基于无人机RGB影像的玉米种植信息高精度提取方法

• Published in: 农业工程学报 Vol. 37; no. 18; pp. 48 - 54
• Main Authors: 支俊俊, 董娅, 鲁李灿, 施金辉, 骆文慧, 周悦, 耿涛, 夏敬霞, 贾蔡
• Format: Journal Article
• Language: Chinese
• Published: 安徽师范大学地理与旅游学院,芜湖241002 15.09.2021; 江淮流域地表过程与区域响应安徽省重点实验室,芜湖241002%浙江农林大学环境与资源学院,杭州311300%安徽省太湖县自然资源和规划局,安庆246400%安徽师范大学地理与旅游学院,芜湖241002
• Subjects: 模型;遥感;无人机;玉米;植被指数;纹理特征;机器学习
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.2021.18.006

S127; 为探究易获取且成本低的超高分辨率无人机(Unmanned Aerial Vehicle,UAV)航拍"红-绿-蓝"(Red-Green-Blue,RGB)彩色影像提取作物种植信息的方法,该研究选取植被指数、"色度-色饱和度-亮度"(Hue-Saturation-Intensity,HSI)色彩特征和纹理特征等3种特征,通过比较贝叶斯(Bayes)、K最邻近分类(K-Nearest Neighbor,KNN)、支持向量机(Support Vector Machine,SVM)、决策树(Decision Tree,DT)和随机森林(Random Forest,RF)共5种监督分类算法及不同特征组合的分类效果,以实现玉米种植信息的高精度提取.结果 表明,使用单一种类特征或使用全部3种特征均不能获得最优的分类精度;将植被指数与HSI色彩特征或与纹理特征进行组合获得的总体分类精度(5种算法平均值)比仅使用植被指数获得的总体分类精度分别提高了4.2％和8.3％;在所有特征组合中,HSI色彩特征和纹理特征组合为最优选择,基于该特征空间的RF算法获得了最高的分类精度,总精度为86.2％,Kappa系数为0.793;基于RF算法进行降维并不能显著提高或降低分类精度(SVM除外),但所保留的特征因子可给出符合实际背景和意义的解释,并可提高分类结果的稳定性.研究结果可为基于无人机RGB影像的作物种植信息高精度提取提供方法参考.