1 安徽大学 农业生态大数据分析与应用技术国家地方联合工程技术研究中心，安徽 合肥 230601
2 北京农业信息技术研究中心，北京 100097
3 宿州学院 信息工程学院，安徽 宿州 234000
快速、准确地掌握作物空间分布，估算不同作物种植面积及范围，这对制定宏观农业政策并指导农民进行农业生产具有重要意义。以我国内蒙古自治区扎赉特旗现代农业示范园区为研究区域，基于2019年5月至10月共9景多时相Sentinel-2卫星遥感影像，通过计算并分析不同作物归一化差值植被指数（NDVI）、比值植被指数（RVI）、增强型植被指数（EVI）等多种典型植被指数和近红外波段Ref(NIR)的时序变化特征，采用随机森林（Random Forest, RF）、决策树（Decision Tree, DT）、支持向量机（Support Vector Machine, SVM）和最大似然法（Maximum Likelihood, ML）4种分类方法对研究区多种作物进行分类识别，成功提取园区内主要作物（水稻、玉米、甜叶菊、旱稻和大豆等）空间分布情况。将RF结果与DT、SVM和ML分类结果对比，结果显示，RF总体分类精度最高，达到95.8%，Kappa系数为0.944；DT、SVM和ML分类精度分别为92.2%、91.6%和86.5%。上述研究结果表明，多时相Sentinel-2遥感影像经过光谱指数时序变化特征提取后，利用随机森林算法进行作物分类可得到精度较高的结果，这为精细指导规模化园区农业生产提供了有效的技术支持。
随机森林算法 近红外波段 时间序列 Sentinel-2 作物分类 random forest Ref (NIR) time-series Sentinel-2 crop classification 红外与激光工程
2021, 50(5): 20200318
1 北华航天工业学院，河北 廊坊 065000
2 河北省航天遥感信息处理与应用协同创新中心，河北 廊坊 065000
3 中国地质大学(北京)，北京 100083
以河北省廊坊市永清县整个县域为研究区，以GF1-WFV 16 m分辨率影像为数据源，选取覆盖作物完整生长期多个时相的影像数据，构建作物归一化植被指数(Normalized Difference Vegetation Index，NDVI)时间序列。通过对研究区NDVI曲线的分析，发现利用该数据构建的NDVI时间序列可描述研究区作物的生长特性，体现当地不同作物的物候差异，能有效地区分出当地的种植模式。选取NDVI曲线上最大值、最小值、峰值的出现时间、峰值数量和阈值等特征参数构建决策树。根据研究区的物候历和对当地种植结构的调查，利用最佳时相的影像，针对某一种或特定几种作物进行分类提取。分别采用决策树分类、神经网络分类等方法进行精度验证，综合比较得出最佳的作物分类方法。研究结果表明，在永清县这一县域研究区，利用GF1-WFV 16 m分辨率多时相遥感数据进行作物分类，采用决策树分类、神经网络分类两种方法的精度分别为72.0729%、87.3%。利用决策树分类的效果最优。
多时相 NDVI时间序列 决策树 神经网络 作物分类 multi-temporal NDVI time series decision tree neural network crop classification
