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,河北师范大学,河南理工大学,河南理工大学,河南理工大学,

关键词：冬小麦;分布信息识别;Sentinel-2;时间序列;迁移学习;多物候特征指数

基金：国家自然科学基金项目（42101382）、河南省科技攻关项目（232102210093）、河南省博士后基金项目（202103072）、河南省高等学校重点科研项目（25A420002）、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（GCCYJ202427）

遥感作物识别中，样本数据对识别精度有重要影响，而大区域多年份获取样本数据是一项十分繁琐的工作。为减少逐年样本采集工作量，提高作物识别效率，提出一种基于多物候特征指数的样本迁移策略。使用2019年焦作市冬小麦分布图，利用多物候特征指数时间序列曲线相关性迁移生成2020、2021年高质量样本数据，并利用随机森林机器学习方法实现了2020、2021年焦作市冬小麦自动高效识别。结果表明：利用提出的样本迁移策略获取样本数据，当显著性水平达到0.001时，2年冬小麦识别总体精度均在94%以上，Kappa系数均在0.91以上，各县（市）识别面积与统计面积决定系数（R2）达到0.957，均方根误差（RMSE）为20.16km2。与单一植被指数时间序列曲线相关性迁移方法相比，该方法使2020年与2021年识别总体精度分别提高1.32、2.27个百分点，Kappa系数分别提升0.022、0.037，2年各县（市）识别面积与统计面积R2提高0.026，RMSE减少20.1%。此外，将该迁移策略应用于新乡市与鹤壁市，冬小麦识别总体精度均在92%以上，识别面积与统计面积的R2也达到0.92。表明提出的样本迁移策略在跨时间与跨地域中均表现较好，可为进一步快速、精准获取大区域长时序作物分布信息提供思路与技术支撑。

来源：2024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2024年第12期