基于改进SVM算法的典型作物分类方法研究

贾银江，姜 涛，苏中滨，孔庆明，张萧誉，施玉博

（1.东北农业大学电气与信息学院，哈尔滨 150030；2.国网哈尔滨供电公司，哈尔滨 150000）

传统农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[1-2]。遥感技术为大区域农作物种植结构提取提供技术手段，具有宏观、快速特点，特别是卫星遥感具有独特优势，可提供不同时间、空间和光谱分辨率影像数据，国产GF-1卫星与其他卫星如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应用前景广阔[3-4]。

作物在物候期不同时段内遥感影像差异明显，基于作物在遥感影像上光谱值随时间变化特性，实现作物类别分类提取[5]。植被指数在作物分类及长势监测等方面广泛应用，研究表明，基于时序植被指数作物遥感分类方法可实现作物对象有效区分。汪小钦等以Landsat系列影像为数据源，构建NDVI和第一主成分时间序列反映物候差异，采用时间加权动态时间规划法对香梨、小麦、辣椒和棉花等作物分类，分类精度为82.68%[6]。Singha等利用MODIS数据识别水稻种植区，分类精度为84.4%[7]。刘佳等以HJ-1 A/B卫星为数据源，利用时序影像获取NDVI时间序列作为分类特征，对春玉米、夏玉米、棉花和冬小麦等作物分类，分类总体精度达90.9%[8]。常布辉等以GF1-WFV影像为数据源，构建NDVI时间序列，利用谐波分析法对NDVI时间序列平滑处理，采用DT和SVM结合方法作耕地提取，整体精度达到92.24%[9]。以上研究多采用单一植被指数序列作为分类特征，对多个植被指数结合使用较少，地物区分难度较大，易出现漏分、错分情况；……