农业机械学报

作者：王庚泽，靳海亮，顾晓鹤，杨贵军，冯海宽，孙乾

单位：河南理工大学,河南理工大学,北京农业信息技术研究中心；国家农业信息化工程技术研究中心,国家农业信息化工程技术研究中心；北京市农业物联网工程技术研究中心,国家农业信息化工程技术研究中心；北京市农业物联网工程技术研究中心,北京农业信息技术研究中心；国家农业信息化工程技术研究中心,

关键词：秋季作物; 遥感分类; 特征优选; 改进分离阈值组合式特征优选算法; 随机森林

基金：国家自然科学基金项目（41571323）和国家重点研发计划项目（2016YFD0300609）

为了提高秋季作物分类精度，以多时相的Sentinel-2为数据源，以生育进程相近的秋季作物为分类对象，提出一种基于Relief F算法和信息熵改进分离阈值算法（Modified ISEaTH-based entropy, EMISE）的多评价准则融合特征优选算法——改进分离阈值组合式特征优选算法（Modified EMISE-based Relief F, ReEMISE），并分析了不同特征对秋季作物分类的重要性。首先，利用Relief F算法对特征进行初选，结合EMISE算法对2种评价准则进行融合，再优化初选特征集，进而利用随机森林(Random forest ,RF)方法提取农作物种植面积，并与单评价准则的Relief F算法和EMISE算法的随机森林分类精度进行比较。同时，利用多时相光谱特征、传统指数特征、红边指数特征、纹理特征、不同时相波段差值特征、不同时相波段比值特征及优选特征，通过7组不同的特征组合提取秋季作物种植面积，分析不同特征组合对秋季作物分类精度的影响。结果表明：ReEMISE特征优选的随机森林法在特征变量为9个时精度最高，总体精度和Kappa系数分别为95.391?8%和0.939?7；综合多特征是提高农作物分类精度的关键，在多时相光谱特征基础上分别加入传统指数特征和红边特征，总体精度分别提高1.502?1、1.571?5个百分点，Kappa系数分别提高0.019?8、0.020?7。因此综合多特征的ReEMISE特征优选的随机森林法可以有效提高秋作物分类精度和效率。

来源：2021年第2期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2021年第2期