基于无人机多光谱遥感图像的玉米田间杂草识别

• 全文链接
• 请求原文

作   者：

赵静;  李志铭;  鲁力群;  贾鹏;  杨焕波;  兰玉彬; 

作者机构：

山东理工大学农业工程与食品科学学院; 

关键词：

杂草识别;  无人机遥感;  多光谱图像;  特征选择;  监督分类; 

期刊名称：

中国农业科学

i s s n：

0578-1752

年卷期：

2020 年 008 期

页   码：

1545-1555

摘   要：

[目的]为了精确高效识别玉米田间杂草,减少除草剂施用,提高玉米种植管理精准性.[方法]通过六旋翼无人机搭载多光谱相机获取玉米田块多光谱图像.为分离图像中植被与非植被像元,计算了7种植被指数,采用最大类间方差法提取植被指数图像中非植被区域,制作掩膜文件并对多光谱图像掩膜.通过主成分分析对多光谱图像进行变换,保留信息量最多的前3个主成分波段.将试验区域分为训练区域和验证区域,在训练区域中分别选取了675处玉米和525处杂草样本对监督分类模型进行训练,在验证区域选取了240处玉米样本及160处杂草样本评价模型分类精度.将7种植被指数、3个主成分波段的24个纹理特征及经过滤波的10个反射率,共计41项特征作为样本特征参数.利用支持向量机-特征递归消除算法(support vector machines-feature recursive elimination,SVM-RFE)和Relief算法从41项特征中各筛选14项特征构成特征子集,采用支持向量机、K-最近邻、Cart决策树、随机森林和人工神经网络对特征子集进行监督分类.[结果]支持向量机与随机森林对全部特征及2个特征子集分类效果较好,支持向量机总体精度为89.13%-91.94%,Kappa>0.79,随机森林总体精度为89.27%-90.95%,Kappa>0.79.[结论]SVM-RFE算法对数据降维效果优于Relief算法,支持向量机(SVM)模型对区域冠层尺度下玉米与杂草的分类效果最好.