农业机械学报

作者：荀兰，解毅

单位：山西师范大学,山西师范大学,

关键词：遥感;作物分类;集成学习;客观赋权法

基金：山西省基础研究计划项目(202303021212157、202303021221149)

不同作物遥感分类算法具备不同的学习能力和容错能力,单一分类器的精度因研究区和使用的数据不同而存在差异,没有一种分类器能够在所有情况下都获得最优表现。鉴于此,本文提出了基于客观赋权法集成多分类器的集成学习算法用于作物分类。以K最近邻法、支持向量机、随机森林、BP神经网络和一维卷积神经网络为基分类器,基于Sentinel2多光谱影像计算时序归一化植被指数(Normalized difference vegetation index,NDVI)作为输入特征。对熵值法和变异系数法进行改进,并结合组合赋权法对5个基分类器进行加权集成。结果表明,利用改进的赋权方法确定基分类器的权重获得的分类精度高于利用原始赋权方法,并且基于组合赋权法对改进的熵值法和改进的变异系数法进行组合获得的分类精度略高于基于单一赋权方法获得的分类精度。与基分类器相比,基于F1值和归一化组合赋权法构建的集成学习算法在美国阿肯色州、佐治亚州、得克萨斯州和爱荷华州4个研究区的分类总体精度分别提高1.12~6.45、0.75~3.98、0.45~2.70、1.15~2.50个百分点。与传统众数投票、概率融合和精度加权方法相比,本文提出的集成学习算法同时考虑了基分类器精度差异与稳定性。

来源：2025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2025年第2期