论文部分内容阅读
快速获取与精确分析作物种植结构,可为农情监测、产量估算提供依据,对于指导农业生产、制定农业政策、调整农业种植结构具有重要现实意义。传统作物种植结构提取主要以统计报表和抽样调查为主,存在主观性强、时效性差、作业效率低等问题。遥感技术为大区域作物分类提取提供了技术手段,具有覆盖面积广、速度快等特点。卫星遥感具有独特优势,能够提供不同时间、空间分辨率的影像数据,在作物种植结构提取方面被广泛应用。国产GF-1与其他卫星如Landsat、Sentinel-2等相比具有更高空间分辨率及更短重访周期,在农作物种植结构提取方面有着广阔的应用前景。本研究以GF-1遥感影像为数据源,通过对研究区实地考察并获取实验数据,构建了NDVI、EVI、RVI、NDWI共4种植被指数时间序列曲线,将作物的物候特征与光谱信息结合,选择不同时期区分性明显的植被指数,作为分类的特征集。建立了基于像元层面的支持向量机(SVM)模型和随机森林(RF)模型,比较两种分类模型对作物分类的适用性和识别精度。提出自适应变异粒子群(AMPSO)算法优化SVM分类器,构建了AMPSO-SVM分类模型,并对优化前后SVM模型的分类效果进行对比。本文的研究内容如下:(1)基于GF-1遥感影像构建了研究区典型作物的NDVI、EVI、RVI、NDWI植被指数时间序列曲线,4种植被指数时间序列的组合,能准确描述地物动态变化过程,实现地物的有效区分。根据不同月份影像中各作物植被指数变化情况,提取了5～10月份内6景影像对应的24个植被指数光谱特征作为分类特征集。(2)构建了SVM和RF两种分类模型,基于提取的植被指数特征,结合地面实测样本数据,实现了研究区作物的分类。结果表明:SVM分类器的总体分类精度为90.91%,Kappa系数为0.8851;RF分类器的总体分类精度为93.58%,Kappa系数为0.9188。总体上看,RF分类器的分类精度较高且对各类作物的制图精度与用户精度大多都优于SVM分类器。(3)构建了基于AMPSO算法优化的SVM模型。为解决超参数设置对SVM分类器分类效果的影响,利用AMPSO算法优化SVM参数。结果表明:AMPSO-SVM模型分类效果得到提升,确定最佳的核参数?为0.135,最佳惩罚因子c为221.67。最终模型的总体分类精度为94.39%,Kappa系数为0.9287,比SVM模型总体分类精度提升3.48%,Kappa系数提高0.0436。AMPSO-SVM模型与RF模型相比,总体分类精度提升0.81%,Kappa系数提高0.0099。