基于多种植被指数时间序列与机器学习的作物遥感分类研究

苏腾飞　刘全明　苏秀川

摘要：开展了基于多种植被指数（vegetation index，VI）时间序列和机器学习（machine learning，ML）算法的作物遥感分类研究。从Landsat-8 OLI与EO-1 ALI影像中提取了内蒙古五原县的时间序列数据。2颗卫星的参数类似，且它们联合提供了更多无云覆盖的数据。7种常用的VI从时间序列遥感数据中提取出来，以用作ML算法的输入。对比分析了SVM、RF、DT 3种ML算法对玉米、向日葵和小麦的区分效果。共选取了2 584个样本，其中1 556个样本用于算法训练。得到了127种VI组合作为输入时3种算法的分类精度。结果表明，SVM的分类效果优于另外2种算法；VI数目并非越多越好，综合考虑算法的精度和稳定性，3种VI可以取得最佳的效果；SVM+NDI5+NDVI+TVI是平均分类精度最高的组合，平均精度为9197%。

关键词：时间序列；植被指数（VI）；机器学习（ML）；作物分类；遥感

中图分类号： S127文献标志码：

文章编号：1002-1302（2017）16-0219-06

[HJ14mm]

收稿日期：2016-04-03

基金项目：国家自然科学基金（编号：51569018）。

作者简介：苏腾飞（1987—），男，内蒙古呼和浩特人，硕士，实验师，主要从事遥感影像分析算法的研究。E-mail：stf1987@126com。

通信作者：刘全明，博士，副教授，主要从事遥感测绘方法与应用的研究。E-mail：nndlqm@sinacom。

利用遥感影像开展农作物的识别具有重要意义[1-3]。随着科学技术的发展，越来越多的遥感卫星可以实时提供大范围的对地观测影像，从而极大地减少了大面积农田监测的成本。从遥感影像中可以获取农作物长势信息，并用来估算粮食产量，这些信息都可以有效指导农业生产活动。农作物的识别是农业遥感的基础研究内容。只有在准确获取农作物种类的前提下，作物长势、面积估计和产量预测才可以得到更准确的结果。……