综合多特征的县域尺度棉花种植面积遥感提取方法
中国是世界上最大的棉花生产国和消费国之一,新疆是中国最大的棉花生产区。准确的棉花分布制图对于预测棉花产量和精确生产管理至关重要。目前,利用卫星图像进行分类和制图是大规模农业生产监测的主要方法。但是,针对不同的研究目标,通常会有不同的最佳分类方法,使用的分类数据类型也是多变的。目前,针对县域尺度的棉花种植面积分类方法研究较少,这对改善生产管理和决策至关重要。本研究选用多时相30米分辨率的Landsat8多光谱影像作为信息源,提取其光谱特征、植被指数和纹理特征构造分类特征数据集,旨在利用遥感影像的多种特征来提高棉花分类的准确性。使用随机森林（RF）算法对信息进行重要性排序,以避免信息冗余并评估特征的重要性。在5个不同的县级地区进行了重复实验。最后,根据优选后的多种特征进行分类,并比较了支持向量机（SVM）,人工神经网络（ANN）和随机森林（RF）分类器在棉花分类和制图方面的性能。本文主要研究内容与成果如下:（1）在每个地区,对多个时相的多光谱影像提取三类特征,包括3个光谱特征,5个植被指数和8个纹理特征。使用随机森林平均不纯度减少的方法对数据集进行特征重要性排序,结果表明,基于灰度共生矩阵计算的均值（GLCM Mean）纹理特征的重要性得分最高,其次是3个光谱特征。此外,在五个植被指数中,差值植被指数（DVI）的重要性相对较高。（2）对每一幅单时相的影像进行了分类,达到评估研究区域最佳分类时相的目的。结果表明,7月是区分研究区域各种植被的最佳时间,但是在此期间遥感图像的质量容易受到云的影响。通过比较单时相图像和组合的多特征图像的分类结果,可以确定多特征的组合可以有效地提高分类精度,并且比单时相图像更稳定。（3）比较了三种分类器的性能,结果表明,尽管在某些情况下SVM和ANN可以比RF获得更好的分类结果,但RF具有最佳的平均准确性和稳定性,在所有分类结果中平均OA为90.4%,高于ANN（88.43%）和SVM（88.32%）。另外,SVM和ANN的训练速度较慢,而且神经网络的最优参数不容易确定。结合这些特征,随机森林简单高效,是本研究得到的最佳棉花分类算法。
- 作者：
- 费浩
- 学位授予单位：
- 塔里木大学
- 授予学位：
- 硕士
- 学位年度：
- 2021年
- 导师姓名：
- 白铁成
- 中图分类号：
- S562；TP751
- 关键词：
- 棉花分类；多特征；Landsat8；随机森林；人工神经网络；支持向量机
-
- 基金项目：
- 兵团中青年科技创新领军人才项目“遥感与作物生长模型同化技术”的部分研究成果（项目编号:2018CB020）课题主持人:白铁成教授（塔里木大学）