基于机器学习结合植被指数阈值的水稻关键生育期识别

发布时间：2023-05-07 19:54

　　为建立不依赖时序数据的水稻生育期识别模型,基于四波段辐射计(SKYE)获取的水稻全生育期每日的冠层光谱反射率数据,利用K近邻(k-nearest neighbors, KNN)、决策树(Decision trees)、支持向量机(Support vector machines, SVM)、随机森林(Random forests, RF)和梯度提升决策树(Gradient boosted decision trees, GBDT)共5种机器学习算法开展水稻生育期识别研究。结果表明:RF算法的识别准确率最高,达93.00%,KNN算法的识别准确率也达到了91.92%,其他3种算法的准确率也都超过90%。在此基础上,将建立的水稻生育期识别模型应用至无人机(UAV)影像数据,KNN算法适用性最好,识别准确率为83.54%,RF算法的适用性一般,识别准确率为74.38%,SVM算法的适用性最差,识别准确率仅为62.92%,但5种机器学习算法都容易错误地将抽穗扬花期识别为拔节孕穗期;而新构建的KNN算法结合可见光大气修正指数(Visible atmospherically resistant in...

【文章页数】：10 页

【文章目录】：
1 研究区与数据
    1.1 研究区
    1.2 数据获取
        1.2.1 SKYE四波段光谱数据
        1.2.2 UAV多光谱数据
    1.3 预处理
2 方 法
3 结果与讨论
    3.1 基于SKYE反射率的生育期识别模型
    3.2 模型应用至无人机数据的适用性评价与模型完善
4 结 论



本文编号：3811235