基于不同空间分辨率无人机多光谱遥感影像的小麦倒伏区域识别方法

分类： 农、林、牧、渔 >> 农业基础学科 提交时间： 2023-08-14 合作期刊: 《智慧农业（中英文）》

魏永康 杨天聪 丁信尧 高越之 袁鑫茹 贺利 王永华 段剑钊 冯伟

摘要： ［目的/意义］快速准确评估作物倒伏灾情状况，需及时获取倒伏发生位置及面积等信息。目前基于无人 机遥感识别作物倒伏缺乏相应的技术标准，不利于规范无人机数据获取流程和提出问题解决方案。本研究旨在探 讨不同空间分辨率无人机遥感影像及特征优化方法对小麦倒伏区域识别精度的影响。［方法］在小麦倒伏后设置3 个飞行高度（30、60和90 m），获取不同空间分辨率（1.05、2.09和3.26 cm） 的数字正射影像图（Digital Ortho⁃ photo Map，DOM） 和数字表面模型（Digital Surface Model，DSM），从不同空间分辨率影像中分别提取5个光谱特 征、2个高度特征、5个植被指数以及40个纹理特征构建全特征集，并选择3种特征选择方法（ReliefF算法、RFRFE 算法、Boruta-Shap算法） 筛选构建特征子集，进而利用3种面向对象监督分类方法——支持向量机（Support Vector Machine，SVM）、随机森林（Random Forest，RF） 和K最近邻（K Nearest Neighbor，KNN） 构建小麦倒伏 分类模型，明确适宜的分类策略，确立倒伏分类技术路径。［结果和讨论］结果表明，SVM的分类效果整体优于 RF和KNN，当影像空间分辨率在1.05~3.26 cm范围内变化时，全特征集和3种优化特征子集均以1.05 cm分辨率 的分类精度最高，优于2.09和3.26 cm。比较发现，Boruta-Shap特征优化方法既能实现降维和提高分类精度的目 标，又能适应空间分辨率的变化，当影像分辨率为3.26 cm 时，总体分类精度相较1.05 和2.09 cm 分别降低了 1.81%和0.75%；当影像分辨率为2.09 cm时，总体分类精度相较1.05 cm降低了1.06%，表现为不同飞行高度下的 分类精度相对差异较小，90 m总体分类精度可达到95.6%，Kappa系数达到0.914，满足了对分类精度的需求。 ［结论］通过选择适宜的特征选择方法，不仅可以兼顾分类精度，还能有效缩小影像空间分辨率变化引起的倒伏分 类差异，有助于提升飞行高度，扩大小麦倒伏监测面积，降低作业成本，为确立作物倒伏信息获取策略及小麦灾 情评估提供参考及支持。

 点击量 760  下载量 167  评论