农业机械学报

作者：常婉秋，姚宇，席晓杰，刘哲，李绍明，张晓东，赵圆圆

单位：中国农业大学,中国农业大学,中国农业大学,中国农业大学,中国农业大学,中国农业大学,中国农业大学,

关键词：制种玉米;遥感识别;特征工程;K-means非监督算法;作物种间精细分类;先验知识

基金：国家重点研发计划项目（2022YFB3903500）

作物遥感识别主要基于监督分类方法，对样本的数量、分布要求较高，而农作物样本目视解译困难。为提高已采集样本的利用率，同时降低精细分类中对样本的依赖，本文将迁移学习与非监督分类方法相结合，在源域内构建特征工程，包括：BLUE、GREEN、RED、EDGE1、EDGE2、EDGE3、NIR、SWIR 8个原始光谱波段，以及NDVI、EVI、RVI、GNDVI、TVI、DVI、MSAVI、GCVI、RNDVI、NDRE、RRI1、RRI2、MSRRE、CLRE、IRECI、LSWI、GCI、SIPI 18个植被指数，提取出最能表征制种玉米与大田玉米冠层光谱差异，且在不同的源域内制种玉米之间差异最小的特征，将其作为先验知识用于目标域的分类任务中，再基于K-means进行制种玉米识别和制图。结果表明，在众多特征中，近红外原始波段表现出最强的优势，且在制种玉米母本去雄期后表征效果最好。计算此时间段内NIR的线性回归斜率作为特征，相较于直接基于NIR原始波段特征分类精度有所提升。利用K-means方法对2019年、2020年石河子市和奎屯市的制种玉米分类，2个目标域制种玉米2019年F1值分别为74.35%和64.97%，2020年F1值分别为72.50%和75.69%。本方法通过提取先验知识，引入非监督分类器，有效提高了样本利用率。通过提取波段回归斜率作为特征为原始波段的特征增强提供了思路，同时也为无样本场景下农作物精细分类绘图提供了方法。

来源：2024年第8期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2024年第8期