建设。
转载请注明：http://www.0431gb208.com/sjszlfa/3101.html
