基于多种植被指数时间序列与机器学习作物遥感分类研究.docVIP

基于多种植被指数时间序列与机器学习作物遥感分类研究 　　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9197%。 　　关键词：时间序列；植被指数（VI）；机器学习（ML）；作物分类；遥感 　　中图分类号： S127文献标志码： 　　文章编号：1002-1302（2017）16-0219-06 　　[HJ14mm] 　　收稿日期：2016-04-03 　　基金项目：国家自然科学基金（编号。 　　作者简介：苏腾飞（1987―），男，内蒙古呼和浩特人，硕士，实验师，主要从事遥感影像分析算法的研究。E-mail：stf1987@126com。 　　通信作者：刘全明，博士，副教授，主要从事遥感测绘方法与应用的研究。E-mail：nndlqm@sinacom。 　　利用遥感影像开展农作物的识别具有重要意义[1-3]。随着科学技术的发展，越来越多的遥感卫星可以实时提供大范围的对地观测影像，从而极大地减少了大面积农田监测的成本。从遥感影像中可以获取农作物长势信息，并用来估算粮食产量，这些信息都可以有效指导农业生产活动。农作物的识别是农业遥感的基础研究内容。只有在准确获取农作物种类的前提下，作物长势、面积估计和产量预测才可以得到更准确的结果。另外，作物识别算法的研究还可以提高农业遥感监测的自动化程度，从而进一步减少农情监测的成本。 　　目前，世界上大多数发达国家都已经开展了基于遥感的作物识别研究。美国农业部早在20世纪70年代就利用Landsat卫星获取的时间序列植被指数（vegetation index，VI）开展了全世界范围的作物种类识别研究[4]。法国、加拿大等国家也都开展了类似的研究[5-6]。利用?b感影像识别作物种类，正向着业务化、智能化和自动化发展，其中包含了2个方面的重要内容：时间序列VI对于提高作物识别精度是非常必要的；采用合适的ML算法及其最优参数的选取是农作物成功识别的关键。 　　VI反映了植被对不同光谱波段的响应特征。对于不同种类的作物，由于其物候特征的差异，其VI时间序列会表现出不一样的特点。因此，在农业遥感监测中，VI是重要的研究对象。Pea-Barragán等从ASTER时间序列数据中提取了12种VI，并结合纹理特征来构建作物分类算法。Zhong等利用3种VI的时间序列对美国Kansas州农田的玉米和大豆进行了识别[8]。Brown等利用从MODIS时间序列提取的2种VI数据，对巴西地区的棉花、大豆和玉米进行了识别[9]。Ozdogan也利用了2种VI，验证了非监督分类算法在作物识别中的应用[10]。Sakamoto等开展了玉米和大豆的遥感分类研究，但他们仅利用了1种VI[11]。Yin等对比了AVHRR和SPOT提取的NDVI的差异，研究区域是内蒙古的农田[12]。Conrad等利用SPOT和ASTER提取的NDVI来识别乌兹别克斯坦农业灌区的作物种类。Duro等均采用了NDVI来进行作物识别研究[6，14-18]。在以上研究中，大多算法仅采用1种VI，采用多种VI的研究也很少评价不同VI对作物分类的效果。实际上，选取多种VI，考察不同VI对各类作物的识别效果，对于提高作物分类精度具有重要意义。 　　ML是业务化农业遥感监测的重要组成部分。近年来，多种ML监督算法被应用到作物分类中，例如最大似然[19]、神经网络[20]、决策树（DT）[3，6-7，9，14-15]、随机森林（RF）[8]、支持向量机（SVM）等。尽管ML算法种类繁多，但其作物识别的一般步骤为：（1）样本选择，利用实测数据或其他数据源，与遥感影像进行匹配，得到样本数据；（2）算法训练，利用训练样本选择最优参数；（3）算法验证，利用更多的样本数据验证算法的性能。DT是应用较多的算法，Brown等利用DT对巴西地区的多种作物进行了区分[9]。Edlinger等也利用DT较好地识别了冬小麦[15]。Vieira等将DT和图