文献类型：期刊文章

作　　者：梁继[1,2,3] 郑镇炜[1,3] 夏诗婷[1,3] 张晓彤[1,3] 唐媛媛[1,3]

LIANG Ji;ZHENG Zhenwei;XIA Shiting;ZHANG Xiaotong;TANG Yuanyuan(National-Local Joint Engineering Laboratory of Geo-Spatial Information Technology in the Hunan University of Science and Technology,Xiangtan 411201,China;Key Laboratory of Land Surface Process and Climate Change in Cold and Arid Regions,Chinese Academy of Sciences,Lanzhou 730000,China;School of Resource&Environment and Safety Engineering in the Hunan University of Science and Technology,Xiangtan 411201,China)

机构地区：[1]湖南科技大学地理空间信息技术国家地方联合工程实验室,湘潭411201 [2]中国科学院寒旱区陆面过程与气候变化重点实验室,兰州730000 [3]湖南科技大学资源环境与安全工程学院,湘潭411201

出　　处：《遥感学报》

基　　金：国家自然科学基金(编号:41671351);湖南省自然科学基金(编号:2018JJ2117);湖南省教育厅重点项目(编号:19A166);湖南科技大学科技创新“卓越学子”培育计划项目(编号:EY180104);湖南科技大学大学生创新训练项目(编号:S20191053404);湖南科技大学科研创新团队建设项目(编号:CXTD004);中国科学院寒旱区陆面过程与气候变化重点实验室开放基金(编号:LPCC201505)。

年　　份：2020

卷　　号：24

期　　号：10

起止页码：1168-1179

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：红边作为植被敏感波段,其红边特征的运用是遥感识别农作物并实现精准农业的高新手段之一。以黑龙江松嫩平原北部为研究区,以国内首个提供红边波段的多光谱高分六号影像和玉米、大豆、水稻总计82859个作物样本同时作为研究对象,从以下几个方面研究了红边波段和红边指数波段等红边特征在农作物识别中的表现,并评估了农作物的识别精度。(1)通过作物样本辐射亮度值的统计特征,初步显示了在两红边波段0.710μm和0.750μm处有比其他波段更好的区分;(2)根据传统归一化植被指数形式构建了红边归一化植被指数NDVI710和NDVI750,综合两指数在J-M距离表征的作物样本类别区分度上比传统NDVI更显著;(3)通过多种手段筛选了有效波段并且制定了支持向量机(SVM)框架下4种农作物识别的分类策略,分别在5∶5、6∶4、7∶3、8∶2、9∶1等5套随机样本分割方案下完成研究区域农作物的分类预测。在这20类分类精度中kappa系数均高于0.9609,总体精度高于0.9742;列向上5∶5分割方案的精度最高,8∶2的精度最低;横向上分类精度排序如下:SVM-RFE>SVM-RF>SVM-有红边波段>SVM-无红边波段,该结果表明了红边指数和红边波段的参与显著地提高了作物的识别精度;(4)由于水域等其他样本的缺少,SVM-RFE方法和SVM-RF方法的分类图像均存在少量错分现象。但从分类精度和图像细节展示上来看,SVM-RFE方法要优于SVM-RF方法,二者分类图像的交叉验证中kappa系数为0.8060,总体精度为0.8743。总之,高分六号红边特征在作物识别中表现优越,使得识别精度显著提高。后续研究者可开发更多与红边相关的植被指数,充分发挥红边特征在精准农业中的作用。

关 键 词：遥感 高分六号  红边波段  支持向量机 随机森林法  递归特征消除法  

分 类 号：S127]