近日，中國(guó)熱科院信息所智慧農(nóng)業(yè)研究中心農(nóng)業(yè)遙感團(tuán)隊(duì)在芒果遙感監(jiān)測(cè)機(jī)器學(xué)習(xí)算法研究方面取得新進(jìn)展，研究成果以“Comparison of machine learning algorithms for mapping mango plantations based on Gaofen-1 imagery”為題在中科院JCR農(nóng)業(yè)綜合類二區(qū)雜志《Journal of Integrative Agriculture》（IF=1.984）上發(fā)表。
研究區(qū)GF-1衛(wèi)星影像圖和實(shí)地驗(yàn)證點(diǎn)示意圖
芒果是海南重要的熱帶經(jīng)濟(jì)作物，對(duì)于發(fā)展熱帶農(nóng)業(yè)農(nóng)村經(jīng)濟(jì)具有重要意義。編制準(zhǔn)確、最新的芒果種植園空間分布圖是當(dāng)?shù)卣M(jìn)行農(nóng)業(yè)監(jiān)測(cè)和決策管理的必要條件。傳統(tǒng)利用非監(jiān)督分類和監(jiān)督分類方法的農(nóng)業(yè)種植結(jié)構(gòu)遙感監(jiān)測(cè)無(wú)法滿足大面積、快速農(nóng)業(yè)遙感監(jiān)測(cè)需求，發(fā)展基于機(jī)器學(xué)習(xí)算法的作物遙感監(jiān)測(cè)方法是以智慧農(nóng)業(yè)為代表的農(nóng)業(yè)4.0時(shí)代的必然需求。因此，針對(duì)這一需求，本研究利用海南三亞地區(qū)高分1號(hào)（GF-1）衛(wèi)星影像數(shù)據(jù)，采用支持向量機(jī)（SVM）和隨機(jī)森林（RF）兩種機(jī)器學(xué)習(xí)算法，比較了基于像素（Pixel-based）和面向?qū)ο螅∣bject-oriented）的芒果人工林遙感制圖方法。
不同輸入變量下支持向量機(jī)（SVM）（左邊A-F）和隨機(jī)森林（RF）（右邊A-F）算法分類結(jié)果
為了評(píng)估不同特征對(duì)分類精度的重要性，以4個(gè)原始波段、32個(gè)灰度共生紋理指數(shù)和10個(gè)植被指數(shù)作為輸入特征，采用兩種機(jī)器學(xué)習(xí)算法在基于對(duì)象的層次上對(duì)五組不同的變量（5、10、20、30、46個(gè)輸入變量）進(jìn)行分類。結(jié)果表明，均勻性和方差是區(qū)分芒果人工林斑塊的重要變量。與基于像素的分類器相比，基于對(duì)象的分類器可以顯著提高2-7%的總體精度。當(dāng)輸入變量為5個(gè)和10個(gè)時(shí)，SVM算法分類精度高于RF算法，當(dāng)輸入變量超過(guò)20個(gè)時(shí)，RF表現(xiàn)出更好的分類性能。在精度達(dá)到飽和點(diǎn)后，隨著特征輸入變量的增加，SVM和RF的分類精度都略有提高。該研究表明GF-1影像可以成功地應(yīng)用于熱帶芒果園的制圖，為熱帶農(nóng)業(yè)種植結(jié)構(gòu)的精確管理提供了一個(gè)有效途徑和技術(shù)支撐。
信息所為論文第一單位。本文第一作者為羅紅霞助理研究員，戴聲佩副研究員為論文通訊作者。該研究受到中國(guó)熱科院基本科研業(yè)務(wù)費(fèi)、海南省自然科學(xué)基金等項(xiàng)目資助。
論文全文鏈接：https://www.sciencedirect.com/science/article/pii/S2095311920632087
地區(qū)：
魯公網(wǎng)安備 37060202000128號(hào)
