[发明专利]一种基于单变量特征选择方法的农作物遥感识别方法

说明书

本发明公开了一种基于单变量特征选择方法的农作物遥感识别方法，包括如下步骤：S1:获取多时相遥感影像；S2:对多时相遥感影像进行特征处理；S3：确定实验方案；S4：单变量特征选择；S5:补充支撑数据源；本发明以随机森林分类算法为分类器，基于多时相光谱、植被指数和纹理、波段差值等特征及其组合，对目标区域内农作物进行识别和提取；利用单变量特征选择法对所有特征构建的特征空间进行特征选择，然后利用随机森林分类器对优选特征组合分类，达到高精度区分主要农作物的目的；本发明利用单变量特征选择方法对遥感影像进行分类能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善分类模型及算法，提高农作物遥感识别精度。

技术领域

本发明属于农作物遥感识别技术领域，具体为一种基于单变量特征选择方法的农作物遥感识别方法。

背景技术

农作物种植面积，尤其是粮食作物种植面积已成为影响我国粮食产量的关键问题。准确、及时、全面的农作物种植种类信息对于指导农业生产具有重大积极的意义；遥感技术具有宏观、迅速的大范围监控能力，可在短时间内获得客观、准确的农情信息，在农作物识别及其面积估算方面已经得到了重要的应用。

目前大多农作物遥感分类研究中，农作物遥感识别特征相对单一，较多地局限于光谱、微波散射等信息，难以充分利用农作物之间的多元化、全方位信息，农作物遥感识别和面积估算精度难以得到提高。多光谱特征是农作物遥感识别应用最广泛和最基本的识别特征，但由于遥感数据空间分辨率、时间分辨率等方面的限制，以及广泛存在的“同物异谱、异物同谱”现象，致使单纯依靠多光谱特征时产生诸多分类混淆，不同的农作物具有不同的高度、孔隙率、覆盖度等几何特征，从而对微波信号表现出不同的散射特性。且在农作物不同的物候期表现出不同的散射特性。但微波散射特征目前主要用于水稻的识别，由于雷达数据噪声的影响，在旱田农作物分类方面，雷达图像对不同农作物虽具有指示作用，但农作物分类尚需进一步挖掘。

为此，我们推出了一种基于单变量特征选择方法的农作物遥感识别方法。

发明内容

本发明的目的在于：为了解决目前遥感识别效率低且精度低的技术问题，提供一种基于单变量特征选择方法的农作物遥感识别方法。

本发明采用的技术方案如下：

一种基于单变量特征选择方法的农作物遥感识别方法，包括如下步骤：

S1:获取多时相遥感影像；

S2:对多时相遥感影像进行特征处理；

S3：确定实验方案；

S4：单变量特征选择；

S5:补充支撑数据源；

S6:分类并进行混淆矩阵处理；

S7：对比分析结果。

其中，所述S2包括光谱特征处理，波段差值特征处理，植被指数特征处理和纹理特征处理。

其中，所述S3中实验方案包括单独光谱特征实验方案，光谱特征加波段差值特征实验方案，光谱特征加植被指数特征实验方案，光谱特征加纹理特征实验方案，光谱特征加波段差值特征加植被指数特征加纹理特征实验方案。

其中，所述S4中单变量特征选择利用特征优选与光谱特征、波段差值特征、植被指数特征和纹理特征进行组合形成优选特征组合实验方案。

其中，所述S5中补充支撑数据源包括野外调查数据、主要农作物物候数据库和实验区矢量边界数据。

其中，所述S6中分类并进行混淆矩阵处理，采用随机森林分类器进行分类出现各类实验方案的分类结果，分类结果经混淆矩阵处理后得到实验结果。

其中，所述混淆矩阵包括Kappa系数、总体精度、错分误差和漏分误差矩阵。