农业机械学报

作者：吴喜芳，化仕浩，张莎，谷玲霄，马春艳，李长春

单位：河南理工大学,河南理工大学,青岛大学,河南理工大学,河南理工大学,河南理工大学,

关键词：冬小麦;Sentinel-2;多物候特征;支持向量机;随机森林;最小距离

基金：国家自然科学基金项目（42101382）、河南省科技攻关项目（222102110038、232102210093）、河南省博士后基金项目（202103072）、河南理工大学博士基金项目（B2021-19）和河南理工大学测绘科学与技术“双一流”学科创建项目（JXSFZXKFJJ202308、JXSFZXKFJJ202305）

以往的冬小麦分布信息提取研究大多基于单个物候期或单个植被指数，未考虑不同物候期特征及不同物候期之间的联系导致分类精度较低。为提高提取精度，本文基于冬小麦播种期、越冬期、生长期及成熟期选取相应特征指数，提出一种多物候特征指数的冬小麦识别方法，并对2020年焦作市的冬小麦面积进行提取。通过对不同物候期、不同分类方法下的结果进行对比，结果表明：在物候期的选择上，加入越冬期后，随机森林与支持向量机分类的总体精度与Kappa系数呈现不同程度的提升，均方根误差（RMSE）分别减小19.3%和9.8%，提取冬小麦面积的误差百分比分别降低8.64、4.42个百分点。在不同分类方法上，随机森林相较于支持向量机、最小距离，分类的总体精度与Kappa系数更高。相较于支持向量机，随机森林分类的RMSE减小19.6%。相较于单一特征指数，基于随机森林的多物候特征指数分类的总体精度，Kappa系数更高，RMSE为1.84×103hm2，比单一特征指数减小33.6%，提取冬小麦面积的误差百分比减小7.14个百分点。

来源：2023年第12期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第12期