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

发布时间：2019-01-20 17:04

【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91.97%。
[Abstract]:Crop remote sensing classification based on multiple vegetation index (vegetation index,VI) time series and machine learning (machine learning,ML) algorithm was carried out. Time series data were extracted from Landsat-8 OLI and EO-1 ALI images in Wuyuan County, Inner Mongolia. The parameters of the two satellites are similar. And they provide more cloudless data together. Seven kinds of commonly used VI are extracted from time series remote sensing data to be used as the input of ML algorithm. The effects of three ML algorithms of SVM,RF,DT on maize, sunflower and wheat were compared and analyzed. A total of 2 584 samples were selected, of which 1,556 samples were used for algorithm training. The classification accuracy of three algorithms with 127 VI combinations as input is obtained. The results show that the classification effect of SVM is better than that of the other two algorithms, and the better the number of VI is, the better the accuracy and stability of the algorithm are, the best results can be obtained by the three kinds of VI. SVM NDI5 NDVI TVI is the combination with the highest average classification accuracy, with an average accuracy of 91.97.
【作者单位】： 内蒙古农业大学水利与土木工程建筑学院;内蒙古电力公司电力培训中心;
【基金】：国家自然科学基金(编号:51569018)
【分类号】：S127

【相似文献】

相关期刊论文 前10条

1 白亚恒,吴胜军,黄进良,薛怀平;基于时间序列的灰色预测技术在估产模型中的应用[J];华中师范大学学报(自然科学版);2001年02期

2 李鑫川;徐新刚;王纪华;武洪峰;金秀良;李存军;鲍艳松;;基于时间序列环境卫星影像的作物分类识别[J];农业工程学报;2013年02期

3 廖娟;阮运飞;;一种基于时间序列的自然灾害农业辅助决策系统[J];电脑知识与技术;2014年12期

4 邹小南;鲍宇峰;王高峰;;农产品产地安全预警方法研究[J];安徽农业科学;2012年23期

5 王春乙;安顺清;潘亚茹;;时间序列的ARMA模型在干旱长期预测中的应用[J];中国农业气象;1989年01期

6 颉继珍;王红说;黄敬峰;;基于MODIS时间序列数据的作物季相信息提取[J];遥感技术与应用;2010年05期

7 杨秀春,朱晓华;农业相关时间序列混沌特征的定量研究方法[J];安徽农业科学;2000年02期

8 吕学梅;高安春;王新;申培鲁;;1961～2008年临沂降水变化特征的气候分析[J];安徽农业科学;2009年35期

9 李曼曼;刘峻明;王鹏新;;基于粒子滤波的LAI时间序列重构算法设计与实现[J];中国农业科技导报;2012年03期

10 侯东;潘耀忠;张锦水;梁顺林;朱文泉;李乐;李苓苓;;农区MODIS植被指数时间序列数据重建[J];农业工程学报;2010年S1期

相关会议论文 前1条

1 范锦龙;吴炳方;;复种指数遥感监测方法[A];中国数字农业与农村信息化学术研究研讨会论文集[C];2005年

相关硕士学位论文 前4条

1 高雄飞;基于分形理论的土壤含水量时间序列特性分析[D];长安大学;2015年

2 平跃鹏;基于MODIS时间序列地表物候特征分析及农作物分类[D];哈尔滨师范大学;2016年

3 石宁卓;基于MODIS-NDVI时间序列小麦面积提取方法研究[D];西安科技大学;2015年

4 李星;时间序列非线性分析及其应用[D];湖南农业大学;2011年

，

本文编号：2412214