声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1964/S
国际刊号：1000-1298
发布日期:
作者：白燕英，杨荣花，王会永，刘辉
单位：内蒙古农业大学,内蒙古农业大学,内蒙古河套灌区水利发展中心供排水管理处,内蒙古河套灌区水利发展中心义长分中心,
关键词：作物分类;NDVI时序特征;样本扩充;卷积神经网络;遥感
基金：内蒙古自治区教育厅高等学校青年科技人才发展计划项目（NJYT22045）、内蒙古自治区直属高校基本科研业务费项目（BR220103）、内蒙古自治区自然科学基金项目（2023LHMS05014）和内蒙古自治区科技重大专项（2021ZD0003）
作物遥感识别精度提升是精准农业与智慧农业实现飞跃发展的关键驱动力。作物遥感识别精度取决于样本、图像特征和分类方法3个要素。为减小样本数据瓶颈导致的分类误差，本文通过样本数量扩充和质量控制协同提升作物遥感识别精度。以河套灌区乌兰布和灌域为研究区，构建2023年作物生育期NDVI时序图像，结合作物NDVI时序特征在图像上进行采样，实现作物样本数量扩充，并筛选剔除不合格样本实现样本质量控制。筛选出野外样本（扩充前样本）801个像元，图像样本（扩充样本）17917个像元，总样本（扩充后样本）18718个像元。采用4种机器学习分类器开展样本扩充前后作物分类效果对比，结果表明，样本扩充后作物分类精度明显提升，分类总体精度提升约5个百分点，Kappa系数提高约0.05。其中RF和NNC分类精度较高，CART和SVM分类精度略低。采用CNN和LSTM深度学习模型开展样本扩充后作物遥感识别，结果表明CNN和LSTM分类精度优于精度较高的RF和NNC分类精度。
来源：2025年第5期
《农业机械学报》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。