论文部分内容阅读
在我国南方地区,耕地破碎化程度高,作物插花种植结构更是常见,农作物种植结构复杂多样等因素严重影响南方农作物遥感识别和面积估算的精度。目前有学者根据农作物物候现象采用多时相影像进行特征提取并进行分类,虽然能提高农作物提取精度,但是随意叠加时相特征影像,盲目提取特征类型容易导致维度灾难产生Hughes现象。本文采用的RF-MDA特性选择模型既能从大量的特征参数中挑选出特征优化子集解决维度灾难问题,又与传统的SVM-RFE-CV特性选择模型相比提高了分类精度。本文以南昌进贤为实验区,根据进贤县下季稻的物候特性以及实验区影像质量情况挑选出三景GF1号WFV多光谱影像（16m分辨率）,以构造时间序列影像集,基于时间序列影像集提取出特征类型数据总集和光谱特征子集。采用SVM-RFE-CV模型和RF-MDA模型从特征类型数据总集中提取出SVM-RFE-CV模型特征优选子集和RFMDA模型特征优选子集。将四组数据集进行水稻分类提取,并比较结果精度。以RFMDA特性选择模型在南方水稻提取的可行性。根据分类结果精度对比得出主要结论如下:（1）对影像数据进行多种特征的提取并进行选择可以提高分类的精度。在本文进行了两种特征选择模型对比实验:在四组水稻分类提取中,基于RF-MDA模型特征优选子集总体精度为95.03%;Kappa系数为0.9357,是四组分类结果中精度最高。实验结果表明分RF-MDA模型在南方水稻分类提取中可行。（2）在南方水稻提取中,光谱特征和植被指数特征是所有特征类型中最重要的两种特征。基于RF-MDA模型分类提取和基于SVM-RFE-CV模型分类提取是分类提取效果最好两组特征组合。在SVM-RFE-CV模型特征优选子集中共有8个特征,其中光谱特征3个,植被指数特征4个;在RF-MDA模型特征优选子集中共有40个特征,其中光谱特征12个,植被指数特征11个,两种特征类型在所有分类参数中所占个数最多,说明植被指数特征和光谱特征是植被分类中最重要的两中特征类型。