基于CART决策树和BP神经网络的landsat 8影像粳稻提取方法

发布时间：2022-12-17 15:37

　　及时、准确地掌握水稻空间分布和种植面积信息对预测水稻产量、指导农业生产等农业活动起着重要作用。遥感技术因其快速、综合等优势,而被广泛应用于农作物识别领域。以沈阳市为研究区域,选取沈阳农业大学道南、辽中和沈北新区作为粳稻种植代表区域获取CART算法的训练样本,并结合粳稻移栽期的NDVI、EVI、LSWI数据,训练作物分割阈值,构建决策树初步提取出研究区粳稻空间分布信息。为进一步去除上述提取区域的其他地物信息,构建粳稻抽穗期和成熟期的植被指数、纹理、ISODATA非监督分类数据及其原始波谱特征的多特征数据集,利用BP神经网络对多组不同特征综合数据集进行粳稻分类提取,得到对分类精度贡献较大的特征和最佳分类数据集,并分别利用最大似然和BP神经网络分类法,结合决策树分类结果和实地样本数据,对最佳分类数据集进行分类结果对比和精度验证。结果表明:采用CART决策树和BP神经网络相结合的方法可以获得较高的分类精度,总体精度为89.1%,Kappa系数达到0.881。利用作物关键物候期中等分辨率影像,结合多时相波谱特征和植被指数,采用CART决策树和BP神经网络相结合的分类法能有效提高粳稻的分类精度,为... 

【文章页数】：8 页

【文章目录】：
1 材料与方法
    1.1 研究区概况
    1.2 数据源及预处理
    1.3 研究方法
        1.3.1 分类指标选择
        1.3.2 主要分类方法及精度验证
        1.3.3 训练样本选取
2 结果与分析
    2.1 光谱特征分析及CART决策树分类结果
    2.2 基于CART决策树和BP神经网络的分类结果与精度评价
3 讨论与结论


【参考文献】：
期刊论文
[1]面向对象CART决策树方法的湿地遥感分类[J]. 姚博,张怀清,刘洋,刘华,凌成星.  林业科学研究. 2019(05)
[2]基于Softmax分类器的小春作物种植空间信息提取[J]. 蒋怡,黄平,董秀春,李宗南,王昕,魏来,邱金春.  西南农业学报. 2019(08)
[3]基于多时相Sentinel-2A的县域农作物分类[J]. 吴静,吕玉娜,李纯斌,李全红.  农业机械学报. 2019(09)
[4]基于CART决策树的沙地信息提取方法研究[J]. 张睎伟,王磊,汪西原.  干旱区地理. 2019(05)
[5]艾比湖湿地自然保护区土壤盐分多光谱遥感反演模型[J]. 周晓红,张飞,张海威,张贤龙,袁婕.  光谱学与光谱分析. 2019(04)
[6]基于多时相影像植被指数变化特征的作物遥感分类[J]. 魏鹏飞,徐新刚,杨贵军,李中元,王建雯,陈帼.  中国农业科技导报. 2019(02)
[7]利用卫星遥感技术在农业环境的监测——以水稻为例[J]. 全广宇,李启龙,赵鑫.  环境与发展. 2018(07)
[8]基于决策树和SVM的Sentinel-2A影像作物提取方法[J]. 王利军,郭燕,贺佳,王利民,张喜旺,刘婷.  农业机械学报. 2018(09)
[9]融合时间序列环境卫星数据与物候特征的水稻种植区提取[J]. 柳文杰,曾永年,张猛.  遥感学报. 2018(03)
[10]基于时序光谱和高分纹理分析的制种玉米田遥感识别[J]. 张超,乔敏,刘哲,刘帝佑,金虹杉,朱德海.  农业机械学报. 2018(05)

博士论文
[1]基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[D]. 林蕾.中国科学院大学(中国科学院遥感与数字地球研究所) 2018

硕士论文
[1]基于深度学习的多特征高光谱遥感图像分类研究[D]. 张佳滨.燕山大学 2017



本文编号：3720190